🦾 AI стартапы оцениваются VC инвесторами до 3х дороже, чем прочие стартапы.
На какой стадии наблюдается пик? Давайте быстро посмотрим на данные от Питера Уолкера (Carta) по непубличным компаниям. К слову, вот в этом посте есть данные о том, что публичные AI компании оцениваются в 2.5х дороже, а в этом посте есть данные от CB Insights по непубличным компаниям, и там премия достигала 59% в2023 году.
1/ Давайте посмотрим на новые данные от Carta за 2024 год.
▪️𝗦𝗲𝗲𝗱: 39% премия;
▪️𝗦𝗲𝗿𝗶𝗲𝘀 𝗔: 23.8% премия;
▪️𝗦𝗲𝗿𝗶𝗲𝘀 𝗕: 40.5% премия;
▪️𝗦𝗲𝗿𝗶𝗲𝘀 𝗖: 34.8% премия;
▪️𝗦𝗲𝗿𝗶𝗲𝘀 𝗗: 201% премия.
2/ Сравним данные с 2023 годом в отчете от CB Insights:
▫️𝗦𝗲𝗲𝗱: 21% (2023) => 🟢 39% (2024);
▫️𝗦𝗲𝗿𝗶𝗲𝘀 𝗔: 39% (2023) => 🔴 23.8% (2024);
▫️𝗦𝗲𝗿𝗶𝗲𝘀 𝗕: 59% (2023) => 🔴 40.5% (2024).
3/ Давайте попробуем поразмышлять над этими данными:
🔹Премия просто огромная на Series D за счет Foundational Models стартапов типа OpenAI, Anthropic, xAI и проч.;
🔹На более ранних стадиях премия на уровне 35-40%, но чуть ниже на Series A – скорее всего там инвесторы уже смотрят более прагматично, истории у стартапа немного, трэкшн также сложно получить, есть некое насыщение;
🔹К тому же с 2023 года Series A и B премии сократились, что также свидетельствует н насыщении рынка;
🔹С другой стороны, с 2023 года увеличились премии на Seed – новые темы инвесторы тоже готовы смотреть.
👉 В общем, интересно, смотрите пост Питера: https://www.linkedin.com/feed/update/urn:li:activity:7275978550472536066/
@proVenture
#research #ai #trends #howtovc
На какой стадии наблюдается пик? Давайте быстро посмотрим на данные от Питера Уолкера (Carta) по непубличным компаниям. К слову, вот в этом посте есть данные о том, что публичные AI компании оцениваются в 2.5х дороже, а в этом посте есть данные от CB Insights по непубличным компаниям, и там премия достигала 59% в2023 году.
1/ Давайте посмотрим на новые данные от Carta за 2024 год.
▪️𝗦𝗲𝗲𝗱: 39% премия;
▪️𝗦𝗲𝗿𝗶𝗲𝘀 𝗔: 23.8% премия;
▪️𝗦𝗲𝗿𝗶𝗲𝘀 𝗕: 40.5% премия;
▪️𝗦𝗲𝗿𝗶𝗲𝘀 𝗖: 34.8% премия;
▪️𝗦𝗲𝗿𝗶𝗲𝘀 𝗗: 201% премия.
2/ Сравним данные с 2023 годом в отчете от CB Insights:
▫️𝗦𝗲𝗲𝗱: 21% (2023) => 🟢 39% (2024);
▫️𝗦𝗲𝗿𝗶𝗲𝘀 𝗔: 39% (2023) => 🔴 23.8% (2024);
▫️𝗦𝗲𝗿𝗶𝗲𝘀 𝗕: 59% (2023) => 🔴 40.5% (2024).
3/ Давайте попробуем поразмышлять над этими данными:
🔹Премия просто огромная на Series D за счет Foundational Models стартапов типа OpenAI, Anthropic, xAI и проч.;
🔹На более ранних стадиях премия на уровне 35-40%, но чуть ниже на Series A – скорее всего там инвесторы уже смотрят более прагматично, истории у стартапа немного, трэкшн также сложно получить, есть некое насыщение;
🔹К тому же с 2023 года Series A и B премии сократились, что также свидетельствует н насыщении рынка;
🔹С другой стороны, с 2023 года увеличились премии на Seed – новые темы инвесторы тоже готовы смотреть.
👉 В общем, интересно, смотрите пост Питера: https://www.linkedin.com/feed/update/urn:li:activity:7275978550472536066/
@proVenture
#research #ai #trends #howtovc
2024 Backward Pass - The Definitive Guide to AI in 2024.pdf
1.7 MB
📚 Хороший гайд по рынку AI от Translink Capital.
Тот случай, когда это не пост по отчету, а именно сам отчет.
Kelvin Mu из Translink Capital (давно и неплохо делает аналитику по сегменту) сделал чтиво по рынку искусственного интеллекта на 42 страницы. Тот случай, когда минимум графиков, которые мы любим, зато отчет достаточно емкий. Вдруг вы пропустили что-то по теме, это точно поможет расставить по полочкам. Понятно, что где в каком сегменте происходит.
Структура:
▪️Infrastructure Layer
▪️Model Layer
▪️Tooling Layer
▪️Application Layer
▪️Investments and M&A
▪️Other AI trends
Могу лишь еще лично направить почитать про тренд по Inference optimization в Tooling Layer, где сказано про наш уже бывший стартап Deci AI, который купила NVIDIA, но вообще каждый найдет там что-то свое. Очень кропотливо собраны тренды.
@proVenture
#ai #research
Тот случай, когда это не пост по отчету, а именно сам отчет.
Kelvin Mu из Translink Capital (давно и неплохо делает аналитику по сегменту) сделал чтиво по рынку искусственного интеллекта на 42 страницы. Тот случай, когда минимум графиков, которые мы любим, зато отчет достаточно емкий. Вдруг вы пропустили что-то по теме, это точно поможет расставить по полочкам. Понятно, что где в каком сегменте происходит.
Структура:
▪️Infrastructure Layer
▪️Model Layer
▪️Tooling Layer
▪️Application Layer
▪️Investments and M&A
▪️Other AI trends
Могу лишь еще лично направить почитать про тренд по Inference optimization в Tooling Layer, где сказано про наш уже бывший стартап Deci AI, который купила NVIDIA, но вообще каждый найдет там что-то свое. Очень кропотливо собраны тренды.
@proVenture
#ai #research
🔎 AI Survey: Four Themes Emerging.
Bain провел любопытное исследование еще в начале 2024 года относительно того, как компании используют generative AI в разных кейсах.
Сами по себе опросы не очень интересны, дают только sentiment, но не конкретные цифры, однако тут хотелось бы обратить ваше внимание на следующее.
Bain опрашивал представителей разных департаментов в октябре 2023 и в феврале 2024, и мы можем отметить, в каких областях gen AI инструменты стали больше применяться в 2024 году. График показывает процент респондентов, которые отметили, что Gen AI отвечает их ожиданиям или превышает их. Можно предположить, что увеличение процента происходит за счет роста юз кейсов.
1/ Рассмотрим направления с изменениями.
Топ-3 с растущим сентиментом:
🟢 Sales and sales operations: +6%;
🟢 Software code development/Marketing/Customer Service: +4%
🟢 Customer Onboarding: +1%
🔹 Тут на втором месте сразу несколько функций, но стоит отметить, что это единственные области, которые в плюсе вообще – в остальных местах сентимент ухудшается.
Топ-3 с падающим сентиментом:
🔴 HR: -12%;
🔴 Operations: -16%;
🔴 Legal: -18%.
🔹 Любопытно, что operations и legal это два направления, где очень много рутины – скорее всего, точность gen AI tools пока оставляет желать лучшего, вот и сентимент сокращается.
2/ Еще более любопытно, что общий сентимент сократился на 4%, а областей с падающим сентиментом (10) в 2 раза больше, чем с растущим (5). Интересно, как ситуация изменилась к концу года, конечно = к началу 2025-го. Кто-то видел информацию?
👉 Подробнее результаты опроса от Bain вы можете найти по ссылке: https://www.bain.com/insights/ai-survey-four-themes-emerging/#
@proVenture
#ai #research #trends
Bain провел любопытное исследование еще в начале 2024 года относительно того, как компании используют generative AI в разных кейсах.
Сами по себе опросы не очень интересны, дают только sentiment, но не конкретные цифры, однако тут хотелось бы обратить ваше внимание на следующее.
Bain опрашивал представителей разных департаментов в октябре 2023 и в феврале 2024, и мы можем отметить, в каких областях gen AI инструменты стали больше применяться в 2024 году. График показывает процент респондентов, которые отметили, что Gen AI отвечает их ожиданиям или превышает их. Можно предположить, что увеличение процента происходит за счет роста юз кейсов.
1/ Рассмотрим направления с изменениями.
Топ-3 с растущим сентиментом:
🟢 Sales and sales operations: +6%;
🟢 Software code development/Marketing/Customer Service: +4%
🟢 Customer Onboarding: +1%
🔹 Тут на втором месте сразу несколько функций, но стоит отметить, что это единственные области, которые в плюсе вообще – в остальных местах сентимент ухудшается.
Топ-3 с падающим сентиментом:
🔴 HR: -12%;
🔴 Operations: -16%;
🔴 Legal: -18%.
🔹 Любопытно, что operations и legal это два направления, где очень много рутины – скорее всего, точность gen AI tools пока оставляет желать лучшего, вот и сентимент сокращается.
2/ Еще более любопытно, что общий сентимент сократился на 4%, а областей с падающим сентиментом (10) в 2 раза больше, чем с растущим (5). Интересно, как ситуация изменилась к концу года, конечно = к началу 2025-го. Кто-то видел информацию?
👉 Подробнее результаты опроса от Bain вы можете найти по ссылке: https://www.bain.com/insights/ai-survey-four-themes-emerging/#
@proVenture
#ai #research #trends
🔥 What’s in your stack: The state of tech tools in 2025.
Ленни Рачицки опубликовал очень увесистое исследование про тулам, которые используют продакт менеджеры (и не только). Они совместно с Ноамом Сегалом опросили аж 6,500 человек! (48% из которых продакты)
Посмотрите на приложенной картинке топовые тулы в целом, а ниже давайте посмотрим на топ-3 тулов по разным категориям.
1/ AI ассистенты:
▪️ChatGPT: 88%.
▪️Claude: 34%.
▪️Preplexity: 28%.
🔹Любопытно, что Google на #4 месте с 24%.
2/ Кодинг:
▪️Github: 58%.
▪️VS Code: 49%.
▪️Github Copilot: 24%.
🔹Любопытно, что Cursor на #4 месте с 17%.
3/ Коммуникации:
▪️Slack: 72%.
▪️Google Meet: 46%.
▪️Zoom: 45%.
🔹Любопытно, что популярный вроде бы WhatsApp на #6 месте с 19%.
4/ Project Management:
▪️Jira: 53%.
▪️Notion: 28%.
▪️Asana: 12%.
🔹Тут любопытно, что категория “прочее” – на самом деле на #3 месте с 15%. Это едва ли не самая размазанная группа.
5/ Презентации:
▪️Google Slides: 63%.
▪️MS Power Point: 39%
▪️Figma Slides/Canva: 17%.
6/ Работа с документами:
▪️Google Docs: 69%.
▪️Google Sheets: 63%.
▪️MS Excel: 39%.
🔹Любопытно, что Notion дышит в затылок с долей 37% и #4 местом.
7/ Дизайн/UX:
▪️Figma: 90%.
▪️Canva: 17%.
▪️Webflow: 7%.
🔹Да уж, получается есть Figma и есть все остальные.
