دیدگاه های سرمایه گذاران خطرپذیر نشان می دهد که پیش بینی هوش مصنوعی در کسب وکارها تا سال 1405 به بلوغ عملیاتی می رسد و سازمان ها با تمرکز بر داده های اختصاصی و جریان های کاری، ارزش واقعی این فناوری را در بودجه بندی های کلان خود لحاظ خواهند کرد.
الان سه سالی می شه که OpenAI چت جی پی تی (ChatGPT) رو عرضه کرده و موجی از نوآوری و توجه به هوش مصنوعی رو راه انداخته. از اون زمان تا حالا، افراد خوش بین مدام ادعا کردن که پیش بینی هوش مصنوعی در کسب وکارها به بخش حیاتی صنعت نرم افزارهای سازمانی تبدیل می شه و به همین خاطر، استارتاپ های هوش مصنوعی سازمانی با تکیه بر سرمایه گذاری های کلان مثل قارچ رشد کردن.
اما سازمان ها هنوز دارن تلاش می کنن تا فایده ی استفاده از این ابزارهای جدید هوش مصنوعی رو ببینن. یه نظرسنجی از MIT در مرداد ماه نشون داد که 95 درصد از سازمان ها بازگشت سرمایه ی معناداری از سرمایه گذاری هاشون در هوش مصنوعی نداشتن.
پس بالاخره کسب وکارها کی قراره از استفاده و ادغام پیش بینی هوش مصنوعی در کسب وکارها سود واقعی ببرن؟ تک کرانچ با 24 سرمایه گذار خطرپذیر (VC) حوزه ی سازمانی مصاحبه کرده و اکثر اونا فکر می کنن سال 1405 (2026) سالی خواهد بود که سازمان ها به طور معناداری هوش مصنوعی رو به خدمت می گیرن، ارزشش رو حس می کنن و بودجه شون رو برای این فناوری افزایش می دن.
سرمایه گذارهای خطرپذیرِ حوزه ی سازمانی الان سه ساله که دارن این حرف رو می زنن. آیا واقعا سال 1405 متفاوت خواهد بود؟
بیاید ببینیم اونا چی برای گفتن دارن:
پیش بینی هوش مصنوعی در کسب وکارها؛ ترندهای شکوفا در سال 1405
کربی وینفیلد، شریک مؤسس در Ascend: سازمان ها دارن متوجه می شن که مدل های زبانی بزرگ (LLM) برای اکثر مشکلات یه راه حل معجزه آسا نیستن. صرفا چون استاربارکس می تونه از مدل کلود (Claude) برای نوشتن نرم افزار مدیریت مشتری (CRM) خودش استفاده کنه، به این معنی نیست که حتما باید این کار رو انجام بده. تمرکز ما روی مدل های سفارشی، تنظیم دقیق (Fine-tuning)، ارزیابی ها، قابلیت مشاهده، هماهنگی و حاکمیت داده ها خواهد بود.
مالی آلتر، شریک در Northzone: بخشی از شرکت های هوش مصنوعی سازمانی از مدل فروش محصول به سمت مشاوره ی هوش مصنوعی تغییر مسیر می دن. این شرکت ها ممکنه با یه محصول خاص مثل پشتیبانی مشتری با هوش مصنوعی یا ایجنت های کدنویسی شروع کنن، اما وقتی جریان های کاریِ مشتری به اندازه ی کافی روی پلتفرم اونا اجرا بشه، می تونن مدل «مهندس مستقر» رو با تیم خودشون تکرار کنن تا موارد استفاده ی بیشتری برای مشتری ها بسازن. به عبارت دیگه، خیلی از شرکت های محصول محورِ تخصصی، به پیاده کننده های عمومی هوش مصنوعی تبدیل می شن.
مارسی وو، شریک در Greycroft: ما خیلی درباره ی فرصت های هوش مصنوعی صوتی هیجان زده هستیم. صدا راه خیلی طبیعی تر، کارآمدتر و گویاتری برای ارتباط آدم ها با همدیگه و با ماشین هاست. ما دهه هاست که داریم روی کامپیوترها تایپ می کنیم و به صفحه نمایش ها زل می زنیم، اما صحبت کردن راهیه که ما در دنیای واقعی با بقیه ارتباط می گیریم. من مشتاقم ببینم سازنده ها چطوری محصولات، تجربه ها و رابط های کاربری رو با محوریت صدا به عنوان حالت اصلی تعامل با هوش بازطراحی می کنن.
