Blog
Tiffany Luck ve James Kaplan tarafından
Son iki yıl, yapay zeka ve modern yazılımın temel yapı taşlarında hızlı bir evrim kaydetti. ChatGPT'nin çığır açan anı, yapay zekada bir inovasyon, rekabet ve Ar-Ge yatırımı zincirine yol açtı ve iki yıl sonra ChatGPT, Perplexity, Claude, Midjourney, Cursor, ElevenLabs ve daha fazlası gibi yeni yatay uygulamalarda benzeri görülmemiş bir büyüme görüyoruz. Yapay zeka yetenekleri üretken, ajantik ve çok modlu işlevler sunacak şekilde olgunlaştıkça, yeni dikey uygulamalar için heyecan verici bir fırsat görüyoruz.
Yazılımın gelecekteki titanları, özelleşmiş sektörlerdeki dikey yapay zeka şirketleri olacaktır.
Bu yazıda, dikey yapay zeka için çerçevemizi paylaşıyor, şimdi neden sektöre özel yapay zeka çözümleri oluşturmak için en uygun zaman olduğuna inandığımızı ve kategori kazananları yaratmak için temel hususları araştırıyoruz.
Bulut çağında, Procore ($11B), Toast ($21B) ve ServiceTitan ($9B) gibi büyük dikey yazılım kazananlarına tanık olduk. [1] Bu ilk dalganın kazananları ortak bir modeli takip etti:
Kayıt sistemi: Müşteri verilerini otomatikleştirin ve merkezileştirin
Ödemeler ve faturalandırma: Finansal iş akışlarını ve iş zekasını kolaylaştırın
Pazar yeri: Sektör katılımcılarının ekosistemini tek bir platforma getirin
Şimdi üretken ve ajantik yapay zeka başka bir potansiyel katmanın kilidini açıyor:
Ajantik sistem: Kalan emek yoğun iş akışlarını önemli ölçüde otomatikleştirebilen yapay zeka eylemleri. Temel model sağlayıcıları arasındaki yoğun rekabet ve GPU altyapısına yüz milyarlarca dolarlık sermaye yatırımı nedeniyle makine zekasının marjinal maliyeti düşmeye devam ettikçe, yapay zekayı özelleşmiş, sektöre özel çalışmalar için yararlı hale getiren büyük bir iş kurmak her zamankinden daha kolay. [2]
Yazılımın doğası, bir kayıt sisteminden bir eylem sistemine dönüşüyor. [3] Yapay zeka çağında, savunulabilirlik muhtemelen yapay zeka ajanlarının uzmanlaşmasından ve orkestrasyonundan ortaya çıkacak ve dikey çözümlere uygun olacaktır. İlk örnekler arasında Harvey AI ve Abridge bulunmaktadır.
Yapay zeka ajanları, yalnızca dijitalleşmenin ötesine geçerek son kullanıcılar adına aktif olarak görevleri yerine getirdikçe, yazılım şirketleri önemli ölçüde daha fazla toplam adreslenebilir pazar (TAM) yakalama fırsatına sahip oluyor. Yaklaşık $450B kurumsal yazılım pazarını [5] çok aşan $11T ABD işgücü harcamasına [4] dokunarak, bu şirketler benzeri görülmemiş bir büyümenin kilidini açabilir.
Bu yazıda şunları tartışıyoruz:
Neden şimdi dikey yapay zekada inşa etmek için doğru zaman
Dikey yapay zekanın yatay ürünlere karşı nerede kazanabileceği
Yeni dikey yapay zeka oyun kitabı
Tartışmaya değer dört soru
Dikey yapay zekanın ortaya çıkması muhtemel sektörler için fikirler
Bugün, yazılım kullanıcı tarafından başlatılan iş akışları için tasarlanmıştır. Salesforce, Workday, Oracle ve SAP gibi en büyük yazılım şirketleri, kayıt sistemleri olarak işlev görür ve büyük ölçüde insan tarafından girilen verilere güvenir. Ortalama bir satış temsilcisini düşünün, CRM'lerini güncellemek için haftada altı saat harcıyor [6] (onlar için üzülüyoruz!). Bu kayıt sistemlerinin rekabet avantajı üç temel faktöre dayanmaktadır:
Kritik verileri depolama ve yapılandırma rollerinden kaynaklanan yüksek geçiş maliyetleri
Kullanıcılar platformları içinde çalıştığı için iş akışlarının sahipliği
Kilitlenme yaratan sağlam bir uygulama ve entegrasyon ekosistemi
Ancak, yazılımın kullanıcılar adına eylemler gerçekleştirdiği bir dünyada, kayıt sistemlerinin geleneksel iş akışı avantajı azalır. Yapay zeka ajanları, verileri bu sistemlere ulaşmadan önce işlerse (ve kayıt sistemlerinden soyutlanmış yeni veriler üretirse), mevcut oyuncular veri sahipliğine ve bunun sonucunda ortaya çıkan geçiş maliyetlerine bağlı avantajlarını kaybetme riskiyle karşı karşıya kalır.
