Proč zakládáme Miton AI lab
Kde najít hodnotu v měnícím se světě? Z board meetingu je k odpovědi daleko, musíte něco reálně stavět. Takže jsme díky AI zpět tam, kde nás to nejvíc baví.
Vydání #117:
Nejdřív ohlédnutí: Co z toho, co jsme si mysleli o AI, vydrželo? V čem jsme se netrefili?
Oblíbené predikce: Kam si myslíme, že to směruje? Jaká témata nás investičně zajímají?
A hlavně odpověď na úvodní otázku: Proč zakládáme Miton AI lab?
💬 V čem jsme se (ne)trefili
Vydrželo: Že AI není jen další technologická vlna jako mobil nebo cloud, ale nové prostředí, ve kterém se postupně přeskládá většina existujících služeb.
Nevydrželo: Představy o limitech modelů. V mnoha případech to byla jen otázka většího datasetu nebo chytřejšího engineeringu kolem modelu. Taky jsme si mysleli, že open-source modely jsou jen pro nadšence: kdo chtěl spolehlivost, volil proprietární API. Kvůli ceně vývoje LLM to vypadalo, že to bude nový status quo na dlouhou dobu. Dnes ale OSS dělají 30 % tokenů na OpenRouteru (zdroj).
Posunulo se i to, čemu věříme. Před třemi lety se debaty polarizovaly mezi „AI je AGI a všichni umřeme” a „AI je jen lepší autocomplete”. Dnes se střed přesouvá k představě AI jako mocné inteligence. Každopádně se to původní spíše intelektuální tušení “AI bude velká věc” přetavilo v až fyzický pocit jistoty. Svět se přeskládává.
📊 Jak se Mitonu daří, co se AI týče?
Rossum, do kterého jsme investovali v 2017, si před měsícem připsal miliardový exit. Do AI portfolia v mezičase k Rossumu a Equilibre přibylo dalších pět AI-native firem nového střihu: pár lidí se strmou křivkou učení, kdy jeden tlačí modely, druhý sales a marketing přes agenty. Whisper, DeepScout, Bandits a jejich Lasso, Aim, PangeAI.
👀 Co vidíme
Tři pozorování, která se nám jeví jako nejvíc očividná.
1️⃣ Hodnota psaní softwaru klesla na desetinu a defensibilita s ní
Skoro všechno, co někdo v okolí za poslední rok postavil, konkurence okopírovala do měsíce. Vidíme to navíc z obou stran. Portfoliové firmy už dneska nečekají tři kvartály na dokončení produktu. Novou věc nakódí za pár týdnů s třetinovým budgetem. Stal se z toho nový, nutný mód fungování.
To má strukturální důsledek. Když cena psaní softwaru klesne na desetinu, klesne s ní i defensibilita feature-based byznysů. Moat se přesouvá. Nezůstává v kódu, ale v distribuci, datech, network efektech, real-world kotvách, regulaci, doménové hloubce. “Kdo má lepší AI featuru?” není ta nejlepší otázka. Zajímá nás spíš, kdo má něco, co se nedá zkopírovat za měsíc.
2️⃣ Hranice toho, co je v modelu, a co je kolem něj, se posouvá každý měsíc
Tohle je technicky nejzajímavější otázka současného AI a zároveň ta, kterou nejde pochopit od stolu. Když k nám přijde projekt, který chce řešit problém X, je první test: dá to Claude na jeden prompt? Pokud ne, je druhý test: o jak hluboký engineering kolem modelu jde? Tahle hrana je dnešní bitevní pole. Pohybuje se každý měsíc a vidíte ji jen tehdy, když zblízka pozorujete týmy, které něco budují.
3️⃣ Gap mezi tím, co AI umožňuje, a tím, co se ve firmách reálně děje, není gap znalostí
Když mluvíme, řekněme, s majiteli účetních firem, řeknou nám „no way, že by tu agendu za nás dělal stroj”. Z naší pozice víme, že to tak bude. Gap nespočívá v tom, že by lidi neměli informace. Stojí na akceschopnosti a incentivách. Founder propustí třetinu lidí a předělá procesy. Manažer má často naopak motivaci nic neměnit, protože kdyby propustil lidi, bude mít víc práce. Navíc AI je probabilistická. Stacknete dvě nepřesnosti a máte stack nepřesností. Velké organizace tuhle nejistotu nesnášejí. Proto v zavedených firmách jde transformace pomaleji, je to z jejich pozice racionální.