الکسا فون توبل، مؤسس و شریک مدیر در Inspired Capital: سال 1405 سالی خواهد بود که هوش مصنوعی دنیای فیزیکی رو بازتعریف می کنه؛ به خصوص در زیرساخت، تولید و نظارت بر اقلیم. ما داریم از یک دنیای واکنشی به سمت یک دنیای پیش بین حرکت می کنیم، جایی که پیش بینی هوش مصنوعی در کسب وکارها می تواند مشکلات را قبل از خرابی حس کند.
لانی جافه، مدیر عامل در Insight Partners: ما داریم نگاه می کنیم که آزمایشگاه های پیشرو چطوری به لایه ی اپلیکیشن نزدیک می شن. خیلیا فکر می کردن این آزمایشگاه ها فقط مدل ها رو آموزش می دن و اونا رو در اختیار بقیه می ذارن تا روشون محصول بسازن، اما به نظر نمی رسه اونا این طوری فکر کنن. ممکنه ببینیم که آزمایشگاه های پیشرو خیلی بیشتر از اونی که مردم فکر می کنن، اپلیکیشن های آماده رو مستقیما در حوزه هایی مثل مالی، حقوق، بهداشت و آموزش وارد بازار می کنن.
تام هنریکسون، شریک عمومی در OpenOcean: اگه بخوام برای محاسبات کوانتومی در سال 1405 یه کلمه انتخاب کنم، اون کلمه «شتاب» هستش. اعتماد به مزیت های کوانتومی به سرعت داره شکل می گیره و شرکت ها دارن نقشه راه هایی رو منتشر می کنن تا ابهامات این فناوری رو برطرف کنن. اما هنوز منتظر جهش های بزرگ نرم افزاری نباشید؛ ما هنوز به عملکرد سخت افزاریِ بیشتری نیاز داریم تا از اون آستانه عبور کنیم.
دنبال سرمایه گذاری در کدوم زمینه ها هستید؟
امیلی ژائو، مدیر در Salesforce Ventures: ما دو مرز متمایز رو هدف گرفتیم: ورود هوش مصنوعی به دنیای فیزیکی و نسل بعدیِ تحقیقات در مورد مدل ها.
مایکل استوارت، شریک مدیر در M12: فناوری دیتاسنترهای آینده. حدود یک سالی هست که داریم روی چند سرمایه گذاری جدید کار می کنیم که نشون دهنده ی علاقه ی ما به فناوری «کارخانه ی توکن» در آینده است؛ با این نگاه که چی می تونه کارایی و پاکیِ عملکرد اونا رو واقعا بالا ببره. این روند در سال 1405 و بعد از اون هم ادامه پیدا می کنه، در دسته هایی که شامل همه چیزِ داخل دیوارهای دیتاسنتر می شه: خنک کننده، پردازش، حافظه و شبکه سازی در داخل و بین سایت ها.
جاناتان لر، هم مؤسس و شریک عمومی در Work-Bench: نرم افزارهای سازمانی عمودی که در اونا جریان های کاری و داده های اختصاصی باعث ایجاد امنیت و برتری می شن، به خصوص در صنایع تحت نظارت، زنجیره ی تامین، خرده فروشی و سایر محیط های عملیاتی پیچیده.
آرون جیکوبسن، شریک در NEA: ما در لبه ی توانایی بشر برای تولید انرژیِ کافی جهت تغذیه ی پردازنده های گرافیکی (GPU) تشنه ی برق هستیم. من به عنوان یک سرمایه گذار، دنبال نرم افزار و سخت افزاری هستم که بتونه باعث پیشرفت های چشمگیر در عملکرد به ازای هر وات بشه. این می تونه مدیریت بهتر GPU، تراشه های هوش مصنوعی کارآمدتر، رویکردهای شبکه سازی نسل بعد مثل اپتیکال، یا بازنگری در بارهای حرارتی داخل سیستم های هوش مصنوعی و دیتاسنترها باشه.
