سرمایه‌گذاری در خدمات مبتنی بر هوش مصنوعی: آیا این تحول آن‌قدرها هم آسان است؟

آیا سرمایه‌گذاری در خدمات مبتنی بر هوش مصنوعی آن‌قدرها هم آسان است که سرمایه‌گذاران فکر می‌کنند؟

سرمایه‌گذاران خطرپذیر به دنبال استفاده از هوش مصنوعی برای افزایش سود در کسب‌وکارهای خدماتی هستند، اما چالش‌ها و هشدارهای اولیه‌ای نیز وجود دارد. آیا این استراتژی موفق خواهد بود؟

سرمایه‌گذاران خطرپذیر متقاعد شده‌اند که لبه‌ی سرمایه‌گذاری بزرگ بعدی را یافته‌اند: استفاده از هوش مصنوعی برای به دست آوردن حاشیه‌های سود نرم‌افزاری از کسب‌وکارهای خدماتی که به طور سنتی متکی به نیروی کار هستند. این استراتژی شامل خرید شرکت‌های خدمات حرفه‌ای بالغ، پیاده‌سازی هوش مصنوعی برای خودکارسازی وظایف، و سپس استفاده از جریان نقدی بهبودیافته برای ادغام شرکت‌های بیشتر است. آیا سرمایه‌گذاری در خدمات مبتنی بر هوش مصنوعی آن‌قدرها هم آسان است که سرمایه‌گذاران فکر می‌کنند؟

General Catalyst پیشتاز این عرصه

شرکت General Catalyst (GC) پیشتاز این حرکت است و ۱.۵ میلیارد دلار از آخرین سرمایه جمع‌آوری‌شده خود را به آنچه «استراتژی خلق» می‌نامد، اختصاص داده است. این استراتژی بر انکوباسیون شرکت‌های نرم‌افزاری بومی هوش مصنوعی در صنایع خاص متمرکز است و سپس از این شرکت‌ها به عنوان ابزاری برای خرید شرکت‌های تثبیت‌شده (و مشتریان آن‌ها) در همان بخش‌ها استفاده می‌کند. GC در هفت صنعت، از خدمات حقوقی گرفته تا مدیریت فناوری اطلاعات، سرمایه‌گذاری کرده است و قصد دارد این تعداد را به ۲۰ بخش افزایش دهد.

مارک بهارگاوا، که رهبری تلاش‌های مرتبط GC را بر عهده دارد، در مصاحبه‌ای با TechCrunch گفت: «درآمد خدمات در سطح جهانی سالانه ۱۶ تریلیون دلار است. در مقایسه، نرم‌افزار تنها ۱ تریلیون دلار در سطح جهانی است.» او افزود که جذابیت سرمایه‌گذاری در نرم‌افزار همیشه حاشیه‌های سود بالاتر آن بوده است. «هنگامی که نرم‌افزار مقیاس می‌یابد، هزینه نهایی بسیار کمی وجود دارد و درآمد نهایی زیادی وجود دارد.» او گفت اگر بتوان کسب‌وکار خدمات را نیز خودکار کرد – با هوش مصنوعی ۳۰٪ تا ۵۰٪ از این شرکت‌ها را هدف قرار داد، و حتی تا ۷۰٪ از وظایف اصلی در مراکز تماس را خودکار کرد – محاسبات شروع به جذاب شدن می‌کنند. بر اساس گزارشی از TechCrunch.

جریان نقدی بهبودیافته سپس مهمات لازم برای خرید شرکت‌های اضافی با قیمت‌های بالاتر از آنچه خریداران سنتی می‌توانند بپردازند را فراهم می‌کند و آنچه طرفداران آن را یک چرخه‌ی سودآور می‌دانند، ایجاد می‌کند.