8/ Whiteboards для командной работы:
▪️Miro: 50%.
▪️FigJam: 45%.
▪️Lucidchart: 13%.
9/ CRM системы:
▪️Salesforce: 39%.
▪️HubSpot: 38%.
▪️Notion: 11%.
🔹Любопытно, что Hubspot уже на уровне с Salesforce.
10/ Поддержка клиентов и customer success:
▪️Zendesk: 29%.
▪️Slack: 29% (но чуть меньше)
▪️Intercom: 20%.
11/ User research:
▪️Google Forms: 47%.
▪️Интервью: 30%.
▪️Typeform: 22%.
🔹Да-да, в топчике старые добрые простые интервью.
12/ Данные и аналитика:
▪️Google Analytics: 41%.
▪️Looker/Tableau: 19%
▪️Amplitude: 15%.
🔹Тут категория “прочее” находится даже на #2 месте с долей 30%.
13/ Email:
▪️Gmail: 76%.
▪️MS Outlook: 34%.
▪️Apple Mail: 9%.
🔹Как и в случае с Figma, есть Gmail и есть все остальные.
14/ В самой статье есть много интересного по позиционированию и трендам, почитайте, кому интересно углубиться.
👉 Ссылка на статью: https://www.lennysnewsletter.com/p/whats-in-your-stack-the-state-of
@proVenture
#research #ai #tools
Ленни Рачицки опубликовал очень увесистое исследование про тулам, которые используют продакт менеджеры (и не только). Они совместно с Ноамом Сегалом опросили аж 6,500 человек! (48% из которых продакты)
Посмотрите на приложенной картинке топовые тулы в целом, а ниже давайте посмотрим на топ-3 тулов по разным категориям.
1/ AI ассистенты:
▪️ChatGPT: 88%.
▪️Claude: 34%.
▪️Preplexity: 28%.
🔹Любопытно, что Google на #4 месте с 24%.
2/ Кодинг:
▪️Github: 58%.
▪️VS Code: 49%.
▪️Github Copilot: 24%.
🔹Любопытно, что Cursor на #4 месте с 17%.
3/ Коммуникации:
▪️Slack: 72%.
▪️Google Meet: 46%.
▪️Zoom: 45%.
🔹Любопытно, что популярный вроде бы WhatsApp на #6 месте с 19%.
4/ Project Management:
▪️Jira: 53%.
▪️Notion: 28%.
▪️Asana: 12%.
🔹Тут любопытно, что категория “прочее” – на самом деле на #3 месте с 15%. Это едва ли не самая размазанная группа.
5/ Презентации:
▪️Google Slides: 63%.
▪️MS Power Point: 39%
▪️Figma Slides/Canva: 17%.
6/ Работа с документами:
▪️Google Docs: 69%.
▪️Google Sheets: 63%.
▪️MS Excel: 39%.
🔹Любопытно, что Notion дышит в затылок с долей 37% и #4 местом.
7/ Дизайн/UX:
▪️Figma: 90%.
▪️Canva: 17%.
▪️Webflow: 7%.
🔹Да уж, получается есть Figma и есть все остальные.
8/ Whiteboards для командной работы:
▪️Miro: 50%.
▪️FigJam: 45%.
▪️Lucidchart: 13%.
9/ CRM системы:
▪️Salesforce: 39%.
▪️HubSpot: 38%.
▪️Notion: 11%.
🔹Любопытно, что Hubspot уже на уровне с Salesforce.
10/ Поддержка клиентов и customer success:
▪️Zendesk: 29%.
▪️Slack: 29% (но чуть меньше)
▪️Intercom: 20%.
11/ User research:
▪️Google Forms: 47%.
▪️Интервью: 30%.
▪️Typeform: 22%.
🔹Да-да, в топчике старые добрые простые интервью.
12/ Данные и аналитика:
▪️Google Analytics: 41%.
▪️Looker/Tableau: 19%
▪️Amplitude: 15%.
🔹Тут категория “прочее” находится даже на #2 месте с долей 30%.
13/ Email:
▪️Gmail: 76%.
▪️MS Outlook: 34%.
▪️Apple Mail: 9%.
🔹Как и в случае с Figma, есть Gmail и есть все остальные.
14/ В самой статье есть много интересного по позиционированию и трендам, почитайте, кому интересно углубиться.
👉 Ссылка на статью: https://www.lennysnewsletter.com/p/whats-in-your-stack-the-state-of
@proVenture
#research #ai #tools
🔥🔥🔥 Крутейший отчет по AI в 2024 от компании Artificial Analysis .
Ладно, есть еще более прикольный отчет, чем прошлый отчет от Translink Capital по AI. Наверняка вы знаете Artificial Analysis – это компания, которая бенчмарки всякие очень популярные ведет по AI моделям.
👉 Почитайте их отчет на [18 страниц] в сообщении ниже.
Что там интересного?
1/ Обалденный график, который сравнивает эко-системы вокруг AI моделей.
🔘 Там 4 компоненты: Accelerator Hardware, Cloud Inference (first party), Foundation Models (first party), Applications;
🔘 Самая полная у Google – есть 4 компоненты, так, чтобы полностью проработанные (темно синий цвет);
🔘 OpenAI, Anthropic и AWS– 3 из 4 (без Accelerator Hardware в случае первых двух и без Applications в случае последней);
🔘 Чаще всего мир крутится вокруг даже не Foundation Models, в вокруг Cloud – 18 из 20 представленных решений имеют облака, 10 из 20 имея облака не имеют своих Foundation Models.
2/ Что еще любопытно?
🔸 83% компаний используют Open AI (что-то похожее уже было выше в посте, да?);
🔸 ~65% считают, что главным фактором выбора модели является reasoning quality, 50% еще говорят про цену;
🔸 61% хотя использовать много моделей сразу, 57% хотят embedded модели (встроенные куда-то);
🔸 34% используют сразу 4+ моделей;
🔸 AI Transcription снизил стоимость с $24 (Amazon) за 1,000 минут аудио до $0.33 (Groq).
4/ Там в целом еще много информации по сравнению моделей по точности, откуда они, сколько стоит это все и так далее.
@proVenture
#research #ai
Ладно, есть еще более прикольный отчет, чем прошлый отчет от Translink Capital по AI. Наверняка вы знаете Artificial Analysis – это компания, которая бенчмарки всякие очень популярные ведет по AI моделям.
👉 Почитайте их отчет на [18 страниц] в сообщении ниже.
Что там интересного?
1/ Обалденный график, который сравнивает эко-системы вокруг AI моделей.
🔘 Там 4 компоненты: Accelerator Hardware, Cloud Inference (first party), Foundation Models (first party), Applications;
🔘 Самая полная у Google – есть 4 компоненты, так, чтобы полностью проработанные (темно синий цвет);
🔘 OpenAI, Anthropic и AWS– 3 из 4 (без Accelerator Hardware в случае первых двух и без Applications в случае последней);
🔘 Чаще всего мир крутится вокруг даже не Foundation Models, в вокруг Cloud – 18 из 20 представленных решений имеют облака, 10 из 20 имея облака не имеют своих Foundation Models.
2/ Что еще любопытно?
🔸 83% компаний используют Open AI (что-то похожее уже было выше в посте, да?);
🔸 ~65% считают, что главным фактором выбора модели является reasoning quality, 50% еще говорят про цену;
🔸 61% хотя использовать много моделей сразу, 57% хотят embedded модели (встроенные куда-то);
🔸 34% используют сразу 4+ моделей;
🔸 AI Transcription снизил стоимость с $24 (Amazon) за 1,000 минут аудио до $0.33 (Groq).
4/ Там в целом еще много информации по сравнению моделей по точности, откуда они, сколько стоит это все и так далее.
@proVenture
#research #ai
🔮 Какой может быть монетизация AI в будущем?
Кайл Пояр (OpenView) выпустил очень классную заметку на тему монетизации AI сервисов и продуктов. Его прошлая заметка на тему сравнивала прайсинг и тиры в текущих AI решениях, а эта пытается заглянуть в будущее.
1/ Если коротко, эволюция может быть примерно такая:
💡Flat-rate pricing => Usage-based pricing => Feature-based pricing => Skill-based pricing.
2/ Если более длинно, то на ситуацию можно взглянуть так:
▪️Порядка 70% обычных SaaS продуктов имеют feature-based pricing в какой-то форме (обычно в формате пакетов Good-Better-Best);
▪️Около 41% монетизируется в том числе и неклассическим способом (есть что-то, кроме seat-based pricing), а среди AI таких уже сейчас 54%, гораздо выше;
▪️Сейчас фокус предложения AI сервисов направлен на время и юз кейсы – я автоматизирую за тебя какую-то вспомогательную функцию, и это можно делать столько-то раз. При этом, если посчитать, стоимость составляет 20-35% от стоимости сотрудника, который бы мог это делать.
🔹А что если фокус сместится с количества на качество? Некий skill.
3/ Тогда вполне вероятно может быть внедрен некоторый skill-based pricing. И тогда предложение может меняться в соответствии с такими тезисами:
▫️Good: “сделай работу дешево”;
▫️Better: “сделай работу качественно и за справедливые деньги”
▫️Best: “сделай работу лучше всех и быстро”
🔹Это условно путь от стажера к выпускнику ВУЗа и затем к опытному сотруднику.
👉🙃 Кайл еще немного угорает над решением по прайсингу от OpenAI, и много другого интересного рассуждает, но уже читайте сами в статье: https://www.growthunhinged.com/p/whats-changing-with-ai-monetization
А как вы, готовы будете платить AI за качество работы, а не за потраченное время?
@proVenture
#ai #research #saas
Кайл Пояр (OpenView) выпустил очень классную заметку на тему монетизации AI сервисов и продуктов. Его прошлая заметка на тему сравнивала прайсинг и тиры в текущих AI решениях, а эта пытается заглянуть в будущее.
1/ Если коротко, эволюция может быть примерно такая:
💡Flat-rate pricing => Usage-based pricing => Feature-based pricing => Skill-based pricing.
2/ Если более длинно, то на ситуацию можно взглянуть так:
▪️Порядка 70% обычных SaaS продуктов имеют feature-based pricing в какой-то форме (обычно в формате пакетов Good-Better-Best);
▪️Около 41% монетизируется в том числе и неклассическим способом (есть что-то, кроме seat-based pricing), а среди AI таких уже сейчас 54%, гораздо выше;
▪️Сейчас фокус предложения AI сервисов направлен на время и юз кейсы – я автоматизирую за тебя какую-то вспомогательную функцию, и это можно делать столько-то раз. При этом, если посчитать, стоимость составляет 20-35% от стоимости сотрудника, который бы мог это делать.
🔹А что если фокус сместится с количества на качество? Некий skill.
3/ Тогда вполне вероятно может быть внедрен некоторый skill-based pricing. И тогда предложение может меняться в соответствии с такими тезисами:
▫️Good: “сделай работу дешево”;
▫️Better: “сделай работу качественно и за справедливые деньги”
▫️Best: “сделай работу лучше всех и быстро”
🔹Это условно путь от стажера к выпускнику ВУЗа и затем к опытному сотруднику.
👉🙃 Кайл еще немного угорает над решением по прайсингу от OpenAI, и много другого интересного рассуждает, но уже читайте сами в статье: https://www.growthunhinged.com/p/whats-changing-with-ai-monetization
А как вы, готовы будете платить AI за качество работы, а не за потраченное время?
@proVenture
#ai #research #saas
🔥 Как отличается headcount у AI стартапов?
