Vertical AI – warum ein vertikaler Ansatz für nachhaltige AI-Apps wichtig ist

Die Bedeutung von Vertical AI

• In den letzten zehn Jahren hat Vertical SaaS die Stärke branchenspezifisch angepasster Software bewiesen, mit vielen Erfolgsbeispielen wie Toast, Shopify, Procore und ServiceTitan
• Dennoch gibt es noch viele Märkte, die von Vertical SaaS nicht ausreichend bedient werden
  • Grundlegende Industrien mit inhärenten Hürden für technologische Innovation (z. B. unstrukturierte Daten, begrenzter TAM, lange Verkaufszyklen, niedrige jährliche Vertragswerte, anspruchsvolle Bestandskunden)
  • Bereiche, die gerade erst entstehen oder große Veränderungen durchlaufen (z. B. die Elektrifizierung des Energiesektors)
• Nun ist künstliche Intelligenz entstanden, die unstrukturierte Daten verarbeiten kann, und durch wichtige Fortschritte, die Vertical SaaS als vertikale Software neu definieren, wird es möglich, auch hier bedienbare Software aufzubauen
• In früheren Technologiezeitaltern konnte Vertical SaaS nur bei Unternehmen mit modernen Tech-Stacks und systematisch erfassten Daten angewendet werden
• LLMs können mit unstrukturierten Daten umgehen und könnten damit das fehlende Puzzlestück sein, um technologisch zurückgebliebene Branchen in die Moderne zu holen
• Vertikal ausgerichtete Startups gehen über das traditionelle SaaS-Modell hinaus und setzen auf Strategien wie Embedded Payments (Toast, Shopify), Werbung (Pepper, Provi) und B2B-Marktplätze (Faire, Novi)

# Investment-Framework für Vertical AI

Data: Better Data Over Better Models (bessere Daten sind wichtiger als bessere Modelle)

• Beim Aufbau von AI-Anwendungen sind Daten wahrscheinlich der wichtigste Faktor, um eine differenzierte Position aufzubauen
• Startups müssen erkennen, ob sie einen sehr großen Datenkorpus benötigen und ob es die Möglichkeit gibt, proprietäre Datenbestände aufzubauen
• In vielen Branchen sind Daten chaotisch und in silobasierten Legacy-Systemen vorhanden, daher sind Unternehmen besonders willkommen, die sich der Datenextraktion annehmen
  • Im Vergleich zu Fortschritten bei Datensynthese und -generierung bleibt Datenextraktion ein schmerzhaftes und ungelöstes Problem
  • Differenzierungsmerkmale sind Best-in-Class-Auditing, Labeling und kontinuierlich aktualisierte Daten
• Eine stärkere Datenposition entsteht, wenn die Nutzung des Produkts selbst Datensätze erzeugt
  • Beispiel: wenn Kunden ihre eigenen Daten labeln oder Datensätze über ihre Interaktionen mit dem Produkt entwickeln
• Der frühe Zugang zu Daten ist als vorläufiger Moat wichtig, letztlich liefern aber die Daten, die Kunden bei der Nutzung des Produkts erzeugen, den langfristigen Moat

TAM (Total Addressable Market): Market Size vs Market Penetration (Marktgröße vs. Marktdurchdringung)

• Das größte Risiko und der häufigste Grund, keinen vertikalen Markt zu verfolgen, ist der im Vergleich zu einem horizontalen Ansatz kleinere TAM, aber das kann zugleich Nachteil und Vorteil sein
• In kleineren Märkten gibt es weniger gut finanzierte Wettbewerber, der Fokus ist enger, was Vorteile bei der Distribution und eine höhere Marktkonzentration ermöglichen kann
• In stark fragmentierten Grundindustrien wie Gesundheitswesen oder Finanzdienstleistungen kann es innerhalb eines Sektors viele Chancen geben
• Um einen Einstiegspunkt in eine Branche zu finden, ist es wichtig, ein Teilgebiet zu identifizieren, in das Wettbewerber noch nicht vorgedrungen sind, in dem die Nachfrage nach AI belegt ist, das sich besonders gut für LLM-basierte Tools eignet und das man selbst am besten bedienen kann

ACV: Multiple Products and Revenue Streams (mehrere Produkte und Erlösströme)