"Kontrol noktası" - bir müşterinin yığınındaki en kritik görev yazılımı ve yukarı satış fırsatlarını yönlendiren yazılım - geleneksel olarak genellikle kayıt sistemi olmuştur. Örneğin, ev hizmetlerinde Dispatch ve CRM; eğitimde ise LMS ve SIS'dir.
Gelecekte, kontrol noktası ajantik katmana kayabilir ve bu da mevcut kayıt sistemlerinin önemini potansiyel olarak azaltabilir ve rekabet ortamını yeniden tanımlayabilir.
Ajantik yapay zeka yetenekleri hala emekleme aşamasında olsa da, şu anda dikey bir yapay zeka yıkıcısı oluşturmak için doğru zamanı yapan bir faktör birleşimi olduğunu düşünüyoruz.
İşi halletmek: Genelci ajanlar tutarlılıkla mücadele ederken, ajanların ayrık işlerde veya özelleşmiş iş akışlarında daha yüksek performans elde ettiğine dair erken sinyaller
Daha büyük ACV'leri yakalama potansiyeli: Dikey ajanlar insan emeğini artırabilirse, geleneksel SaaS araçlarından daha yüksek ACV'ler talep edebilir ve geliri daha hızlı ölçeklendirebilirler.
Kritik mesleklerde işgücü sıkıntısı: Üretken ajanlar, ABD'deki işgücü sıkıntısının panzehiridir. Bugün, Amerikalıların ~%38'i dört yıllık üniversite diplomasına sahip, 10 yıl önce %30 ve 20 yıl önce %23 ile karşılaştırıldığında. [7] Mesleki eğitim ve mesleki beceri geliştirme geride kalıyor. Amerika'da tesisatçı, elektrikçi, kamyon şoförü, muhasebeci, öğretmen, polis memuru ve diğer birçok kritik sektörde işgücü sıkıntısı var.
Profesyonel hizmetler için gizli talep: İşgücü sıkıntısı olmasa bile, emeğin prim talep edebildiği ve emek için gizli talebin olduğu sektörler (örn: finansal hizmetler, hukuk) yapay zeka otomasyonu için muazzam bir çekime sahiptir.
Uzmanlaşma savunulabilirliği artırır: Niş pazarlardaki müşteriler, belirli gereksinimleri tam olarak anlayan ve karşılayan tek, amaca yönelik tasarlanmış bir satıcıyı tercih etme eğilimindedir. Ürün-pazar uyumu için çıta yüksek olsa da, yapay zeka ajanları nihayet "özel"i ölçeklenebilir hale getirebilir.
Minimal rekabetle karşı karşıya kalan, kalem ve kağıt iş akışlarıyla veya sınırlı mühendislik kaynaklarına sahip şirketlerdeki eski şirket içi çözümlerle uğraşan bulut dikey SaaS öncülerinin aksine, bugünün yapay zeka girişimleri daha zorlu bir ortamla karşı karşıya. Yatay büyük teknoloji yerleşikleri ve uygulama katmanına doğru yığının yukarısına çıkan yapay zeka model şirketleriyle mücadele etmeleri gerekiyor. Rekabet alanı yoğun. Peki kazanmak için ne gerekiyor?
Yapılveırılmamış verileri işlemek için yapay zeka ajanlarından yararlanın: Telefon görüşmeleri, e-postalar, PDF'ler, faturalar, dahili belgeler vb. gibi yapılandırılmamış müşteri verilerini işleyebilen yapay zeka ajanları oluşturun ve bu yeni veri setini yakalayın.
