سرمایه‌گذاران خطرپذیر (VC) خودشان را متقاعد کرده‌اند که لبه‌ی سرمایه‌گذاری بزرگ بعدی را پیدا کرده‌اند: استفاده از هوش مصنوعی برای به دست آوردن سودهای نرم‌افزاری از کسب‌وکارهای خدماتی که به‌طور سنتی متکی به نیروی کار زیادی هستند. این استراتژی شامل خرید شرکت‌های خدمات حرفه‌ای جاافتاده، پیاده‌سازی هوش مصنوعی برای خودکارسازی وظایف و سپس استفاده از جریان نقدی بهبودیافته برای خرید شرکت‌های بیشتر است.
پیشتاز این حرکت، جنرال کاتالیست (GC) است که ۱.۵ میلیارد دلار از آخرین سرمایه‌ی جمع‌آوری‌شده‌ی خود را به استراتژی‌ای که آن را «خلق» می‌نامد، اختصاص داده است. این استراتژی بر پرورش شرکت‌های نرم‌افزاری بومی هوش مصنوعی در بخش‌های خاص متمرکز است و سپس از این شرکت‌ها به‌عنوان ابزاری برای خرید شرکت‌های معتبر – و مشتریان آن‌ها – در همان بخش‌ها استفاده می‌کند. جنرال کاتالیست در هفت صنعت، از خدمات حقوقی گرفته تا مدیریت فناوری اطلاعات، سرمایه‌گذاری کرده و قصد دارد تا مجموعاً به ۲۰ بخش گسترش یابد.
مارک بهارگاوا، که رهبری تلاش‌های مرتبط جنرال کاتالیست را بر عهده دارد، در مصاحبه‌ای با خبرنگار گفت: «ارزش خدمات در سطح جهان ۱۶ تریلیون دلار در سال است.» او با اشاره به اینکه جذابیت سرمایه‌گذاری در نرم‌افزار همواره حاشیه‌ی سود بالاتر آن بوده است، افزود: «در مقایسه، نرم‌افزار تنها ۱ تریلیون دلار در سطح جهان ارزش دارد. هرچه نرم‌افزار مقیاس‌پذیرتر شود، هزینه‌ی نهایی آن بسیار کم و درآمد نهایی آن بسیار زیاد خواهد بود.» او گفت اگر بتوانید کسب‌وکار خدمات را نیز خودکار کنید – با استفاده از هوش مصنوعی ۳۰٪ تا ۵۰٪ از این شرکت‌ها را متحول کنید و حتی تا ۷۰٪ از وظایف اصلی در مراکز تماس را خودکار کنید – محاسبات بسیار وسوسه‌انگیز به نظر می‌رسند.
سپس جریان نقدی بهبودیافته، مهمات لازم را برای خرید شرکت‌های بیشتر با قیمت‌های بالاتر از توان خریداران سنتی فراهم می‌کند و چیزی را ایجاد می‌کند که طرفداران آن به عنوان یک چرخه‌ی سودآور می‌بینند.
به نظر می‌رسد این برنامه‌ی بازی در حال جواب دادن است. به عنوان مثال، Titan MSP، یکی از شرکت‌های موجود در سبد جنرال کاتالیست را در نظر بگیرید. این شرکت سرمایه‌گذاری ۷۴ میلیون دلار در دو مرحله فراهم کرد تا به این شرکت کمک کند ابزارهای هوش مصنوعی را برای ارائه‌دهندگان خدمات مدیریت‌شده توسعه دهد، سپس RFA، یک شرکت خدمات فناوری اطلاعات شناخته‌شده را خریداری کرد. به گفته‌ی بهارگاوا، Titan از طریق برنامه‌های آزمایشی نشان داد که می‌تواند ۳۸٪ از وظایف معمول MSP را خودکار کند. این شرکت اکنون قصد دارد از حاشیه‌ی سود بهبودیافته‌ی خود برای خرید MSPهای بیشتر در یک استراتژی تجمیعی کلاسیک استفاده کند.
به طور مشابه، این شرکت Eudia را پرورش داد که به جای شرکت‌های حقوقی، بر دپارتمان‌های حقوقی داخلی متمرکز است. Eudia با مشتریان Fortune 100 از جمله Chevron، Southwest Airlines و Stripe قرارداد بسته و خدمات حقوقی با نرخ ثابت مبتنی بر هوش مصنوعی را به جای صورت‌حساب ساعتی سنتی ارائه می‌دهد. این شرکت اخیراً Johnson Hanna، یک ارائه‌دهنده‌ی خدمات حقوقی جایگزین را برای گسترش دامنه فعالیت خود خریداری کرده است.