Вытаскиваем любопытную информацию из разных отчетов. На этот раз попался на глаза отчет от StartupBlink в партнерстве с IBM. Там про лидеров в AI по странам и городам (StartupBlink делает такое в целом для стартапов).
1/ Давайте все же кратко скажу, что результаты там достаточно предсказуемые, и они следующие:
▪️Топ-5 стран: США 🇺🇸, Израиль 🇮🇱, UK 🇬🇧, Канада 🇨🇦, Сингапур 🇸🇬 (неожиданно Эстония #6 🇪🇪, Румыния #11 🇷🇴, а Ирландия #20 🇮🇪);
▪️Топ-5 городов: Сан Франциско, Нью Йорк, Пекин, Лондон, Лос Анджелес (Бухарест тут #26, Москва #31, кстати);
▪️Топ-5 юникорнов: OpenAI, Bytedance, Hugging Face, ElevenLabs, Runway;
▪️Топ-5 экзитов: Kuaishou, UiPath (вот почему Румыния в топе!), SentinelOne, Intellifusion, Darktrace.
▪️Топ-5 самых перспективных стартапов: Glance, JusBrasil, Gupy, Inspur Cloud, Preplexity.
2/ Но самый любопытный график там был следующий – в отчете показано сравнение количества сотрудников в AI стартапах и в других вертикалях – Cloud, Cybersecurity, Enterprise Technology. Доля AI стартапов в зависимости от количества сотрудников (выборочно):
▪️1-50 человек:
▫️AI: 88%;
▫️Cloud: 85%;
▫️Enterprise Tech: 81%;
▫️Cybersecurity: 77%.
▪️250+ человек:
▫️AI: 2.05%;
▫️Cloud: 3.14%;
▫️Enterprise Tech: 4.34%;
▫️Cybersecurity: 5.23%.
▪️5000+ человек:
▫️AI: 0.09%;
▫️Cloud: 0.22%;
▫️Enterprise Tech: 0.06% (только тут у AI будет немного выше);
▫️Cybersecurity: 0.36%.
3/ Вот как получается – с одной стороны, возможно, просто в DeepTech более маленькие команды, а с другой, может быть, сам AI и позволяет более эффективно формировать состав и ограничиваться меньшим количеством человек.
В отчете еще много всего про инвестиции (их много в AI), концентрацию (их много в США) и ключевые возможности для AI стартапов по версии IBM.
👉 Сам отчет на [32 страницы] качайте по ссылке: https://ai.startupblink.com/
#ai #research #benchmarks
Вытаскиваем любопытную информацию из разных отчетов. На этот раз попался на глаза отчет от StartupBlink в партнерстве с IBM. Там про лидеров в AI по странам и городам (StartupBlink делает такое в целом для стартапов).
1/ Давайте все же кратко скажу, что результаты там достаточно предсказуемые, и они следующие:
▪️Топ-5 стран: США 🇺🇸, Израиль 🇮🇱, UK 🇬🇧, Канада 🇨🇦, Сингапур 🇸🇬 (неожиданно Эстония #6 🇪🇪, Румыния #11 🇷🇴, а Ирландия #20 🇮🇪);
▪️Топ-5 городов: Сан Франциско, Нью Йорк, Пекин, Лондон, Лос Анджелес (Бухарест тут #26, Москва #31, кстати);
▪️Топ-5 юникорнов: OpenAI, Bytedance, Hugging Face, ElevenLabs, Runway;
▪️Топ-5 экзитов: Kuaishou, UiPath (вот почему Румыния в топе!), SentinelOne, Intellifusion, Darktrace.
▪️Топ-5 самых перспективных стартапов: Glance, JusBrasil, Gupy, Inspur Cloud, Preplexity.
2/ Но самый любопытный график там был следующий – в отчете показано сравнение количества сотрудников в AI стартапах и в других вертикалях – Cloud, Cybersecurity, Enterprise Technology. Доля AI стартапов в зависимости от количества сотрудников (выборочно):
▪️1-50 человек:
▫️AI: 88%;
▫️Cloud: 85%;
▫️Enterprise Tech: 81%;
▫️Cybersecurity: 77%.
▪️250+ человек:
▫️AI: 2.05%;
▫️Cloud: 3.14%;
▫️Enterprise Tech: 4.34%;
▫️Cybersecurity: 5.23%.
▪️5000+ человек:
▫️AI: 0.09%;
▫️Cloud: 0.22%;
▫️Enterprise Tech: 0.06% (только тут у AI будет немного выше);
▫️Cybersecurity: 0.36%.
3/ Вот как получается – с одной стороны, возможно, просто в DeepTech более маленькие команды, а с другой, может быть, сам AI и позволяет более эффективно формировать состав и ограничиваться меньшим количеством человек.
В отчете еще много всего про инвестиции (их много в AI), концентрацию (их много в США) и ключевые возможности для AI стартапов по версии IBM.
👉 Сам отчет на [32 страницы] качайте по ссылке: https://ai.startupblink.com/
#ai #research #benchmarks
Что означает выход Deepseek с позиции VCs?
Как мы обсуждали выше в канале, смысла пересказывать новости про Deepseek нет. Все триста раз сказано. Но в комментариях был интересный вопрос, что такие новости означают с позиции венчурных инвесторов.
1/ Для начала стоит разобраться, что бизнесовый эффект стоит разделять с эффектом на инвестиционных рынках.
▫️Deepseek – это конкурент OpenAI в области foundation models, а также конкурент Anthropic, Gemini и других моделей. Это ключевое, потому что продуктов (пока что) вокруг Deepseek особо нет.
▫️Влияние на NVIDIA чисто на уровне влияния паники на рынках. Deepseek влияет на NVIDIA косвенно, только что не нужно будет столько видеокарт, отсюда и крупнейшее падение капитализации в истории (почти на 20%).
▫️Чуть позже после выхода стало понятно, что на более глубоких сложных тестах модель R1 от Deepseek все же уступает лидерам, но для эффекта встряски это уже было не важно – встряска случилась.
2/ Так а что с бизнесом?
▪️Выпуск более дешевой и достаточно точной модели означает, что на application layer бизнесам будет дешевле оперировать, и экономика должна сходиться лучше. Еще пара волн удешевлений, и можно будет говорить о том, что приложения на базе моделей могут быть прибыльными.
▪️Deepseek – это опенсорсная модель. В долгосрочной перспективе на уровне инфраструктуры почти всегда побеждает опенсорс, и это также не секрет. Как к этому готовятся закрытые модели? Ну, например, тот же OpenAI это уже продуктовая компания практически, не просто инфраструктурный игрок. А вот тут уже конкуренция не просто за счет цены.
▪️Вероятно, в будущем мы увидим консолидацию на рынке на уровне инфраструктуры и данных в области AI. Мультипликаторы на рынке AI тоже могут упасть.
🔹К слову, это прежде всего позитивно для vertical SaaS решений.
3/ А что с вложенными миллиардами VC инвесторов в подобные проекты в США?
▪️Венчурные инвестиции – это риск, а они могут сгореть. Мы уже задавались такими вопросами тут или тут.
▪️Наибольший удар получат крупнейшие фирмы, которые инвестировали много денег в инфраструктурные проекты. Для менее крупных фирм, которые избегали таких капиталоемких инвестиций новости скорее хорошие.
▪️Инвесторы в AI должны понимать, что ключевое для их портфельных стартапов – адаптивность и готовность постоянно меняться. Эра инвестиций в просто модели, которые “чуть лучше конкурентов”, заканчивается.
▪️Значит ли это, что в AI станут меньше инвестировать? Совсем наоборот! Просто инвестиции должны быть более эффективными, доставаться более широкому кругу проектов.
4/ Что еще почитать по теме?
▫️Много статей про отношение VC по теме, но больше всего понравились материалы Vox (открытый) и Business Insider (закрытый).
▫️Прямо-таки хронологию событий и реакций собрал журнал Techtarget, где есть также любопытное сравнение OpenAI и Deepseek в табличке.
▫️Слышали про то, что Deepseek выпустил хедж фонд? Крутая история про этот самый хедж фонд есть в канале “nonamevc” от Дани Чепенко.
▫️Джей Аламар из CohereAI делает, пожалуй, самый четкий обзор того, как технически работает Deepseek.
▫️Ну и нельзя пропустить эссе Дарио Амодеи из Anthropic про Deepseek. Это единственный вдумчивый анализ от лидера индустрии.
Мем в качестве картинки, чтобы мы все немного расслабились.
@proVenture
#ai #trends #research
Как мы обсуждали выше в канале, смысла пересказывать новости про Deepseek нет. Все триста раз сказано. Но в комментариях был интересный вопрос, что такие новости означают с позиции венчурных инвесторов.
1/ Для начала стоит разобраться, что бизнесовый эффект стоит разделять с эффектом на инвестиционных рынках.
▫️Deepseek – это конкурент OpenAI в области foundation models, а также конкурент Anthropic, Gemini и других моделей. Это ключевое, потому что продуктов (пока что) вокруг Deepseek особо нет.
▫️Влияние на NVIDIA чисто на уровне влияния паники на рынках. Deepseek влияет на NVIDIA косвенно, только что не нужно будет столько видеокарт, отсюда и крупнейшее падение капитализации в истории (почти на 20%).
▫️Чуть позже после выхода стало понятно, что на более глубоких сложных тестах модель R1 от Deepseek все же уступает лидерам, но для эффекта встряски это уже было не важно – встряска случилась.
2/ Так а что с бизнесом?
▪️Выпуск более дешевой и достаточно точной модели означает, что на application layer бизнесам будет дешевле оперировать, и экономика должна сходиться лучше. Еще пара волн удешевлений, и можно будет говорить о том, что приложения на базе моделей могут быть прибыльными.
▪️Deepseek – это опенсорсная модель. В долгосрочной перспективе на уровне инфраструктуры почти всегда побеждает опенсорс, и это также не секрет. Как к этому готовятся закрытые модели? Ну, например, тот же OpenAI это уже продуктовая компания практически, не просто инфраструктурный игрок. А вот тут уже конкуренция не просто за счет цены.
▪️Вероятно, в будущем мы увидим консолидацию на рынке на уровне инфраструктуры и данных в области AI. Мультипликаторы на рынке AI тоже могут упасть.
🔹К слову, это прежде всего позитивно для vertical SaaS решений.
3/ А что с вложенными миллиардами VC инвесторов в подобные проекты в США?
▪️Венчурные инвестиции – это риск, а они могут сгореть. Мы уже задавались такими вопросами тут или тут.
▪️Наибольший удар получат крупнейшие фирмы, которые инвестировали много денег в инфраструктурные проекты. Для менее крупных фирм, которые избегали таких капиталоемких инвестиций новости скорее хорошие.
▪️Инвесторы в AI должны понимать, что ключевое для их портфельных стартапов – адаптивность и готовность постоянно меняться. Эра инвестиций в просто модели, которые “чуть лучше конкурентов”, заканчивается.
▪️Значит ли это, что в AI станут меньше инвестировать? Совсем наоборот! Просто инвестиции должны быть более эффективными, доставаться более широкому кругу проектов.
4/ Что еще почитать по теме?
▫️Много статей про отношение VC по теме, но больше всего понравились материалы Vox (открытый) и Business Insider (закрытый).
▫️Прямо-таки хронологию событий и реакций собрал журнал Techtarget, где есть также любопытное сравнение OpenAI и Deepseek в табличке.
▫️Слышали про то, что Deepseek выпустил хедж фонд? Крутая история про этот самый хедж фонд есть в канале “nonamevc” от Дани Чепенко.