نمونه‌هایی از موفقیت

به نظر می‌رسد این برنامه در حال جواب دادن است. به عنوان مثال، Titan MSP، یکی از شرکت‌های پورتفولیوی General Catalyst را در نظر بگیرید. این شرکت سرمایه‌گذاری ۷۴ میلیون دلار در دو مرحله برای کمک به این شرکت در توسعه ابزارهای هوش مصنوعی برای ارائه‌دهندگان خدمات مدیریت‌شده (MSP) فراهم کرد، سپس RFA، یک شرکت خدمات فناوری اطلاعات شناخته‌شده را خریداری کرد. بهارگاوا می‌گوید Titan از طریق برنامه‌های آزمایشی نشان داد که می‌تواند ۳۸٪ از وظایف معمول MSP را خودکار کند. این شرکت اکنون قصد دارد از حاشیه‌های سود بهبودیافته خود برای خرید MSPهای اضافی در یک استراتژی ادغام کلاسیک استفاده کند.

به طور مشابه، این شرکت Eudia را انکوبه کرد که به جای شرکت‌های حقوقی، بر بخش‌های حقوقی داخلی تمرکز دارد. Eudia با مشتریان Fortune 100 از جمله Chevron، Southwest Airlines و Stripe قرارداد بسته است و خدمات حقوقی با تعرفه ثابت مبتنی بر هوش مصنوعی را به جای صورتحساب ساعتی سنتی ارائه می‌دهد. این شرکت اخیراً Johnson Hanna، یک ارائه‌دهنده خدمات حقوقی جایگزین را برای گسترش دامنه خود خریداری کرده است.

بهارگاوا توضیح داد که General Catalyst به دنبال دو برابر کردن – حداقل – حاشیه EBITDA شرکت‌هایی است که خریداری می‌کند.

چالش‌ها و هشدارهای اولیه

اما هشدارهای اولیه‌ای نشان می‌دهد که این دگردیسی صنعت خدمات ممکن است پیچیده‌تر از آن چیزی باشد که سرمایه‌گذاران خطرپذیر پیش‌بینی می‌کنند. مطالعه‌ای که اخیراً توسط محققان آزمایشگاه رسانه‌های اجتماعی استنفورد و آزمایشگاه‌های BetterUp انجام شده و ۱۱۵۰ کارمند تمام‌وقت در صنایع مختلف را مورد بررسی قرار داده است، نشان می‌دهد که ۴۰٪ از این کارمندان مجبور به تحمل کار بیشتری هستند، زیرا آنچه محققان آن را «کارشلپ» می‌نامند – کار تولیدشده توسط هوش مصنوعی که به نظر می‌رسد صیقلی است اما فاقد محتوا است و کار (و سردرد) بیشتری برای همکاران ایجاد می‌کند.

این روند بر سازمان‌ها تأثیر می‌گذارد. کارمندان شرکت‌کننده در این نظرسنجی می‌گویند که به طور متوسط ​​نزدیک به دو ساعت را صرف رسیدگی به هر نمونه از کارشلپ می‌کنند، از جمله ابتدا برای رمزگشایی آن، سپس تصمیم‌گیری در مورد اینکه آیا آن را پس بفرستند یا نه، و اغلب اوقات فقط برای رفع آن خودشان.

بر اساس تخمین‌های شرکت‌کنندگان از زمان صرف‌شده، همراه با حقوق گزارش‌شده خود، نویسندگان این نظرسنجی تخمین می‌زنند که کارشلپ یک مالیات پنهان ۱۸۶ دلاری در ماه برای هر نفر دارد. آن‌ها در مقاله‌ای جدید در Harvard Business Review می‌نویسند: «برای سازمانی با ۱۰۰۰۰ کارگر، با توجه به شیوع تخمینی کارشلپ… این امر منجر به از دست دادن بیش از ۹ میلیون دلار در سال در بهره‌وری می‌شود.»

به طور خلاصه، صرفاً پیاده‌سازی هوش مصنوعی، نتایج بهبودیافته را تضمین نمی‌کند.

