Tầm quan trọng của Vertical AI
- Trong 10 năm qua, Vertical SaaS đã chứng minh sức mạnh của phần mềm được tùy chỉnh theo từng ngành, với nhiều câu chuyện thành công như Toast, Shopify, Procore và ServiceTitan
- Vẫn còn nhiều thị trường mà Vertical SaaS chưa phục vụ được
- Các ngành nền tảng có rào cản cố hữu đối với đổi mới công nghệ (ví dụ: dữ liệu phi cấu trúc, TAM hạn chế, chu kỳ bán hàng chậm, giá trị hợp đồng năm thấp, tệp khách hàng hiện hữu khó tính)
- Những lĩnh vực mới chỉ xuất hiện hoặc đang trải qua thay đổi lớn (ví dụ: điện khí hóa trong ngành năng lượng)
- Giờ đây, với sự xuất hiện của trí tuệ nhân tạo có thể xử lý dữ liệu phi cấu trúc, cùng các bước tiến quan trọng đang tái định nghĩa Vertical SaaS thành phần mềm theo chiều dọc, việc xây dựng phần mềm có thể phục vụ các lĩnh vực này đã trở nên khả thi
- Ở các kỷ nguyên công nghệ trước, Vertical SaaS chỉ có thể áp dụng cho các công ty có stack công nghệ hiện đại với dữ liệu được hệ thống hóa
- LLM có thể xử lý dữ liệu phi cấu trúc, vì vậy AI có thể là mảnh ghép còn thiếu để đưa những ngành còn tụt hậu về công nghệ bước vào thời đại hiện đại
- Các startup tập trung theo chiều dọc đang áp dụng những chiến lược vượt ra ngoài mô hình SaaS truyền thống, như thanh toán nhúng (Toast, Shopify), quảng cáo (Pepper, Provi), và marketplace B2B (Faire, Novi)
# Khung đầu tư cho Vertical AI
Data: Better Data Over Better Models (Dữ liệu tốt quan trọng hơn mô hình tốt hơn)
- Khi xây dựng ứng dụng AI, dữ liệu có lẽ là yếu tố quan trọng nhất để tạo ra vị thế khác biệt
- Startup cần xác định liệu có cần một kho dữ liệu rất lớn hay không, và liệu có cơ hội xây dựng tài sản dữ liệu độc quyền hay không
- Trong nhiều ngành, dữ liệu tồn tại trong các hệ thống legacy lộn xộn và bị phân mảnh, vì vậy những công ty giải quyết bài toán trích xuất dữ liệu đặc biệt đáng chú ý
- So với những tiến bộ trong khả năng tóm tắt và sinh dữ liệu, trích xuất dữ liệu vẫn là một bài toán đau đầu và chưa được giải quyết
- Yếu tố tạo khác biệt là sở hữu quy trình kiểm toán, gắn nhãn và dữ liệu được cập nhật liên tục tốt nhất trong phân khúc
- Một vị thế dữ liệu mạnh hơn nữa là khi chính việc sử dụng sản phẩm tạo ra tập dữ liệu
- Ví dụ: khi khách hàng tự gắn nhãn dữ liệu của họ hoặc tạo ra tập dữ liệu về các tương tác với sản phẩm
- Quyền tiếp cận dữ liệu ban đầu có ý nghĩa như một hào lũy sơ khởi, nhưng về lâu dài, dữ liệu do khách hàng tạo ra trong quá trình sử dụng sản phẩm mới là thứ tạo nên hào lũy bền vững
TAM(Total Addressable Market): Market Size vs Market Penetration (Quy mô thị trường so với mức độ thâm nhập thị trường)
- Rủi ro lớn nhất, và cũng là lý do lớn nhất khiến người ta không theo đuổi thị trường theo chiều dọc, là TAM nhỏ hơn so với cách tiếp cận theo chiều ngang, nhưng điều này có thể vừa là bất lợi vừa là lợi thế
- Lý do là thị trường nhỏ thường có ít đối thủ được hậu thuẫn mạnh về vốn hơn, và phạm vi cần tập trung cũng hẹp hơn, từ đó giúp tạo lợi thế phân phối và tăng mức độ tập trung vào thị trường
- Trong các ngành nền tảng có mức độ phân mảnh cao như y tế và dịch vụ tài chính, có thể tồn tại rất nhiều cơ hội ngay bên trong từng sector
- Để tìm ra điểm vào một ngành, điều quan trọng là xác định phân khúc con mà đối thủ chưa thâm nhập, nơi nhu cầu về AI đã được chứng minh, phù hợp nhất với công cụ dựa trên LLM, và cũng là nơi bản thân có thể phục vụ tốt nhất
ACV: Multiple Products and Revenue Streams (Nhiều sản phẩm và dòng doanh thu)
- Một sản phẩm SaaS đơn lẻ không phải là cách tiếp cận tối ưu để đạt ACV (Annual Contract Value) ở mức sáu chữ số
- Các startup tập trung theo chiều dọc có thể mở rộng sang nhiều sản phẩm và tạo thêm nguồn doanh thu ngoài sản phẩm cốt lõi
