Zetta Venture 基金合夥人 Ivy Nguyen,近日在外媒 TechCrunch 上發表了文章,闡述如何用正確的標尺去衡量 AI 新創公司,根據原文編譯如下:
人工智慧公司,很多時候更像是服務或諮詢公司,二者都需要根據客戶的具體需求,量身定制解決方案,但從投資層面來看,其實是有很大差別的。
服務收入一直是風險投資成長的對立面,因為它產生的利潤率較低,缺乏可重複性和可擴展性。隨著公司服務業務帶來更多客戶,公司需要相應地擴大員工人數進行支持,導致持續較低的利潤率。Palantir 是一家大數據分析獨角獸,就是一家擁有服務需求的公司。
與服務提供商不同,人工智慧企業有可能實現大規模的目標和更高的投資回報率。如何判斷一家人工智慧公司是否值得投資,以下是一些參考指標:
人為干涉比例
隨著 AI 在業務中的應用,應該會替代很多人工工作,並且只有當 AI 低於預定的準確度或置信度域值時,人工智慧才進行干涉。這使得企業能夠以數量有限的員工,為越來越多的客戶提供服務。
Lilt 為企業提供機器翻譯,翻譯 AI 自動將文本從一種語言翻譯成另一種語言,再由翻譯專家更正錯誤。隨著翻譯 AI 的改進,人工翻譯的更正比例必須持續減少。更一般地說,人為干涉與自動化任務的比率應該在下降。
ROI曲線
選擇正確的人工智慧應用以實現長期收益是關鍵。通常情況下,改善客戶能力下線的應用面臨著有限的改進機會,而改善客戶收入的應用對成長機會沒有任何限制。
例如,一旦AI將生產線的運行效率提高到受原料化學反應所需時間限制的程度,AI就無法再為該特定應用提供更大的價值。但是幫助客戶找到新的收入機會則不同,例如 Constructor.io ,它提供基於人工智慧的網站搜索服務,並幫助 Jet.com等客戶增加購物車購買轉化,不會有天花板。
AI 公司應該密切追蹤每個客戶的累計ROI,以確保曲線隨時間增加而不是平穩或逐漸減少。
升級成本
部署 AI 產品是一個複雜的過程,AI 需要數據進行訓練,因此 AI 產品可能比 SaaS 產品花費更多時間來提供價值。
許多行業最近才開始數字化,有價值的數據可能是難以提取的格式,例如手寫筆記,非結構化觀察日誌或 PDF。為了獲取這些數據,在部署 AI 系統之前,公司可能不得不花費大量人力,在低利潤的數據準備服務上。
數據結構的方式也可能因客戶而異,要求 AI 工程師花費額外的時間來規範數據或將其轉換為標準化模式,以便可以應用 AI 模型。
與典型的 SaaS 產品推出相比,AI 產品的升級成本更高,並且可能會對客戶獲取成本(CAC)產生的利潤產生同樣大的影響。公司應該仔細追蹤這些升級的時間,以及每個新客戶的成本。如果存在真正的數據網絡效應,這些數字會隨著時間的推移而減少。
數據護城河
與競爭新功能的 SaaS 企業不同,AI 新創公司有機會建立長期壁壘。可擴展的AI新創將開啟一個良性循環,產品表現越好,客戶就越多地貢獻並生成數據,從而提高產品的性能。這種強化循環構建了複合壁壘,這在以前是 SaaS 業務中是沒有的。
僅僅是大量的數據太簡單了,還需要問自己關於數據的這些問題,以在以下方面判斷數據壁壘:
可訪問性:它是多麼容易獲得?
時間:數據在模型中積累和使用的速度有多快?
成本:獲取和標記此數據需要多少錢?
唯一性:是否可以為其他人建立模型並獲得相同結果的類似數據?
維度:數據集中描述了多少個不同的屬性?
廣度:屬性值的變化有多大,以至於它們可以解釋邊緣情況和罕見的例外情況?
時效性:數據長期有用嗎?
AI 模型在更多數據的情況下表現更好,但隨著時間的推移,性能可能會趨於穩定。公司應該注意追蹤,為客戶實現增量價值所需數據的時間和數量,以確保數據護城河繼續成長。
簡而言之,模仿者需要多少時間和多少數據才能與你的性能水平相匹配?
延伸閱讀
[創業小聚NO.85] 小國拚AI!台灣 AI 新創的優勢、挑戰及募資建議
新創如何在 AI 浪潮裡夾縫求生存?李開復:人工智慧沒有愛的能力,人類勝在有創造力和同情心
了解更多關於創業小聚的資訊,歡迎透過以下服務
粉絲交流|每月小聚|Line@互動|訂電子報|新創影音|發表專欄及新創資料庫
本文授權自《36氪》,作者:陳紹元