سرمایهگذاران خطرپذیر به دنبال لبهی جدید: استخراج حاشیههای نرمافزاری از کسبوکارهای خدماتی با هوش مصنوعی
سرمایهگذاران خطرپذیر حالا روی استراتژی تازهای حساب باز کردهاند: خرید شرکتهای خدمات حرفهای بالغ، پیادهسازی هوش مصنوعی برای اتوماسیون وظایف و سپس استفاده از جریان نقدی بهدستآمده برای ادغامهای بیشتر (roll‑up). General Catalyst با تخصیص ۱.۵ میلیارد دلار به این «استراتژی خلق» پیشرو این موج است؛ رویکردی که شرکتهای نرمافزاری متولد از هوش مصنوعی را در صنایع عمودی پرورش میدهد و آنها را بهعنوان ابزارهای تملک شرکتهای مرسوم در همان بخشها به کار میگیرد.
چه چیزی پشت این منطق اقتصادی است؟
Marc Bhargava از General Catalyst اشاره میکند که بازار خدمات جهانی سالانه حدود ۱۶ تریلیون دلار است، در حالی که نرمافزار حدود ۱ تریلیون دلار برآورد میشود. جذابیت سرمایهگذاری در نرمافزار همواره به خاطر حاشیههای بالاتر و هزینههای نهایی پایینتر بوده؛ اگر بتوان همین مزیت را با اتوماسیون به کسبوکارهای خدماتی منتقل کرد، پتانسیل سودآوری چشمگیر خواهد بود. GC هدف دارد در ابتدا در هفت صنعت سرمایهگذاری کند و برنامهریزی برای گسترش به حدود ۲۰ بخش را در نظر دارد.
نمونههای عملی و شواهد اولیه
– Titan MSP: GC حدود ۷۴ میلیون دلار در دو مرحله به این شرکت تخصیص داد تا ابزارهای مبتنی بر هوش مصنوعی برای ارائهدهندگان خدمات مدیریتشده (MSP) توسعه یابد و سپس شرکت IT شناختهشده RFA را تصاحب کرد. بر اساس برنامههای آزمایشی، Titan توانست حدود ۳۸٪ از وظایف معمول MSP را اتومات کند و حالا با حاشیههای بهبود یافته به دنبال خریدهای بعدی است.
– Eudia: شرکتی که روی دپارتمانهای حقوقی درونسازمانی تمرکز دارد و بهجای مدل ساعتی، خدمات حقوقی با قیمت ثابت و تقویتشده با هوش مصنوعی ارائه میدهد. مشتریان Eudia شامل چند شرکت Fortune 100 مانند Chevron، Southwest Airlines و Stripe هستند؛ این شرکت اخیراً Johnson Hanna را برای گسترش دامنهی خدمات خریداری کرده است.
– دیگر بازیگران: شرکتهایی مانند Mayfield با صندوق ۱۰۰ میلیون دلاری برای «همتیمیهای هوش مصنوعی» و استارتاپ Gruve که با ادغام یک شرکت مشاوره امنیتی رشد قابلتوجهی را تجربه کرده، و سرمایهگذار شخصی Elad Gil که سالهاست مدل تملک و تبدیل کسبوکارهای بالغ بهوسیلهی هوش مصنوعی را دنبال میکند.
چرا سرمایهگذاران چشمانداز بزرگی میبینند؟
هدف اصلی دو برابر کردن (یا بیشتر) حاشیهی EBITDA شرکتهای تصاحبشده است. چون شرکتهای هدف اغلب جریان نقدی مثبت دارند، استراتژی «خلق» از مدل سنتی VC مبنی بر سرمایهگذاری در استارتاپهای پرهزینه و بدون سوددهی فاصله میگیرد و برای سرمایهگذاران محدود (LPها) جذابتر است.
هشدارها و موانع اجرایی
با این حال، شواهد اولیه نشان میدهد تحول خدماتی با هوش مصنوعی سادهتر از آن است که بهنظر میرسد. مطالعهای از Stanford Social Media Lab و BetterUp Labs با بررسی ۱۱۵۰ کارمند تماموقت نشان داد که ۴۰٪ کارکنان بار کاری بیشتری را ناشی از «workslop» — محتوای تولیدشده با هوش مصنوعی که ظاهراً خوب است اما محتوای عمیق و قابلاستفاده ندارد — تحمل میکنند. کارکنان بهطور متوسط نزدیک به دو ساعت برای درک، ارزیابی یا اصلاح هر نمونه از workslop صرف میکنند؛ محققان برآورد کردهاند که این پدیده بار مخفی حدود ۱۸۶ دلار در ماه بهازای هر نفر وارد میکند و برای سازمانی با ۱۰ هزار نفر میتواند بیش از ۹ میلیون دلار در سال هزینهبر باشد.
پیامدها برای مدل roll‑up
این نوع تولید خروجی بیکیفیت میتواند منافع اقتصادی مورد انتظار را تضعیف کند. اگر شرکتهای مجموعهای بهدلیل اتکا به هوش مصنوعی نیروی انسانی را کاهش دهند ولی همچنان با خطاها و خروجیهای ناکارآمد روبهرو شوند، هزینههای پنهان اصلاح و مدیریت این خطاها میتواند مانع تحقق حاشیههای وعدهدادهشده شود. بالعکس، نگهداشتن نیروی انسانی برای رسیدگی به خطاها ممکن است مانع از رسیدن به صرفهجوییهای برآوردشده گردد.
پاسخ سرمایهگذاران و راهکار پیشنهادی
Bhargava این چالشها را نشانهی فرصت میداند: اجرای موفق هوش مصنوعی در کسبوکارهای خدماتی «ساده» نیست و همین موضوع ارزش تیمهای تخصصی را نشان میدهد. از نظر او، وجود مهندسان کاربردی هوش مصنوعی که تجربه عملی با مدلها و محصولسازی داشتهاند و نیز همکاری نزدیک با خبرگان صنعت، کلید موفقیت است. ترکیب تخصصهای فنی و دانشی صنعت، اساس رویکرد General Catalyst در راهاندازی شرکتهای AI‑native و سپس ادغام آنها با کسبوکارهای موجود است.
جمعبندی و چشمانداز
استراتژی سرمایهگذاری مبتنی بر خرید کسبوکارهای خدماتی و ارتقای آنها با هوش مصنوعی میتواند تحول بزرگی در صنایع سنتی ایجاد کند و حاشیههای نرمافزاری را به بخش خدمات وارد سازد. اما تحقق این چشمانداز منوط به اجرای فنی دقیق، مدیریت ریسکهای ناشی از خروجیهای ناکارآمد هوش مصنوعی و حفظ تعادل بین اتوماسیون و کنترل کیفیت انسانی است. در کوتاهمدت، سرمایهگذاران حاضرند این ریسکها را بپذیرند؛ در بلندمدت اما فقط تیمهایی که ترکیب درستی از مهارتهای فنی و تخصص صنعتی داشته باشند، قادر خواهند بود وعدههای اقتصادی این مدل را به واقعیت تبدیل کنند.