- Việc bổ sung các dòng sản phẩm mới vào sản phẩm cốt lõi sẽ cho phép bundle và upsell theo thời gian, từ đó cuối cùng chiếm được vị trí cố định ở nhiều điểm trong tổ chức
- Toast, nền tảng thanh toán cho nhà hàng, đã thực thi chiến lược đa sản phẩm bằng cách bổ sung các tính năng payroll và quản lý nhân sự
- Provi và Pepper, các marketplace B2B, tạo thêm nguồn doanh thu từ quảng cáo
- Aurora Solar, nền tảng cho lắp đặt điện mặt trời, tạo thêm doanh thu thông qua sản phẩm cung cấp các lựa chọn tài chính
- Procore, nền tảng dịch vụ xây dựng, gần đây đã bắt đầu cung cấp bảo hiểm bằng cách tận dụng insight dữ liệu trên toàn bộ vòng đời dự án xây dựng
Founder(s): Product Builders With Domain Experience (Nhà sáng lập: người xây sản phẩm có kinh nghiệm domain)
- Đội ngũ sáng lập vừa có kinh nghiệm domain vừa có nền tảng kỹ thuật có lợi thế hơn khi xây dựng Vertical AI so với những người thuần kỹ thuật
- Vấn đề này càng nổi bật hơn với những startup muốn bán vào các tổ chức hiện hữu trong các ngành như healthcare, nơi thường phải ký hợp đồng dài hạn với hàng chục hoặc hàng trăm tổ chức khác nhau cùng lúc
- Hiểu rõ những phức tạp này là yếu tố rất quan trọng để xây dựng chiến lược go-to-market đúng đắn, lập kế hoạch bán hàng và tuyển dụng nhân sự
GTM: Create Urgency (Chiến lược tiếp cận thị trường: tạo tính cấp bách)
- Chu kỳ bán hàng trong các thị trường theo chiều dọc có thể dài, và điều này còn rõ hơn ở các ngành hiện hữu quy mô lớn nơi người mua công nghệ kém tinh vi hơn
- Để chiếm lĩnh các kênh phân phối quan trọng, chiến lược GTM cần có một cách làm hoặc con đường riêng có thể tạo ra cảm giác cấp bách
- Sự quan tâm ngày càng tăng đối với AI đã tạo ra áp lực phải thử sản phẩm mới, nhưng điều này có thể trở thành lực cản hoặc lực đẩy
- Vì mọi người mua đều đang nghĩ tới AI, doanh nghiệp mới có thể dễ dàng gọi cho khách hàng tiềm năng và thúc đẩy họ dùng thử. Tuy nhiên, với những người dùng đã mệt mỏi vì phải so sánh nhiều pilot, việc chuyển pilot thành khách hàng thực trả có thể đặc biệt khó
- Nói cách khác, điều quan trọng là tạo ra một bối cảnh cấp bách để người mua cân nhắc, chuyển đổi và sử dụng sản phẩm
- Để thúc đẩy chuyển đổi nhanh, cần xem xét kỹ đề xuất giá trị cốt lõi
- Chỉ hứa hẹn tăng hiệu suất lao động hay mang lại “đổi mới” là chưa đủ
- Hiệu quả hơn là cho thấy sản phẩm có thể tăng doanh thu hoặc cắt giảm chi phí một cách rõ ràng như thế nào
Product: Beyond Copilot (Sản phẩm: vượt ra ngoài Copilot)
- Mô hình chủ đạo hiện nay là con người kết hợp với AI Copilot
- Con người thực hiện phần lớn công việc, còn AI copilot nâng cao/bổ trợ năng lực của con người
- Trong vài năm tới, nhiều khả năng chúng ta sẽ thấy nhiều hơn mô hình ngược lại, nơi AI agent thực hiện công việc chính còn con người kiểm tra và chỉnh sửa kết quả
- Trong khi Copilot có thể do các công ty hiện đã nắm phân phối dẫn dắt, AI agent lại phù hợp như một điểm vào cho startup vì đây là cơ hội để tấn công vào những không gian mới hơn
- Sự thay đổi mô hình này sẽ có tác động rất lớn đến các doanh nghiệp tương lai
- Khi AI agent thay thế ngày càng nhiều lao động có tay nghề, chi tiêu cho phần mềm sẽ thay thế chi phí nhân công
- Các mô hình định giá mới theo mức sử dụng hoặc theo hiệu quả có thể sẽ xuất hiện, và đây sẽ là một archetype đáng để tìm hiểu thêm
# Cơ hội theo chiều dọc
- AI được kỳ vọng sẽ tạo ra chuyển đổi trong gần như mọi vertical ngành nghề
Professional Service (Dịch vụ chuyên môn)
- Trong nhiều lĩnh vực có nhiều công việc thủ công như dịch vụ pháp lý, kế toán, tư vấn..., các chuyên gia dành rất nhiều thời gian để đọc và diễn giải thông tin quan trọng, rồi phản hồi dưới dạng phân tích, trao đổi với khách hàng, ghi chú, báo cáo...
