顶级风投Greylock：现在是垂直软件最好的时代

2023-12-21

文章转载自"ToB行业头条"

—
“现在是 AI 垂直软件服务最好的时代”。
来源 / 深思SenseAI （ID：gh_a54fc6d3826c）
作者 / SenseAI

三个月前，我们解读了 Greylock 的最新文章顶级风投Greylock：会最先被AI重塑的高潜市场，给出了第一波值得全新拥抱 AI-First 的高潜市场和作为初创公司突围的可能性。

Greylock 的敏锐洞察一贯具有前瞻性，在 AI 快速发展的这三个月后，这家硅谷的顶级风投提出“现在是 AI 垂直软件服务最好的时代”，可以说是给创业者们的一针强心剂。

本文带来 Greylock 最新提出的垂类 SaaS 的投资框架和 3 个最有机会的垂直领域。

垂类 AI 软件时代的投资框架

从数据的角度：在早期技术时代，垂直软件只能应用于现代化技术的企业（即数据库中具有清晰结构化数据的公司）。

这使得那些主要依赖非结构化数据（例如合同、记录以及跨文本、音频和图像的多媒体文件）的基础性行业被排除在外。现在，大型语言模型已经能够处理非结构化数据的工作，这意味着人工智能可以最终将这些缺乏软件技术服务的行业变得更加现代化。这一范式转变的广泛影响不可低估：据估计，世界上约 80% 的数据是非结构化的。

除此之外，Greylock 还注意到一些以垂直服务为重点的初创公司，它们正在跳出传统的 SaaS 思维。这些公司采用了嵌入支付（例如 Toast 和 Shopify）、广告（就像 Pepper 和 Provi ）以及 B2B 市场（例如 Faire 和 Novi）等战略。人工智能的采用将加速这种转变。

Greylock 相信大型语言模型的发展趋势正在收敛，并且创始人们正在创造理想条件，以解决长期存在的问题并接受不同的模型环境。尽管对应用层是否可以长期存在有一些担忧，但 Greylock 认为只要深入专业领域，就可以建立起壁垒。

尽管 LLM 具有改变游戏规则的潜力，但任何垂直领域的成功都取决于选择适合该技术的行业、准确评估市场总量（TAM）、建立深层次的产品工作流程和数据、设计适当的营销和推广战略，以及具备领域专业知识和技术实力。

Greylock 为垂直领域的专业人工智能提出了一个投资框架，有助于对每个要素进行更深入的研究。

1. Data 数据

数据的重要性不言而喻，好的数据胜过好的模型。随着基于 LLMs 构建人工智能应用的难度降低，数据成为建立垂直服务差异化的关键因素。初创公司在确定垂直服务的工作流时，需要考虑是否需要大量相关数据，或者是否有能力构建专有的数据资产。对于某些公司来说，使用自有数据来训练或微调可商用的基础模型是一种战略选择。

对于许多垂直行业来说，数据存在于杂乱无章的传统系统中，这正是 Greylock 对处理和提取数据的公司特别感兴趣的原因。提高模型对数据的适应性和生成的准确性具有挑战性。这里的一个突出因素就是拥有经过仔细审核、标记和不断更新的数据。

一个更强大的数据策略是在使用产品的过程中，自然产生行为数据（例如客户标记自己的行为数据，或与产品交互中产生的数据集）。因此，拥有数据对于初步形成壁垒非常重要，但最终，只有客户使用产品时所产生的数据才能形成长期的壁垒。

此外，一些大型科技公司已经开始提供为客户合成所需数据的服务，将合成数据用于模型训练，以实现快速交付的目标。

2. TAM: Total Available Market 潜在市场规模

很多人不追求垂直市场的最大原因是垂直市场只市场总量可能相对水平市场于水平市场更小的 TAM，但有失必有得：这些较小的市场将有更少拥有充足资金的竞争对手，而越专注可以使用户更靠前和拥有更深的市场理解。

因为很难量化技术变革（例如能源电气化等）中市场的支出，所以投资者常常爱辩论此事。早期参与垂直软件服务的创始人有可能定义并领导市场。

3. ACV: Annual Contract Value 一年签约的合同金额

单一的 SaaS 产品不一定能实现六位数的 ACV。垂直和专注的初创企业可以同时开发多种产品，以在核心产品之外创造额外收入流的方式进行扩张。在核心产品的基础上增加新的产品线，可以在未来某个时间点捆绑和增加销售，最终形成粘性。