▫️Джей Аламар из CohereAI делает, пожалуй, самый четкий обзор того, как технически работает Deepseek.
▫️Ну и нельзя пропустить эссе Дарио Амодеи из Anthropic про Deepseek. Это единственный вдумчивый анализ от лидера индустрии.
Мем в качестве картинки, чтобы мы все немного расслабились.
@proVenture
#ai #trends #research
📢 Опрос: клиентам не важен AI в вашем сервиса.
Щепотка дёгтя в наши-ваши розовые пони с искусственным интеллектом. У Кайла Пояра (OpenView) в блоге вышел гостевой пост от Кристен Берман (Irrational Labs) на тему того, что потребители думают, когда в продукте упоминается тот факт, что он работает на базе AI.
1/ Что делали? 767 людям в США (48% мужчины, 75% бакалавр и выше, 60% выше среднего достатка ($60K в год по меркам США) показали лендинги 4 продуктов в двух видах: (i) с указанием, что сервис работает на базе AI и (ii) просто с описанием ценности и задали несколько вопросов.
2/ Ключевой результат – это ответ на вопрос “сколько вы готовы были бы платить в месяц за этот тул”. Результаты (🟢 – AI выиграл сильно, ⚪️ – нет особой разницы и 🔴 – AI проиграл):
⚪️ Intuit: $10.1 без AI => $11.5 с AI;
⚪️ Microsoft: $11.2 без AI => $11.3 с AI;
🟢 Superhuman: $6.6 без AI => $9.1 с AI;
🔴 Zendesk: $13.6 без AI => $13.1 с AI.
3/ Другие выводы:
🟢 AI в среднем заставляет платить немного больше: $11.3 против $10.4;
🔴 Доверия к AI меньше: верят AI-powered на 52 по шкале из 100 и на 54 верят без AI;
⚪️ Потребители считают, что термин AI используется слишком часто.
4/ Кристен расписывает, что можно с этим делать, чтобы более аккуратно использовать термин:
▪️Фокусируетесь на бенефитах, а не на жаргоне;
▪️Сделайте акцент на измеримых результатах против воды (например, “пишите письма в 3 раза быстрее” против “улучши эффективность написания письма с помощью AI”);
▪️Вовлекайте пользователей (это с AI не связано, просто элемент PLG);
▪️Вдумчиво используйте термин AI, когда вам необходимо это сделать;
▪️Помните, что клиенты не всегда ассоциируют “AI” с “лучше”.
👉 Ссылка на пост для более детального изучения: https://www.growthunhinged.com/p/ai-messaging-study
@proVenture
#research #ai #trends
Щепотка дёгтя в наши-ваши розовые пони с искусственным интеллектом. У Кайла Пояра (OpenView) в блоге вышел гостевой пост от Кристен Берман (Irrational Labs) на тему того, что потребители думают, когда в продукте упоминается тот факт, что он работает на базе AI.
1/ Что делали? 767 людям в США (48% мужчины, 75% бакалавр и выше, 60% выше среднего достатка ($60K в год по меркам США) показали лендинги 4 продуктов в двух видах: (i) с указанием, что сервис работает на базе AI и (ii) просто с описанием ценности и задали несколько вопросов.
2/ Ключевой результат – это ответ на вопрос “сколько вы готовы были бы платить в месяц за этот тул”. Результаты (🟢 – AI выиграл сильно, ⚪️ – нет особой разницы и 🔴 – AI проиграл):
⚪️ Intuit: $10.1 без AI => $11.5 с AI;
⚪️ Microsoft: $11.2 без AI => $11.3 с AI;
🟢 Superhuman: $6.6 без AI => $9.1 с AI;
🔴 Zendesk: $13.6 без AI => $13.1 с AI.
3/ Другие выводы:
🟢 AI в среднем заставляет платить немного больше: $11.3 против $10.4;
🔴 Доверия к AI меньше: верят AI-powered на 52 по шкале из 100 и на 54 верят без AI;
⚪️ Потребители считают, что термин AI используется слишком часто.
4/ Кристен расписывает, что можно с этим делать, чтобы более аккуратно использовать термин:
▪️Фокусируетесь на бенефитах, а не на жаргоне;
▪️Сделайте акцент на измеримых результатах против воды (например, “пишите письма в 3 раза быстрее” против “улучши эффективность написания письма с помощью AI”);
▪️Вовлекайте пользователей (это с AI не связано, просто элемент PLG);
▪️Вдумчиво используйте термин AI, когда вам необходимо это сделать;
▪️Помните, что клиенты не всегда ассоциируют “AI” с “лучше”.
👉 Ссылка на пост для более детального изучения: https://www.growthunhinged.com/p/ai-messaging-study
@proVenture
#research #ai #trends
👾 Следующие 10 лет основной темой будут AI-агенты
Джиджи Леви-Вайс (NFX) написал интересную аля-визионерскую статью (его структурированная модель изложения всегда очень нравится) на тему AI-агентов. Это уже большой тренд, поэтому давайте попробуем с этой статьей не просто смотреть на шаг вперед, а попробуем подумать, к чему это приведет.
1/ Ключевой бизнес-моделью в развитии AI-агентов будет модель маркетплейса. То есть, мы будем видеть маркетплейсы AI-агентов.
2/ Почему?
▫️Посмотрим, как развивался рынок софта – либо простые задачи для широкого круга клиентов и в первую очередь небольших (типа Calendly), либо сложные вертикальные экспертные решения для крупных клиентов (типа Procore).
▫️Посмотрим, почему в отношении AI-агентов модель может себя повторить – мы используем AI либо для супер-дешевого решения простых задач, либо можем рассчитывать на неких “AI-сотрудников”, которые будут экспертами в определенной области.
🔹Как и на рынке софта, есть возможность для развития обоих кейсов. И это возможность в первую очередь на рынке простых задач предлагать разные решения через маркетплейсы.
3/ 5 причин потенциального доминирования маркетплейс стратегии в этом сегменте:
▪️AI не заменяет софт, оно переводит его в разряд услуг.
▪️Конкретный простой сервис продвигать самому экономически неэффективно – для этого нужно место, где можно будет совместно продвигаться.
▪️Маркетплейсы плохо работают для софта, но мы не про софт – маркетплейсы как раз отлично работают для услуг.
▪️Текущие лидеры на рынке маркетплейсов вряд ли переключатся на AI-агентов, поскольку это убьет их текущий бизнес.
▪️Сетевые эффекты отлично защищают маркетплейсы.
4/ Ложка дегтя? На рынке маркетплейсов обычно “winner takes all” ситуация. То есть, вероятно те, кто пошли в эту сторону, уже имеют шансы стать лидерами (например, Hugging Face, Enso).
👉 Более детально читайте статью в блоге NFX: https://www.nfx.com/post/ai-agent-marketplaces
@proVenture
#trends #ai
Джиджи Леви-Вайс (NFX) написал интересную аля-визионерскую статью (его структурированная модель изложения всегда очень нравится) на тему AI-агентов. Это уже большой тренд, поэтому давайте попробуем с этой статьей не просто смотреть на шаг вперед, а попробуем подумать, к чему это приведет.
1/ Ключевой бизнес-моделью в развитии AI-агентов будет модель маркетплейса. То есть, мы будем видеть маркетплейсы AI-агентов.
2/ Почему?
▫️Посмотрим, как развивался рынок софта – либо простые задачи для широкого круга клиентов и в первую очередь небольших (типа Calendly), либо сложные вертикальные экспертные решения для крупных клиентов (типа Procore).
▫️Посмотрим, почему в отношении AI-агентов модель может себя повторить – мы используем AI либо для супер-дешевого решения простых задач, либо можем рассчитывать на неких “AI-сотрудников”, которые будут экспертами в определенной области.
🔹Как и на рынке софта, есть возможность для развития обоих кейсов. И это возможность в первую очередь на рынке простых задач предлагать разные решения через маркетплейсы.
3/ 5 причин потенциального доминирования маркетплейс стратегии в этом сегменте:
▪️AI не заменяет софт, оно переводит его в разряд услуг.
▪️Конкретный простой сервис продвигать самому экономически неэффективно – для этого нужно место, где можно будет совместно продвигаться.
▪️Маркетплейсы плохо работают для софта, но мы не про софт – маркетплейсы как раз отлично работают для услуг.
▪️Текущие лидеры на рынке маркетплейсов вряд ли переключатся на AI-агентов, поскольку это убьет их текущий бизнес.
▪️Сетевые эффекты отлично защищают маркетплейсы.
4/ Ложка дегтя? На рынке маркетплейсов обычно “winner takes all” ситуация. То есть, вероятно те, кто пошли в эту сторону, уже имеют шансы стать лидерами (например, Hugging Face, Enso).
👉 Более детально читайте статью в блоге NFX: https://www.nfx.com/post/ai-agent-marketplaces
@proVenture
#trends #ai
NFX
The Next 10 Years Will Be About the AI Agent Economy
The next decade belongs to AI agent marketplaces. Here's why they'll be a dominant force in the AI agent economy.
🆚 AI агенты это на самом деле просто автоматизация или нет?
Мы крепим к посту одну картинку, но вполне подойдет мем со злодеем из Скуби Ду (если вы понимаете, о чем это). Многие говорят про AI агентов, но на самом деле, большинство AI это просто автоматизация. В чем разница?
Александре Кантджас (9x) предлагает очень наглядную сранительную табличку, где показано чем автоматизация отличается от процесса с интегрированным AI и от AI агентов, собственно.
1/ Какой основной принцип работы систем?
▫️Автоматизация: когда автоматически выполняются предопределенные задачи на основе правил (булева логика).
▪️AI Workflow: когда вызывается LLM через API для одного или нескольких шагов (булева логика и нечеткая логика).
🔹AI Agent (Агент на основе ИИ): когда автономно выполненяются недетерминированные задачи.
2/ В чем есть преимущества?
▫️Автоматизация: обеспечивает надежные результаты, быстро.
▪️AI Workflow: лучше справляется со сложными задачами, хорошо распознает паттерны.
🔹AI Agent: легко адаптируется к новым вводным, имитирует человеческое поведение и рассуждения.
3/ Есть ли недостатки?
▫️Автоматизация: ограниченна заранее запрограммированными задачами, не может адаптироваться к новым сценариям, сложно применима, когда задача сама по себе сложная.
▪️AI Workflow: требует данных для эффективного обучения моделей, сложнее отлаживать и интерпретировать.
🔹AI Agent: менее надежен, может давать непредсказуемые и нежелательные результаты, работает медленнее (=много думает).
4/ Пример процесса:
▫️Автоматизация: отправить уведомление в Slack каждый раз, когда новый лид регистрируется на нашем сайте.
▪️AI Workflow: анализировать, оценивать и куда-то распределять каждый входящий лид с нашего сайта с использованием ChatGPT.
🔹AI Agent: выполнить полный поиск в интернете по каждому входящему лиду и обновить информацию.
Очень круто, теперь все по полочкам!
👉 Читайте подробнее в посте на Linkedin: https://www.linkedin.com/feed/update/urn:li:activity:7279075047271522304/
@proVenture
#AI #howtovc
Мы крепим к посту одну картинку, но вполне подойдет мем со злодеем из Скуби Ду (если вы понимаете, о чем это). Многие говорят про AI агентов, но на самом деле, большинство AI это просто автоматизация. В чем разница?
Александре Кантджас (9x) предлагает очень наглядную сранительную табличку, где показано чем автоматизация отличается от процесса с интегрированным AI и от AI агентов, собственно.
1/ Какой основной принцип работы систем?