بهارگاوا توضیح داد که جنرال کاتالیست به دنبال دو برابر – حداقل – کردن حاشیه‌ی سود EBITDA شرکت‌هایی است که خریداری می‌کند.
این شرکت قدرتمند در این تفکر تنها نیست. شرکت سرمایه‌گذاری Mayfield مبلغ ۱۰۰ میلیون دلار را به طور خاص برای سرمایه‌گذاری در «هم‌تیمی‌های هوش مصنوعی» اختصاص داده و رهبری سری A برای Gruve، یک استارت‌آپ مشاوره فناوری اطلاعات را بر عهده داشته است که یک شرکت مشاوره امنیتی ۵ میلیون دلاری را خریداری کرد و ظرف شش ماه آن را به ۱۵ میلیون دلار درآمد رساند و به گفته‌ی بنیان‌گذارانش، به حاشیه‌ی سود ناخالص ۸۰٪ دست یافت.
ناوین چادها، مدیرعامل Mayfield، در تابستان امسال به خبرنگار گفت: «اگر ۸۰٪ از کار توسط هوش مصنوعی انجام شود، می‌تواند حاشیه‌ی سود ناخالص ۸۰٪ تا ۹۰٪ داشته باشد. شما می‌توانید حاشیه‌ی سود ترکیبی ۶۰٪ تا ۷۰٪ داشته باشید و ۲۰٪ تا ۳۰٪ سود خالص تولید کنید.»
الاد گیل، سرمایه‌گذار مستقل، به مدت سه سال است که استراتژی مشابهی را دنبال می‌کند و از شرکت‌هایی حمایت می‌کند که کسب‌وکارهای جاافتاده را خریداری کرده و با هوش مصنوعی آن‌ها را متحول می‌کنند. گیل در مصاحبه‌ای با خبرنگار در بهار امسال گفت: «اگر مالک دارایی باشید، می‌توانید آن را بسیار سریع‌تر از زمانی که فقط نرم‌افزار را به عنوان یک فروشنده می‌فروشید، [تغییر دهید]. و از آنجایی که شما حاشیه‌ی سود ناخالص یک شرکت را از، مثلاً ۱۰٪ به ۴۰٪ می‌رسانید، این یک جهش بزرگ است.»
اما نشانه‌های هشدار اولیه‌ی حاکی از آن است که این دگردیسی کل صنعت خدمات ممکن است پیچیده‌تر از آن چیزی باشد که سرمایه‌گذاران خطرپذیر پیش‌بینی می‌کنند. یک مطالعه‌ی اخیر توسط محققان آزمایشگاه رسانه‌های اجتماعی استنفورد و BetterUp Labs که ۱۱۵۰ کارمند تمام وقت را در صنایع مختلف مورد بررسی قرار داد، نشان داد که ۴۰٪ از این کارمندان مجبورند بار بیشتری را به دوش بکشند، زیرا محققان آن را «کار بی‌کیفیت» می‌نامند – کاری که توسط هوش مصنوعی تولید می‌شود و به نظر صیقلی می‌رسد اما فاقد محتوا است و کار (و سردردهای) بیشتری را برای همکاران ایجاد می‌کند.
این روند در حال آسیب رساندن به سازمان‌ها است. کارمندان شرکت‌کننده در این نظرسنجی می‌گویند که به طور متوسط تقریباً دو ساعت را صرف رسیدگی به هر مورد از کار بی‌کیفیت می‌کنند، از جمله ابتدا برای رمزگشایی آن، سپس تصمیم‌گیری در مورد اینکه آیا آن را برگردانند یا نه، و اغلب فقط برای رفع آن توسط خودشان.
بر اساس تخمین‌های شرکت‌کنندگان از زمان صرف‌شده، همراه با حقوق گزارش‌شده‌ی خودشان، نویسندگان این نظرسنجی تخمین می‌زنند که کار بی‌کیفیت یک مالیات پنهان ۱۸۶ دلاری در ماه برای هر نفر دارد. آن‌ها در مقاله‌ی جدیدی در Harvard Business Review می‌نویسند: «برای سازمانی با ۱۰۰۰۰ کارگر، با توجه به شیوع تخمینی کار بی‌کیفیت… این امر منجر به از دست دادن بیش از ۹ میلیون دلار در سال در بهره‌وری می‌شود.»
