5 Trends, die 2024 die AI-Cloud definieren

# AI-Foundation-Modelle bereiten die Bühne für den neuen Krieg der Big Techs

• Jeder technologische Wandel löst einen Wettbewerb um die Kontrolle der Basis-Foundation-Schicht aus. Das AI-Zeitalter ist keine Ausnahme.
• Foundation-Modelle sind das neue „Öl“, das nachgelagerte AI-Anwendungen und -Tools antreiben wird.
• 2023 entfielen auf Foundation-Model-Unternehmen mehr als 60 % des AI-Venture-Fundings.
  • OpenAI, Anthropic, Mistral, Cohere und andere sammelten bei einer Marktkapitalisierung von 124 Milliarden US-Dollar 23 Milliarden US-Dollar ein.
  • Besonders auffällig ist, dass dieser Kapitalzufluss überwiegend von Corporate VCs getrieben wurde und laut Morgan Stanley 2023 90 % des privaten GenAI-Fundraisings ausmachte (nach 40 % im Jahr 2022).
  • Big-Tech-Unternehmen wie Microsoft, Google, Amazon, NVIDIA und Oracle halten inzwischen bedeutende Beteiligungen an Foundation-Model-Unternehmen.
  • Diese Investitionen werden strategisch darauf ausgerichtet, die AI-Fähigkeiten dieser Technologiekonzerne zu stärken und den Verbrauch ihrer zentralen Cloud- und Computing-Services anzukurbeln.
  • Daneben gibt es auch Big-Tech-Unternehmen, die eigene Foundation-Model-Initiativen wie Googles Gemini und Meta AIs Llama vorantreiben.
• Da so viel Kapital in diese Basisschicht fließt, verschärft sich der Wettbewerb mit beispielloser Geschwindigkeit und treibt enorme Innovationen im Ökosystem voran.
• Wichtige Trends, die 2023 zu beobachten waren:
  • Basismodelle verbessern sich schnell:
    • Allgemeine LLMs werden nicht nur bei grundlegenden Leistungsmerkmalen wie Genauigkeit und Latenz immer besser, sondern auch an der Front der multimodalen Fähigkeiten.
    • Die Veröffentlichung von GPT-4o hat uns alle überrascht, und das neue Release zeigte Fähigkeiten, Video und Audio aus hochgeladenen Dateien zu sehen und zu verstehen sowie kurze Videos zu erzeugen.
    • Das schwindelerregende Tempo der Modellverbesserung wirft Fragen zur Investitionsstrategie in Modelle mit einer Halbwertszeit von nur wenigen Monaten auf.
  • Der Kampf zwischen Open Source und Closed Source verschärft sich:
    • Mit der jüngsten Veröffentlichung von Llama 3 und Open-Source-Anführern, die bei der Leistung fast zu Closed-Source-Modellen aufgeschlossen haben, bleibt die Debatte Open Source vs. Closed Source auch 2024 ein heißes Thema.
    • Durch regulatorische Auswirkungen entstehen neue Fragen dazu, ob Closed-Source-Akteure ältere Modelle als Teil neuer Kommerzialisierungsstrategien offenlegen müssen oder ob Open-Source-Anbieter zum ersten Mal in der Geschichte Sieger dieses Marktes werden könnten.
  • Die Bewegung hin zu kleinen Modellen wächst:
    • Clem Delangue, CEO und Mitgründer von HuggingFace, erklärte, 2024 werde das Jahr der SLMs.
    • Beispiele wie das in diesem Jahr veröffentlichte Mistral 8x22b zeigen, dass größere Modelle leistungsmäßig nicht immer besser sind und kleinere Modelle erhebliche Vorteile bei Kosten und Latenz haben können.
  • Neue Architekturen und Foundation-Modelle für Spezialzwecke entstehen:
    • Es gibt große Begeisterung über das Aufkommen neuer Modellarchitekturen jenseits des Transformers.
    • Beispielsweise verschieben State-Space-Modelle und geometrisches Deep Learning die Grenzen von Foundation-Modellen, die weniger rechenintensiv sind, längere Kontexte verarbeiten können oder strukturiertes Schlussfolgern zeigen.
    • Zudem wächst die Zahl der Teams explosionsartig, die zweckgebundene Modelle für Codegenerierung, Biologie, Video, Bilder, Sprache, Robotik, Musik, Physik, Gehirnwellen und mehr trainieren.
    • Das fügt der Modellschicht einen weiteren Diversitätsvektor hinzu.
• In der Basisschicht passiert so viel, dass es sich anfühlt, als würde sich der Boden bewegen.
• Doch trotz der enormen Summen, die hier investiert wurden, sind die Gewinner derzeit nicht klar.

