分析了 70 家应用型 AI 公司后，我们总结了这些“致胜策略”

背景

我们第三波的AI创业公司已经来临，这次是应用AI公司的浪潮。 第一波是纯粹的研究型公司，像Deepmind和Nnaissence这样的公司脱颖而出，大多数从来没有真正商业化他们的产品，并在获得收入之前被收购。 第二波来自建立机器学习基础设施的公司组成。这些创业公司确实构建了一些受欢迎的商业化产品，但其中大多数在规模化之前也被收购。 开发了开源NLP API的Wit.ai是第二波公司中的一个典型例子，Wit.ai被Facebook收购，并为Facebook Messenger提供机器学习的智能助理功能。

现在是第三波AI公司的开始：AI应用解决方案。这个领域的公司正在通过开发行业或特定的终端用户应用来区分于其他AI公司，而不仅仅关注基础设施。

应用型AI创业公司正在吸引越来越大的投资，也是目前早期募集资金吸金最多的公司。仅在英国，它们占据了85％的AI公司。 有趣的是，他们也要求风险投资人调整我们的分析框架，以及潜在的投资标准。MMC Ventures的一篇文章显示，英国的种子轮后的AI创业公司中50％没有开始营利，但是比传统的SaaS初创公司在A轮融资多20-60%。

虽然我们清楚什么样的SaaS公司在2017年能够拿到投资，我们仍然在调整投资ML的模型，有关这方面的更多细节，Zetta的副总裁制作了一个很棒的框架。

方法论

融资仍然是一家公司成功的重要因素，我在这里进行的这项工作是回去了了70多家融资超过700万美元的AI应用公司。通过归纳推理，我创建了一个框架，并得出每一个关键的成功因素。 目标是创建一个基于早期成功AI公司的框架，而不是先入为主的定义框架。

我在CBInsight的百强AI公司名单的基础上增加了几个公司，建立了这个数据库。我从CBinsight的名单中删除了一些“核心AI”公司（第二波AI公司）以及数据准备阶段的公司（Paxata，Datarobot）或数据分析/科学（Rapidminer，Dataiku）领域的公司。 该列表的目的不是详尽无遗，但它构成了一个足够好的初次分析清单。

数据都说了些什么

地理分布

美国占据了69％的公司，而8％来自英国，7％来自德国。

有价值和正偏态的团队

第三波AI公司平均员工人数为133人，中位数为75人。相对同等规模融资水平的其他公司，员工数较小。

融资

这些公司总共融资64亿美元。平均每家公司融资9000万美元，但融资的中位数只有3000万美元。 这两个数字都显示了该领域的相对新兴。

AI应用类公司分布最多的行业包括：金融、销售&营销、医疗、运输和网络安全。这5个行业占据了应用AI公司总数的65%，占据了总融资额的89%。尤其是金融行业的AI应用公司，占据了融资总额的52%。

框架的定义

根据列表中的公司，我们似乎可以创建四个类别的框架。

1、“全栈”：控制整个价值链的公司。他们拥有与客户和供应商的关系，不向传统的公司出售软件。 使用AI建造下一代诊所的Babylonhealth是全栈AI公司的很好的例子。

2、“AI技术提供方”，销售包含AI技术的软件。

• 这一类别可以细分为垂直解决方案和通用型两类。其中通用型没有聚焦特定的行业，而垂直解决方案对某个细分行业有着专业解决方案。例如通用汽车收购自动驾驶软件公司，就是垂直解决方案的一个例子。Salesforce这类的CRM软件通常是通用型软件的代表，各个行业都可以使用。
• 此外还可以细分出两类，一类是旨在代替行业现有公司的初创企业，即“挑战者”，一类是旨在创造新事物的新兴初创企业，即“创新者”。比如说，硅谷的大数据智能关系管理创业公司RelateIQ，在被Salesforce收购之前，它就属于“挑战者”一类，与Salesforce处于竞争的关系。再比如说，通过人工智能技术来分析各家客户公司的销售电话的Chorus.ai，创造了新的需求，属于“创新者”一类。

为了更形象的描述这种关系，我们将Oracle的CRM软件和Salesforce以及RalateIQ进行对比。早在15前，Salesforce通过对于云技术的理解，赢得了市场，而RelateIQ抓住了机器学习为用户提供了新的附加价值的机会，于是Salesforce以3900万美元收购了这家仅仅成立三年的公司，并推出了自己的SalesforceIQ。

这些公司之间另一个有趣的差异在于他们进入市场的方式（创新vs颠覆）。全栈公司和新兴类别领导者是颠覆者。全栈公司旨在取代成熟的市场龙头企业，新兴类别领导者通过新产品创造新市场，这也为VC带来了新的挑战。垂直技术推动者和通用型挑战者是创新者，它们为现有流程提供增量价值。