وقتی صحبت از استارتاپ های هوش مصنوعی می شه، چطوری تشخیص می دید که یه شرکت مزیت رقابتی پایدار (Moat) داره؟
راب بیدرمن، شریک مدیر در Asymmetric Capital Partners: مزیت رقابتی در پیش بینی هوش مصنوعی در کسب وکارها کمتر به خود مدل مربوط می شود و بیشتر به اقتصاد و ادغام آن. ما دنبال شرکت هایی هستیم که عمیقا در جریان های کاری سازمان جا افتادن، به داده های اختصاصی یا داده هایی که مدام در حال بهبود هستن دسترسی دارن و از طریق هزینه های جابه جایی، مزیت های هزینه ای یا نتایجی که تکرارشون سخته، از خودشون دفاع می کنن.
جیک فلومنبرگ، شریک در Wing Venture Capital: من به مزیت هایی که صرفا بر اساس عملکرد مدل یا مهندسی پرامپت ساخته شدن، مشکوکم؛ این مزیت ها ظرف چند ماه از بین می رن. سؤالی که من می پرسم اینه: اگه OpenAI یا Anthropic فردا یه مدلی بدن که 10 برابر بهتر باشه، آیا این شرکت هنوز دلیلی برای بقا داره؟
مالی آلتر، شریک در Northzone: امروزه ایجاد مزیت در یک دسته ی عمودی و تخصصی خیلی راحت تر از یک دسته ی افقی و عمومیه. بهترین مزیت ها، مزیت های داده ای هستن؛ جایی که هر مشتری، داده یا تعاملِ اضافی، محصول رو بهتر می کنه. ساختن این ها در دسته های تخصصی مثل تولید، ساخت وساز، سلامت یا حقوق که داده ها بین مشتری ها سازگاری بیشتری دارن، یه جورایی راحت تره. اما «مزیت های جریان کاری» جالبی هم وجود داره، جایی که قدرت دفاعی از درک چگونگیِ حرکت یک وظیفه یا پروژه از نقطه ی الف به نقطه ی ب در یک صنعت به دست میاد.
هارشیا کاپره، مدیر در Snowflake Ventures: برای استارتاپ هایی که بر روی پیش بینی هوش مصنوعی در کسب وکارها متمرکز هستند، قوی ترین مزیت از این می آید که چقدر مؤثر می توانند داده های موجود یک سازمان را به تصمیمات، جریان های کاری و تجربه های مشتری بهتر تبدیل کنند. سازمان ها همین حالا هم روی کوهی از داده های ارزشمند نشستن؛ چیزی که کم دارن، توانایی استدلال روی این داده ها به شکلی هدفمند و قابل اعتماده. ما دنبال استارتاپ هایی هستیم که تخصص فنی رو با دانش عمیق صنعتی ترکیب می کنن و می تونن راهکارهای خاصِ اون حوزه رو مستقیما به داده های حاکمیتی مشتری ببرن، بدون اینکه سیلوهای داده ی جدید بسازن، تا بینش ها یا اتوماسیونی رو ارائه بدن که قبلا ممکن نبود.
آیا سال 1405 زمان سودآوری از پیش بینی هوش مصنوعی در کسب وکارها است؟
کربی وینفیلد، شریک مؤسس در Ascend: سازمان ها دارن می فهمن که آزمایش های پراکنده با ده ها راهکار مختلف فقط آشفتگی ایجاد می کنه. اونا روی تعداد کمتری از راهکارها با درگیریِ فکریِ بیشتر تمرکز می کنن.
آنتونیا دین، شریک در Black Operator Ventures: پیچیدگی ماجرا اینجاست که خیلی از سازمان ها، فارغ از اینکه چقدر برای استفاده ی موفق از هوش مصنوعی آماده هستن یا نه، می گن که دارن سرمایه گذاریشون رو در هوش مصنوعی افزایش می دن تا توضیح بدن چرا دارن هزینه ها رو در بخش های دیگه کم می کنن یا نیروهاشون رو تعدیل می کنن. در واقعیت، هوش مصنوعی قراره بشه سپر بلای مدیرانی که می خوان اشتباهات گذشته شون رو بپوشونن.
