Vertical AI का महत्व
- पिछले 10 वर्षों में Vertical SaaS ने industry-specific customized software की ताकत साबित की है, और Toast, Shopify, Procore, ServiceTitan जैसे कई सफल उदाहरण मौजूद हैं
- अब भी ऐसे कई बाज़ार हैं जिन्हें Vertical SaaS पूरी तरह serve नहीं कर पाया है
- ऐसे foundational industries जहाँ technology innovation में मूलभूत बाधाएँ हैं (उदा.: unstructured data, सीमित TAM, धीमे sales cycle, कम annual contract value, demanding legacy customers)
- ऐसे क्षेत्र जो अभी-अभी उभरे हैं या बड़े बदलाव से गुजर रहे हैं (उदा.: energy electrification)
- अब unstructured data को process कर सकने वाली artificial intelligence के आने और Vertical SaaS को vertical software के रूप में पुनर्परिभाषित करने वाली बड़ी प्रगति के कारण, इन क्षेत्रों के लिए भी serviceable software बनाना संभव हो गया है
- पिछली technology era में Vertical SaaS केवल उन कंपनियों पर लागू हो सकता था जिनके पास structured data और modern tech stack था
- LLM unstructured data को संभाल सकते हैं, इसलिए AI तकनीकी रूप से पीछे छूटे industries को आधुनिक दौर में लाने वाली missing piece बन सकता है
- vertical-focused startups पारंपरिक SaaS model से आगे बढ़कर embedded payments (Toast, Shopify), advertising (Pepper, Provi), B2B marketplace (Faire, Novi) जैसी रणनीतियाँ अपना रहे हैं
# Vertical AI investment framework
Data: Better Data Over Better Models (बेहतर models से अधिक महत्वपूर्ण बेहतर data)
- AI applications बनाने में data शायद differentiated position बनाने का सबसे महत्वपूर्ण हिस्सा है
- startups को यह पहचानना चाहिए कि क्या बहुत बड़े data corpus की ज़रूरत है, और क्या proprietary data assets बनाने का अवसर मौजूद है
- कई industries में data बिखरा हुआ और siloed legacy systems में मौजूद होता है, इसलिए data extraction को चुनौती देने वाली कंपनियाँ विशेष रूप से स्वागतयोग्य हैं
- data summarization और generation capabilities में प्रगति की तुलना में data extraction एक painful और unsolved problem है
- differentiation का मुख्य तत्व है best-in-class audit, labeling, और continuously updated data का होना
- और भी मज़बूत data position तब बनती है जब product usage खुद dataset generate करता है
- उदाहरण: जब ग्राहक अपने data को label करते हैं या product के साथ interaction का dataset विकसित करते हैं
- data तक शुरुआती पहुँच का provisional moat के रूप में महत्व है, लेकिन अंततः ग्राहक जब product का उपयोग करते हैं तब जो data बनता है वही long-term moat देता है
TAM(Total Addressable Market): Market Size vs Market Penetration (बाज़ार का आकार बनाम बाज़ार penetration)
- vertical market का पीछा न करने का सबसे बड़ा जोखिम और कारण यह है कि horizontal approach की तुलना में TAM छोटा होता है, लेकिन यही इसकी कमजोरी भी हो सकती है और ताकत भी
- छोटे बाज़ारों में पूँजी-संपन्न competitors कम होते हैं, focus का दायरा संकरा होता है, और distribution advantage तथा market concentration बढ़ाया जा सकता है
- healthcare/financial services जैसे highly fragmented foundational industries में sector के भीतर कई अवसर हो सकते हैं
- किसी industry में entry point खोजने के लिए यह पहचानना महत्वपूर्ण है कि कौन-सा sub-sector competitors ने अभी तक target नहीं किया, जहाँ AI की demand साबित हो चुकी है, जो LLM-based tools के लिए सबसे उपयुक्त है, और जिसे आप व्यक्तिगत रूप से सबसे अच्छी तरह serve कर सकते हैं
ACV: Multiple Products and Revenue Streams (कई products और revenue streams)
