Il nostro lavoro come investitori è cercare di prevedere il futuro. Pontifichiamo su come si evolverà il panorama dell'AI e su "dove si accumulerà valore" in base allo stato attuale delle cose. La realtà è che, in un ambiente così dinamico dove la "cattura del valore" nell'AI è in continua evoluzione e la mano vincente cambia ogni tre mesi, è lecito supporre che ci siano meno "certezze" che "incognite" sul futuro.
Lo dimostra il fatto che per ogni tesi rialzista esiste una tesi ribassista altrettanto convincente. Fino a poco tempo fa, durante il Series E di Anthropic (valutazione 61 miliardi di dollari), gli scettici temevano che il layer API si sarebbe rapidamente commoditizzato, che i margini lordi sarebbero rimasti negativi a causa delle pressioni su potenza di calcolo e prezzi, e che i laboratori avrebbero vissuto in uno stato di alto consumo eterno a causa dei costi esorbitanti di training da ripetere costantemente. Gli scettici temevano che OpenEvidence sarebbe stata limitata a un risultato delle dimensioni di Doximity. Erano fermamente convinti che gli inference engine si sarebbero commoditizzati. Sostenevano che ClickHouse non si sarebbe mai espansa oltre l'analisi in tempo reale e quindi sarebbe rimasta confinata a un risultato più piccolo. In sintesi, questi scettici ben intenzionati lasceranno sul tavolo miliardi di dollari di rendimenti.
La dura verità
Non sappiamo molto sul futuro quanto vorremmo. In ognuno dei casi sopra citati, l'argomento razionale del momento era in opposizione alla realtà che si è concretizzata (ad esempio, il layer API non si è commoditizzato). L'argomento razionale può portare al massimo a un risultato da testa o croce, o nel peggiore dei casi a una decisione sbagliata e troppo analizzata.
Le strutture di mercato terminali nei mercati emergenti sono, per definizione, inconoscibili. Quindi cosa facciamo in assenza di logica mentre un mercato è ancora in fase di creazione? Le tre opzioni sono: 1) Aspettare che i mercati si stabilizzino e rimuovere la struttura di mercato o il TAM come rischio, perdendo però rendimenti generazionali che accompagnano tale rischio. 2) Tentare di applicare vecchi framework a nuovi mercati, cadendo così nella trappola della paralisi da analisi sopra menzionata. 3) Astrarre i successi recenti in nuovi framework che aiutino a semplificare le decisioni future. Sosterrò l'opzione 3.
Il framework dei Componenti Outlier
Il seguente framework si applica alle aziende in fase di crescita media e avanzata. I Series A e i primi Series B sono esclusi. Il framework è il seguente: Se un'azienda ha almeno un Componente Outlier, prendila seriamente in considerazione. Se un'azienda ne ha due o più, investi in modo deciso. I componenti outlier sono definiti come:
- Crescita outlier: Sono nel top 0,1% della crescita della loro coorte.
- Accesso outlier ai clienti: Esiste un insieme di relazioni captive o difficili da penetrare.
- Team outlier: Non solo un team "grande" o "persuasivo". Nemmeno un "prodigio tecnico" - ce ne sono tanti nella Silicon Valley. Il filtro è: hanno realizzato qualcosa che li mette nello 0,1% superiore del settore?
- Esempi: i fondatori di Anthropic hanno creato GPT-3. RJ Scaringe ha costruito Rivian. Arkady Volozh ha costruito Yandex. Bret Taylor è Bret Taylor.
Come si confronta con lo status quo?
Il framework outlier può talvolta essere in opposizione all'investimento tecnologico di crescita tradizionale, in cui si filtrano venti favorevoli, value proposition incisive e metriche di primo quartile. Nei mercati odierni, un'azienda potrebbe ottenere buoni punteggi in ciascuna di queste dimensioni ma mancare di un Componente Outlier, e quindi non sfondare mai.
Esempi di outlier sono i seguenti: nota: non sono tutti esempi di risultati chiaramente di grandi dimensioni, poiché molti di essi devono ancora uscire; sono semplicemente esempi degli input.