▫️Автоматизация: когда автоматически выполняются предопределенные задачи на основе правил (булева логика).
▪️AI Workflow: когда вызывается LLM через API для одного или нескольких шагов (булева логика и нечеткая логика).
🔹AI Agent (Агент на основе ИИ): когда автономно выполненяются недетерминированные задачи.
2/ В чем есть преимущества?
▫️Автоматизация: обеспечивает надежные результаты, быстро.
▪️AI Workflow: лучше справляется со сложными задачами, хорошо распознает паттерны.
🔹AI Agent: легко адаптируется к новым вводным, имитирует человеческое поведение и рассуждения.
3/ Есть ли недостатки?
▫️Автоматизация: ограниченна заранее запрограммированными задачами, не может адаптироваться к новым сценариям, сложно применима, когда задача сама по себе сложная.
▪️AI Workflow: требует данных для эффективного обучения моделей, сложнее отлаживать и интерпретировать.
🔹AI Agent: менее надежен, может давать непредсказуемые и нежелательные результаты, работает медленнее (=много думает).
4/ Пример процесса:
▫️Автоматизация: отправить уведомление в Slack каждый раз, когда новый лид регистрируется на нашем сайте.
▪️AI Workflow: анализировать, оценивать и куда-то распределять каждый входящий лид с нашего сайта с использованием ChatGPT.
🔹AI Agent: выполнить полный поиск в интернете по каждому входящему лиду и обновить информацию.
Очень круто, теперь все по полочкам!
👉 Читайте подробнее в посте на Linkedin: https://www.linkedin.com/feed/update/urn:li:activity:7279075047271522304/
@proVenture
#AI #howtovc
This media is not supported in your browser
VIEW IN TELEGRAM
⚡️⚡️⚡️ Человеки уже не нужны!? Или что может произойти, когда AI ассистент разговаривает с другим AI ассистентом?
Редко на канале выходят посты внутри дня, но это особый случай – круче вы сегодня вряд ли что-то увидите!
Первое. Просто откройте видео – посмотрите и послушайте (очень важно и то, и другое).
Второе. Давайте расскажем, что вы видели и слышали.
▪️Видео выложил в посте в Twitter Georgi Gerdanov (основатель стартапа GGML).
▪️На этом видео два AI ассистента начинают общаться между собой как бы общались люди (они не знали изначально, что общаться будут с другим AI ассистентом), а потом переключаются на звуки, и начинают гораздо быстрее передавать друг другу информацию.
▪️Такая система передачи данных через звуки называется Gibber Link и использует она волны ggwave (которые и создала компания GGML), а это видео решения, которое предложили на хакатоне ElevenLabs два программиста в команде под названием PenroyalTea и завоевали с этим проектом #1 место.
▪️Еще круче, что этих программистов зовут Anton Pidkuiko и Boris Starkov. Знакомо звучит? Да, потому что один родом из Украины, а второй из России! Как же приятно такое читать!
▪️Если вам интересно, вы можете декодировать сообщения вот тут, надо только параллельно включить видео и послушать звук.
Третье. Вопрос – нужны ли скоро будут кожаные мешки? Риторический, конечно. Ставьте 🤩, если надеетесь, что мы еще будем нужны!
@proVenture
#ai #trends
Редко на канале выходят посты внутри дня, но это особый случай – круче вы сегодня вряд ли что-то увидите!
Первое. Просто откройте видео – посмотрите и послушайте (очень важно и то, и другое).
Второе. Давайте расскажем, что вы видели и слышали.
▪️Видео выложил в посте в Twitter Georgi Gerdanov (основатель стартапа GGML).
▪️На этом видео два AI ассистента начинают общаться между собой как бы общались люди (они не знали изначально, что общаться будут с другим AI ассистентом), а потом переключаются на звуки, и начинают гораздо быстрее передавать друг другу информацию.
▪️Такая система передачи данных через звуки называется Gibber Link и использует она волны ggwave (которые и создала компания GGML), а это видео решения, которое предложили на хакатоне ElevenLabs два программиста в команде под названием PenroyalTea и завоевали с этим проектом #1 место.
▪️Еще круче, что этих программистов зовут Anton Pidkuiko и Boris Starkov. Знакомо звучит? Да, потому что один родом из Украины, а второй из России! Как же приятно такое читать!
▪️Если вам интересно, вы можете декодировать сообщения вот тут, надо только параллельно включить видео и послушать звук.
Третье. Вопрос – нужны ли скоро будут кожаные мешки? Риторический, конечно. Ставьте 🤩, если надеетесь, что мы еще будем нужны!
@proVenture
#ai #trends
🤯 Несколько статей на тему опасений текущего относительно состояния дел в области AI.
В пятницу можно немного поразглагольствовать и немного отойти от принципа анализа сухих цифр. За последние несколько дней мне попалось несколько статей с интересными мыслями на тему того, в каком состоянии рынок AI находится сейчас, и что можно ждать в будущем. Это не прогнозы, нет, скорее вопросы, которые должны себе задавать даже те, кто находится в эйфории от того, что сейчас происходит.
1/ Триггером этого поста была статья в The Information с интервью известного венчурного инвестора Винода Хослы (Vinog Khosla, тот самый основатель Khosla Ventures), которая так и называется Most AI Investments Will Lose Money as Market Enters ‘Greed’ Cycle.
▪️На The Information подписки нет, и пока еще не выложили архив, но судя по обсуждениям, Хосла говорит о том, что мы приближаемся к пику инвестиций в модели, которые драйвятся объемом данных и скоростью их предварительной тренировки.
▪️Мы уже в канале давно говорили о том, что инвестиции огромные, они все меньше сопоставимы с прямой выручкой AI стартапов на инфраструктурном уровне.
2/ Относительно об этом же писал недавно журнал Fortune, когда приводил инсайты из OpenAI:
▫️GPT-5 уже не могут выпустить 2 года, хотя говорят об этом давно.
▫️Модель Orion, которая и могла стать GPT-5 и которая основана на принципе возможности изменения парадигмы решения (сейчас модели reasoning приходят к решению и доказывают, выверяют его, но не до конца способны понять, что изначальный путь, который они выбрали, ошибочный) не получается намного лучше, чем GPT-4.
▫️Может быть, мы уже подошли к пику возможностей тренировки моделей и надо смотреть на что-то другое?
▪️Посмотрим тем не менее, как будет показывать себя недавно вышедшая GPT-4.5.
P.S. Архив этой статьи, который можно целиком прочитать, тут.
3/ Что это означает для AI-enablers? Эндрю Чен из a16z недавно писал про defensibility of GPT-wrappers и высказал любопытную мысль:
🔹Еще недавно мы все писали, что создание простых продуктов на базе GPT (тех самых wrappers) – это путь в никуда, потому что сам OpenAI может выпустить сервис такого же формата и убить стартап.
🔹Но Эндрю напоминает, что в мире, когда технология уже становится commoditized (а это может произойти по отношению к foundation models достаточно скоро), на первый план выходят другие вещи – сетевые эффекты и возможность быстрее расти.
🔹Вполне возможно совсем скоро мы увидим возврат к полноценной парадигме роста.
Вот такая философская пятница…
P.S. Если у кого-то есть подписка на The Information и вы можете скинуть полную версию интервью Винода Хослы, то сделайте это в комментариях к этому посту, чтобы все прочитали, или же хотя бы пришлите на @proventure_admin, если не хотите выкладывать публично.
@proVenture
#ai #trends
В пятницу можно немного поразглагольствовать и немного отойти от принципа анализа сухих цифр. За последние несколько дней мне попалось несколько статей с интересными мыслями на тему того, в каком состоянии рынок AI находится сейчас, и что можно ждать в будущем. Это не прогнозы, нет, скорее вопросы, которые должны себе задавать даже те, кто находится в эйфории от того, что сейчас происходит.
1/ Триггером этого поста была статья в The Information с интервью известного венчурного инвестора Винода Хослы (Vinog Khosla, тот самый основатель Khosla Ventures), которая так и называется Most AI Investments Will Lose Money as Market Enters ‘Greed’ Cycle.
▪️На The Information подписки нет, и пока еще не выложили архив, но судя по обсуждениям, Хосла говорит о том, что мы приближаемся к пику инвестиций в модели, которые драйвятся объемом данных и скоростью их предварительной тренировки.
▪️Мы уже в канале давно говорили о том, что инвестиции огромные, они все меньше сопоставимы с прямой выручкой AI стартапов на инфраструктурном уровне.
2/ Относительно об этом же писал недавно журнал Fortune, когда приводил инсайты из OpenAI:
▫️GPT-5 уже не могут выпустить 2 года, хотя говорят об этом давно.
▫️Модель Orion, которая и могла стать GPT-5 и которая основана на принципе возможности изменения парадигмы решения (сейчас модели reasoning приходят к решению и доказывают, выверяют его, но не до конца способны понять, что изначальный путь, который они выбрали, ошибочный) не получается намного лучше, чем GPT-4.
▫️Может быть, мы уже подошли к пику возможностей тренировки моделей и надо смотреть на что-то другое?
▪️Посмотрим тем не менее, как будет показывать себя недавно вышедшая GPT-4.5.
P.S. Архив этой статьи, который можно целиком прочитать, тут.
3/ Что это означает для AI-enablers? Эндрю Чен из a16z недавно писал про defensibility of GPT-wrappers и высказал любопытную мысль:
🔹Еще недавно мы все писали, что создание простых продуктов на базе GPT (тех самых wrappers) – это путь в никуда, потому что сам OpenAI может выпустить сервис такого же формата и убить стартап.
🔹Но Эндрю напоминает, что в мире, когда технология уже становится commoditized (а это может произойти по отношению к foundation models достаточно скоро), на первый план выходят другие вещи – сетевые эффекты и возможность быстрее расти.
🔹Вполне возможно совсем скоро мы увидим возврат к полноценной парадигме роста.
Вот такая философская пятница…
P.S. Если у кого-то есть подписка на The Information и вы можете скинуть полную версию интервью Винода Хослы, то сделайте это в комментариях к этому посту, чтобы все прочитали, или же хотя бы пришлите на @proventure_admin, если не хотите выкладывать публично.
@proVenture
#ai #trends
The Information
Vinod Khosla: Most AI Investments Will Lose Money as Market Enters ‘Greed’ Cycle
Early OpenAI investor Vinod Khosla warned that most investments in artificial intelligence will lose money, particularly as more investors jump into the market, funding more startups. But he said some companies would grow to be worth hundreds of billions—and…
❓ The Deep Research problem.
Бенедикт Эванс (ex-a16z), один из наиболее интересных аналитиков, опирающихся на данные и статистику с часто неординарным взглядом на них, опубликовал очень резонирующую заметку – проблема с Deep Research от OpenAI для анализа.
1/ По идее Deep Research должен уметь анализировать, и делает это через несколько итераций, reasoning и все такое. Бен взял их sample report по рынку смартфонов и проверил его качество, потому что тема для него близка.
2/ Бен расписывает, как он пытался проверить данные, почему источники типа Statista не являются идеальными, а также сравнил работу AI со стажером. В любом случае по итогу получилось, что Deep Research просто придумал цифры. Ну какая разница для него, 69% или 62% доля iOS в Японии? Еще бОльшая проблема, что похоже, это даже совсем наоборот – доля Android выше.
3/ Рассуждения Бена в очередной раз напоминают, что модели – это не базы данных, а их ответы – вероятностные, а не детерминированные. Где-то это хорошо, а где-то крайне опасно.
