कौन खाएगा? — Vertical AI के दौर में हर नाव क्यों नहीं तैरती

 (insights.euclid.vc)
8 पॉइंट द्वारा GN⁺ 2026-03-10 | अभी कोई टिप्पणी नहीं है. | WhatsApp पर शेयर करें
  • LLM-आधारित AI और agent workflow के उभार से SaaS का आर्थिक तर्क बुनियादी रूप से टूट रहा है, और intelligence cost में तेज गिरावट enterprise tech बाज़ार में value flow को फिर से गढ़ रही है
  • सिर्फ AI service की cost advantage से टिकाऊ moat नहीं बन सकता, और LLM infrastructure पर निर्भर startup taxi dispatcher problem का सामना करते हैं — उधार के margin पर खड़ी संरचना
  • Jevons Paradox के अनुसार AI पर कुल खर्च विस्फोटक रूप से बढ़ेगा, लेकिन उसका value मौजूदा बाज़ार भागीदारों सभी को नहीं मिलेगा, और इसके साथ value chain की बड़े पैमाने पर पुनर्रचना होगी
  • Vertical AI में जीतने वाली कंपनियाँ बाहरी service provider नहीं, बल्कि customer operations में गहराई से embedded system बनाने वाली कंपनियाँ होंगी — data gravity, network effect, और platform lock-in यहाँ अहम हैं
  • low-cost strategy को एक जानबूझकर अपनाए गए wedge की तरह इस्तेमाल कर market positioning हासिल करने के बाद, compound intelligence platform में बदलना ही एकमात्र टिकाऊ रणनीति है

संरचनात्मक बदलाव: SaaS से AI agent युग तक

  • enterprise tech बाज़ार on-premise से cloud में बदलाव के बराबर के structural transformation से गुज़र रहा है
  • लगभग 20 वर्षों तक SaaS model ने recurring revenue, seat-based licensing, और user engagement को value proxy मानकर खरबों डॉलर का market cap बनाया
  • LLM-आधारित AI और agent workflow का उभार अब SaaS के आर्थिक तर्क को तोड़ रहा है
  • इसका मुख्य driver intelligence cost में तेज गिरावट है — समान स्तर की intelligence के लिए लागत बहुत तेज़ी से घट रही है
    • हालांकि inference complexity बढ़ने से कुल token spend लगातार बढ़ रहा है (token की unit cost गिरने पर भी)
    • OpenAI, Google, Anthropic जैसे पूंजी-संपन्न labs के बीच कड़ी प्रतिस्पर्धा और hardware/software efficiency में सुधार के कारण यह रुझान धीमा पड़ता नहीं दिखता

AI services पर deflationary pressure

  • जब agent पारंपरिक manual services को replace करते हैं, तो वे उस खर्च को जस का तस capture नहीं करते, बल्कि service की commoditization होती है
  • जिस service के लिए कुछ साल पहले $100,000 चुकाए जाते थे, वह अंततः उसकी बहुत छोटी राशि पर आ सकती है
  • सस्ते AI के कारण Vertical AI products पर लगातार deflationary pressure मौजूद है
  • documents से data extract करना, inbound calls संभालना, compliance report draft करना जैसी capabilities अभी infrastructure और know-how की कमी तथा कम adoption के कारण शानदार wedge हो सकती हैं, लेकिन जल्द ही वे table stakes बन जाएँगी
  • हर category में अच्छी फंडिंग वाले और बढ़ते हुए कई startup मौजूद हैं, इसलिए extra margin प्रतिस्पर्धा में खत्म होगा
  • तब तक moat न बना पाने वाले startup बाहर हो जाएँगे

AI services बनाम software: service delivery का paradigm

  • जब intelligence की marginal cost शून्य के पास पहुँचती है, तो enterprise tech की core value proposition labor assist tools से labor-replacing outcome delivery की ओर शिफ्ट होती है
  • Vertical AI, सिर्फ Vertical SaaS की तुलना में अधिक end-to-end workflow संभाल सकता है, इसलिए customer value और willingness to pay काफ़ी बढ़ती है, और यह कहीं बड़े budget तक पहुँच सकता है
  • लेकिन service delivery — यानी internal platform की बजाय external vendor जैसा customer relationship — AI software का dominant paradigm है, इस मौजूदा mainstream view से लेखक सहमत नहीं है