اسکات بیچوک، شریک در Norwest Venture Partners: قطعا داریم بهش نزدیک می شیم. اگه سال گذشته درباره ی زیرسازی برای هوش مصنوعی بود، سال 1405 زمانیه که شروع می کنیم ببینیم آیا لایه ی اپلیکیشن می تونه اون سرمایه گذاری رو به ارزش واقعی تبدیل کنه یا نه. با پخته تر شدن مدل های تخصصی و بهبود نظارت، سیستم های هوش مصنوعی در جریان های کاری روزمره قابل اعتمادتر می شن.
مارل ایوانز، مؤسس و شریک مدیر در Exceptional Capital: بله، اما هنوز تدریجی هستش. هنوز تکرار و آزمون خطای زیادی وجود داره و هوش مصنوعی هنوز داره تا نقطه ای پیشرفت می کنه که بتونه راهکارهای واقعی برای مشکلات اصلیِ سازمان ها در صنایع مختلف ارائه بده. من معتقدم حل کردنِ آموزشِ «شبیه سازی به واقعیت» احتمالا فرصت های زیادی رو برای مجموعه ای از صنایع، چه قدیمی و چه نوظهور، باز می کنه.
جنیفر لی، شریک عمومی در Andreessen Horowitz: امسال تیترهای جنجالی زیادی درباره ی این بود که سازمان ها بازگشت سرمایه ای از هوش مصنوعی نمی بینن. از هر مهندس نرم افزاری بپرسید که آیا هیچ وقت دلش می خواهد به دوران تاریکِ قبل از ابزارهای پیش بینی هوش مصنوعی در کسب وکارها برگردد؟ بعیده. حرف من اینه که سازمان ها همین امسال هم دارن سود می برن و این سود در سال آینده در کل سازمان ها چند برابر می شه.
فکر می کنید سازمان ها بودجه ی هوش مصنوعی شون رو در سال 1405 افزایش می دن؟
راجیو دام، مدیر عامل در Sapphire: بله، فکر می کنم این کار رو می کنن، هرچند ظرافت هایی داره. سازمان ها به جای اینکه صرفا بودجه ی هوش مصنوعی رو زیاد کنن، بخش هایی از هزینه های نیروی انسانی شون رو به سمت فناوری های هوش مصنوعی سوق می دن یا چنان بازگشت سرمایه ی (ROI) قدرتمندی از قابلیت های هوش مصنوعی می گیرن که اون سرمایه گذاری عملا خودش رو 3 تا 5 برابر جبربران می کنه.
راب بیدرمن، شریک مدیر در Asymmetric Capital Partners: بودجه ها برای مجموعه ی محدودی از محصولات هوش مصنوعی که نتایج مشخصی دارن افزایش پیدا می کنه و برای بقیه ی چیزها به شدت کاهش می یابه. کل هزینه ها ممکنه رشد کنه، اما خیلی متمرکزتر خواهد بود. ما انتظار یک دوپارگی رو داریم، جایی که تعداد کمی از فروشنده ها سهم نامتناسبی از بودجه های هوش مصنوعی سازمانی رو جذب می کنن، در حالی که بقیه شاهد ثابت موندن یا کاهش درآمدشون خواهند بود.
گوردون ریتر، مؤسس و شریک عمومی در Emergence Capital: بله، اما هزینه ها متمرکز می شه. سازمان ها بودجه رو در جاهایی افزایش می دن که هوش مصنوعی باعث گسترش مزیت های سازمانی شون بشه و از ابزارهایی که صرفا جریان های کاری رو بدون ثبت و امنیتِ دانش اختصاصی اتوماتیک می کنن، عقب نشینی می کنن.
اندرو فرگوسن، نایب رئیس در Databricks Ventures: سال 1405 سالی خواهد بود که مدیران فناوری (CIO) جلوی پراکندگیِ فروشنده های هوش مصنوعی رو می گیرن. امروزه سازمان ها دارن چندین ابزار رو برای یک مورد استفاده ی واحد تست می کنن هزینه های ماهانه و هزینه ی جابه جایی در خیلی موارد کمه، پس انگیزه برای امتحان کردن وجود داره و انفجاری از استارتاپ ها روی مراکز خریدِ خاصی تمرکز کردن که تشخیص تفاوتشون حتی در زمان تست های اولیه هم خیلی سخته. وقتی سازمان ها نتایج واقعی رو از هوش مصنوعی ببینن، بخشی از بودجه ی آزمایش رو قطع می کنن، ابزارهای هم پوشان رو یکپارچه می کنن و اون صرفه جویی رو روی فناوری هایی که جواب پس دادن، سرمایه گذاری می کنن.