- Trong lĩnh vực dịch vụ pháp lý, ngôn ngữ chính là sản phẩm cốt lõi, và các mô hình ngôn ngữ lớn là nền tảng của làn sóng thay đổi nền tảng hiện nay
- Thị trường pháp lý tại Mỹ có quy mô hơn 300 tỷ USD, và mối quan tâm đến việc ứng dụng AI đã được chứng minh
- Nhiều công ty ưu tiên AI như Harvey, EvenUp, Eve và Spellbook đã ra đời
- Các công ty hiện hữu như Thomson Reuters, Relativity và Ironclad cũng đang thâu tóm AI hoặc tích hợp AI vào sản phẩm hiện có
- Tư vấn và kế toán là một lĩnh vực khác đã sẵn sàng đón nhận AI
- Mỗi công ty tư vấn Big 4 đều tuyển dụng hàng chục nghìn chuyên gia tư vấn và kế toán, tức một lực lượng lao động khổng lồ có thể được AI tăng cường ở quy mô lớn
- KPMG và PwC lần lượt có kế hoạch đầu tư 2 tỷ USD vào sản phẩm AI trong 5 năm và 1 tỷ USD vào generative AI trong 3 năm
- Theo nghiên cứu chung của Harvard Business School và BCG, các tư vấn viên sử dụng GPT-4 hoàn thành công việc nhanh hơn 25% và chất lượng đầu ra tăng 40%
- Các kế toán viên dành thời gian để hiểu quy tắc và chính sách rồi áp dụng chúng vào tính toán
- Trong các cuộc phỏng vấn với chuyên gia kế toán, ghi nhận doanh thu (revenue recognition) được xem là một trong những use case khó nhất, lặp lại nhiều nhất (hàng tháng), nhưng cũng dễ tự động hóa nhất
Dịch vụ tài chính
- Dịch vụ tài chính có nhiều đặc điểm rất phù hợp với AI
- Chỉ riêng quy mô thị trường tại Mỹ đã đạt 11 nghìn tỷ USD, và nhu cầu đối với công cụ AI đã được chứng minh
- Sự ra mắt của Bloomberg GPT, quan hệ đối tác giữa Morgan Stanley và OpenAI, cùng việc AlphaSense bổ sung các công cụ tìm kiếm và tóm tắt dựa trên AI vào nền tảng market intelligence của mình
- Khi nhìn vào công việc hằng ngày của các chuyên gia đầu tư và cố vấn tài chính, rất dễ thấy AI có thể được áp dụng như thế nào
- Chẳng hạn xử lý dữ liệu nội bộ, dữ liệu thị trường thời gian thực và tin tức, cũng như financial modeling và tính toán
- Các startup dựa trên AI như Hebbia, Sixfold, Hyperexponential và Portrait Analytics đang đạt được tiến triển
Healthcare
- Tác động tiềm năng của AI đối với healthcare đã được bàn luận từ lâu, nhưng cho đến nay chưa từng có tác động thực tế như hiện tại
- LLM có thể cải thiện các mô hình chẩn đoán hoặc ra quyết định, phát triển các nền tảng tự động hóa xử lý yêu cầu bồi thường bảo hiểm, và nâng cao năng lực quản lý tổng thể dữ liệu y tế
- Các ứng dụng dựa trên LLM có thể cải thiện mạnh mẽ thế hệ công cụ AI trước đây, và đặc biệt quan trọng trong việc mở khóa các use case giá trị cao như chuyển dữ liệu phi cấu trúc thành dữ liệu có cấu trúc
- Med-PaLM 2 của Google có khả năng trả lời các câu hỏi y khoa phức tạp và đã trả lời thành công các câu hỏi trong kỳ thi cấp chứng chỉ y khoa
- Việc xây dựng medical LLM là một nỗ lực rất tham vọng, đòi hỏi đáng kể về thời gian và nguồn lực
Chưa có bình luận nào.