बढ़ता TAM हर startup को ऊपर नहीं उठाता

  • intelligence cost में तेज गिरावट से AI services का TAM बहुत बढ़ता है, लेकिन यह अवसर विस्तार ज़रूरी नहीं कि value chain के उसी बिंदु पर जाकर टिके
  • spreadsheet और accounting industry का उदाहरण: Microsoft Excel के आने (1987) के बाद bookkeepers/accounting clerks की संख्या लगभग 20 लाख से 15 लाख पर आई, लेकिन accountants/auditors लगभग 13 लाख से 15 लाख और management analysts/financial managers लगभग 6 लाख से 15 लाख हुए (Morgan Stanley research के अनुसार)
    • spreadsheet ने सिर्फ bookkeeping automate नहीं की, बल्कि value को technology curve के ऊपरी हिस्से में शिफ्ट किया — repetitive labor से high-order analysis की ओर
  • Uber और ride-hailing का उदाहरण: value chain के भीतर redistribution से आगे बढ़कर पूरे middle layer के हटने तक बात पहुँची
    • global taxi market 2019 में लगभग $69 billion से 2024 में लगभग $271 billion तक बढ़ा, जबकि Uber से पहले पारंपरिक taxi market का आकार $30–50 billion था
    • “किसी vehicle को बुलाकर कहीं जाना” पर कुल खर्च 15 वर्षों में लगभग 5–8 गुना बढ़ा, जबकि प्रति ride कीमत लगभग आधी हुई (VC subsidy के बाद के दौर में 10–20% rebound के साथ)
    • ऐतिहासिक रूप से revenue owners (operator-owner, NYC medallion owner आदि), brokers (taxi agency, dispatcher, garage), और hired drivers में बँटता था
    • इन stakeholders में अधिकांश टूट गए और agency revenue को Uber और Lyft ने absorb कर लिया
    • NYC medallion prices 2013 में लगभग $1 million के peak से गिरकर अब $100,000 से नीचे आ गए हैं (सरकारी हस्तक्षेप से कुछ recovery के संकेत के साथ)

Jevons Paradox और enterprise AI

  • यही Jevons paradox अभी enterprise AI में भी चल रहा है
  • model quality, context और inference complexity को स्थिर मानें तो, intelligence की unit cost तेज़ी से गिर रही है
    • GPT-3.5 स्तर के inference की लागत नवंबर 2022 से अक्टूबर 2024 के बीच 280 गुना से ज़्यादा गिरी
    • 2023 में किसी mid-market company की सभी inbound emails को LLM से पढ़वाना और classify कराना महँगा था, लेकिन अब लगभग $0.40 per million tokens पर यह लगभग नगण्य है
    • AI coding tools की वजह से अभी 41% code AI-generated या AI-assisted है — इससे entry barrier और नीचे आ रही है
  • कुल AI spend विस्फोटक रूप से बढ़ रहा है: enterprise AI revenue 2023 में $1.7 billion से 2025 में $37 billion होकर 2 साल में 22 गुना बढ़ रहा है
  • global AI spend 2026 तक $2.5 trillion से अधिक होने का अनुमान है (IDC)
  • Gartner ने AI के कुल IT spend का 1/3 बनने के अपने अनुमान को 2 साल पहले कर दिया
  • मूल सवाल यह नहीं है कि pie बड़ी होगी या नहीं, बल्कि उसे खाएगा कौन