- एक single SaaS product का six-figure ACV (Annual Contract Value) हासिल करना सबसे अच्छा approach नहीं है
- vertical-focused startups multiple products तक विस्तार कर सकते हैं और core product से आगे additional revenue sources बना सकते हैं
- core product में नई product lines जोड़ने से समय के साथ bundling और upsell संभव होता है, जिससे अंततः organization के कई बिंदुओं पर स्थायी जगह बन सकती है
- restaurant payment platform Toast ने payroll और workforce management capabilities जोड़कर multi-product strategy लागू की
- B2B marketplace Provi और Pepper ने advertising से अतिरिक्त revenue source बनाए
- solar installation platform Aurora Solar ने financing options देने वाले products के जरिए अतिरिक्त revenue उत्पन्न किया
- construction service platform Procore ने हाल में construction project lifecycle के across data insights का उपयोग करके insurance देना शुरू किया है
Founder(s): Product Builders With Domain Experience (संस्थापक: domain experience वाले product builders)
- domain experience और technical background दोनों रखने वाली founding teams, pure technologists की तुलना में Vertical AI बनाने में अधिक लाभ में होती हैं
- यह बात विशेष रूप से उन startups के लिए और भी महत्वपूर्ण हो जाती है जो healthcare जैसे industries में मौजूदा organizations को बेचना चाहते हैं, जहाँ अक्सर एक साथ दर्जनों या सैकड़ों अलग-अलग organizations के साथ long-term contracts करने पड़ते हैं
- इस जटिलता को अच्छी तरह समझना सही go-to-market strategy बनाने, sales timeline की योजना करने, और hiring के लिए बहुत महत्वपूर्ण है
GTM: Create Urgency (go-to-market strategy: urgency पैदा करना)
- vertical sales cycle लंबे हो सकते हैं, और बड़े legacy industries में, जहाँ tech buyers कम sophisticated होते हैं, यह और भी अधिक सच है
- महत्वपूर्ण distribution channels पर कब्ज़ा करने के लिए GTM strategy में urgency पैदा करने का कोई unique तरीका या path होना चाहिए
- AI के प्रति बढ़ती रुचि ने नए products आज़माने की urgency पैदा की है, लेकिन यह headwind भी बन सकती है और tailwind भी
- क्योंकि सभी buyers AI को ध्यान में रखकर चल रहे हैं, इसलिए नए entrants के लिए prospects को call करके trial आज़माने के लिए प्रेरित करना आसान है। लेकिन कई pilots की तुलना करते-करते थक चुके users को pilot से customer में बदलना विशेष रूप से कठिन हो सकता है
- यानी, ऐसी urgent situation बनाना महत्वपूर्ण है जिसमें buyers product पर विचार करें, convert हों, और उसका उपयोग शुरू करें
- तेज़ conversion के लिए core value proposition पर विचार करना चाहिए
- सिर्फ workforce efficiency बढ़ाने या 'innovation' का वादा करना पर्याप्त नहीं है
- यह दिखाना अधिक प्रभावी है कि product revenue कैसे बढ़ा सकता है या लागत को निश्चित रूप से कैसे कम कर सकता है
Product: Beyond Copilot (product: Copilot से आगे)
- वर्तमान dominant paradigm यह है कि human और AI Copilot साथ मिलकर काम करते हैं
- human अधिकांश काम करता है और AI copilot मानव क्षमता को enhance/augment करता है
- आने वाले कुछ वर्षों में अधिक ऐसे उल्टे model देखने की उम्मीद है जहाँ AI agents मुख्य काम करेंगे और human परिणामों को verify और edit करेगा
- Copilot को वे मौजूदा players lead कर सकते हैं जिनके पास पहले से distribution है, जबकि AI agents startups के लिए बेहतर entry point हैं क्योंकि वे नए क्षेत्रों को चुनौती देने का अवसर देते हैं
- paradigm shift का भविष्य के business पर बहुत बड़ा प्रभाव होगा
- जैसे-जैसे AI agents अधिक skilled labor को replace करेंगे, software पर खर्च labor cost की जगह लेगा