Müşteriyi çekmek için yapay zeka destekli takozlar kullanın: Sesli ajanlar, semantik belge arama, içerik oluşturma en yaygın yapay zeka destekli takozlardır. Birçok şirket, müşteriyi çekmek için takozlarının bir kısmını ücretsiz olarak veriyor.
İlk başta mevcut kayıt sistemleriyle entegre olun: Müşteriden ürününüzü kullanmaya başlamak için mevcut yazılımı söküp değiştirmesini istemeyin.
Eylem sisteminden gelen yeni verileri toplayın (etkileşim katmanı / ajantik iş akışları) ve uzun vadede yeni kayıt sistemine sahip olmak için inşa edin.
Sektöre özel GTM'yi başarın: Müşteriler yapay zeka değil, çözümler satın alır. Müşterinizi tanıyın.
Çeşitli sektörlerde bu oyun kitabının erken ve son derece başarılı uygulamalarını gözlemliyoruz. İşte birkaç açıklayıcı örnek:
Sesli ajanlar
Kamu güvenliği: Prepared gives away their video ve text product for free, allowing PSAPs (911 response centers) to get video ve text data from 911 callers. Once they lve, they expand with voice agents that ingest unstructured 911 call data, transcribe, summarize, ve log the data into the CAD system (the system of record for PSAPs).
Sağlık: Tıbbi yazıcılar Abridge ve Freed ingest unstructured audio data from patient conversations ve log the data into EHR systems. Abridge’s cooperative approach with Epic was a large driver of their growth.
Ev hizmetleri: Şirketler Avoca, Revin, ve Drillbit Ses ajanslarını gelen ve giden satışları yönetmek için kullanın, ServiceTitan gibi mevcutlarla entegre olun. Yeni işler için telefon aracılığıyla gelenler, yeni iş verileri ilk olarak temas merkezinin içine akar, daha sonra dispatch / CRM için ServiceTitan'a ulaşır.
Semantik arama ve belge analizi
Insurance underwriting: Şirketler Sixfold Kullanıyorlar Belgeleri almak için semantik belge araması ve düzenleyici Kodlar ve onları bir sigortacının taahhütleriyle karşılaştırın Sigortalama önerileri vermek, otomatikleştirmek için politika Bu yapılandırılmamış verileri işlemek için saatlerce insan emeği. Sixfold, görevdeki taahhüt tezgahlarıyla bütünleşir Guidewire gibi, verileri kaydetmek için üzerlerinde oturmak Kayıt sistemi.
s İnşaat: Trunk Tools is using semantic document search in their TrunkText product, integrating with document systems of record in Procore, Paylaşpoint, or Autodesk. Trunk Tools saves time ve is able to reduce the amount of construction rework by combing through documents to find needle-in-a-haystack answers to questions about the job that are buried in the thousands of pages of documents.
Yapılandırılmamış veri işleme ve içerik oluşturma
Yaşam bilimleri: Şirketler Düzenle ilaç ve tıbbi cihaz geliştirme için belge oluşturma sürecini otomatikleştirmek için metin oluşturma yeteneklerini kullanıyorlar.
Polis: Önde gelen vücut kamerası şirketi Axonbuilt AI agents that analyze video footage from their cameras ve generate police reports, which today take up of officers’ time. [8] Body camera footage ve the generated reports are logged in the CAD ve RMS systems of record. Axon has now built their own CAD ve RMS offerings, building backwards into a system of record having started with a system of action.
10x better product for tasks that require processing unstructured data: Telefon/ses, e-posta, belgeler, tasarımlar, video ve daha fazlası.
İşgücü sıkıntısı olan sektörler, latent demand for labor, or heavy outsourcing/BPO spend
10 milyar dolarlık şirket fırsatı: Turns out there are many more markets where you can build a $10B+ company than you’d think, especially when looking at labor budgets. For example, did you know that 17% of accountants işlerini 2019-2021 arasında bıraktı ve %18 2022'deki muhasebe mezunları 2016'dan daha mı fazla? Ortalama muhasebeci maaşı ile sektörde 24 milyar dolarlık muhasebeci açığı var. [9] Bu gibi birçok işgücü piyasası var.
Hız: Ürün ve GTM hızı, mevcut rakiplerle rekabet ettiğinizde esastır. Start-up'lar, mevcut rakiplerin AI'yi benimsemesi öncesinde görev kritikliğini elde etmelidir.