taxi dispatcher problem

  • एक लोकप्रिय तर्क है कि AI Services (“Service-as-Software”) winning business model है
    • Foundation Capital इसे $4.6 trillion opportunity के रूप में देखता है: IT budget GDP का 1–2% है, लेकिन labor और traditional services 15% से ज़्यादा हैं
    • तर्क यह है कि यदि AI accountants, paralegals, compliance analysts का काम कर सकता है, तो pricing उन कर्मचारियों की fully-loaded cost के हिसाब से की जा सकती है
  • लेकिन सिर्फ analog product देना लंबे समय तक इस budget को capture नहीं कर सकता
    • services स्वभाव से commoditizable हैं
    • AI alternative बाँटकर बढ़ने वाले ज़्यादातर startup उस economic arbitrage को संभव बनाने वाले IP (LLM) के मालिक नहीं होते — उसका मालिक lab होता है
    • basic workflow orchestration, RAG, और domain-specific fine-tuning टिकाऊ moat नहीं हैं
  • taxi dispatcher problem का AI पर लागू रूप: Uber से पहले taxi dispatch agencies ride matching से margin capture करती थीं — supply (स्थानीय driver density) और demand (स्थानीय awareness) के aggregation से कुछ defense बनता था
    • लेकिन जैसे ही ऐसा platform आया जो supply और demand को अधिक कुशलता से match करता था, vehicle ownership को बाहरी बना देता था, supply को बहुत बढ़ाता था, और users को कम कीमत देता था, dispatcher की competitiveness खत्म हो गई
  • dispatcher इसलिए नहीं हारा कि Uber का take rate ज़्यादा था
    • Uber drivers की कमाई का औसतन करीब 30% लेता है, जो traditional taxi agencies, medallion lessors, और dispatchers द्वारा मिलकर निकाले जाने वाले 30–50% से बहुत अलग नहीं है
    • Uber का moat कम extraction में नहीं, बल्कि dispatch, payment, matching, reputation जैसी सभी intermediary functions को network-owning single platform में समेट देने में था
  • अगर किसी AI Service company की मुख्य value यह है कि “हम यह service LLM से सस्ती दे देंगे”, तो वह ऐसे dispatcher की तरह है जो अपनी नहीं, उधार की margin पर बैठा है
    • इस cost curve को model labs, hyperscalers, chip makers, और energy producers control करते हैं
    • जैसे ही model सस्ता होता है, या competitor उसी model API से जुड़कर कम दाम दे देता है, cost advantage शून्य की ओर जाता है
    • अभी दुनिया में लगभग 35,000 AI wrapper apps हैं, जो पिछले tech eras की तुलना में कहीं अधिक प्रतिस्पर्धा दिखाता है
  • किसी service को सस्ता deliver कर पाने की क्षमता और उस margin को बनाए रख पाने की क्षमता दो अलग चीज़ें हैं — intelligence cost collapse से बने consumer surplus को टिकाऊ रूप से कौन capture करेगा, यही असली सवाल है

embeddedness और defensibility

  • वही कंपनियाँ surplus capture और retain करेंगी जो cost curve से आगे की defensibility बनाती हैं
  • enterprise tech में defensibility के ऐतिहासिक स्रोत: domain expertise, speed/execution, partnerships/integrations, data gravity, brand/trust, platform lock-in
    • शुरुआती चरण में जल्दी कमजोर पड़ने वाली domain expertise और speed/execution मुख्य advantage होते हैं
    • partnerships/integrations टिकाऊ हो सकते हैं, लेकिन scale पर उनकी relevance घटती है
    • growth stage का सबसे महत्वपूर्ण moat usage और data loops है
    • scale पर defendable Vertical AI business के लिए कम-से-कम data gravity, brand/trust, और platform lock-in में से एक या अधिक moat चाहिए
  • Vertical AI business को evaluate करने का सबसे अहम axis “service vs. software” नहीं, बल्कि “internal vs. external” है
    • “internal” का मतलब यह ज़रूरी नहीं कि customer हर दिन login करे और traditional SaaS UI इस्तेमाल करे — value का direct keyboard usage से जुड़ा होना, यह पुराना industry consensus अब मान्य नहीं है
    • असली सवाल: क्या AI company customer operations में ऐसे embedded है कि उसे संरचनात्मक रूप से हटाना मुश्किल हो?
    • क्या वह customer-generated proprietary data रखती है? क्या वह customer को counterparties, vendors, या ecosystem से जोड़ती है ताकि उसे फिर से बनाना painful हो? क्या वह adjacent workflows में इस तरह integrated है कि हटाने पर cascade disruption हो?
    • “external” पारंपरिक service vendor जैसा है — customer ज़रूरत पर उसे बुलाता है, लेकिन अगले हफ्ते बेहतर deal मिलते ही बदल सकता है
    • external solutions वास्तविक value देती हैं और जब cost gap बड़ा हो तथा adoption शुरुआती हो तो तेज़ी से grow करती हैं, लेकिन उधार के margin पर खड़ी होने के कारण वे दूसरे AI Services startups, पूंजी-संपन्न SaaS incumbents, यहाँ तक कि buyers खुद के साथ उसी competitive dynamic में फँसती हैं