餐饮支付平台 Toast 通过增加工资和劳动力管理功能，实施了多产品战略。Provi 和 Pepper 等 B2B 市场通过广告创造了额外的收入流，而太阳能安装平台 Aurora Solar 则通过提供融资方案实现了额外收入。建筑服务平台 Procore 最近开始提供保险等服务。

4. 创始人：具有领域经验的产品构建者

与在 AI 堆栈的其他部分构建的创始人不同，试图构建垂直 AI 的纯技术人员在具有领域经验和技术背景的创始团队面前不占优势，特别是在受监管行业中的团队。

对于目标客户是垂直行业中的传统组织的初创公司，这一差距尤为显著，因为这些组织通常与数十甚至数百个实体签订了长期合同。

深入了解这些复杂性，才能制定正确的营销推广策略、预测销售时间表和招聘时间表。对于那些具有深厚领域专业知识但只对可能的垂直方法有一点点了解的人来说，Greylock 正在积极寻找在他们的创意验证过程的初期参与 Greylock Edge 项目的创始人。

5. GTM：创造紧迫感

垂直销售周期可能很长，尤其是在缓慢增长且技术购买者较为保守的大型成熟行业。因此，GTM 战略必须创造紧迫感，即 FOMO ( Fear of Missing Out )，以主导主要的分销渠道。过去，那些没有采取这种策略的垂直企业需要花费很长时间才能取得业绩的起飞。

人们对人工智能的 FOMO 会让用户更愿意马上尝试新产品，但这既可能是一种阻力也可能是一种助力。一方面，人工智能的吸引力让新生公司很容易与潜在客户通话，并进行试用。然而，将潜在客户转化为客户对于那些正在比较多个试点，已经疲惫了的用户来说可能特别具有挑战性。但不管怎样，让潜在客户产生 FOMO 是关键。

垂直领域的机会

1. 法律

许多行业都面临着繁琐、手动的工作流程带来的困扰。在法律服务、会计和咨询领域，专业人员花费大量时间阅读、解释和压缩关键信息，以进行分析、与客户沟通和撰写备忘录。

人工智能在法律服务领域是一个明显的垂直应用领域，因为法律的核心产品完全基于语言，而大型语言模型是当前平台转型的基础。

仅在美国，法律市场就占据了超过 3000 亿美元的份额，并且律师对采用人工智能表现出浓厚的兴趣：许多大型律师事务所都拥有巨额的软件预算，Greylock 采访的许多人表示愿意每年在具有变革性的人工智能软件上投资七位数。这导致了像 Harvey、EvenUp、Eve和 Spellbook 这样的人工智能公司的出现。

而像汤姆森路透、相对论和铁甲这样的老牌公司正在收购或将人工智能纳入他们现有的产品中，汤姆森最近斥资 6.5 亿美元收购 Casetext 就是最近的一个例子。

Greylock 最近投资了 Responsiv，该公司为内部法律团队提供人工智能助手。该公司具有符合 Greylock 投资框架的许多特点。

首先，创始人具有法律技术背景，在相对论工作过。

其次，该市场具有很大的价值：内部法律团队是法律行业一个被忽视但迅速增长的细分市场，在美国总额达到 3200 亿美元，占比近 80%。内部团队对人工智能有特殊需求，包括在执行合同/保密协议方面提供帮助，并在处理内部团队对法律公司的专业知识需求相对较高的工作量方面提供帮助。

此外，内部法律团队通常被视为组织内的成本中心，这意味着人工智能带来的提高效率更有可能被接受，尤其是对于按计费小时模型运作的律师事务所来说。

2. 咨询和会计

咨询和会计是另一个被人工智能深刻影响的领域。四大咨询公司每年都会招聘数万名咨询顾问和会计师，这是一个庞大的劳动力，可以通过人工智能进行大规模扩充。

毕马威承诺在未来五年内投资 20 亿美元用于人工智能产品，而 PwC 则计划在未来三年内投资 10 亿美元，以自动化其审计、税务和咨询服务的某些方面。哈佛商学院和 BCG 合作进行的一项研究发现，使用 GPT-4 的顾问完成任务的速度比以前快 25%，质量提高了 40%。