4/ Несколько очень классных высказываний Бена в ту же копилку:
▪️This reminds me of an observation from a few years ago that LLMs are good at the things that computers are bad at, and bad at the things that computers are good at
▪️I always call AI ‘infinite interns’
▪️The best way to manage error rates today seems to be to abstract the LLM away as an API call inside software that can manage it, which of course makes the foundation models themselves even more of a commodity
5/ Это очень резонирует с моим опытом использования Deep Research от Preplexity – я спрашивал его, как финансовые организации используют GenAI инструменты в качестве продукта, генерящего выручку (то есть не просто внедрить чатбота, а сделать новый продукт на базе LLM). И я спросил про кейсы с примерами. Perplexity выдал удивительную по красоте картину, расписав где какой эффект – тут рост LTV, тут можно выдать выше ставку, тут подписка. И расписал кейсы. И ВСЕ БЫЛО ПРИДУМАНО – ни один из указанных источников не содержал ни цифру, ни кейс, НИЧЕГО!
5/ Конечно, нельзя сейчас говорить о том, что эта проблема галлюционирования неизвестна, и что ее невозможно будет решить в будущем. Но пока что есть ощущение, что LLM может применяться в около творческих профессий – написание кода лучше или хуже (там есть факт ошибок, генерации плохого кода) или еще круче – контентные вещи (текст, изображения или типа того), где скорее не вопрос точности, а вкуса и восприятия.
👉 Ссылка на статью Бена: https://www.ben-evans.com/benedictevans/2025/2/17/the-deep-research-problem
@proVenture
#ai #trends
Бенедикт Эванс (ex-a16z), один из наиболее интересных аналитиков, опирающихся на данные и статистику с часто неординарным взглядом на них, опубликовал очень резонирующую заметку – проблема с Deep Research от OpenAI для анализа.
1/ По идее Deep Research должен уметь анализировать, и делает это через несколько итераций, reasoning и все такое. Бен взял их sample report по рынку смартфонов и проверил его качество, потому что тема для него близка.
2/ Бен расписывает, как он пытался проверить данные, почему источники типа Statista не являются идеальными, а также сравнил работу AI со стажером. В любом случае по итогу получилось, что Deep Research просто придумал цифры. Ну какая разница для него, 69% или 62% доля iOS в Японии? Еще бОльшая проблема, что похоже, это даже совсем наоборот – доля Android выше.
3/ Рассуждения Бена в очередной раз напоминают, что модели – это не базы данных, а их ответы – вероятностные, а не детерминированные. Где-то это хорошо, а где-то крайне опасно.
4/ Несколько очень классных высказываний Бена в ту же копилку:
▪️This reminds me of an observation from a few years ago that LLMs are good at the things that computers are bad at, and bad at the things that computers are good at
▪️I always call AI ‘infinite interns’
▪️The best way to manage error rates today seems to be to abstract the LLM away as an API call inside software that can manage it, which of course makes the foundation models themselves even more of a commodity
5/ Это очень резонирует с моим опытом использования Deep Research от Preplexity – я спрашивал его, как финансовые организации используют GenAI инструменты в качестве продукта, генерящего выручку (то есть не просто внедрить чатбота, а сделать новый продукт на базе LLM). И я спросил про кейсы с примерами. Perplexity выдал удивительную по красоте картину, расписав где какой эффект – тут рост LTV, тут можно выдать выше ставку, тут подписка. И расписал кейсы. И ВСЕ БЫЛО ПРИДУМАНО – ни один из указанных источников не содержал ни цифру, ни кейс, НИЧЕГО!
5/ Конечно, нельзя сейчас говорить о том, что эта проблема галлюционирования неизвестна, и что ее невозможно будет решить в будущем. Но пока что есть ощущение, что LLM может применяться в около творческих профессий – написание кода лучше или хуже (там есть факт ошибок, генерации плохого кода) или еще круче – контентные вещи (текст, изображения или типа того), где скорее не вопрос точности, а вкуса и восприятия.
👉 Ссылка на статью Бена: https://www.ben-evans.com/benedictevans/2025/2/17/the-deep-research-problem
@proVenture
#ai #trends
Benedict Evans
The Deep Research problem — Benedict Evans
OpenAI’s Deep Research is built for me, and I can’t use it. It’s another amazing demo, until it breaks. But it breaks in really interesting ways.
🧠 AI eats the world.
В тему недавнего поста про Deep Research от Бена Эванса (ex-a16z). Бен же делает огромные отчеты по развитию технологий, и в ноябре 2024 года выпустил новый отчет под названием AI eats the world.
Вы сами прочитаете про тренды, но хотелось бы обратить внимание на две противоположные вещи:
1/ В трендах использования софта есть две суб-тренда:
🟢 Все больше представителей разных профессий разрабатывают и делают пилоты в области AI; при этом
🔴 Все меньше представителей разных профессий реально внедрили что-то работающее!
Топ-3 по динамике доли внедрений в работу (наименьшее падение)
1️⃣ Legal
2️⃣ Customer Service
3️⃣ Software
Худшие-3 по динамике доли внедрений:
8️⃣ Marketing
9️⃣ Sales
🔟 HR
🔹Учитывается относительное падение “на глаз” – то есть, доля могла быть небольшой, но упасть еще ниже
2/ Какие группы сотрудников имеют самый высокий adoption rate по WAU (weekly active users)?
1️⃣ Management
2️⃣ Software
3️⃣ Business Finance
Самый низкий:
1️⃣0️⃣ Blue Collar
1️⃣1️⃣ Legal
1️⃣2️⃣ Services
🔹Отдельно забавно, что у legal очень низкий DAU по сравнению с WAU
👉 В любом случае лучше прочитать весь отчет на [90 страниц] самостоятельно, наверняка найдете что-то интересное для себя: https://www.ben-evans.com/presentations
@proVenture
#ai #research
В тему недавнего поста про Deep Research от Бена Эванса (ex-a16z). Бен же делает огромные отчеты по развитию технологий, и в ноябре 2024 года выпустил новый отчет под названием AI eats the world.
Вы сами прочитаете про тренды, но хотелось бы обратить внимание на две противоположные вещи:
1/ В трендах использования софта есть две суб-тренда:
🟢 Все больше представителей разных профессий разрабатывают и делают пилоты в области AI; при этом
🔴 Все меньше представителей разных профессий реально внедрили что-то работающее!
Топ-3 по динамике доли внедрений в работу (наименьшее падение)
1️⃣ Legal
2️⃣ Customer Service
3️⃣ Software
Худшие-3 по динамике доли внедрений:
8️⃣ Marketing
9️⃣ Sales
🔟 HR
🔹Учитывается относительное падение “на глаз” – то есть, доля могла быть небольшой, но упасть еще ниже
2/ Какие группы сотрудников имеют самый высокий adoption rate по WAU (weekly active users)?
1️⃣ Management
2️⃣ Software
3️⃣ Business Finance
Самый низкий:
1️⃣0️⃣ Blue Collar
1️⃣1️⃣ Legal
1️⃣2️⃣ Services
🔹Отдельно забавно, что у legal очень низкий DAU по сравнению с WAU
👉 В любом случае лучше прочитать весь отчет на [90 страниц] самостоятельно, наверняка найдете что-то интересное для себя: https://www.ben-evans.com/presentations
@proVenture
#ai #research
🔥🔥🔥 AI Monetization in 2025.
О да, это очень классный отчет, пожалуй, самый детальный на тему монетизации из тех, что попадался. Ребята из Ibbaka опросили 336 компаний в ноябре-декабре 2024 (большинство из которых находятся на уровне $20M-$49M ARR), чтобы понять, как они прайсят свои AI продукты.
1/ Они выделили 4 типа бизнес-моделей опрашиваемых компаний, у каждой из которых есть value metrics и pricing metrics.
▪️4 модели: Agents, Co-Pilots, Generators, Software as a Service (называют они это SAS, почему-то)
▪️Для примера посмотрим на метрики для Agents:
Value metrics: Task completion, value of task
Pricing metrics: Per task, per agent, per outcome
2/ Какой тип AI чаще всего включается в продукты? Топ-3:
▪️Generative AI using third party models: 26.3%
▪️Reasoning models (like o1): 19.0%
▪️Predictive analytics using ML: 12.4%
3/ Дальше в процессе анализа Ibbaka делит опрашиваемые компании на три группы:
▫️Skeptics: таких 44% (большинство!), считают что хайп вокруг AI излишен и реальное влияние будет низким
▪️Sustainers: 38%, считают что AI даст возможность сделать инкрементальные изменения в продукте и нарастить выручку
🔹Disruptors: 18%, считают что AI изменят целые отрасли
4/ В каких пакетах продается AI? Опять же топ-3:
1️⃣ Independent Modules
2️⃣ Platform + extensions
3️⃣ Tiered + extensions (options)
🔹Любопытно, что среди Disruptors основным форматом является Agent Family
5/ Какую модель монетизации используют AI компании? (цифры навскидку по графику). Тут получилось топ-5:
▪️49% per user
▪️45% by a usage metric
▪️23% per agent
▪️23% per agent task completed
▪️20% per output token
🔹Тут интересно, что agent/agent task completed вылезают наверх за счет disruptors, все остальные 50%+ используют per user/usage metric
6/ Каковы рост выручки и маржи?
▪️По сравнению с 2023 годом по опросу рост выручки гораздо более высокий – визуально процент стартапов, которые растут 30-100% в год вырос с 10-12% до примерно 30% с 2023 по 2024 год.
▫️~45% компаний имеют gross margin на уровне 70%-90% (еще 23% имеют 55%-69% margin), но большинство (те же 45%) отметили, что маржа не увеличилась за счет AI (а еще 33% отметили, что она несколько сократилась!)
🔹И тут интересен срез ответов по группам – у 83% disruptors маржа осталась такой же (но они и были же AI-native наверняка, так что что у них могло поменяться?), а у 54% skeptics маржа несколько снизилась (так может быть, они и скептиками стали из-за этого, а не наоборот?)
5/ Среди других данных обратило внимание на себя то, что 60%+ внедряют AI именно как отдельный продукт, а не как фичу или как улучшение текущего продукта.
👉 Сам отчет на [62 страницы] для более детального изучения можно скачать по ссылке: https://www.ibbaka.com/reports-and-playbooks/ai-monetization-2025-research-report
@proVenture
#ai #research #benchmarks
О да, это очень классный отчет, пожалуй, самый детальный на тему монетизации из тех, что попадался. Ребята из Ibbaka опросили 336 компаний в ноябре-декабре 2024 (большинство из которых находятся на уровне $20M-$49M ARR), чтобы понять, как они прайсят свои AI продукты.
1/ Они выделили 4 типа бизнес-моделей опрашиваемых компаний, у каждой из которых есть value metrics и pricing metrics.
▪️4 модели: Agents, Co-Pilots, Generators, Software as a Service (называют они это SAS, почему-то)
▪️Для примера посмотрим на метрики для Agents:
Value metrics: Task completion, value of task
Pricing metrics: Per task, per agent, per outcome
2/ Какой тип AI чаще всего включается в продукты? Топ-3:
▪️Generative AI using third party models: 26.3%
▪️Reasoning models (like o1): 19.0%
▪️Predictive analytics using ML: 12.4%
3/ Дальше в процессе анализа Ibbaka делит опрашиваемые компании на три группы:
▫️Skeptics: таких 44% (большинство!), считают что хайп вокруг AI излишен и реальное влияние будет низким
▪️Sustainers: 38%, считают что AI даст возможность сделать инкрементальные изменения в продукте и нарастить выручку
🔹Disruptors: 18%, считают что AI изменят целые отрасли
4/ В каких пакетах продается AI? Опять же топ-3:
1️⃣ Independent Modules
2️⃣ Platform + extensions
3️⃣ Tiered + extensions (options)
🔹Любопытно, что среди Disruptors основным форматом является Agent Family
5/ Какую модель монетизации используют AI компании? (цифры навскидку по графику). Тут получилось топ-5:
▪️49% per user
▪️45% by a usage metric
▪️23% per agent
▪️23% per agent task completed
▪️20% per output token
🔹Тут интересно, что agent/agent task completed вылезают наверх за счет disruptors, все остальные 50%+ используют per user/usage metric
6/ Каковы рост выручки и маржи?