\denota azienda nel portafoglio Meritech.*
Crescita outlier al momento di un round di fase di crescita:
- Anthropic
- Cursor/Cognition
- ClickHouse
- fal*
- Baseten/Fireworks/Modal
- OpenEvidence*
- Kalshi*
- Mercor
- Sierra
- Lovable
- Harvey/Legora
Avvertenza 1: La crescita outlier dovrebbe essere accompagnata da una visione ampia. Il punto è non pensare troppo alla probabilità che un'azienda realizzi tale visione.
Avvertenza 2: La crescita outlier con un bucket che perde (cioè NDR < 100%) è esclusa da questo gruppo.
Accesso outlier ai clienti al momento di un round di fase di crescita:
- Anthropic (partnership GTM con Amazon)
- Abridge (relazione unica con Epic)
- Roblox* (liquidità del marketplace)
- Kalshi* (liquidità del marketplace)
- Anduril (relazioni governative)
- Palantir (relazioni governative)
- True Anomaly* (relazioni governative)
- Castelion (relazioni governative)
- Mind Robotics* (relazioni con Rivian, VW)
- Lumilens* (grande hyperscaler)
- Sierra (relazioni di Bret Taylor)
- ClickHouse (base OSS)
- Vercel (base OSS)
Team outlier:
- Anthropic (creatori di GPT-3)
- Glean (co-fondatore di Rubrik)
- Mind Robotics* (CEO/Fondatore di Rivian)
- OpenEvidence* (co-fondatore di Kensho)
- Nebius (fondatore di Yandex)
- Sierra (Co-CEO di Salesforce)
- SSI (co-fondatore di OpenAI)
Nota: Manca un componente dall'elenco sopra, ovvero "moat tecnico outlier", principalmente perché oggi è sempre più difficile da trovare. A parte SpaceX, Waymo e Tesla, i moat tecnici outlier sono difficili da individuare negli investimenti in fase di crescita iniziale. Anche il moat di Anthropic ha più a che fare con scala, capitale e vantaggio del primo arrivato che con proprietà intellettuale tecnica.
Guida: Considera l'azienda se ha almeno un outlier; investi in modo deciso se l'azienda ha 2 o più dei sopra citati. Esempi di 2+ includono:
- Anthropic (crescita outlier, accesso ai clienti, team)
- ClickHouse (crescita outlier, accesso ai clienti)
- Kalshi (crescita outlier, accesso ai clienti)
- OpenEvidence (crescita outlier, accesso ai clienti, team)
- Sierra (crescita outlier, accesso ai clienti, team)
E i moat?
Questo è il punto cruciale: i moat sono difficili da individuare quando le strutture di mercato sono in evoluzione. Cursor o Cognition hanno moat, o sono semplici wrapper? Dipende dal contesto aziendale che riescono a catturare e costruire mentre espandono la loro suite di prodotti. Dipende da quanto valore viene attribuito al modello rispetto all'harness. La struttura di mercato terminale non è ancora nota. Nel frattempo, queste aziende scalano prima e costruiscono moat dopo. La scala stessa è spesso uno dei moat più convincenti, dati gli effetti di secondo ordine sulla disponibilità di capitale, le strutture di costo e i vantaggi di cross-selling.
Perché questo non si applica alle aziende in fase di crescita iniziale?
È conoscibile per le aziende in fase di crescita iniziale? Quando le aziende hanno un ARR inferiore a 20 milioni di dollari, i Componenti Outlier sono nascenti al massimo e spesso inesistenti, in particolare per le imprese IT enterprise top-down. Prevedere il futuro conta ancora per questi investimenti.
Quali sono i controfattuali?
Ci sono molti controfattuali di risultati non outlier nonostante il possesso di almeno un Componente Outlier. Non sarebbe molto carino discutere di aziende che non hanno funzionato, ma basti dire che per ogni round di crescita pre-revenue con un team A+ che funziona, c'è un cimitero di aziende dietro che sono state sovrafinanziate e non hanno mai trovato il PMF.
Ci sono anche molti risultati outlier da aziende per le quali i componenti outlier non erano visibili durante i round di crescita. Cerebras è un ottimo esempio che molti investitori in crescita hanno trascurato.
La realtà è che non esiste un framework universale per nessuna fase di investimento. Le strutture di commissione 2/20 non esisterebbero se fosse così semplice. Tuttavia, questo è il mio miglior tentativo di dare un senso al panorama attuale.