رایان ایسونو، مدیر عامل در Maverick Ventures: در کل بله، و بخشی از بودجه های آزمایشی به ردیف های بودجه ی ثابت منتقل می شه. یک اتفاق خوب برای استارتاپ های متمرکز بر پیش بینی هوش مصنوعی در کسب وکارها در سال 1405، انتقال سازمان هایی است که سعی کردند راهکارهای داخلی بسازند و حالا متوجه سختی و پیچیدگی مورد نیاز برای تولید در مقیاس بالا شده اند.
برای نکات جذب سرمایه سری A به عنوان یک استارتاپ هوش مصنوعی سازمانی در سال 1405 چه چیزی لازمه؟
جیک فلومنبرگ، شریک در Wing Venture Capital: بهترین شرکت ها در حال حاضر دو چیز رو با هم ترکیب می کنن: یک روایت قانع کننده از «چرا الان» که معمولا به هوش مصنوعی مولد که نقاط ضعف جدید، نیازهای زیرساختی یا فرصت های جریان کاری جدید ایجاد کرده وصل می شه و مدرک عینی از پذیرش توسط سازمان ها. درآمد سالانه ی 1 تا 2 میلیون دلار پایه است، اما چیزی که بیشتر اهمیت داره اینه که آیا مشتری ها شما و محصولتون رو برای کسب وکارشون حیاتی می بینن یا فقط به عنوان یه چیزِ «خوبه که داشته باشیم». درآمد بدون روایت فقط یه ویژگیه؛ روایت بدون مشتری هم یه محصول خیالیه. شما به هر دو نیاز دارید.
لانی جافه، مدیر عامل در Insight Partners: شما باید نشون بدید در فضایی دارید محصول می سازید که با کاهش هزینه ها توسط هوش مصنوعی، کل بازار هدف (TAM) گسترش پیدا می کنه نه اینکه ناپدید بشه. بعضی بازارها کشش تقاضای بالایی دارن؛ یعنی 90 درصد کاهش قیمت منجر به 10 برابر شدن اندازه بازار می شه. بقیه کشش کمی دارن، جایی که کاهش قیمت می تونه بازار رو نابود کنه و مشتری ها تمام ارزش ایجاد شده رو برای خودشون نگه دارن.
جاناتان لر، هم مؤسس و شریک عمومی در Work-Bench: مشتری ها باید از محصول در عملیات واقعی و روزمره استفاده کنن و مایل باشن در تماس های معرف (Reference calls) شرکت کنن و صادقانه درباره ی تاثیر، قابلیت اعتماد، فرآیند خرید و غیره حرف بزنن. شرکت ها باید بتونن به وضوح نشون بدن که محصول چطوری در زمان صرفه جویی می کنه، هزینه ها رو کم می کنه یا خروجی رو به شکلی افزایش می ده که در بررسی های امنیتی، حقوقی و تدارکاتی سربلند بیرون بیاد.
مایکل استوارت، شریک مدیر در M12: ما (سرمایه گذارها) تا همین اواخر با تردید به درآمدهای تخمینی یا درآمدهای حاصل از پروژه های آزمایشی نگاه می کردیم. حالا دیگه اونقدرها بهش شک نداریم، چون علاقه و تمایل مشتری برای ارزیابی یک راهکار در بین این همه گزینه که به سمتش میاد، خودش مهمه. جلب این تعاملات و همراه کردن مشتری برای انجام ارزیابی، فقط بحثِ داشتن مهندس های مستقر برای راحت تر کردن کار مشتری نیست؛ در سال 1405، این کار کیفیت و یک پیام بازاریابی برنده می خواد. سرمایه گذارها انتظار دارن ببینن که بعد از 6 ماه استفاده آزمایشی، تبدیل شدنِ مشتری به کاربر دائمی، بخش اصلی داستان باشه.