پاسخ General Catalyst به انتقادات

بهارگاوا این تصور که هوش مصنوعی بیش از حد تبلیغ شده است را رد می‌کند و در عوض استدلال می‌کند که تمام این شکست‌های پیاده‌سازی در واقع رویکرد General Catalyst را تأیید می‌کند. او گفت: «من فکر می‌کنم این نشان‌دهنده فرصت است، که این است که اعمال فناوری هوش مصنوعی در این مشاغل آسان نیست. اگر همه Fortune 100 و همه این افراد می‌توانستند یک شرکت مشاوره را وارد کنند، مقداری هوش مصنوعی را روی آن قرار دهند، قراردادی با OpenAI ببندند و تجارت خود را متحول کنند، پس بدیهی است که تز ما کمی کمتر قوی خواهد بود. اما واقعیت این است که تحول یک شرکت با هوش مصنوعی واقعاً دشوار است.»

او به پیچیدگی فنی مورد نیاز در هوش مصنوعی به عنوان مهم‌ترین قطعه گمشده پازل اشاره کرد. او گفت: «فناوری‌های مختلفی وجود دارد. در انجام کارهای مختلف خوب است. شما واقعاً به این مهندسان هوش مصنوعی کاربردی از مکان‌هایی مانند Rippling و Ramp و Figma و Scale نیاز دارید که با مدل‌های مختلف کار کرده‌اند، تفاوت‌های ظریف آن‌ها را درک می‌کنند، می‌فهمند کدام‌یک برای چه چیزی خوب است، می‌فهمند چگونه آن را در نرم‌افزار بپیچند.» او استدلال کرد که این پیچیدگی دقیقاً همان چیزی است که استراتژی General Catalyst برای جفت کردن متخصصان هوش مصنوعی با کارشناسان صنعت برای ساختن شرکت‌ها از ابتدا منطقی است.

با این حال، نمی‌توان انکار کرد که کارشلپ تهدیدی برای تضعیف اقتصاد اصلی این استراتژی است. سؤال بزرگ‌تر این است که این مشکل چقدر جدی است و آیا این تصویر با گذشت زمان تغییر می‌کند یا خیر.

در حال حاضر، اگر شرکت‌ها همانطور که تز کارایی هوش مصنوعی نشان می‌دهد، کارکنان خود را کاهش دهند، افراد کمتری برای شناسایی و اصلاح خطاهای تولیدشده توسط هوش مصنوعی در دسترس خواهند داشت. اگر آن‌ها سطوح کارکنان فعلی را برای رسیدگی به کار اضافی ایجادشده توسط خروجی مشکل‌ساز هوش مصنوعی حفظ کنند، ممکن است سودهای حاشیه‌ای عظیمی که سرمایه‌گذاران خطرپذیر روی آن حساب می‌کنند، هرگز محقق نشود.

به راحتی می‌توان استدلال کرد که هر یک از این سناریوها احتمالاً باید برنامه‌های مقیاس‌بندی را که برای استراتژی ادغام سرمایه‌گذاران خطرپذیر محوری هستند، کند کند و به طور بالقوه اعدادی را که این معاملات را برای آن‌ها جذاب می‌کند، تضعیف کند. اما بیایید با آن روبرو شویم. برای کند کردن اکثر سرمایه‌گذاران سیلیکون ولی، چیزی بیشتر از کارمندان ناامید و مالیات ۹ میلیون دلاری بر یک شرکت خدمات لازم است.

در واقع، از آنجایی که آن‌ها معمولاً مشاغلی را با جریان نقدی موجود خریداری می‌کنند، General Catalyst می‌گوید شرکت‌های «استراتژی خلق» آن از قبل سودآور هستند.

برای مطالعه اخبار بیشتر اینجا کلیک کنید.

بهارگاوا گفت: «تا زمانی که فناوری هوش مصنوعی به بهبود خود ادامه دهد، و ما این سرمایه‌گذاری و بهبود عظیم در مدل‌ها را می‌بینیم، فکر می‌کنم صنایع بیشتری برای کمک به انکوبه کردن شرکت‌ها وجود خواهد داشت.»