• Ein einzelnes SaaS-Produkt ist nicht der beste Weg, um einen sechsstelligen ACV (Annual Contract Value) zu erreichen
• Vertikal ausgerichtete Startups können auf mehrere Produkte erweitern und zusätzliche Erlösquellen über das Kernprodukt hinaus schaffen
• Wenn zum Kernprodukt neue Produktlinien hinzukommen, werden mit der Zeit Bundling und Upselling möglich, sodass sich das Unternehmen schließlich an mehreren Stellen in der Organisation fest verankern kann
  • Die Restaurant-Zahlungsplattform Toast setzt eine Mehrproduktstrategie um, indem sie Funktionen für Payroll und Workforce Management hinzugefügt hat
  • Die B2B-Marktplätze Provi und Pepper schaffen zusätzliche Erlösquellen durch Werbung
  • Die Plattform für Solarinstallationen Aurora Solar erzielt zusätzliche Umsätze durch Produkte, die Finanzierungsoptionen anbieten
  • Die Plattform für Baudienstleistungen Procore bietet inzwischen Versicherungen an, gestützt auf Daten-Insights über den gesamten Lebenszyklus von Bauprojekten

Founder(s): Product Builders With Domain Experience (Gründer: Produktentwickler mit Domänenerfahrung)

• Gründerteams mit sowohl Domänenerfahrung als auch technischem Hintergrund sind beim Aufbau von Vertical AI im Vorteil gegenüber reinen Technikern
• Besonders deutlich wird das bei Startups, die an bestehende Organisationen in Branchen wie dem Gesundheitswesen verkaufen wollen, wo häufig langfristige Verträge mit Dutzenden oder Hunderten unterschiedlicher Organisationen gleichzeitig abgeschlossen werden
• Dieses komplexe Umfeld gut zu verstehen, ist entscheidend, um die richtige Go-to-Market-Strategie aufzusetzen, Verkaufszyklen zu planen und Mitarbeiter einzustellen

GTM: Create Urgency (Go-to-Market-Strategie: Dringlichkeit schaffen)

• Vertikale Verkaufszyklen können lang sein, besonders in großen etablierten Industrien mit weniger ausgereiften Technologieeinkäufern
• Um wichtige Vertriebskanäle zu besetzen, muss es in der GTM-Strategie einen einzigartigen Weg geben, Dringlichkeit zu erzeugen
  • Das steigende Interesse an AI hat eine Dringlichkeit geschaffen, neue Produkte auszuprobieren, aber das kann sowohl Gegenwind als auch Rückenwind sein
  • Da alle Käufer AI im Kopf haben, ist es für neue Anbieter leicht, potenzielle Kunden anzurufen und zu Testversionen zu bewegen. Es kann jedoch besonders schwierig sein, Piloten in zahlende Kunden zu konvertieren, wenn Nutzer davon ermüdet sind, mehrere Piloten zu vergleichen
  • Das heißt: Es ist wichtig, eine dringliche Situation zu schaffen, in der Käufer das Produkt in Erwägung ziehen, konvertieren und nutzen
• Für eine schnelle Konvertierung muss das zentrale Wertversprechen berücksichtigt werden
  • Es reicht nicht aus, nur höhere Arbeitseffizienz oder „Innovation“ zu versprechen
  • Wirksamer ist es zu zeigen, wie das Produkt Umsätze steigern oder Kosten verlässlich senken kann

Product: Beyond Copilot (Produkt: über den Copilot hinaus)

• Das derzeit dominierende Paradigma ist die Kombination aus Mensch und AI-Copilot
  • Der Mensch erledigt den Großteil der Arbeit und der AI-Copilot verbessert bzw. ergänzt die Fähigkeiten des Menschen
• In den kommenden Jahren werden wir voraussichtlich häufiger das umgekehrte Modell sehen, bei dem AI-Agenten die Hauptaufgaben übernehmen und Menschen die Ergebnisse prüfen und bearbeiten
• Während Copilots eher von bestehenden Anbietern mit bereits vorhandener Distribution angeführt werden können, sind AI-Agenten ein passender Einstiegspunkt für Startups, weil sie Chancen in neueren Bereichen eröffnen
• Dieser Paradigmenwechsel wird enorme Auswirkungen auf zukünftige Geschäftsmodelle haben
  • Je mehr AI-Agenten qualifizierte Arbeit ersetzen, desto stärker werden Ausgaben für Software Personalkosten ersetzen
  • Es werden voraussichtlich neue nutzungs- oder erfolgsbasierte Preismodelle entstehen, die ein Archetyp sind, den man weiter untersuchen sollte