مارل ایوانز، مؤسس و شریک مدیر در Exceptional Capital: اجرا و جذب مشتری. بهترین سیگنال اینه که کاربرها واقعا از استفاده از محصول خوشحال باشن و کسب وکار از نظر فنی پیچیده باشه. ما به قراردادهای واقعی و بزرگ 12 ماهه به بالا به عنوان یک شاخص اصلی نگاه می کنیم. علاوه بر اون، آیا این مؤسس تونسته استعدادهای تراز اول رو جذب کنه تا به جای رقبا یا غول های فناوری، به استارتاپ اون بپیوندن؟
ایجنت های هوش مصنوعی تا پایان سال 1405 چه نقشی در سازمان ها خواهند داشت؟
نامدی اوکیک، شریک مدیر و هم مؤسس در 645 Ventures: ایجنت ها تا پایان سال 1405 هنوز در مرحله ی اولیه ی پذیرش خواهند بود. موانع فنی و نظارتی زیادی هست که باید برطرف بشه تا سازمان ها واقعا از ایجنت های هوش مصنوعی سود ببرن. همچنین لازمه استانداردهایی برای ارتباط ایجنت با ایجنت ایجاد بشه.
راجیو دام، مدیر عامل در Sapphire: یک ایجنت جهانی ظهور خواهد کرد. امروز، هر ایجنت در نقش خودش محدوده مثلا کارشناس فروش ورودی، کارشناس فروش خروجی، پشتیبانی مشتری، کشف محصول و غیره. اما تا اواخر سال آینده، شروع می کنیم به دیدنِ همگراییِ این نقش ها در یک ایجنت واحد با زمینه و حافظه ی مشترک، که سیلوهای سازمانیِ قدیمی رو می شکنه و یک گفتگوی واحد و بازمینه رو بین شرکت ها و کاربرهاشون فراهم می کنه.
آنتونیا دین، شریک در Black Operator Ventures: برنده ها سازمان هایی هستن که بتونن تعادل درست بین استقلال و نظارت رو سریع پیدا کنن و بفهمن که به کارگیری ایجنت، یک همکاری و تقویتِ نیرو هستش نه تقسیم کارِ خشک. به جای اینکه ایجنت ها تمام کارهای روتین رو انجام بدن و انسان ها فقط فکر کنن، ما شاهد همکاری پیچیده تری بین انسان ها و ایجنت ها در وظایف دشوار خواهیم بود، طوری که مرز بین نقش هاشون مدام در حال تکامله.
آرون جیکوبسن، شریک در NEA: اکثر کارکنان دانش ورز حداقل یک همکار هوشمند (ایجنت) خواهند داشت که اونو به اسم می شناسن!
اریک بان، هم مؤسس و شریک عمومی در Hustle Fund: من فکر می کنم ایجنت های هوش مصنوعی احتمالا بخش بزرگ تری از نیروی کار رو نسبت به انسان ها در سازمان ها تشکیل می دن. زیاد کردنِ ایجنت های هوش مصنوعی عملا رایگانه och هزینه ی نهایی ش صفره. پس چرا از طریق ربات ها رشد نکنیم؟
کدوم تیپ از شرکت های پورتفولیوی شما دارن قوی ترین رشد رو تجربه می کنن؟
جیک فلومنبرگ، شریک در Wing Venture Capital: شرکت هایی که سریع ترین رشد رو دارن، اونایی هستن که یک شکاف در جریان کاری یا امنیت که به خاطر هوش مصنوعی مولد ایجاد شده رو شناسایی کردن و با قدرت روی تناسب محصول با بازار کار کردن. در امنیت سایبری، ابزارهایی که به امنیت داده ها رسیدگی می کنن تا مدل ها بتونن با داده های حساس به صورت ایمن تعامل داشته باشن، و حاکمیت ایجنت ها که تضمین می کنه سیستم های خودکار کنترل های مناسبی دارن. در بازاریابی، حوزه های جدیدی مثل بهینه سازی برای موتورهای پاسخگو (AEO) یعنی دیده شدن در پاسخ های هوش مصنوعی، نه فقط نتایج جستجو. نکته ی مشترک: این ها دو سال پیش اصلا وجود نداشتن، اما الان برای سازمان هایی که هوش مصنوعی رو در مقیاس بزرگ پیاده می کنن، حیاتی هستن.
اندرو فرگوسن، نایب رئیس در Databricks Ventures: ما شاهد رشدی هستیم که به چند تم مشترک وصله. یکی شرکت هایی هستن که با موارد استفاده ی متمرکز شروع می کنن شرکت هایی که با یک بخش کوچیک (مثلا یک پرسونا یا مورد استفاده ی خاص) شروع می کنن، اونو عالی انجام می دن، موندگار می شن و حق گسترش از اون نقطه ی اولیه رو به دست میارن.
