Vertical AIの重要性
- 過去10年間で、Vertical SaaSは業界別に最適化されたソフトウェアの力を証明してきており、Toast、Shopify、Procore、ServiceTitanのような多くの成功事例がある
- それでもなお、Vertical SaaSがまだ十分にサービスできていない市場は多い
- 技術革新に本質的な障壁がある基幹産業（例: 非構造化データ、限定的なTAM、長い販売サイクル、低い年間契約額、要求の厳しい既存顧客）
- 立ち上がったばかり、あるいは大きな変化の最中にある分野（例: エネルギーの電化）
- 今や非構造化データを扱えるAIが登場し、Vertical SaaSを垂直型ソフトウェアとして再定義する重要な進展によって、こうした領域でもサービス可能なソフトウェアを構築できるようになった
- 以前の技術時代には、Vertical SaaSは整理されたデータとモダンな技術スタックを持つ企業にしか適用できなかった
- LLMは非構造化データを扱えるため、技術的に遅れていた産業を現代へ引き上げるための欠けていたピースになり得る
- 垂直市場に注力するスタートアップは、従来のSaaSモデルを超えて、組み込み決済（Toast、Shopify）、広告（Pepper、Provi）、B2Bマーケットプレイス（Faire、Novi）などの戦略を採用している
# Vertical AI投資フレームワーク
Data: Better Data Over Better Models（より良いモデルより、より良いデータが重要）
- AIアプリケーションを構築するうえで、データは差別化されたポジションを築くためにおそらく最も重要な要素である
- スタートアップは、非常に大規模なデータコーパスが必要かどうか、独自のデータ資産を構築する機会があるかを見極める必要がある
- 多くの業界では、データは散在しサイロ化されたレガシーシステム内に存在するため、データ抽出に挑む企業は特に歓迎される
- データ要約や生成機能の進歩に比べて、データ抽出はいまだに苦痛を伴う未解決の問題である
- 差別化要因は、最高水準の監査、ラベリング、継続的に更新されるデータを保有していることにある
- より強いデータポジションは、製品の利用そのものがデータセットを生み出す場合に得られる
- 例: 顧客が自分のデータにラベルを付けたり、製品との相互作用に関するデータセットを発展させたりする場合
- データへの初期アクセスは予備的なMoatとして重要だが、最終的には顧客が製品を使う中で生成するデータこそが長期的なMoatを提供すると考える
TAM(Total Addressable Market): Market Size vs Market Penetration（市場規模 vs 市場浸透）
- 垂直市場を狙わない最大のリスクであり理由は、水平的アプローチに比べてTAMが小さいことだが、これは欠点であると同時に利点にもなり得る
- 市場が小さいほど、資金力のある競合が少なく、集中すべき範囲も狭くなるため、流通面で優位に立ちやすく、市場集中度も高められる
- ヘルスケアや金融サービスのように細分化の度合いが高い基幹産業では、セクター内に多くの機会が存在し得る
- 業界への参入ポイントを見つけるには、競合が進出しておらず、AI需要が実証され、LLMベースのツールに最も適していて、自分たちが最もうまく提供できるサブ分野を特定することが重要である
ACV: Multiple Products and Revenue Streams（複数製品と収益源）
- 単一のSaaS製品だけで6桁のACV（Annual Contract Value）を達成するのは最善のアプローチではない
- 垂直市場に注力するスタートアップは、複数製品へ拡張し、コア製品を超えた追加の収益源を生み出せる
- コア製品に新しい製品ラインを追加すると、時間とともにバンドル販売やアップセルが可能になり、最終的には組織内の複数の接点で固定的な位置を占められる
- レストラン向け決済プラットフォームのToastは、給与および人材管理機能を追加して複数製品戦略を実行した
- B2BマーケットプレイスのProviとPepperは、広告によって追加の収益源を生み出している
- 太陽光発電設備の導入プラットフォームであるAurora Solarは、金融オプションを提供する製品を通じて追加収益を生み出している
- 建設サービスプラットフォームのProcoreは最近、建設プロジェクトのライフサイクル全体にわたるデータインサイトを活用して保険の提供を始めた
Founder(s): Product Builders With Domain Experience（創業者: ドメイン経験を持つプロダクトビルダー）
- ドメイン経験と技術的背景の両方を持つ創業チームは、純粋な技術者よりもVertical AIの構築で有利である
- 一度に数十、数百の異なる組織と長期契約を結ぶことが多いヘルスケアのような業界の既存組織に販売しようとするスタートアップでは、この問題はさらに顕著になる
- こうした複雑さを深く理解することは、正しいGTM戦略の策定、販売スケジュールの計画、採用において非常に重要である
GTM: Create Urgency（市場投入戦略: 緊急性を生み出す）
