Трудовой Кодекс РФ с комментариями ТК РФ, бесплатные консультации юристов
Сегодня количество стартапов и крупных бизнесов, применяющих машинный интеллект в работе, растет огромными темпами (подробнее о самых разных применениях — в материале Forbes). И если для больших организаций эти технологии — просто способ решить старые задачи, то многие стартапы делают применение машинного обучения краеугольным элементом своего бизнеса. «AI» уже стал популярным «buzzword» (модное словечко — Forbes), однако лишь немногие из AI-стартапы достигают точки безубыточности или успешно привлекают венчурные инвестиции, чтобы продолжить развивать бизнес.
У всех на слуху множество B2C-приложений, использующих машинное обучение (среди них — MSQRD, Prisma, FaceApp, Shazam и т.д), но для конечного пользователя неважно, насколько сложные технологии используются в продукте – ему важен только пользовательский опыт, который часто может быть достигнут и более простыми методами. Совершенно другая ситуация на B2B-рынке – для современных организаций внедрение машинного интеллекта становится крайне важным, и он может пригодиться практически в любом бизнес-процессе. Именно здесь, на мой взгляд, кроется огромный потенциал для AI-стартапов.
С точки зрения венчурного инвестора, хороший B2B-стартап должен решать существенную проблему для организаций, быстро расти и иметь серьезные преимущества перед конкурентами – в случае решения, основанного на машинном интеллекте, это определяет ряд характерных признаков стартапа.
Для эффективного применения машинного обучения для стратегии стартапа нужно выполнить два условия. Во-первых, применять современные алгоритмы и фреймворки, которые теперь есть в открытом доступе (от Google, Microsoft и других компаний). Во-вторых — иметь доступ к стандартизированным большим данным, что часто становится главным препятствием для роста стартапов. И если открытые данные из интернета еще можно собрать эффективным способом, то работа с данными клиентов сопряжена с рядом трудностей.
С одной стороны, используя закрытые массивы информации от своих enterprise-клиентов, стартап в сфере машинного интеллекта может получить сильное преимущество перед конкурентами, но с другой, может сильно замедлить свой рост – получение доступа и корректная обработка чужих внутренних данных отнимают много времени.
Эффективным решением проблемы доступа к данным может стать фокус компании на работу только с клиентами, использующими популярные системы хранения записей (System of Records), необходимые для работы ее продукта. Например, значительное число крупных организаций использует ERP от Oracle или SAP, а хранит историю взаимодействия с клиентами — в CRM от Salesforce. Кроме того, ряд индустрий имеют свои популярные стандарты. Так, американские юристы для работы со своими документами используют системы Clio, а российские бухгалтеры — 1C.
Используя такую стратегию, например, лондонский стартап DigitalGenius, автоматизирующий customer support c помощью deep learning для крупных компаний, привлек уже более $10 млн от известных инвесторов, включая Lowercase Capital (самый успешный VC-фонд в истории, вошедший на самый ранней стадии в Uber), Salesforce Ventures (Runa Capital, фонд, который представляет автор статьи — также инвестор компании). Он фокусируется на работу только с Salesforce и Zendesk, что значительно сокращает время интеграции с заказчиками до считанных часов.
В России тоже есть примеры подобного подхода – например, петербужская компания Veeroute, которая недавно подписала крупный контракт с МВидео, оптимизирует логистику в городах для организаций и выбрала одним из своих приоритетов интеграцию SAP Transportation Module. Аналогичным образом американский AI-финансист ScaleFactor работает только с популярным бухгалтерскими сервисами (Xero, Quickbooks, Gusto), платформы по предсказанию оттока клиентов Appuri – с популярными сервисами для аналитики (Mixpanel, Google Analytics) и продаж (Stripe, Salesforce) и т.д.
Более того, искусно дополняя сервис «хранителя данных», стартап может получить возможности по совместному маркетингу, продвижение силами вендора или даже инвестиции от его корпоративного фонда. По подобной модели работают, например, Salesforce, Microsoft, SAP и многие другие крупные вендоры.
Не для всех отраслей возможен такой эффективный подход – например, стартапы в области предсказательной аналитики для предотвращения отказа оборудования (predictive maintenance), активно появляющиеся в разных странах мира (в том числе и в России) развиваются довольно медленно — на мой взгляд, как раз из-за проблем с доступом к данным, нужным на старете, и их последующей обработкой.
Представьте масштаб проблемы: для выполнения контракта с предприятием, стартапу нужно уметь анализировать гигабайты данных в день, приходящие с сотен разнообразных приборов, произведенных разными компаниями в разных странах, почти все из которых имеют собственные специфические форматы данных и интерфейсы. В результате компания буквально «вязнет» в работе с парой-тройкой заказчиков, внедрение занимает многие месяцы, а команда разработчиков вместо совершенствования продукта занимается различного рода интеграциями.
Разрешить ситуацию с таким «промышленными зоопарком» источников данных призваны IoT-платформы с унифицированным интерфейсом для доступа к данным, который в данный момент разрабатывают как производители самого оборудования (GE Predix, Siemens Mindsphere), так и крупные ИТ-компании (Amazon, Google) и стартапы вроде гамбургского Cybus. Однако промышленные игроки не отличаются скоростью внедрения инноваций, поэтому работа с ними пока больше подходят по профилю для заказной разработки проектов в сфере машинного обучения — вроде тех, что предлагают Yandex Data Factory, а не небольшие быстрорастущие стартапы.
В результате, для повышения скорости масштабирования бизнеса B2B-стартапам стоит фокусироваться только на тех клиентах, которые уже имеют системы хранения данных, к которым они сами могут легко подключиться (как пример — кейс DigitalGenius и KLM Airlines), либо договориться с интеграторами, которые будут помогать стартапу подключаться к существующим системам предприятия (кейс Veeroute, МВидео и интегратора Novardis), пока он будет сфокусирован на развитии продукта.
Второй путь, очевидно, сложнее: маржа стартапа снижается из-за дополнительного посредника в цепочке, принятие решений усложняется, а также иногда присутствует конфликт интересов – интеграторы не всегда хотят перепродавать AI-решения, потому что из-за излишней автоматизации процессов клиента пропадает часть их сервисной выручки.
Быстрорастущие стартапы получают больше денег инвесторов и, соответственно, больше инвестируют в свой продукт. Поэтому если крупная компания нацелена на внедрение передовых ИТ-решений мирового уровня, но внутри организации недостаточно ресурсов для разработки, то вероятно ей стоит использовать enterprise-системы от известных вендоров вроде SAP, Salesforce и Microsoft – на их экосистемы нацелено множество стартапов по всему миру.
Стартапам же в сфере enterprise software стоит не забывать про проблему данных – стратегия интеграции с вендорами System of Records хорошо работает только на зрелых рынках, где есть несколько крупных поставщиков (CRM, ERP), данные производятся электронным способом (IT, cloud storage, office apps) или собираются из оффлайна в стандартизированном виде (логистика, финансы, ритейл). В этих нишах их и будут ждать быстрый масштабируемый рост и деньги венчурных инвесторов.