Prognose: Der Kampf um AI-Modelle wird auch in naher Zukunft heiß bleiben. Denn es handelt sich um einen entscheidenden „Landgrabbing“-Wettbewerb, der bestimmen wird, welches Big-Tech-Unternehmen in den kommenden Jahren den Cloud- und Computing-Markt anführen wird.

• Erwartete kurzfristige Realitäten dazu, wer in diesem Kampf um die Modellschicht den größten Wert abschöpfen wird:
  • Realität 1: Die Modellschicht wird zur Commodity
    • Werden Hunderte Millionen Dollar an Kapital verschwendet, während VCs und Big Tech das Derby um die AI-Führung finanzieren?
    • Das bedeutet nicht, dass das kapitalstärkste Modell gewinnt.
    • Denn Open-Source-Modelle fordern die wichtigsten Marktteilnehmer weiterhin heraus.
    • Doch eine Zukunft, in der AI-Modelle zur Commodity werden, bedeutet nicht zwangsläufig, dass ihr Wert sinkt.
    • AI-Modelle als Commodity werden Computing oder Öl als Commodity ähneln.
    • Irgendwann werden sie zu unverzichtbaren Vermögenswerten für globale Geschäftsabläufe werden.
    • In dieser Realität wird der ultimative Wert des AI-Ökosystems nicht von den Modellen selbst abgeschöpft, sondern von Anbietern von Computing- und Cloud-Services, Marktplätzen und Anwendungen.
    • Allerdings könnte es in einer Welt, in der AI-Modelle zur Commodity werden, wie im Ölmarkt ein oder zwei extrem wertvolle Unternehmen geben, die diese „Commodity“ verkaufen.
  • Realität 2: AI-Modellgiganten teilen den Kuchen unter sich auf
    • Ähnlich wie in den Cloud-Kriegen werden einige bemerkenswerte neue Modellunternehmen, die massiv von strategischen Big-Tech-Investoren oder Corporate VCs unterstützt werden, das Foundation-Model-Ökosystem beherrschen und zu Giganten werden.
    • Jeder Gewinner wird einen differenzierenden Hebel finden, den er mit technischer Differenzierung kombinieren kann, etwa über Distribution, Preis-/Kosteneffizienz, regulatorischen Einfluss usw.
    • Es kann weiterhin verschiedene Akteure geben (insbesondere Open Source), doch der Wert wird an die wenigen führenden Modellanbieter gehen.
    • Nicht nur überlegene Technologie, sondern auch etablierte Distributionskanäle werden die AI-Giganten von morgen bestimmen.
  • Realität 3: AI-Modelle werden so vielfältig und populär wie der Markt für Kartoffelchips
    • So wie es unendlich viele Kartoffelchip-Geschmacksrichtungen gibt, könnte die Zukunft der AI-Modellökonomie stark an das Snackregal im lokalen Supermarkt erinnern.
    • Viele Modellunternehmen könnten florieren, weil es ausreichend differenzierte Anwendungsfälle gibt, in denen andere Modellunternehmen überleben können, etwa bei Formfaktor, Leistung, Latenz, Kosten, Sicherheit usw.
    • Wenn zudem geopolitische Überlegungen in den Bereich der AI-Modelle hineinspielen, können Geografie und Regulierung hier eine Rolle spielen, da Regulierungs- und Souveränitätsfragen die Ausbreitung von Vielfalt in dieser Schicht unterstützen.

Prognose: Wir sind zwar zu keinem Konsens gelangt, aber ungefähr die Hälfte unserer Partnerschaften geht davon aus, dass Closed-Source-Modelle den Großteil der LLM-Computing-Zyklen antreiben werden und AI-Modellgiganten den wirtschaftlichen Kuchen am Ende unter sich aufteilen werden (Realität Nr. 2 oben).

• Wir erwarten, dass die Cloud-Giganten ihren Zugang zu Computing, Chips und Kapital nutzen werden, um den Kampf zu ihren Gunsten zu beeinflussen.
• Und die Vorreiter sind bereits im Rennen.
  • Microsoft/OpenAI, AWS/Anthropic, Google/Gemini und Meta/Llama sind zusammen mit dem europäischen Marktführer Mistral die OSS-Alternative entsprechend Linux.

# AI macht uns alle zu 10x-Entwicklern

• Ingenieure sind heute ständig Builder und Lernende zugleich und müssen neben ihrer eigentlichen Arbeit fortlaufend neue Sprachen, Frameworks, Infrastrukturen und mehr lernen.
• Mit dem Aufkommen von AI müssen Entwickler nun eine völlig neue Toolchain und Best Practices beherrschen, um ständig weiterentwickelte LLMs zu nutzen, einschließlich neuer Infrastrukturprodukte für Datenmanagement, Kuratierung, Prompts, Pretraining und Fine-Tuning.
• Im AI-Zeitalter muss man jedes Jahr schnell neues Entwicklerwissen im Umfang von zehn Jahren aufnehmen.
• AI kann jedoch auch eine Lösung für diese Komplexität bieten.
  • 2023 wurden Code-Copiloten breit angenommen,
  • und Anfang 2024 tauchten frühe Versionen von Agenten-Tools auf, die die Möglichkeit einer End-to-End-Automatisierung einfacher Codeaufgaben andeuten.