4-quadrant framework: Vertical AI evaluation matrix

  • दो axes पर Vertical AI landscape को map किया जा सकता है: internal vs. external (customer operations में product की embeddedness की गहराई) और wedge vs. platform (product की breadth और depth)
  • Durable (ऊपर-दाएँ): internal AI platform — System of Intelligence & Action जिसकी complex moat तक स्पष्ट राह हो, जो शुरुआती wedge से multi-product platform में evolve हो। Abridge और EvenUp इसके प्रतिनिधि उदाहरण हैं
  • Rare (ऊपर-बाएँ): external platform — consulting nature वाले high-ACV models, जो अक्सर internal AI product को dogfood करते हैं। उच्च customer concentration और सीमित embeddedness के कारण अस्थिर
  • Commodity Risk (नीचे-बाएँ): external wedge product — शुरुआती growth की बहुत ऊँची संभावना, लेकिन borrowed AI margin पर compete करने के कारण अस्तित्वगत जोखिम
  • Precarious (नीचे-दाएँ): internal wedge — तेज़ शुरुआती growth के साथ defendable platform बनने की संभावना, लेकिन AI-leading incumbents द्वारा wedge copy किए जाने का जोखिम
  • दो मूल्यवान transition paths: external→internal (embeddedness गहराना) और wedge→platform (product breadth बनाना)
    • wedge→platform, टिकाऊ Vertical Software बनाने का प्रमाणित मॉडल है
    • कुछ startup external, high-scale AI Services wedge से शुरू करके दोनों transitions एक साथ करने की कोशिश करते हैं

Vertical AI: commoditization के खिलाफ़ किला

  • Vertical AI की ताकत यह है कि हर industry की unique dynamics, customer में गहराई से embedded होने वाले differentiated solution बनाने के लिए उपजाऊ ज़मीन देती है
  • सबसे बेहतरीन Vertical SaaS कंपनियाँ (Veeva, Procore, Toast, ServiceTitan आदि) इसलिए जीतीं क्योंकि वे सस्ती नहीं थीं, बल्कि users की specific needs को बेहतर reflect करने वाली system of record बन गईं
    • Salesforce या NetSuite को customize करने पर लाखों डॉलर consulting में खर्च किए जा सकते हैं, लेकिन जब कोई system शुरू से ही आपके लिए बना हो, तो उसकी ज़रूरत नहीं
    • वे proprietary industry और first-party data (clinical trial data, job cost data, restaurant sales data) जमा करती हैं, और इस्तेमाल बढ़ने पर product और बेहतर होता जाता है
    • वे fragmented, vertical-specific ecosystem (pharma company–clinical site, prime contractor–subcontractor, restaurant–delivery network) को जोड़कर network effect moat बनाती हैं
  • wedge सस्ती delivered service हो सकती है, लेकिन moat उस wedge के ऊपर बना system है — internal positioning का इस्तेमाल करके proprietary data, network effects, multi-product platform, और industry “brain” विकसित करना, ताकि कंपनी साधारण vendor नहीं बल्कि ऐसा infrastructure बने जिस पर ग्राहक निर्भर हो
  • जो यह छलाँग नहीं लगा पाते और cost competition में फँसे external AI service providers बने रहते हैं, उनका अंत taxi dispatcher जैसा होता है — वे बाज़ार को 500% बढ़ते देखते हैं, जबकि उनके margin शून्य की ओर जाते हैं

विजेता commoditization को अपनाते हैं

  • Vertical Collective roundtable में एक founder की insight: “कई लोग race to the bottom को बुरा मानते हैं, लेकिन हम उल्टा देखते हैं — असली कुंजी नया value creation है”
  • सिर्फ cost competition करना घातक है, लेकिन ऊपर बताए गए moat बनाने की positioning हासिल करने वाले intentional wedge के रूप में यह बहुत शक्तिशाली हो सकता है
  • कुछ Vertical AI startups को AI Services commoditization से पैदा हुई price-to-the-bottom competition को जानबूझकर अपनाना और तेज़ करना चाहिए
    • पारंपरिक players के लिए match न कर पाने वाली चौंकाने वाली low pricing पर बहुत से customers हासिल करना
    • प्रति customer “outcome” revenue को खुद cannibalize करना, लेकिन बदले में तेज़ growth, industry trust, और customer को अन्य तरीकों से serve करने का अधिकार पाना
    • प्रतिस्पर्धा न कर पाने वाले market leaders की स्थिति कमजोर करके competitive vacuum बनाना और expansion के लिए pole position हासिल करना
  • यह रणनीति “Nuking Pricing Power” strategy का एक रूप है: complement का low-cost (या free) version बनाना/समर्थन करना ताकि तेज़ adoption हो और complement की pricing power कमजोर हो
  • सरल शब्दों में: अगर product commoditized होना ही है, तो बाज़ार पर कब्ज़ा करने के लिए उसे खुद commoditize करना बेहतर है