- नए usage-based या performance-based pricing models आने की संभावना है, और यह आगे देखने योग्य archetype होगा
# Vertical opportunities
- उम्मीद है कि AI लगभग हर industry vertical में transformation लाएगा
Professional Service(पेशेवर सेवाएँ)
- legal services, accounting, consulting जैसे अनेक क्षेत्रों में, जहाँ manual work बहुत अधिक होता है, professionals महत्वपूर्ण जानकारी को पढ़ने और समझने, फिर analysis, client communication, memo, report आदि के रूप में जवाब देने में काफी समय लगाते हैं
- legal services क्षेत्र में language ही core product है, और large language models आज के platform shift की बुनियाद हैं
- अमेरिका का legal market 300 billion dollar से अधिक है, और AI adoption में रुचि साबित हो चुकी है
- Harvey, EvenUp, Eve, Spellbook जैसी AI-first कंपनियाँ उभरी हैं
- Thomson Reuters, Relativity, Ironclad जैसी incumbent कंपनियाँ भी AI को acquire कर रही हैं या मौजूदा products में integrate कर रही हैं
- consulting और accounting AI अपनाने के लिए तैयार एक और क्षेत्र हैं
- Big 4 consulting firms प्रत्येक दसियों हज़ार consultants और accountants को employ करती हैं, जो AI से बड़े पैमाने पर augment की जा सकने वाली विशाल workforce है
- KPMG और PwC ने क्रमशः 5 वर्षों में AI products पर 2 billion dollar और 3 वर्षों में generative AI पर 1 billion dollar निवेश करने की योजना बनाई है
- Harvard Business School और BCG के संयुक्त अध्ययन के अनुसार GPT-4 का उपयोग करने वाले consultants ने 25% तेज़ी से काम पूरा किया और output quality 40% बेहतर रही
- accountants नियमों और policies को समझने और उन्हें calculations में लागू करने में समय बिताते हैं
- accounting professionals के साथ interviews में revenue recognition को सबसे कठिन, सबसे repetitive (हर महीने), और सबसे अधिक automatable use cases में से एक बताया गया
वित्तीय सेवाएँ
- financial services में AI के लिए उपयुक्त कई विशेषताएँ हैं
- केवल अमेरिका में ही इसका market size 11 trillion dollar तक पहुँचता है, और AI tools की demand साबित हो चुकी है
- Bloomberg GPT का launch, Morgan Stanley की OpenAI के साथ partnership, और AlphaSense के market intelligence platform में AI-based search और summarization tools का जुड़ना
- investment professionals और financial advisors के रोज़मर्रा के काम को देखें तो समझना आसान है कि AI कहाँ लागू हो सकता है
- internal data तथा real-time market data और news processing, financial modeling और calculations आदि
- Hebbia, Sixfold, Hyperexponential, Portrait Analytics जैसे AI-based startups प्रगति कर रहे हैं
हेल्थकेयर
- healthcare पर AI के संभावित प्रभाव को लेकर लंबे समय से चर्चा होती रही है, लेकिन अब तक ऐसा व्यावहारिक प्रभाव नहीं दिखा था जैसा अब संभव दिख रहा है
- LLM diagnosis या decision-making models को बेहतर बना सकते हैं, claims automation के लिए platforms विकसित कर सकते हैं, और medical data के समग्र management को सुधार सकते हैं
- LLM-based applications पिछली पीढ़ी के AI tools की तुलना में बड़ा सुधार ला सकते हैं, और unstructured data को structured data में बदलने जैसे high-value use cases को unlock करने में महत्वपूर्ण हैं
- Google का Med-PaLM 2 जटिल medical questions का उत्तर देने में सक्षम है, और उसने medical licensing exams में सवालों के सफलतापूर्वक जवाब दिए हैं
- medical LLM बनाना एक अत्यंत महत्वाकांक्षी प्रयास है, जिसके लिए पर्याप्त समय और resources की आवश्यकता होती है
अभी कोई टिप्पणी नहीं है.