金融服务非常适合人工智能的原因有几点。市场规模巨大，在美国单单就有约 11 万亿美元的市值，而且对人工智能工具的需求得到了证明。

例如，在过去的一年里，我们看到了 Bloomberg GPT 的发布，摩根士丹利与 OpenAI 的合作，以及 Alphasense 向其市场情报平台添加了由人工智能提供支持的搜索和摘要工具。

观察投资专业人士和财富顾问的日常接触的信息非常复杂，涉及内部专有数据以及实时市场数据和新闻；财务建模和计算需要数学理解和人类判断的混合；错误成本高昂——在模型或尽职调查步骤中的单个错误可能导致对企业数百亿美元的影响。与此同时，专业人员面临许多枯燥、手动的工作流程，这些工作流程需要很少的思维产出，但可能占用他们时间的三分之一左右。

对初创公司来说，这是领域专业知识和创造性商业模式都至关重要的地方：通用的 LLM（Large Language Models）如 ChatGPT 远未能够处理复杂的金融任务，因此具有金融背景的创始人具有优势。

Hebbia、Sixfold、Hyperexponential 和 Portrait Analytics等人工智能初创公司取得了一些令人兴奋进展的。大型金融机构正在利用 Hebbia 来简化尽职调查并了解复杂的数据。Portrait Analytics 正在打造一个可以访问实时市场数据的对话式财务分析师。

在保险领域，像 Hyperexponential 和 Sixfold 这样的新创企业正在利用复杂数据创建复杂的保险定价模型并自动化核保工作流程。

3. 医疗

大型语言模型处理非结构化数据的能力可能对临床和管理方面都产生深远影响。大型语言模型可以改善诊断或决策模型，可以催生自动化保险理赔的平台，并且可以更好地管理医疗保健数据。作者将按成熟度顺序概述 3 个医疗保健人工智能用例：转录和文档、提前授权和临床推理模型。

第一个明确的用例 —— 转录和文档。虽然多年来已经有过几次尝试，但赢家尚未产生，这归因于转录工具的商品化特性以及需要人类阅读、解释和编码结果的必要性。

现在，基于 LLM 的应用可以通过应用类似人类判断的方式，指数级地改进过去几代 AI 记录工具，这对于解锁将非结构化数据转化为结构化数据以输入电子病历、识别医学代码和参考过去交互的高价值用例至关重要。

在这个类别中有一些AI原生的新进入者，如 Ambience、Abridge 和 DeepScribe，它们捕捉实时的临床医生患者对话，以及 Greylock 投资组合的 Notable Health，该公司实现了规模化的患者接待，处理注册、排班和授权。然而，在这一层的创始人应该意识到，这个领域正在变得越来越饱和。

为了真正拥有这一层，LLM 应用程序必须被设计成一个平台，产生足够有价值的数据，以充当不同数据流之间的黏合剂。这种智能系统可以在传统的 EMR/EHR 领域上取得巨大的改进。

在美国，医生与保险公司之间有一项繁琐的工作流程，以确保患者的服务、治疗或药物可以由保险公司计划承担。使用 LLM 自动化授权声明是一种行政效率的提高，使医生有更多时间为更多患者提供治疗。

在支付方面，先前的授权历来一直是外包给以手动人工劳动为解决方案的供应商。在支付方面自动化申请不仅比供应商解决方案更具成本效益，而且还是一项更具战略性的技术资产，可以在规模上评估不利模式，并处理复杂的反对索赔和反驳。我们正在关注许多致力于这一机会的初创公司，如 Latent、Develop、Silna 和 Co:Helm。

最后一个用例仍在最初期，但可能最具变革性：能够进行临床推理的医学 LLM—— 一个能够进行诊断并提供医学指导的模型。谷歌的 Med-PaLM 2 能够回答复杂的医学问题，甚至通过了医学认证考试。构建一个医学 LLM 需要大量的时间和资源来实现。在这个新兴而充满活力的领域，作者已经看到了一些有希望的努力，包括 Hippocratic、Truveta 和 Glass Health等。

我们正处在一个令人难以置信的创新时期的早期阶段。Greylock 相信，垂直专业化和面向特定领域的人工智能是应用层人工智能的一个里程碑。可能这就是超级爱对齐的意义。

参考材料：

https://greylock.com/greymatter/vertical-ai/