Prognose: Durch AI wird sich die Rolle von Entwicklern stärker verändern als die irgendeines anderen Berufs. In zehn Jahren wird jeder mit einem Computer über erhebliche Entwicklungsfähigkeiten verfügen, was dazu führen wird, dass sich die Softwareentwicklung drastisch beschleunigt und das Durchschnittsalter von Tech-Startup-Gründern deutlich sinkt.

• Drei zentrale Bereiche treiben die rasante Entwicklung der AI-Entwicklerökonomie:
  • 1. Die Code-Copilot-Branche ist zu einem Hotspot für Innovation und Wettbewerb geworden; 2023 flossen 3,9 Milliarden US-Dollar an VC-Kapital in GenAI-Technologien und -Tools.
    • Das bestehende Copilot-Produkt von Github basiert auf den Modellen GPT-4 und Codex von OpenAI und wurde mehr als 14 Millionen Mal installiert.
    • Viele gut finanzierte und wachsende Startup-Konkurrenten wie Tabnine, Magic.dev, Augment, Poolside, Cursor AI, OpenDevin, Cognition's Devin und Supermaven entwickeln und iterieren gemeinsam mit Entwicklern.
  • 2. Die "Graduation Motion" von Copilots mit integrierten Agenten-Such- und Generierungsfunktionen wird in den kommenden Jahren enormen Wert schaffen.
    • Devin, SWE-agent und OpenDevin zeigen das Potenzial von End-to-End-Agenten-Tools, die mit Entwicklerumgebungen (z. B. Datei-Editoren, bash-Shell) und dem Internet interagieren, um Coding-Aufgaben zu erledigen.
  • 3. Code-Sprach-Reasoning bleibt das Zentrum der AI-Aktivität und wird sowohl von Innovationen auf der Modellebene (z. B. GPT-4, Claude 3 Opus) als auch von neuen Reasoning-/Agenten-Paradigmen (z. B. Cognition's Devin, SWE-agent, OpenDevin) profitieren.
    • Verbesserungen auf der Modellebene werden zu besserer Qualität bei Code-Bearbeitung und -Vervollständigung führen und letztlich Wert für Entwickler und Softwareorganisationen schaffen.
    • Systeme, die die Grenzen bei Latenz und Kontextgröße verschieben und Sprachdomänen/Pre-Training-Sets erweitern, werden Entwicklern ebenfalls enormen Wert bieten.
• AI treibt sowohl Innovation als auch Umbruch voran und beschleunigt Entwicklungsgeschwindigkeit, Produktivität und die Hebelwirkung von Softwareorganisationen.
• Zukunftsorientierte Softwareorganisationen prüfen regelmäßig aufkommende Tools und Anbieter und priorisieren sowie übernehmen schnell hochgradig wertvolle Entwickler-Software.
• Entwicklerbudgets fließen wieder, und die Zahlungsbereitschaft für Tools mit sichtbarer Wirkung ist hoch.
• Für Developer-Unternehmer ist jetzt eine spannende Zeit, etwas aufzubauen. Es gibt viele Chancen nicht nur bei Copilots, sondern auch bei Infrastruktur, Development-Tools, QA, IT-Konfiguration und Provisioning, Sicherheitsbetriebs-Monitoring, Penetrationstests und mehr.
• Copilots sind derzeit vielleicht die offensichtlichste Chance, doch wahrscheinlich auch der am stärksten umkämpfte Bereich.
  • Von SecOps in der Sicherheit über SRE und QA bis hin zu Pentests ist eine explosionsartige Zunahme von Tools in spezifischeren Entwicklerdomänen zu beobachten.
  • Diese Tools nutzen LLMs, um Low-Level-Komplexität zu abstrahieren und zeitaufwendige, schmerzhafte Engineering-Aufgaben zu automatisieren, wodurch Engineering-Ressourcen für höherwertige Arbeit frei werden.
  • Die Integration von AI in DevOps-Prozesse verbessert CI/CD-Pipelines sowie automatisierte Test- und Deployment-Strategien und ermöglicht so eine schnellere und zuverlässigere Softwarebereitstellung.
• Code-Refactoring ist ein weiteres hervorragendes Beispiel dafür, wie AI Entwickler-Workflows und das Ökosystem beeinflusst.
  • Viele moderne Engineering-Teams verwenden nur einen Teil ihrer FTE-Zeit für das Schreiben von rein neuem Code.
  • Besonders in großen Organisationen entfällt ein erheblicher Teil der SWE-Zeit auf die „unsexy“ Aspekte der Softwareentwicklung: Code-Wartung, Sicherheit und Tests.
  • Viele Aufgaben wie Code-Refactoring erfordern tiefes Wissen über den Stack und sind oft schwer handhabbare Projekte, die selbst Senior Engineers nur mit Unbehagen angehen.
• AI hat klares Potenzial, diese Herausforderungen zu lösen.
  • Startups wie Gitar, Grit und ModelCode nutzen Codegenerierungsmodelle, statische Analyse und AST-Parser, um Code-Strukturen zu interpretieren und Code zwischen Sprachen, Paketbibliotheken und Frameworks zu migrieren.
  • Einige dieser Ansätze konzentrieren sich auf moderne Web-Frameworks, andere arbeiten auf fragilen Legacy-Engineering-Stacks (z. B. COBALT, PEARL usw.), in denen erfahrene Engineers mit der Zeit veralten.
  • Viele Workflows in angrenzenden Bereichen zentraler Software-Engineering-Funktionen sind ebenfalls zeitaufwendig, repetitiv und gut für Automatisierung geeignet.
    > Prognose: Bis 2030 wird die Mehrheit der Enterprise-Softwareentwickler eine Rolle einnehmen, die eher der eines Software-Reviewers ähnelt. Mit sinkenden Entwicklungskosten und steigender Produktivität erfahrener Entwickler werden die Gehälter steigen.
• AI wird Umfang und erforderliche Fähigkeiten in allen Arbeitsmärkten beeinflussen, aber vermutlich bei keinem so stark wie bei Entwicklern.
• AI-Verbesserungen werden nicht nur die Produktivität dieses Berufs stark erhöhen, sondern auch die Grenzen der Entwicklerwelt erweitern.
• In zehn Jahren werden Entwicklungsfähigkeiten für die Mehrheit der Weltbevölkerung zu einer zugänglichen Kompetenz geworden sein.