# Vertikale Chancen

• Es wird erwartet, dass AI nahezu jede Branchenvertikale transformieren wird

Professional Service (professionelle Dienstleistungen)

• In vielen Bereichen mit hohem Anteil manueller Arbeit, etwa Rechtsdienstleistungen, Rechnungswesen und Beratung, verbringen Fachkräfte viel Zeit damit, wichtige Informationen zu lesen und zu interpretieren und darauf mit Analysen, Kundenkommunikation, Notizen und Berichten zu reagieren
• Im Bereich Rechtsdienstleistungen ist Sprache das Kernprodukt, und Large Language Models bilden die Grundlage des heutigen Plattformwandels
• Der US-Rechtsmarkt hat ein Volumen von mehr als 300 Milliarden US-Dollar, und das Interesse an AI-Einführung ist belegt
  • AI-first-Unternehmen wie Harvey, EvenUp, Eve und Spellbook sind entstanden
  • Bestehende Unternehmen wie Thomson Reuters, Relativity und Ironclad kaufen AI zu oder integrieren sie in bestehende Produkte
• Beratung und Rechnungswesen sind ein weiterer Bereich, der bereit ist, AI zu nutzen
  • Die Big Four beschäftigen jeweils Zehntausende Berater und Buchhalter, eine enorme Workforce, die sich mit AI in großem Maßstab unterstützen lässt
  • KPMG und PwC planen, jeweils 2 Milliarden US-Dollar über fünf Jahre in AI-Produkte bzw. 1 Milliarde US-Dollar über drei Jahre in generative AI zu investieren
  • Laut einer gemeinsamen Studie der Harvard Business School und BCG erledigen Berater mit GPT-4 ihre Arbeit 25 % schneller und die Qualität der Ergebnisse steigt um 40 %
  • Buchhalter verbringen Zeit damit, Regeln und Richtlinien zu verstehen und sie auf Berechnungen anzuwenden
  • In Interviews mit Accounting-Fachleuten wurde Revenue Recognition als einer der schwierigsten, repetitivsten (monatlichen) und zugleich am besten automatisierbaren Use Cases genannt

Finanzdienstleistungen

• Finanzdienstleistungen weisen mehrere Eigenschaften auf, die gut zu AI passen
• Allein der US-Markt hat ein Volumen von 11 Billionen US-Dollar, und die Nachfrage nach AI-Tools ist belegt
  • der Launch von Bloomberg GPT, die Partnerschaft von Morgan Stanley mit OpenAI und die Ergänzung AI-basierter Such- und Zusammenfassungsfunktionen in der Market-Intelligence-Plattform von AlphaSense
• Betrachtet man die tägliche Arbeit von Investment-Experten und Finanzberatern, lässt sich leicht erkennen, wie AI eingesetzt werden kann
  • Verarbeitung interner Daten sowie Echtzeit-Marktdaten und Nachrichten, Financial Modeling und Berechnungen usw.
• AI-basierte Startups wie Hebbia, Sixfold, Hyperexponential und Portrait Analytics machen Fortschritte

Gesundheitswesen

• Über die potenziellen Auswirkungen von AI auf das Gesundheitswesen wird seit Langem gesprochen, aber einen so realen Einfluss wie heute gab es bislang nicht
  • LLMs können Plattformen ermöglichen, die Diagnose- oder Entscheidungsmodelle verbessern, die Bearbeitung von Versicherungsansprüchen automatisieren und das Management medizinischer Daten insgesamt verbessern
• LLM-basierte Anwendungen können frühere Generationen von AI-Tools deutlich verbessern und sind entscheidend, um hochwertige Use Cases freizuschalten, etwa die Umwandlung unstrukturierter Daten in strukturierte Daten
• Googles Med-PaLM 2 kann komplexe medizinische Fragen beantworten und hat Fragen in ärztlichen Zulassungsprüfungen erfolgreich beantwortet
• Der Aufbau medizinischer LLMs ist ein äußerst ambitioniertes Vorhaben, das erhebliche Zeit und Ressourcen erfordert