▪️По сравнению с 2023 годом по опросу рост выручки гораздо более высокий – визуально процент стартапов, которые растут 30-100% в год вырос с 10-12% до примерно 30% с 2023 по 2024 год.
▫️~45% компаний имеют gross margin на уровне 70%-90% (еще 23% имеют 55%-69% margin), но большинство (те же 45%) отметили, что маржа не увеличилась за счет AI (а еще 33% отметили, что она несколько сократилась!)
🔹И тут интересен срез ответов по группам – у 83% disruptors маржа осталась такой же (но они и были же AI-native наверняка, так что что у них могло поменяться?), а у 54% skeptics маржа несколько снизилась (так может быть, они и скептиками стали из-за этого, а не наоборот?)
5/ Среди других данных обратило внимание на себя то, что 60%+ внедряют AI именно как отдельный продукт, а не как фичу или как улучшение текущего продукта.
👉 Сам отчет на [62 страницы] для более детального изучения можно скачать по ссылке: https://www.ibbaka.com/reports-and-playbooks/ai-monetization-2025-research-report
@proVenture
#ai #research #benchmarks
🌥 Поставщик облачной инфраструктуры для AI собрался поднять до $4B на IPO. Будем следить?
CoreWeave делает облачный high performance computing для AI, где арендуют мощности крупнейшие корпорации. Вот кто еще сейчас на подъеме и готовятся сделать IPO в ближайшее время.
Что про это любопытно знать?
1/ Давайте зайдем сразу на S-1 Filing, а там довольно интересно:
▪️Выручка растет огромными темпами:
▫️2022: $16M
▫️2023: $229M (+1,346% YoY)
▫️2024: $1.9B (+737% YoY) (not a typo, lol)
▪️Чистая прибыль (или глубокий убыток) тоже растет сильно:
▫️2022 Net Loss: ($31M), 194% выручки
▫️2023 Net Loss: ($594M), 259% выручки
▫️2024 Net Loss: ($863M), 45% выручки
▪️96% выручки приходит от долгосрочных контрактов
▪️Remaining Performance Obligations (или Contracted Backlog, выручка, которая должна к ним по этим самым контрактам прийти): $15.1B
🔹Выглядит просто как IPO 2021 года, когда огромный рост, огромные убытки и вообще, ухх!!!
2/ Что еще любопытного с ходу не видно:
▪️62% выручки за 2024 год сделал им один клиент – это Microsoft (его доля в 2023 была 35%)
▪️NVIDIA, которая проинвестировала в стартап $100M+, еще и скорее всего приходится основным поставщиком (top-1 supplier занимает 46% всех затрат, а годом ранее было 57%), а еще имеет master service agreement, который принес компании $320M (похоже) с апреля 2023 по конец 2024 года
▪️Вообще-то у CoreWeave операционная прибыль на уровне $324M (~17% выручки), а убыток формируются из-за огромных процентных расходов в $361M в год и из-за fair value adjustments на $756M в год
▪️Последнее скорее всего означает, что они навыдавали дешевых опционов сотрудникам и вынуждены записать себе это в убыток. То есть, глядя на эту сторону, у компании нет огромных убытков.
▪️С другой стороны, у них есть of-balance sheet обязательство по lease agreements на $15B (эквивалентно выручке законтрактованной), поэтому их долг в $7B на балансе строго говоря сильно занижен. CJ Gustafson в своем блоге Mostly Metrics проводит в этом ассоциации с WeWork.
3/ Как может оцениваться компания? CJ приводит классные выкладки на эту тему.
Как оцениваются peers?
▫️AI Hardware (NVIDIA, AMD): 35-40x выручек
▫️High Growth SaaS (e.g. Databricks): 15-20x
▫️Cloud Hyperscalers (AWS, Azure): 5-10x
▫️Enterprise Hardware (Dell, Supermicro): 3-6x
Какие могут быть сценарии? CJ выделяет три:
🔹Bull: $40B+ оценка и 20x+ forward revenue multiple
🔹Base: $20-30B оценка и 10-15х forward revenue multiple
🔹Bear: $10-15B оценка и 5-7х forward revenue multiple
▫️Techcrunch, кстати, приводит в своей статье потенциальную оценку в $32B и планы поднять $4B на размещении.
Ну как вам, напоминает 2021 год? Давайте проголосуем:
🔥 Да, наступаем на те же грабли, что и в 2021 году, слишком горячо!
🦄 Нет, таких бизнесов еще не было, перспективы большие, оценка адекватная.
❤️ Сам(а) пилю нечто еще более крутое!
@proVenture
#unicorns #ipo #ai
CoreWeave делает облачный high performance computing для AI, где арендуют мощности крупнейшие корпорации. Вот кто еще сейчас на подъеме и готовятся сделать IPO в ближайшее время.
Что про это любопытно знать?
1/ Давайте зайдем сразу на S-1 Filing, а там довольно интересно:
▪️Выручка растет огромными темпами:
▫️2022: $16M
▫️2023: $229M (+1,346% YoY)
▫️2024: $1.9B (+737% YoY) (not a typo, lol)
▪️Чистая прибыль (или глубокий убыток) тоже растет сильно:
▫️2022 Net Loss: ($31M), 194% выручки
▫️2023 Net Loss: ($594M), 259% выручки
▫️2024 Net Loss: ($863M), 45% выручки
▪️96% выручки приходит от долгосрочных контрактов
▪️Remaining Performance Obligations (или Contracted Backlog, выручка, которая должна к ним по этим самым контрактам прийти): $15.1B
🔹Выглядит просто как IPO 2021 года, когда огромный рост, огромные убытки и вообще, ухх!!!
2/ Что еще любопытного с ходу не видно:
▪️62% выручки за 2024 год сделал им один клиент – это Microsoft (его доля в 2023 была 35%)
▪️NVIDIA, которая проинвестировала в стартап $100M+, еще и скорее всего приходится основным поставщиком (top-1 supplier занимает 46% всех затрат, а годом ранее было 57%), а еще имеет master service agreement, который принес компании $320M (похоже) с апреля 2023 по конец 2024 года
▪️Вообще-то у CoreWeave операционная прибыль на уровне $324M (~17% выручки), а убыток формируются из-за огромных процентных расходов в $361M в год и из-за fair value adjustments на $756M в год
▪️Последнее скорее всего означает, что они навыдавали дешевых опционов сотрудникам и вынуждены записать себе это в убыток. То есть, глядя на эту сторону, у компании нет огромных убытков.
▪️С другой стороны, у них есть of-balance sheet обязательство по lease agreements на $15B (эквивалентно выручке законтрактованной), поэтому их долг в $7B на балансе строго говоря сильно занижен. CJ Gustafson в своем блоге Mostly Metrics проводит в этом ассоциации с WeWork.
3/ Как может оцениваться компания? CJ приводит классные выкладки на эту тему.
Как оцениваются peers?
▫️AI Hardware (NVIDIA, AMD): 35-40x выручек
▫️High Growth SaaS (e.g. Databricks): 15-20x
▫️Cloud Hyperscalers (AWS, Azure): 5-10x
▫️Enterprise Hardware (Dell, Supermicro): 3-6x
Какие могут быть сценарии? CJ выделяет три:
🔹Bull: $40B+ оценка и 20x+ forward revenue multiple
🔹Base: $20-30B оценка и 10-15х forward revenue multiple
🔹Bear: $10-15B оценка и 5-7х forward revenue multiple
▫️Techcrunch, кстати, приводит в своей статье потенциальную оценку в $32B и планы поднять $4B на размещении.
Ну как вам, напоминает 2021 год? Давайте проголосуем:
🔥 Да, наступаем на те же грабли, что и в 2021 году, слишком горячо!
🦄 Нет, таких бизнесов еще не было, перспективы большие, оценка адекватная.
❤️ Сам(а) пилю нечто еще более крутое!
@proVenture
#unicorns #ipo #ai
🤡 Порядка 30-50% ответов LLM сервисов не являются "честными"!
Попалось достаточно любопытное исследование (прям научная статья) у которой аж 16 авторов (первым обозначен Richard Ren, поэтому его выделим), сделана она трудами ребят из Center for AI Safety и Scale AI.
Почитайте ее, она очень интересная и неоднозначная, потому что поднимает более тонкие проблемы качества ответов моделей.
1/ Вы знаете, что большой проблемой является misalignment моделей с общечеловеческими целями (Джон Коннор, мы тебя помним), но на более простом уровне можно задаться вопросом – являются ли ответы честными?
2/ Честный ответ не значит корректный. То есть, ответ может быть корректным, но может быть нечестным. Чтобы это проверить, эти 16 авторов собрали 1,500 вопросов, в которых есть фактическая корректность и еще некоторое понятие честности. Обстучали таким образом 30 популярных моделей (в том числе модели OpenAI, Anthropic, признанной экстремистской в РФ META и ворвавшейся недавно на рынок DeepSeek).
3/ Тут давайте призовем ваши умы на помощь, потому что описанию того, что же понимают авторы под честностью, отведена значительная часть основной части статьи, но поскольку само это понятие субъективное, то воспринимать его мы тоже вправе по-разному. Вы можете выразить свое прочтение в комментариях.
4/ В любом случае они делают следующее:
▪️Вводят модель Alignment between Statements and Knowledge (MASK), которая сравнивает корректность и честность;
▪️Они приводят примеры, когда ответы являются корректными, но нечестными – например, когда модель знает факт, но интерпретирует его неверно, хотя дает как бы безальтернативное утверждение, заставляя пользователя верить, что это все честно;
▪️Стоит отметить, что они выделяют отдельно проблему “галлюцинаций” моделей, так что это новая проблема.
5/ Что же в итоге получается?
Доля точных ответов:
🟢 Claude 3.7 Sonnet: 82%
🟡 Llama 405B: 73%
🟢 GPT-4.5 Preview: 77%
🟢 GPT 40: 78%
🟡 DeepSeek V3: 71%
Доля честных ответов:
🟢 Claude 3.7 Sonnet: 47%
🔴 Llama 405B: 22%
🔴 GPT-4.5 Preview: 22%
🟡 GPT 40: 26%
🔴 DeepSeek V3: 21%
🤡 Доля ответов, где модели врут:
🟡 Claude 3.7 Sonnet: 27%
🟡 Llama 405B: 28%.
🔴 GPT-4.5 Preview: 44%
🔴 GPT 40: 45%
🔴 DeepSeek V3: 54%
6/ DeepSeek, ты чего, дружок!? 😂
👉 Читайте саму статью на [21 страницу] в сообщении ниже.
❓ Все это субъективно, конечно, но очень любопытно. А вы когда-то замечали, что модели вам врут?
@proVenture
#ai #полезное
Попалось достаточно любопытное исследование (прям научная статья) у которой аж 16 авторов (первым обозначен Richard Ren, поэтому его выделим), сделана она трудами ребят из Center for AI Safety и Scale AI.
Почитайте ее, она очень интересная и неоднозначная, потому что поднимает более тонкие проблемы качества ответов моделей.