# Multimodale Modelle und AI-Agenten werden die Beziehung des Menschen zu Software verändern

• Der Aufstieg multimodaler Modelle und von AI-Agenten treibt die nächste Innovationswelle der AI.
• Im Vergleich zu frühen textbasierten Modellen erweitert er den potenziellen Anwendungsbereich von AI dramatisch auf deutlich breitere Use Cases.
• Für AI-Unternehmer entstehen neue Chancen für Innovationen nicht nur bei Agenten-Workflows, sondern auch über neue Modalitäten hinweg wie Sprache, Bild und Video.
• Diese Modalitäten verleihen AI Fähigkeiten, die dem menschlichen Sehen, Hören und der Sprache entsprechen, und eröffnen damit die Möglichkeit, dass AI einen erheblichen Teil menschlicher Arbeit ergänzt, die auf diese Sinne angewiesen ist.

Sprache

• Die erste Welle von Voice-AI-Unternehmen nutzt vor allem Fortschritte bei Automatic Speech Recognition (ASR).
  • Abridge dokumentiert Notizen zu Arzt-Patienten-Gesprächen.
  • Rillavoice erfasst Gespräche zwischen Außendienstmitarbeitern und Kunden, um Vertriebstrainings zu unterstützen.
• Es entstehen neue Voice-AI-Unternehmen, die dialogorientierte Sprachprodukte entwickeln, die langweilige und repetitive Workflows übernehmen können.
  • Dadurch können sich Menschen in Use Cases wie Vertrieb, Recruiting, Customer Success und Administration auf wertvollere Arbeit konzentrieren.
  • Ada integriert unter Nutzung jüngster Sprachinnovationen dialogorientierte Sprache in sein chatbasiertes Produkt für den Kundensupport.
• Hinter diesen Fortschritten stehen neue Spracharchitekturen.
  • Sie können rohe Audiodaten verarbeiten und darauf schlussfolgern, ohne Sprache zuerst in Text zu transkribieren.
    • Das zeigt sich im Übergang von Kaskadenarchitekturen zu sprachnativen Architekturen bei neuen Modellen wie GPT-4o.
  • Dieser Wandel wird dialogorientierte Sprachprodukte mit deutlich geringerer Latenz und einem wesentlich besseren Verständnis nichttextueller Informationen wie Emotion, Tonfall und Stimmung ermöglichen.
• Voice-AI-Anwendungen entstehen in vielen Branchen, darunter Autohäuser, Einzelhandel, Restaurants und Haushaltsdienstleistungen.
  • Ein beträchtlicher oder sogar der Großteil eingehender Vertriebsanrufe außerhalb der Geschäftszeiten wird oft verpasst; in solchen Fällen eignet sich AI ideal, um diese Lücke zu füllen.
  • Voice-AI-Anwendungen im Vertrieb sind Use Cases mit sehr hohem ROI, weil AI hier im Wesentlichen verlorene Umsätze dieser Unternehmen zurückholt.
• Unternehmer, die an der Spitze von Voice AI bauen, können Interfaces bereitstellen, die natürlicher, dialogorientierter und in ihrer Leistung fast menschlich sind wie nie zuvor.