- 垂直市場での販売サイクルは長くなりがちで、技術購買者の成熟度が低い大規模な既存産業ではなおさらである
- 重要な流通チャネルを押さえるには、GTM戦略に緊迫感を生み出せる独自の方法や経路が必要である
- AIへの関心の高まりによって、新しい製品を試すべきだという切迫感が生まれたが、これは逆風にも追い風にもなり得る
- すべての買い手がAIを意識しているため、新興企業が見込み客に電話してトライアル利用を促すのは容易である。しかし、複数のパイロット比較に疲れたユーザーに対しては、パイロットを顧客へ転換することが特に難しい場合がある
- つまり、買い手が製品を検討し、導入して使い始められるような緊急性のある状況を作ることが重要である
- 迅速な転換のためには、コアとなる価値提案を考える必要がある
- 人員効率の向上や「イノベーション」を約束するだけでは不十分である
- 製品がどのように売上を増やすか、あるいはコストを確実に削減できるかを示すほうが効果的である
Product: Beyond Copilot（製品: Copilotの先へ）
- 現在の支配的なパラダイムは、人間とAI Copilotがペアを組むことにある
- 人間が作業の大半を担い、AIが人間の能力を強化・補完する
- 今後数年のうちに、AIエージェントが主要な作業を担い、人間が結果を確認・編集する逆のモデルがより多く見られるようになると予想される
- Copilotはすでに流通を握っている既存プレイヤーが主導できる一方、AIエージェントはより新しい領域に挑戦できる機会であるため、スタートアップの参入ポイントとして適している
- このパラダイムシフトは将来のビジネスに大きな影響を与えるだろう
- AIエージェントがより多くの熟練労働を代替するにつれて、ソフトウェア支出が人件費を置き換えるようになる
- 新しい従量課金または成果ベースの価格モデルが登場すると予想され、これはさらに探るべきArchetypeになるだろう
# Verticalな機会
- AIはほぼすべての産業Verticalに変革をもたらすと予想される
Professional Service（専門サービス）
- 法務サービス、会計、コンサルティングなど、手作業の多いさまざまな分野で、専門家は重要な情報を読んで解釈し、それを分析、顧客対応、メモ、レポートなどに落とし込むためにかなりの時間を費やしている
- 法務サービス分野では言語そのものが中核製品であり、大規模言語モデルが今日のプラットフォーム変化の基盤となっている
- 米国の法務市場は3000億ドル超であり、AI導入への関心も実証されている
- Harvey、EvenUp、Eve、SpellbookのようなAIファースト企業が登場している
- トムソン・ロイター、Relativity、Ironcladのような既存企業も、AIを買収したり既存製品に統合したりしている
- コンサルティングと会計も、AIを受け入れる準備が整ったもう一つの分野である
- Big 4のコンサルティング会社はそれぞれ数万人のコンサルタントと会計士を雇用しており、これはAIで大規模に補強できる巨大な労働力である
- KPMGとPwCはそれぞれ、5年間でAI製品に20億ドル、3年間で生成AIに10億ドルを投資する計画である
- ハーバード・ビジネス・スクールとBCGの共同研究によると、GPT-4を使うコンサルタントは作業を25%速く完了し、成果物の品質は40%向上したことが示されている
- 会計士は、ルールやポリシーを理解し、それを計算に適用することに時間を費やしている
- 会計の専門家へのインタビューでは、収益認識（revenue recognition）は最も負荷が高く反復的（毎月）でありながら、最も自動化しやすいユースケースの一つとして挙げられている
金融サービス
- 金融サービスは、AIに適した複数の特性を備えている
- 米国内の市場規模だけでも11兆ドルに達し、AIツールへの需要も実証されている
- Bloomberg GPTの公開、Morgan StanleyのOpenAIとの提携、AlphaSenseの市場インテリジェンスプラットフォームへのAIベースの検索・要約ツール追加
- 投資の専門家やファイナンシャルアドバイザーの日常業務を見ると、AIがどのように適用できるかは容易に分かる
- 社内データやリアルタイム市場データ、ニュース処理、財務モデリングや計算など
- Hebbia、Sixfold、Hyperexponential、Portrait AnalyticsのようなAIベースのスタートアップが前進している
ヘルスケア
- AIがヘルスケアに与える潜在的な影響については長らく議論されてきたが、これまで現実世界での影響は限定的だった
- LLMは診断や意思決定モデルを改善し、保険請求を自動化するプラットフォームを開発できるほか、医療データ全体の管理を改善できる
- LLMベースのアプリケーションは、過去世代のAIツールを大きく改善でき、非構造化データを構造化データへ変換するといった高付加価値ユースケースを解放するうえで重要である
- GoogleのMed-PaLM 2は複雑な医学的質問に答える能力を持ち、医師免許試験の問題にも正しく回答している
- 医療向けLLMの構築は、相当な時間とリソースを必要とする非常に野心的な取り組みである
まだコメントはありません。