1/ Вы знаете, что большой проблемой является misalignment моделей с общечеловеческими целями (Джон Коннор, мы тебя помним), но на более простом уровне можно задаться вопросом – являются ли ответы честными?
2/ Честный ответ не значит корректный. То есть, ответ может быть корректным, но может быть нечестным. Чтобы это проверить, эти 16 авторов собрали 1,500 вопросов, в которых есть фактическая корректность и еще некоторое понятие честности. Обстучали таким образом 30 популярных моделей (в том числе модели OpenAI, Anthropic, признанной экстремистской в РФ META и ворвавшейся недавно на рынок DeepSeek).
3/ Тут давайте призовем ваши умы на помощь, потому что описанию того, что же понимают авторы под честностью, отведена значительная часть основной части статьи, но поскольку само это понятие субъективное, то воспринимать его мы тоже вправе по-разному. Вы можете выразить свое прочтение в комментариях.
4/ В любом случае они делают следующее:
▪️Вводят модель Alignment between Statements and Knowledge (MASK), которая сравнивает корректность и честность;
▪️Они приводят примеры, когда ответы являются корректными, но нечестными – например, когда модель знает факт, но интерпретирует его неверно, хотя дает как бы безальтернативное утверждение, заставляя пользователя верить, что это все честно;
▪️Стоит отметить, что они выделяют отдельно проблему “галлюцинаций” моделей, так что это новая проблема.
5/ Что же в итоге получается?
Доля точных ответов:
🟢 Claude 3.7 Sonnet: 82%
🟡 Llama 405B: 73%
🟢 GPT-4.5 Preview: 77%
🟢 GPT 40: 78%
🟡 DeepSeek V3: 71%
Доля честных ответов:
🟢 Claude 3.7 Sonnet: 47%
🔴 Llama 405B: 22%
🔴 GPT-4.5 Preview: 22%
🟡 GPT 40: 26%
🔴 DeepSeek V3: 21%
🤡 Доля ответов, где модели врут:
🟡 Claude 3.7 Sonnet: 27%
🟡 Llama 405B: 28%.
🔴 GPT-4.5 Preview: 44%
🔴 GPT 40: 45%
🔴 DeepSeek V3: 54%
6/ DeepSeek, ты чего, дружок!? 😂
👉 Читайте саму статью на [21 страницу] в сообщении ниже.
❓ Все это субъективно, конечно, но очень любопытно. А вы когда-то замечали, что модели вам врут?
@proVenture
#ai #полезное
🅰️ The Anthropic Economic Index.
Давайте уже наконец доберемся до исследования Anthropic по использованию генеративных моделей. Они смотрят на то, кто и как пользуется моделями в разрезе профессий. Если бы сделали в разрезе бизнесов, было бы еще интереснее, но пока что так.
Вы почитайте исследование самостоятельно. Есть их статья, которая читается проще и 💾 само исследование в PDF, которое идет чуть сложнее, но в целом оно не такое большое.
Хочется подсветить всего две вещи:
1/ Посмотрите на приложенный график, который сравнивает то, какой процент людей занят в той или иной профессии и то, какой процент запросов они делают в Claude от общего числа запросов (запросы тут не совсем верно, там слово conversations, но перевод как “обсуждения” тоже не совсем нравится).
Посмотрим на два среза. Топ-3 профессий, где обсуждений видимо больше, чем доля в workforce:
🟢 Computer and mathematical: 37.2% запросов против 3.4% занятости;
🟢 Arts, design…media: 10.3% против 1.4%;
🟢 Life, physical and social science: 6.4% против 0.9%.
🔹Ожидали увидеть в топе кого-то, кроме программистов и математиков?
Интереснее с другой стороны – у кого разница максимальна в другую сторону?
🔴 Transportation and material moving: 0.3% против 9.1%
🔴 Food preparation and serving related: 0.5% против 8.7%
🔴 Healthcare support: 0.3% против 4.7%
2/ Кажется, что будет интересно найти такие ниши, где распространение низкое, а доля в занятости большая, и предложить им какой-то вертикальный продукт. Стоит подождать пару лет, и мы увидим много проектов, которые эксплуатируют проблему проникновения сервисов с уже большие отрасли.
3/ Второй момент – это еще один график по использованию Claude в зависимости от зарплаты. Топовые профессии, которые используют запросы часто в разных когортах зарплат:
▪️<$75K в год: Tutors, Bioinformatics Technicians, Copy Writers;
▪️$75K-$150K: Computer Programmers, Software Developers (systems), Software Developers (apps);
▪️>$150K: Obstetricians and Gynecologists (акушеры и гинекологи).
❓А давайте поймем, для чего лично вы используете генеративные сети?
@proVenture
#ai #research #hr
Давайте уже наконец доберемся до исследования Anthropic по использованию генеративных моделей. Они смотрят на то, кто и как пользуется моделями в разрезе профессий. Если бы сделали в разрезе бизнесов, было бы еще интереснее, но пока что так.
Вы почитайте исследование самостоятельно. Есть их статья, которая читается проще и 💾 само исследование в PDF, которое идет чуть сложнее, но в целом оно не такое большое.
Хочется подсветить всего две вещи:
1/ Посмотрите на приложенный график, который сравнивает то, какой процент людей занят в той или иной профессии и то, какой процент запросов они делают в Claude от общего числа запросов (запросы тут не совсем верно, там слово conversations, но перевод как “обсуждения” тоже не совсем нравится).
Посмотрим на два среза. Топ-3 профессий, где обсуждений видимо больше, чем доля в workforce:
🟢 Computer and mathematical: 37.2% запросов против 3.4% занятости;
🟢 Arts, design…media: 10.3% против 1.4%;
🟢 Life, physical and social science: 6.4% против 0.9%.
🔹Ожидали увидеть в топе кого-то, кроме программистов и математиков?
Интереснее с другой стороны – у кого разница максимальна в другую сторону?
🔴 Transportation and material moving: 0.3% против 9.1%
🔴 Food preparation and serving related: 0.5% против 8.7%
🔴 Healthcare support: 0.3% против 4.7%
2/ Кажется, что будет интересно найти такие ниши, где распространение низкое, а доля в занятости большая, и предложить им какой-то вертикальный продукт. Стоит подождать пару лет, и мы увидим много проектов, которые эксплуатируют проблему проникновения сервисов с уже большие отрасли.
3/ Второй момент – это еще один график по использованию Claude в зависимости от зарплаты. Топовые профессии, которые используют запросы часто в разных когортах зарплат:
▪️<$75K в год: Tutors, Bioinformatics Technicians, Copy Writers;
▪️$75K-$150K: Computer Programmers, Software Developers (systems), Software Developers (apps);
▪️>$150K: Obstetricians and Gynecologists (акушеры и гинекологи).
❓А давайте поймем, для чего лично вы используете генеративные сети?
@proVenture
#ai #research #hr
🔥🔥🔥 Исследование по AI агентам от CB Insights: каковы ключевые тренды?
Буквально месяц назад CB Insights выкатили мини-исследование на тему AI агентов. Посмотрим?
1/ AI агенты подняли $3.8B инвестиций в 2024 году, а конкретнее динамика выглядела так:
▪️2020: $24M, 8 сделок;
▪️2021: $166M, 16 сделок;
▪️2022: $235M, 24 сделки;
▪️2023: $1.3B, 106 сделок;
▪️2024: $3.8B, 162 сделки.
🔹2022->2023 рост в 5.5х по объему и в 4.4х по количеству, а 2023->2024 рост 2.9х по объему и в 1.5х по количеству
2/ 6 из 8 big tech + big AI tech предлагают тулы для AI агентов, 3 из 10 уже предлагают агентов и еще 6 из 10 разрабатывают.
3/ AI агенты от Big Tech доминируют в горизонтальном сегменте, а частные компании уже специализируются. Несмотря на это структура инвестиций в с 2020 в тулы выглядит так (%% по объему инвестиций и %% по количеству сделок):
〰️ Horizontal apps: 55% и 49%;
▫️ Infrastructure: 24% и 29%;
▪️ Vertical: 21% и 21%.
То есть, половина идет в горизонтальные сервисы пока что, вертикальные – только пятая часть.
4/ Очень любопытно, что по уровню развития бизнеса горизонтальные сервисы гораздо более продвинутые. На первых двух из 5 стадий (это emerging & validating) находятся:
〰️ 33% horizontal apps;
▫️40% vertical apps;
▫️ 52% Infrastructure.
🔹 Внезапно инфраструктура – самая неразвитая.
5/ А кто в лидерах среди Infrastructure Stack провайдеров?
▪️Google;
▪️AWS;
▪️Salesforce;
▪️OpenAI;
▪️Anthropic.
6/ Что мешает внедрять AI агентов?
🔻47% беспокоятся о безопасности и качестве (данных прежде всего);
🔻41% опасаются технических проблем во внедрении;
🔻35% говорят о недостатке качественных кадров в команде.
👉 Само исследование на 12 страниц можно скачать по ссылке: https://www.cbinsights.com/research/ai-agent-trends-to-watch-2025/
❓В продолжение темы интересно задавать вам два вопроса ниже – про использование AI агентов и про доминирование горизонтальных решений. Ответите на опросы?
@proVenture
#ai #research #trends
Буквально месяц назад CB Insights выкатили мини-исследование на тему AI агентов. Посмотрим?
1/ AI агенты подняли $3.8B инвестиций в 2024 году, а конкретнее динамика выглядела так:
▪️2020: $24M, 8 сделок;
▪️2021: $166M, 16 сделок;
▪️2022: $235M, 24 сделки;
▪️2023: $1.3B, 106 сделок;
▪️2024: $3.8B, 162 сделки.
🔹2022->2023 рост в 5.5х по объему и в 4.4х по количеству, а 2023->2024 рост 2.9х по объему и в 1.5х по количеству
2/ 6 из 8 big tech + big AI tech предлагают тулы для AI агентов, 3 из 10 уже предлагают агентов и еще 6 из 10 разрабатывают.
3/ AI агенты от Big Tech доминируют в горизонтальном сегменте, а частные компании уже специализируются. Несмотря на это структура инвестиций в с 2020 в тулы выглядит так (%% по объему инвестиций и %% по количеству сделок):
〰️ Horizontal apps: 55% и 49%;
▫️ Infrastructure: 24% и 29%;
▪️ Vertical: 21% и 21%.
То есть, половина идет в горизонтальные сервисы пока что, вертикальные – только пятая часть.
4/ Очень любопытно, что по уровню развития бизнеса горизонтальные сервисы гораздо более продвинутые. На первых двух из 5 стадий (это emerging & validating) находятся:
〰️ 33% horizontal apps;
▫️40% vertical apps;
▫️ 52% Infrastructure.
🔹 Внезапно инфраструктура – самая неразвитая.
5/ А кто в лидерах среди Infrastructure Stack провайдеров?
▪️Google;
▪️AWS;
▪️Salesforce;
▪️OpenAI;
▪️Anthropic.
6/ Что мешает внедрять AI агентов?
🔻47% беспокоятся о безопасности и качестве (данных прежде всего);
🔻41% опасаются технических проблем во внедрении;
🔻35% говорят о недостатке качественных кадров в команде.
👉 Само исследование на 12 страниц можно скачать по ссылке: https://www.cbinsights.com/research/ai-agent-trends-to-watch-2025/
❓В продолжение темы интересно задавать вам два вопроса ниже – про использование AI агентов и про доминирование горизонтальных решений. Ответите на опросы?
@proVenture
#ai #research #trends