به طور خلاصه، صرفاً پیاده‌سازی هوش مصنوعی، نتایج بهبودیافته را تضمین نمی‌کند.
بهارگاوا این تصور که هوش مصنوعی بیش از حد تبلیغ شده است را رد می‌کند و در عوض استدلال می‌کند که تمام این شکست‌های پیاده‌سازی در واقع رویکرد جنرال کاتالیست را تأیید می‌کند. او گفت: «من فکر می‌کنم این نوعی نشان‌دهنده‌ی فرصت است، که این است که اعمال فناوری هوش مصنوعی در این کسب‌وکارها آسان نیست. اگر همه‌ی Fortune 100 و همه‌ی این افراد فقط می‌توانستند یک شرکت مشاوره‌ای را وارد کنند، مقداری هوش مصنوعی را به آن بچسبانند، قراردادی با OpenAI ببندند و کسب‌وکار خود را متحول کنند، آن‌وقت بدیهی است که فرضیه‌ی ما کمی ضعیف‌تر می‌شد. اما واقعیت این است که تبدیل یک شرکت با هوش مصنوعی واقعاً سخت است.»
او پیچیدگی فنی مورد نیاز در هوش مصنوعی را به عنوان مهم‌ترین قطعه‌ی گمشده‌ی پازل معرفی کرد. او گفت: «فناوری‌های مختلفی وجود دارد. هر کدام در چیزهای مختلفی خوب هستند. شما واقعاً به این مهندسان هوش مصنوعی کاربردی از مکان‌هایی مانند Rippling و Ramp و Figma و Scale نیاز دارید که با مدل‌های مختلف کار کرده‌اند، تفاوت‌های ظریف آن‌ها را درک می‌کنند، می‌فهمند کدام‌یک برای چه چیزی خوب است، می‌فهمند چگونه آن را در نرم‌افزار بپیچند.» او استدلال کرد که این پیچیدگی دقیقاً همان دلیلی است که استراتژی جنرال کاتالیست در جفت کردن متخصصان هوش مصنوعی با کارشناسان صنعت برای ساختن شرکت‌ها از ابتدا منطقی است.
با این حال، نمی‌توان انکار کرد که کار بی‌کیفیت تهدیدی برای تضعیف اقتصاد اصلی این استراتژی است. سؤال بزرگ‌تر این است که این مشکل چقدر جدی است و آیا این تصویر با گذشت زمان تغییر می‌کند یا نه.
در حال حاضر، اگر شرکت‌ها همانطور که فرضیه‌ی بهره‌وری هوش مصنوعی نشان می‌دهد، تعداد کارکنان خود را کاهش دهند، افراد کمتری برای شناسایی و تصحیح خطاهای تولیدشده توسط هوش مصنوعی در دسترس خواهند داشت. اگر آن‌ها سطوح فعلی کارکنان را برای رسیدگی به کار اضافی ایجادشده توسط خروجی‌های مشکل‌دار هوش مصنوعی حفظ کنند، سودهای کلانی که سرمایه‌گذاران خطرپذیر روی آن حساب می‌کنند، ممکن است هرگز محقق نشود.
به راحتی می‌توان استدلال کرد که هر یک از این سناریوها احتمالاً باید برنامه‌های مقیاس‌بندی را که برای استراتژی تجمیعی سرمایه‌گذاران خطرپذیر محوری هستند، کند کنند و این امر به طور بالقوه اعدادی را که این معاملات را برای آن‌ها جذاب می‌کند، تضعیف می‌کند. اما بیایید واقع‌بین باشیم؛ برای کند کردن سرعت اکثر سرمایه‌گذاران در سیلیکون ولی، به بیش از یک یا دو مطالعه نیاز است.
در واقع، جنرال کاتالیست می‌گوید از آنجایی که آن‌ها معمولاً کسب‌وکارهایی را با جریان نقدی موجود خریداری می‌کنند، شرکت‌های «استراتژی خلق» آن‌ها در حال حاضر سودآور هستند.
بهارگاوا گفت: «تا زمانی که فناوری هوش مصنوعی به بهبود خود ادامه دهد و ما شاهد این سرمایه‌گذاری و بهبود عظیم در مدل‌ها باشیم، من فکر می‌کنم صنایع بیشتر و بیشتری برای کمک به پرورش شرکت‌ها خواهیم داشت.»