Bild / Video

• Computer-Vision-Modelle gibt es schon seit Jahren, aber das Spannende an der neuen Generation multimodaler LLMs ist, dass sie das Verständnis von Bild- und Textdaten (unter anderen Modalitäten) kombinieren können.
  • Diese Kombination ist für viele Aufgaben äußerst nützlich.
• Die erste Welle Enterprise-orientierter Bildanwendungen konzentrierte sich vor allem auf Use Cases zur Datenextraktion.
  • Unternehmen wie Raft sammeln Frachtdokumente, extrahieren wichtige Informationen zur Befüllung des ERP ihrer Kunden und automatisieren Workflows zum Rechnungsabgleich.
• Mit der fortlaufenden Verbesserung der Foundation-Modelle wird erwartet, dass vertikal spezialisierte Anwendungen für Bild- und Videoverarbeitung entstehen, die immer größere Datenmengen erfassen können, um Anwendungen mit Input zu versorgen.
• Es gibt auch Anwendungen im Engineering- und Designbereich wie Flux.ai, die Vision-Modelle und Bildgenerierungsmodelle nutzen, um beim Reasoning über Grafikdaten zu helfen und Renderings von Diagrammen oder Gebäudedesigns zu erzeugen.

Autonome AI-Agenten

• Eines der spannendsten neuen Themen im Bereich AI ist die Entwicklung von AI-Agenten, die komplexe mehrstufige Aufgaben vollständig autonom erledigen können
• Die meisten AI-Agenten funktionieren in komplexen Anwendungsfällen zwar noch nicht zuverlässig, aber die Fortschritte bei Agent-Workflows sind sehr schnell, und wir sehen bereits erste Ausschnitte dessen, was möglich ist
  • Devin von Cognition AI (AI-Softwareingenieur) zeigt, was möglich ist, wenn sich die Planungs- und Schlussfolgerungsfähigkeiten von AI weiter ausdehnen
• Immer mehr Anwendungen beginnen, AI-Agenten in sehr eng abgegrenzten Anwendungsfällen einzusetzen, in denen sich die Auswirkungen zusammengesetzter Fehler in mehrstufigen Prozessen begrenzen lassen
  • Unternehmen nutzen Lösungen wie Leena AI, um AI-Agenten bereitzustellen, die IT-, HR- und Finanzaufgaben unterstützen, sodass diese Teams von lästigen Arbeiten entlastet und die Employee Experience verbessert werden können
• Zudem entstehen neue Modelle mit starken Reasoning-Fähigkeiten, damit Agenten komplexere Workflows ausführen können
  • Noch interessanter ist, dass intensiv zu neuen Architekturansätzen geforscht wird, die die Implementierung von Agenten über verschiedene Methoden verbessern sollen, darunter Chain-of-Thought-Reasoning, Selbstreflexion, Tool-Nutzung, Planung und Multi-Agent-Zusammenarbeit

# Vertical AI zeigt Potenzial, Legacy-SaaS zu übertreffen

• Vertical SaaS hat sich während der ersten Cloud-Revolution als verborgener Riese erwiesen, der Branchen verändert hat
  • Die kombinierte Marktkapitalisierung der 20 größten börsennotierten Vertical-SaaS-Unternehmen in den USA liegt bei rund 300 Milliarden US-Dollar, und mehr als die Hälfte davon ging in den vergangenen zehn Jahren an die Börse
• Mit dem Aufkommen großer Sprachmodelle (LLMs) beginnt nun die nächste Welle von Vertical SaaS, da neue LLM-basierte Unternehmen entstehen, die mit neuen Funktionen und branchenübergreifend an den Grenzen von Legacy-Vertical-SaaS operieren
  • Vertical-AI-Anwendungen zielen auf kostenintensive, sich wiederholende sprachbasierte Aufgaben, die einen großen Teil vieler Branchen und der Wirtschaft ausmachen
• Laut dem U.S. Bureau of Labor Statistics macht die Branche der Business- und Professional-Services 13 % des US-BIP aus
  • Allein dieser Bereich, in dem repetitive Sprachaufgaben dominieren, ist etwa zehnmal so groß wie die Softwarebranche
  • Auch über Professional Services hinaus machen vertikale, repetitive sprachbasierte Aufgaben in allen Branchen einen erheblichen Anteil aus
  • Wir glauben, dass Vertical AI darum konkurrieren wird, einen bedeutenden Teil dieser Kosten zu übernehmen, und zugleich Aktivitäten in Bereichen anstoßen wird, in denen menschliche Arbeitskraft knapp war
  • EvenUp automatisiert beispielsweise externe Rechtsdienstleistungen und interne Workflows von Rechtsanwaltsgehilfen und eröffnet damit neue Möglichkeiten in Arbeitsbereichen, die zuvor wegen zu hoher Personalkosten oder mangelnder Konsistenz schwer umsetzbar waren