关于以上几类的一些统计数据

• 数据库中三分之二的公司属于技术提供者，余下的属于全栈公司。
• 有趣的是，全栈公司的融资额却是技术提供类公司的5倍左右，这也从侧面反映了全栈公司要承担整条价值链上的用户获取成本和人才招聘成本。数据显示他们的员工人数也较多。
• 到目前为止，技术提供类公司所拿到的融资总额类似。但平均看来，垂直类AI创业公司的员工规模是最小的。就像在SaaS领域一样，与通用类公司相比，垂直类人工智能公司更多是以工程和技术驱动的，不需要在销售和营销这方面投入过多人力。

风险与机遇

• 面临不同的挑战，例如用户和数据获取策略，资金欲求。
• 面临不同的风险，例如与现有公司之间的竞争和依赖关系。
• 面临不同的发展机遇，例如专注价值链上游，替代现有解决方案、退出机会。

详细的分析见下图：

以下6点挑战和机遇值得单独细说：

1、搭建全栈技术来扩大市场规模

发展良好的垂直AI公司可以利用他们客户的数据和经验来转换为全栈型AI公司。这些样的公司可以提供完整的价值链，甚至与之前的客户竞争。 这样他们的潜在市场规模可能会增长10倍。 Infermedica是一个很好的例子，Infermedica是一个机器学习工具，帮助医生做出决策。成为全栈型公司之后，它就可能与现有的诊所进行竞争，就像人工智能诊疗平台Babylonhealth一样。为用户提供全天候医疗咨询服务。这意味着作为投资者，我们需要考虑两个TAM：一个市场中潜在的软件支出，以及AI普及后的整个特定市场。

2、垂直AI公司已经出现，帮助传统公司与全栈AI公司竞争。

通用汽车公司收购了Cruise Automation，来加强自动驾驶汽车的研发。Zestfinance正在帮助银行利用机器学习来评估信用评分，就像Kreditech，Affirm或Avant一样。这些例子表明，在全栈AI公司已获得较大认可度的市场，垂直AI公司有新的机会。

3、先通过没有AI的解决方案来产生有价值的交易数据，再进一步自动化工作流

数据库中许多成功的公司在整合ML组件之前就开始向客户销售产品，他们通过一种聪明的方式来获取更多的客户数据。然后再通过技术来挖掘更多的价值，并且凭借数据网络效应建立了壁垒。InsideSales是一个很好的例子，他们首先通过游戏化的销售流程收集了大量的数据。然后才开始销售基于AI的销售预测平台。这里需要注意的一点事，在没有整合AI之前客户已经准备好为软件付费。

4、一个领域的挑战者可能会被创新的传统企业所取代

我们总是想知道大型SaaS公司通过收集数据建立业务壁垒。一个例子是一家处理Zendesk数据的公司，Zendesk累计了多年的客服坐席数据的优势。如果壁垒是数据量，我们假设算法正在成为一种商品，那么依赖于第三方数据的项目的长期机会是什么？我们认为，了解这些传统大公司的的产品迭代速度和数据策略往往是评估这种风险的关键。

5、收集和处理新的数据流以建立壁垒。

抵消第4点风险的有趣方法之一是收集现有企业没有的新数据流。InsideSales收集Salesforce数据库之上的销售生产力数据。Chorus处理语音数据， Salesforce也没有涉及。

6、垂直AI技术不能随着时间推移一直获取有价值数据的风险

我们不能确定垂直AI技术公司是否能建立持久的事业，目前还不清楚传统企业是否愿意与同一领域的垂直AI公司长期共享数据。与其使用垂直AI公司的解决方案，他们可能更愿意使用AI代理商。同时，垂直AI公司之间也共享同样的数据。换句话说，行业特定或垂直的AI技术公司如果希望长期可持续的发展（如第一条所说），可能需要转变为全栈型公司。

结语

与上世纪80年代的人工智能寒冬不同，无论从资本市场还是媒体报道来看，垂直类人工智能公司似乎正在蓬勃发展。人工智能公司的发展正处于一个临界点，未来几年的发展将决定人工智能公司能否实现规模化扩张。无论从运营还是投资的角度，这些公司都为我们提供了很多有趣的点去探索。他们的护城河是什么？致胜策略是什么？获得长期成功的早期标准有哪些？希望本文提供的框架可以帮助投资人看清目前这个市场，帮助早起创始人解决垂直AI公司的风险，抓住机遇。

【编译组出品】编辑：杨志芳