AI スタートアップの品質を測定するにはどうすればよいでしょうか?

編集者注: Zetta Venture のパートナーである Ivy Nguyen 氏は最近、TechCrunch に AI スタートアップを評価するための適切な基準の使い方を説明する記事を掲載しました。以下は元の記事の翻訳です。

人工知能企業は、多くの場合、サービス企業やコンサルティング企業に似ています。どちらも顧客の特定のニーズに基づいてソリューションをカスタマイズする必要がありますが、投資の観点から見ると、実際には大きな違いがあります。

サービス収益は、利益率が低く、再現性と拡張性に欠けるため、ベンチャーキャピタルの成長とは正反対のものでした。同社のサービス事業がより多くの顧客を獲得するにつれ、それをサポートするため人員を増員する必要があり、その結果、利益率は一貫して低下しています。ビッグデータ分析のユニコーン企業であるパランティアは、サービス需要に巻き込まれた企業です。

[[243102]]

サービスプロバイダーとは異なり、AI 企業は大規模な目標とより高い ROI を達成する可能性があります。人工知能企業に投資する価値があるかどうかをどのように判断すればよいでしょうか? 以下に参考指標をいくつか示します。

人間の介入率

AI がビジネスに応用されると、多くの手作業が AI に置き換えられ、AI が所定の精度または信頼性のしきい値を下回った場合にのみ人間の介入が行われるようになります。これにより、企業は限られた数の従業員で、ますます多くの顧客にサービスを提供できるようになります。

Lilt は企業向けの機械翻訳サービスを提供しており、翻訳 AI がテキストをある言語から別の言語に自動的に翻訳し、エラーは翻訳の専門家によって修正されます。翻訳 AI が進歩するにつれて、人間による翻訳における修正の割合は減少し続けるはずです。より一般的には、自動化されたタスクに対する人間の介入の比率は減少するはずです。

ROI曲線

長期的な利益を実現するには、適切な AI アプリケーションを選択することが重要です。通常、将来的に顧客の機能を向上させるアプリケーションは改善の機会が限られていますが、顧客の収益を向上させるアプリケーションには成長の機会に対する制約はありません。

たとえば、AI によって生産ラインの稼働効率が向上し、それが原材料の化学反応にかかる時間によって制限されるようになると、AI はその特定のアプリケーションに対してそれ以上の価値を提供できなくなります。しかし、AI ベースの Web サイト検索サービスを提供し、Jet.com などのクライアントがショッピング カートの購入コンバージョンを無制限に増やせるように支援する Constructor.io のように、クライアントが新しい収益機会を見つけるのを支援するのは異なります。

AI 企業は、各顧客の累積 ROI を綿密に追跡し、曲線が停滞したり減少したりするのではなく、時間の経過とともに増加するようにする必要があります。

アップグレード費用

AI 製品の導入は複雑なプロセスであり、AI にはトレーニング用のデータが必要であるため、AI 製品が価値を提供するには SaaS 製品よりも時間がかかる可能性があります。

多くの業界ではデジタル化が始まったばかりで、貴重なデータは手書きのメモ、構造化されていない観察ログ、PDF など、抽出が難しい形式になっている場合があります。このデータを取得するには、企業は AI システムを導入する前に、利益率の低いデータ準備サービスに多くの人的リソースを費やす必要があるかもしれません。

データの構造化方法も顧客ごとに異なる場合があり、AI エンジニアは AI モデルを適用できるようにデータを正規化したり、標準化されたスキーマに変換したりするために追加の時間を費やす必要があります。

AI 製品のアップグレードは、一般的な SaaS 製品の展開よりもコストがかかり、顧客獲得コスト (CAC) と同じくらい大きな利益の影響を与える可能性があります。企業は、これらのアップグレードのタイミングと新規顧客あたりのコストを注意深く追跡する必要があります。真のデータ ネットワーク効果が存在する場合、これらの数値は時間の経過とともに減少するはずです。

データの堀

新しい機能で競争する SaaS 企業とは異なり、AI スタートアップには長期的な収益化を構築する機会があります。スケーラブルな AI スタートアップは、製品のパフォーマンスが向上するほど、より多くの顧客が貢献してデータを生成するようになり、その結果、製品のパフォーマンスが向上するという好循環を生み出します。この強化サイクルにより、SaaS ビジネスではこれまで存在しなかった複合的な障壁が構築されます。

大量のデータについて単純に考えるのは単純すぎます。データに関する次の質問を自問し、次の観点からデータの障壁を判断する必要があります。

• アクセスのしやすさ: アクセスはどの程度簡単ですか?
• 時間: データはどのくらいの速さで蓄積され、モデルで使用できますか?
• コスト: このデータを取得してラベル付けするにはどれくらいの費用がかかりますか?
• 一意性: 他の誰かが同様のデータに基づいてモデルを構築し、同じ結果を得ることは可能ですか?
• 次元: データセットにはいくつの異なる属性が記述されていますか?
• 幅: エッジケースやまれな例外に対応できるように、属性値のバリエーションはどの程度広いですか?
• 適時性: データは長期的に有用ですか?

AI モデルはデータが増えるほどパフォーマンスが向上しますが、時間の経過とともにパフォーマンスが頭打ちになる可能性があります。企業は、データの防御壁が継続的に拡大するように、顧客に付加価値を提供するために必要なデータのタイミングと量を注意深く追跡する必要があります。つまり、模倣者があなたのパフォーマンス レベルに匹敵するには、どれくらいの時間とデータが必要ですか?