جنیفر لی، شریک عمومی در Andreessen Horowitz: شرکت هایی که به سازمان ها کمک می کنن هوش مصنوعی رو وارد مرحله ی تولید کنن، دارن خوب عمل می کنن. حوزه هایی مثل استخراج و ساختاردهی به داده ها، بهره وری برنامه نویس ها برای سیستم های هوش مصنوعی، زیرساخت برای رسانه های مولد، و صدا برای رسانه ها و اپلیکیشن هایی مثل مراکز تماس.
کدوم تیپ از شرکت ها قوی ترین نرخ ماندگاریِ مشتری (Retention) رو دارن؟
جیک فلومنبرگ، شریک در Wing Venture Capital: شرکت هایی که ماندگاری و گسترش بالایی دارن، یه الگوی مشترک دارن: اونا مشکلاتی رو حل می کنن که با استفاده ی بیشترِ مشتری از هوش مصنوعی، اون مشکلات هم شدیدتر می شن. ماندگاری بالا از سه چیز میاد: حیاتی بودن (حذفش باعث خرابی جریان کار تولید می شه)، جمع آوری زمینه ی اختصاصی که بازسازیش سخته، و حل مشکلاتی که با پذیرش هوش مصنوعی رشد می کنن نه اینکه فقط یک بار حل بشن و تمام.
تام هنریکسون، شریک عمومی در OpenOcean: اندازه گیری ماندگاری برای شرکت های جوون تر سخته، اما بالاترین ماندگاری رو در ارائه دهندگانِ جدیِ نرم افزار سازمانی می بینیم، به خصوص اونایی که با هوش مصنوعی تقویت شدن. یه مثال خوب Operations1 هستش که فرآیندهای تولیدِ تحت هدایتِ کارمندان رو از ابتدا تا انتها دیجیتالی می کنه. این شرکت ها عمیقا وارد سازمانِ مشتری می شن، نحوه ی عملکردشون رو متحول می کنن و داده ها و دانش اختصاصی می سازن که نبودشون رو خیلی سخت می کنه.
مایکل استوارت، شریک مدیر در M12: استارتاپ هایی که به سازمان ها در ابزارهای داده و اپلیکیشن های هوش مصنوعیِ عمودی خدمات می دن و تیم های مستقری دارن که به رضایت مشتری، کیفیت و بهبود محصول کمک می کنن. به نظر می رسه این فرمول برنده ای هست که توسط تمام استارتاپ های پیشرو در اون بازارها پذیرفته شده. در درازمدت، ممکنه با درونی شدنِ استفاده از هوش مصنوعی در سازمان ها، نیاز به این تیم های مستقر کمتر بشه.
جاناتان لر، هم مؤسس و شریک عمومی در Work-Bench: ماندگاری در جاهایی بالاتره که نرم افزار به جای اینکه فقط یه راهکارِ نقطه ای باشه، تبدیل به زیرساخت بنیادی می شه. Authzed ماندگاری بالایی داره چون سیستم های احراز هویت و سیاست گذاری در قلب سیستم های مدرن قرار دارن و وقتی جا افتادن، حذف کردنشون خیلی هزینه بره. Courier Health و GovWell هم به عنوان لایه های ثبت و هماهنگی برای جریان های کاری کامل، مثل مسیر درمان بیمار در حوزه سلامت یا مجوزدهی در دولت عمل می کنن، که باعث می شه وقتی فعال شدن، عمیقا با سیستم عجین بشن.
مسیر پیش روی هوش مصنوعی در دنیای سازمان ها از هایپ های تبلیغاتی به سمت ادغام عمیق در زیرساخت ها در حال تغییر است. با پخته تر شدن مدل ها و افزایش اعتماد مدیران، انتظار می رود سال های آینده شاهد جابه جایی قابل توجه بودجه ها از منابع انسانی سنتی به سمت ایجنت های هوشمند و راهکارهای مبتنی بر داده باشیم که نه تنها بهره وری را افزایش می دهند، بلکه مدل های اقتصادی جدیدی را برای کسب وکارهای مدرن تعریف می کنند.