Prognose: Die Marktkapitalisierung von Vertical AI wird mindestens das Zehnfache der bestehenden Vertical-SaaS-Unternehmen erreichen, da Vertical AI die Service-Ökonomie antreibt und neue Geschäftsmodelle hervorbringt

Drei neue Geschäftsmodelle für Copilot, Autopilot und AI-gestützte Services

• Die drei neuen Geschäftsmodelle der Vertical-AI-Ökonomie bestehen aus Copilot, Autopilot und AI-gestützten Services
• Vertical AI wird zudem über mehrere unterschiedliche Geschäftsmodelle angeboten, was die Wahrscheinlichkeit erhöht, AI-Funktionen mit den Anforderungen spezifischer Branchen in Einklang zu bringen
• Copilot
  • Steigert die Effizienz von Beschäftigten, indem mithilfe von LLMs Aufgaben automatisiert werden
  • Sixfold hilft Versicherungs-Underwritern, Daten besser zu analysieren und Risiken zu verstehen
  • Im Copilot-Modell sitzt die AI-Anwendung gewissermaßen neben dem Nutzer und unterstützt ihn dabei, erfolgreicher zu sein
• Agent
  • Während Copilot Beschäftigte bei der Ausführung ihrer Arbeit unterstützt, automatisiert Agent den Workflow vollständig und ersetzt den Nutzer
  • Agent konzentriert sich auf bestimmte Funktionen innerhalb vertikaler Unternehmen, etwa Outbound-Vertrieb oder die Annahme eingehender Anrufe
  • Slang AI bearbeitet eingehende Anrufe in Restaurants und übernimmt dabei Aufgaben wie das Annehmen von Reservierungen und das Beantworten von Fragen
• AI-Enabled-Services
  • Dabei handelt es sich in der Regel um Services, die an Drittanbieter ausgelagert werden, etwa Buchhaltung, Rechtsdienstleistungen oder medizinische Abrechnung
  • Da diese Unternehmen personalintensiv sind, waren die Margen traditionell niedrig, die Skalierung schwierig, die Differenzierung gegenüber Technologieunternehmen schwer und die Bewertung geringer
  • Durch die Automatisierung von Aufgaben mit Software wollen diese AI-gestützten Service-Unternehmen dem Markt günstigere und bessere Services schneller anbieten und Marktanteile bestehender serviceorientierter Unternehmen gewinnen
  • SmarterDx nutzt AI, um stationäre Abrechnungen im Auftrag von Gesundheitssystemen und Krankenhäusern zu prüfen, bevor Rechnungen und die zugehörigen klinischen Unterlagen an Kostenträger gesendet werden
    • Bisher wurde diese Prüfungsarbeit an Dienstleister ausgelagert