🚀 Témata, která nás aktuálně zajímají
Infrastruktura pro agenty. Potřebují přístup k datům, která jsou roztroušená napříč interními systémy, internetem a reálným světem. Každý nástroj musí mít oproti konkurenci alespoň jednu z těchto vlastností: 1) unikátnost = real-time datové toky, interní vzorce používání, 2) vyšší kvalita = Exa má lepší vyhledávání než LinkedIn, 3) nižší cena = Firecrawl je levnější než scrapovat web vlastními silami.
Infrastruktura inference. Na dalších pět až deset let no-brainer. Postavit datacentra bude trvat a poptávka po výpočetní kapacitě těžko poklesne. Poroste adopce AI a nové verze agentů a náročnější reasoning typicky používají stále víc tokenů. To je trend, který poráží rychlost inovací a optimalizací. Myslíme si, že zvýšení poptávky povede ke zvýšení marže inference providers. To vše dohromady způsobí, že LLM calls budou signifikantní položkou OpEx reportů. Bylo by fajn, aby alespoň část této hodnoty zůstala na evropské straně Atlantiku.
Transformace existujících firem s daty, uživateli nebo real-world kotvou. Když má firma data, distribuci, komunitu nebo regulatorní zakotvení a my zkušenost, jak v takové firmě AI použít, je tu možnost desetinásobného zhodnocení. Funguje to ale jen tam, kde je akceschopnost. Viz výše.
Věci, které před AI prostě nebyly možné. Oblíbený brainstorming. Co třeba AI jako alternativa mezilidské komunikace u témat, která byste nikomu než AI nesvěřili? Další: v marketingu jste dřív udělali 1 000 kreativ, teď jich můžete mít milion. Změna není jen kvantitativní, mění to celý produkční přístup. A co třeba globální hlukové mapy? Ideální pro našeho Ondru, který už dlouho hledá tichá místa. Nebo nové způsoby vzdělávání?
Otevřených otázek je každopádně víc než odpovědí. Jak bude vypadat consumer AI vedle Claude a ChatGPT, kteří mají dnes kontext nesrovnatelný se vším ostatním? Bude obhajitelnost spočívat v distribuci, nebo se ještě vrátí do produktu, až se ukáže, kde modely narazí na reálné limity? Kolik z dnešního „chytrého engineeringu” za rok zmizí, protože to model dá sám?
Tyhle otázky z investičního pohledu nerozseknete. Z board meetingu už vůbec ne.
👨🔬 Co z toho plyne: Miton AI lab
Hlavní důvod, proč lab existuje, je hledání hodnoty v novém světě. Když cena psaní softwaru klesne na desetinu, hodnota se přesune. Kam? Máme na to teze (popsali jsme je výše), ale abychom jim věřili, musíme je zkusit.
Lab je pro nás výzkumný nástroj pro otázku, na kterou neumíme odpovědět z investiční pozice ani z board meetingu: co a jak se s AI dá udělat úplně jinak, a kam se hodnota přesouvá teď, ne za pět let.
Lab tvoří (zleva na fotce) ML inženýři Tonda Hoskovec a Radek Bartyzal a DevOps Honza Škařupa. Tým AI labu nemá primárně investovat ani radit v portfoliu, ale stavět. Vlastní experimenty, vlastní produkty, které nám otevřou pohledy, jaké díky investování nemáme.
Anex.sh: První veřejný projekt AI labu
Spadá do tématu infrastruktury inference. Anex je open-source nástroj pro Kubernetes, který umožňuje plánovat GPUs workloads na marketplacech jako Vast.ai 3x-5x levněji.
O dalších projektech AI labu vám brzy napíšeme. Vrátí se taky klasické AI zpravodajství, protože Lukáš dnes konečně dělá poslední zkoušku :) Těšit se můžete i na tipy na letní AI čtení. A pokud něco podnikáte s AI, dejte nám o tom vědět na mitonainl@miton.cz!
Náš list 🇨🇿 🇸🇰 AI startupů, které musíte znát.
Tady je shrnuté vše, co v Mitonu podnikáme v AI a s AI.