Uzun vadede sistem kayıt sistemini çökertme ve ele geçirme yeteneği
Yapıcılar hem endüstri içindeli hem de teknik
İş modeline daha dikkatli yaklaşım, daha fazla çıktı tabanlı fiyatlandırma görüyoruz gibi görünüyor.
Karmaşık paydaş ekosistemi: Yüksek derecede karmaşık paydaş dinamiklerine sahip sanayiler (örneğin, inşaat) veya bir iş akışında birden fazla katılımcı. Bulut çağı örnekleri:
Brightwheel İlk çivili ürünlerini bir ana platform olarak inşa ettiler (en önemli hissedar) tüm işlevleri bir arada sunan bir platforma geçmeden önce.
Procore is Çok sayıda paydaşı GC'nin (Global Çözüm) içinde koordine etmek için tasarlandı, alt kullanıcı, sahibi, mimar ve daha fazlası. Çok sayıda paydaşı hizmet vermek son derece yapışkan bir durumdur.
Eşsiz veriler: Genelist temel modeller büyük ölçüde internet verilerine dayanarak eğitildiği için genel amaçlı görevlerde iyi performans gösterirken, birçok sektör özel veri veya özel veri formatlarına erişim gerektirir, örneğin:
Tescilli metin verileri: Finansal hizmetlerde, Bloomberg gibi platformlar hisse araştırma raporları, pazar/sermaye fiyatlandırma verileri, alternatif verilerin uzun kuyruğu gibi münhasır verilere sahiptir.
Toplanan veriler: Daha yukarıda belirtilen metni doğrudan Türkçeye çeviriyorum: Veri toplanırken rolü olan dikey uygulamalar, veri seti oluşturarak bir veri suçak inşa ederler, bu da Prepared ve Abridge gibi şirketlerin ses transkripsiyon ajansları ile izlediği playbook'dir.
Yeni modaliteler: Web'den ne kadar çok metin verisi çıkarılırsa çıkarılsın, GPT-5'nin CAD araçlarını nasıl kullanacağını muhtemelen bilemeyecek. Çoğu sektör, mimaride olduğu gibi, verilerin özel temsilcilerine ve alan spesifik modellere ihtiyaç duyar.
Sektöre özel iş akışları: While we expect generalist models to continue to improve, we believe going deep in one specific job function will enable higher levels of autonomy. Genelist modellerin sürekli olarak iyileşmesini beklerken, bir belirli iş fonksiyonunda derine inmenin daha yüksek seviyelerde özerklik sağlayacağına inanıyoruz.
Bugün, en başarılı dikey AI şirketlerinin çoğu hazır modeller kullanmış olsa da, ileride kendi özel modellerini eğiten daha fazla şirket görmeyi bekliyoruz. Bu durumun üç nedeni var:
Düşen model eğitim maliyetleri: DeepSeek V3 dünya için, SOTA performans elde edebileceğinizi kanıtladı. 6M'den az eğitim için. [10] 6M doların üzerinde bir tahmin faturasına sahip her şirket, kendi modelini nasıl eğitebilecekleri konusunda gerçekten çok düşünmelidir.
Müşteri güveni: Birçok müşteri, verilerinin bir model sağlayıcıya gönderilmesiyle rahat değildir ve bu durumu önlemek için tek yol kendi modelinizi sahip olmaktır.
Özel veri (yukarıda belirtildiği gibi): Model eğitimi maliyetleri düşerse ve ön eğitim ölçeklendirme yasaları ileride geçerli olmazsa, veri setinin ne kadar benzersiz olması gerektiği konusunda bar düşer, özel bir model eğitmeyi haklı çıkarmak için.
Veri setimizde $100M ARR, $1B değerleme veya 1/3/2025 itibarıyla $100M+ yatırım alan dikey yazılım işlerini analiz ettik. Dikey sektörün büyüklüğüne göre, bazı kategorilerin çok fazla amaca özel yazılımı, bazılarının ise çok azını bulduk. Hem ikisi de inşa etmek için harika alanlar olabilir.
Endüstrilerde 10B$'den fazla kazanç sağlamış olanlarda, büyük bir şirket kurma potansiyeli açıkça görülüyor; zorluk, AI-native şirketlerin mevcut yerleşik rakiplerden daha iyi performans gösterebilecek olup olmayacaklarıdır. Hizmet görmeyen endüstrilerde, ana zorluk yoğun bir ürün-pazar uyumu (PMF) elde etmek ve karmaşık müşterilere satmaktır.