Erste Signale für die Stärke von Vertical-AI-Geschäftsmodellen

• Wir bei Bessemer hatten das Glück, Legacy-SaaS-Marktführer in mehreren Branchen zu unterstützen, und verfügen nun über eines der größten Vertical-AI-Portfolios
• Dadurch haben wir bereits aussagekräftige Daten, mit denen sich Vertical-AI-Unternehmen mit vergleichbaren Legacy-Vertical-SaaS-Unternehmen vergleichen lassen
• Drei Analysen unseres Vertical-AI-Portfolios zeigen die Stärken dieser neuen Anwendungsklasse
  • Vertical-AI-Anbieter führen den Markt mit Funktionen an, die nicht mit Legacy-SaaS konkurrieren
    • Der Nutzen dieser Anwendungen besteht in der Regel darin, Legacy-SaaS-Produkte zu ergänzen; sie müssen bestehende Produkte nicht ersetzen oder duplizieren
    • Diese Vertical-AI-Startups erreichen bereits etwa 80 % des ACV traditioneller Core-Vertical-SaaS-Systeme
    • Das belegt das Potenzial von Vertical AI, erhebliche Ausgaben innerhalb vertikaler Endmärkte zu erschließen, indem Service-Ausgaben ersetzt werden, und letztlich einen TAM zu schaffen, der ein erhebliches Vielfaches bestehender SaaS-Märkte sein kann
  • Auch das Effizienz- und Wachstumsprofil von Vertical-AI-Unternehmen mit relevanter Größenordnung (mehr als 4 Mio. US-Dollar ARR) ist ermutigend
    • Sie wachsen jährlich um rund 400 % und zeigen damit das schnellste Wachstum, das wir bislang gesehen haben
    • Zudem zeigen sie eine gesunde Effizienz mit einer durchschnittlichen Bruttomarge von rund 65 % und einem durchschnittlichen BVP-Effizienzverhältnis von etwa 1,1x (Net New CARR/Net Burn)
  • Eine Analyse des Umsatzanteils, den Vertical-AI-Unternehmen für Modellkosten ausgeben, entkräftet die Sorge, dass es sich bei diesen Anwendungen lediglich um dünne Wrapper handelt
  • Im Durchschnitt geben diese Unternehmen derzeit nur rund 10 % ihres Umsatzes oder etwa 25 % ihrer gesamten COGS für Modellkosten aus
  • Entsprechend erzielen diese vertikalen Anwendungen, die auf LLMs aufbauen, bereits Margen in Höhe des etwa Sechsfachen der zugrunde liegenden Modellkosten
• Insgesamt erwarten wir auf der Model-Ebene zwar eine enorme Wertschöpfung, doch diese Daten deuten darauf hin, dass – wie bei früheren Infrastrukturinnovationen – der Großteil des Unternehmenswerts erneut auf der Anwendungsebene abgeschöpft wird
• Auch die etablierten Anbieter vertikaler Software schlafen nicht vollständig
  • Unternehmen wie Thomson Reuters (Übernahme von CaseText für 650 Mio. US-Dollar) und DocuSign (Übernahme von Lexion für 165 Mio. US-Dollar) haben erste bemerkenswerte Vertical-AI-Akquisitionen durchgeführt
• Dennoch glauben wir, dass wir uns beim Vertical-AI-Marathon noch nahe an der Startlinie befinden
  • Wir erwarten, dass innerhalb weniger Jahre neue dauerhafte börsennotierte Vertical-AI-Unternehmen entstehen
  • Angesichts des Wachstumstempos rechnen wir damit, dass in den kommenden zwei bis drei Jahren mindestens fünf Vertical-AI-Centaurs (mehr als 100 Mio. US-Dollar ARR) entstehen werden

Prognose: Innerhalb der nächsten drei Jahre wird es den ersten Vertical-AI-IPO geben

# Die Consumer Cloud erlebt durch AI eine Wiederbelebung

• Dass die Consumer Cloud in den vergangenen zehn Jahren nur schwach gewachsen ist, ist ein offenes Geheimnis
  • Consumer Cloud wird als Unternehmen definiert, die einzelnen Verbrauchern direkt Cloud-basierte Storage-, Computing- und Digitalanwendungen bereitstellen (einschließlich B2B- und „Prosumer“-Produkten)
• Die Analyse der vor neun Jahren gestarteten Cloud-100-Daten zeigt, dass nur 4 % der kumulierten Liste Unternehmen mit Consumer-Produkten sind
  • Seit Dropbox im Jahr 2018 an die Börse ging, gab es offenbar keinen Exit eines „reinen“ Consumer-Cloud-Unternehmens
• Consumer-Cloud-Unicorns sind historisch als Folge großer technologischer Umbrüche entstanden
• Seit der Einführung des iPhone vor 15 Jahren und der anschließenden Entwicklung sozialer Medienplattformen hat es jedoch keine breite tektonische Verschiebung bei verbrauchernaher Technologie mehr gegeben
• Vor zwei Jahren erlebten Verbraucher jedoch einen großen Umbruch
  • Durch die sich schnell entwickelnden multimodalen Fähigkeiten von LLMs können Text-, visuelle und auditive Sinne auf zuvor unmögliche Weise erweitert und verbessert werden, wodurch sich in allen bestehenden Kategorien der Consumer Cloud ein Disruptionspotenzial eröffnet
• Ein Maßstab für die Consumer-Fähigkeit von AI ist, wie viel unserer Zeit und Aufmerksamkeit diese Anwendungen beanspruchen
  • ChatGPT konkurriert inzwischen mit den führenden Akteuren der Attention Economy wie Reddit, und auch andere allgemeine AI-Assistenten wie Claude und Gemini gewinnen schnell an Zugkraft
• Neben allgemeinen Assistenten sehen wir bereits Beispiele von Consumer-AI-Unternehmen, die Innovationen in ihren Kategorien vorantreiben: Perplexity für Suche, Character.ai für Begleitung, Midjourney für Bildkreativität, Suno und Udio für Musikerzeugung sowie Luma, Viggle und Pika für Videogenerierung
  • Diese Unternehmen ziehen engagierte Nutzerbasen an und halten sie, und sie zeigen teilweise das Potenzial von LLM-basierten Anwendungen, moderne etablierte Unternehmen effektiv zu ersetzen
• Da AI verändert, wie wir mit Technologie interagieren und sie genießen, ist dies eine der spannendsten Zeiten für Builder und Investoren im Bereich Consumer Cloud
• In den nächsten fünf Jahren werden voraussichtlich mehrere Consumer-Cloud-IPOs stattfinden