value hypothesis

  • enterprise tech का हर paradigm shift land grab और restructuring के साथ आता है
    • cloud computing ने 2005–2015 के बीच हज़ारों SaaS startups पैदा किए, लेकिन उनमें से अधिकांश absorb, acquire या disappear हो गए; केवल कुछ ही टिकाऊ category-defining platform बने
    • Vertical AI में भी यही pattern दिखने की उम्मीद है, लेकिन और बड़ा market opportunity, तेज़ growth, अधिक creative monetization models, और अधिक शुरुआती capital efficiency के साथ — और इसी कारण अभूतपूर्व प्रतिस्पर्धा भी
  • AI Services founders के लिए जाल यह है कि वे scalable wedge को defensible business समझ बैठते हैं
  • टिकने वाली कंपनियाँ वही होंगी जो आज की इस खिड़की का उपयोग करें — जहाँ cost gap बड़ा है, adoption शुरुआती है, और incumbents धीमे हैं — और customer operations में इतनी गहराई से embedded हो जाएँ कि switch करना सिर्फ inconvenient नहीं बल्कि संरचनात्मक रूप से painful हो
  • यह कोई नया विचार नहीं, बल्कि enterprise software के सबसे पुराने विचार की फिर से खोज है
    • नया सिर्फ इसका surface form है: SaaS कंपनियाँ कुछ workflows में embed होकर user interaction screen से data capture कर सकती थीं, जबकि AI-native platforms हर workflow में embed हो सकती हैं, मानव की उपस्थिति हो या न हो, हर interaction से data capture कर सकती हैं, और execution के साथ product को बेहतर बनाती हुई compound intelligence बना सकती हैं
    • “load-bearing infrastructure” बनाने का अवसर कभी इतना बड़ा नहीं था, और “सिर्फ सस्ता vendor” बनकर रह जाने का प्रलोभन भी उतना ही बड़ा है
  • Andy Rachleff की “value hypothesis”: startup का what, who, और how के बारे में hypothesis पहली कोशिश में “लगभग कभी सही नहीं” होता — founder को उन लोगों को नहीं, जो सिर्फ interest दिखाते हैं, बल्कि उन customers को ढूँढ़ना चाहिए जिन्हें product की सचमुच बेताबी से ज़रूरत है
  • customer हमेशा सस्ती service में दिलचस्पी दिखाएँगे, लेकिन जिस चीज़ के लिए वे सचमुच भुगतान करेंगे और टिके रहेंगे, वह है ऐसा system जो उनके business को उनसे बेहतर समझे — institutional knowledge जमा करे, ecosystem से जोड़े, और हर interaction के साथ अपनी internal value बढ़ाता जाए

संदर्भ

  • अगर AI मानव workers को अधिक efficient बनाता है, तो Salesforce द्वारा लोकप्रिय किया गया seat-based SaaS model अब काम का नहीं रहेगा — product जितना बेहतर होगा, customer spend उतना कम होगा
  • अगर autonomous agents का लक्ष्य contract draft करना, customer support tickets resolve करना, financial ledger reconcile करना आदि बिना अर्थपूर्ण human intervention के करना है, तो “screen time” का कोई अर्थ नहीं बचता
  • नए paradigm में efficiency को screen time की अनुपस्थिति से परिभाषित किया जा सकता है
  • UI खुद भी replaceable बन रहा है: data, action, और records की “decision layer” अब भी महत्वपूर्ण है, लेकिन हम ऐसी दुनिया में प्रवेश कर रहे हैं जहाँ किसी भी customer का UI समान नहीं होगा
    • वह interface जो platform हर user के लिए uniquely auto-generate करेगा (“inception software”)
    • MCP के जरिए agentic approach या LLM द्वारा बनाए गए custom apps के माध्यम से “Bring Your-Own UI” (BYOUI)

संबंधित पढ़ाई

अभी कोई टिप्पणी नहीं है.

अभी कोई टिप्पणी नहीं है.