Prognose: Aufgrund des bemerkenswerten Aufstiegs synthetischer Medien, neuer Consumer-Anwendungen und konversationeller AI-Agenten werden bis 2030 die drei führenden Unternehmen der Attention Economy auf AI-generierten Inhalten oder Produkten basieren

• Im Long Tail spezialisierter Consumer-AI-Anwendungen (z. B. Content-Erstellung und -Bearbeitung, Bildung) zeigt sich erhebliche Aktivität in der Frühphase
  • Die gute Nachricht ist, dass dies ein frühes Zeichen dafür ist, dass Verbraucher AI nutzen, um ihr Leben zu verbessern
  • Die schlechte Nachricht ist, dass es nicht mehr als zehn kategorienspezifische Consumer-AI-native Apps gibt, die über Wrapper hinausgehende Produkttiefe gezeigt oder mit starker Retention anhaltende Nutzerliebe bewiesen haben
  • Es gibt aus unserer Sicht weiterhin eine klare Chance, nachhaltige Cloud-Unternehmen aufzubauen, die viele unerfüllte Verbraucherbedürfnisse adressieren
• Zwei zentrale Fragen zu Verbraucherbedürfnissen:
  • Wie schmerzhaft oder arbeitsintensiv ist der Status quo für Verbraucher?
  • Wie wiederholbar und vorhersehbar ist der erforderliche sprachliche, visuelle oder auditive Aufwand?
• AI wird nicht nur unsere Lieblingsbereiche wie Social, Unterhaltung, Shopping und Reisen neu erfinden, sondern Menschen auch dabei helfen, neue Wege zu entdecken und sich vorzustellen, wie sie sich vernetzen, spielen, kaufen und die Welt erkunden können

# Fazit - AI-Cloud: Realität vs. Hype

• Roy Amara sagte: „Wir neigen dazu, die Wirkung von Technologien kurzfristig zu überschätzen und langfristig zu unterschätzen“
  • Damit traf er die Zahlen der VCs bei vielen früheren Technologiewellen wie Dotcom, Nanotech, Cleantech und Blockchain bemerkenswert genau
  • Sogar das langweilige alte SaaS ist 2021 übermäßig schnell gewachsen
• Übersteigt also der Hype um die AI-Cloud die Realität?
  • Sind wir dazu verdammt, in den nächsten ein bis zwei Jahren einzugestehen, dass das Versprechen von AI die Cloud-VCs überwältigt hat?
  • Oder droht AI, „Amaras Gesetz“ zu brechen?
  • Ist dies die erste Technologiewelle, bei der die Realität den verrückten Hype übertrifft?
• Die Ergebnisse einer weltweiten Umfrage unter Bessemer-Investoren geben eine klare Antwort
  • Bisher war der Hype seinen Wert absolut wert
  • Wohin man auch blickt, sieht man Belege für ein Ausmaß an AI-Einfluss ohne historischen Präzedenzfall
• Der Großteil unseres Portfolios hat intern bereits AI-Technologien eingeführt und die Produkt-Roadmaps aktualisiert, um AI zu integrieren
• AI-native Portfoliounternehmen zeigen bedeutende kommerzielle Zugkraft und wachsen schneller und effizienter als jede andere Gruppe, die wir bislang beobachtet haben
• Rückblickend auf die Prognosen des vergangenen Jahres war selbst bei starkem Optimismus und großer Begeisterung das Tempo und das Ausmaß dieser Veränderungen nicht vollständig vorhersehbar
  • Konkret hatten wir prognostiziert, dass AI-native Unternehmen 50 % schneller als traditionelle Cloud-Unternehmen 1 Milliarde US-Dollar Umsatz erreichen würden
  • OpenAI erzielte im Februar dieses Jahres 2 Milliarden US-Dollar Umsatz und lag Berichten zufolge wenige Monate später bei mehr als 3,4 Milliarden US-Dollar annualisiertem Umsatz
  • Anthropic wird bis Ende 2024 voraussichtlich einen Jahresumsatz von 850 Millionen US-Dollar erzielen
  • Anderen Berichten zufolge erzielt Midjourney 200 Millionen US-Dollar Umsatz, und Character.ai wird auf eine ähnliche Größenordnung geschätzt
• Unsere letzte Prognose lautet vermutlich, dass wir beim Rückblick im State of the Cloud 2025 in einem Jahr feststellen werden, dass AI nichts von der Aufmerksamkeit verloren haben wird, die sie derzeit erhält