Continuous Learning_Startup & Investment

VC vs PE: 스타트업이 가져야할 올바른 사고방식은 무엇인가? <페이팔 공동창업자, Yammer 창업자, Craft Ventures 창업자, All-in pod David Sachs> 1. 창업자가 스타트업에서 수백만 달러를 벌거나 아무것도 얻지 못할 수도 있기 때문에 VC와 PE의 사고방식 차이를 이해하는 것은 스타트업에게 매우 중요합니다. 2. 무리한 투자 라운드는 초기 단계의 투자자와 후기 단계의 투자자 사이에 인센티브 격차를 만들어 창업자와 초기 단계의 투자자에게 큰 영향을 미칠 수 있습니다. 3. 벤처캐피털 거래에서 선호도가 높으면 투자금 회수 시 창업자와 일반 주주는 아무것도 얻지 못할 수 있습니다. 4. 수익성을 달성하면 기업은 자금 부족에 대한 부담 없이 수익성 있는 소프트웨어 회사를 상당한 금액에 매각할 수 있는 사모펀드 모델을 추구할 수 있습니다. 5. 스타트업은 자신의 성장과 재무 상황을 현실적으로 고려해야 하며, 벤처캐피털에 적합하지 않은 경우 PE 방식으로의 전환을 고려해야 합니다. 6. 현재의 자금 조달 환경은 특히 2020년과 2021년에 성장 자금을 조달한 비AI 기업에게 어려운 상황입니다. 7. 스타트업은 지속적으로 진화하고 AI와 같은 새로운 기술을 비즈니스 모델에 통합하여 경쟁력을 유지해야 합니다. 8. 스타트업은 자금 조달에 있어 타이밍이 매우 중요하며, 자금이 바닥날 때까지 기다리지 말고 필요할 때 자금을 조달해야 합니다. 9. 제품 시장 적합성을 개선하고 잠재적인 피벗 또는 인수를 모색하는 것은 스타트업이 장기적으로 성공하기 위해 필수적입니다.

https://youtu.be/f51Yd9h9ZXo Understanding the difference between VC and PE thinking is crucial for startups, as it can determine whether founders make millions or get nothing from their startup. Cram down rounds can create a divergence of incentives between early-stage and late-stage investors, potentially impacting founders and early-stage investors significantly. Large preference stacks in venture capital deals can leave founders and common shareholders with nothing in the case of an exit. Achieving profitability allows companies to pursue a private equity model, where profitable software companies can be sold for a significant amount without the pressure of running out of money. Startups should be realistic about their growth and financial situation, and consider shifting to a PE approach if they are not VC eligible. The current funding landscape is challenging, particularly for non-AI companies that raised growth funding in 2020 and 2021. Startups should continuously evolve and incorporate new technologies into their business model, such as AI, to stay competitive. Timing in fundraising is crucial; startups should raise money when they need it rather than waiting until their back is against the wall. Improving product-market fit and exploring potential pivots or acquisitions are essential for startups to succeed in the long run.

과거 25년 동안 응용 소프트웨어 스타트업은 단일한 목표에 집중했습니다: 기업과 직원(개발자 포함)의 생산성을 높이는 것입니다. 이는 직원 레벨에서 생산성을 높이고, 팀 간 협업을 증진시키며, 리더십 레벨에서 더 나은 감독과 관리를 가능하게 하는 소프트웨어를 개발하는 것을 의미했습니다. 대부분의 경우 이러한 소프트웨어는 인당 비용을 기준으로 가격이 책정되었습니다. 대형 언어 모델(LLMs)이 등장했습니다. 첫 번째 제품군과 LLM을 활용한 스타트업은 종단 사용자의 생산성을 혁신적으로 향상시키기 위한 소프트웨어를 판매하는 정신 모델을 유지했습니다. "Copilot for [x]" 트렌드가 이를 반영하고 있습니다. LLM은 기존의 생각 방식을 넘어서 소프트웨어를 판매할 새로운 영역을 찾을 기회를 제공합니다. 이를 위해 창업자는 종단 사용자의 생산성을 향상시키는 소프트웨어를 판매하는 대신 작업 자체를 판매하는 것을 고려해야 합니다. EvenUp을 예로 들면, 개인 부상 변호사로서 피고인을 대신해 '요구 패키지'라는 작업 결과물을 생성합니다. 요구 패키지는 사례의 요약, 부상에 따른 의료 비용(잃은 임금 포함), 그리고 피고의 보험 회사로부터의 합의 가치에 대한 추천을 포함합니다. EvenUp은 작업 결과물 자체, 즉 요구 패키지를 판매하는 통찰력을 가지고 있습니다. 작업을 판매하면 판매 주기가 달라지고, 비용은 작업을 수행하는 인간 대신 생산성 향상자로 상대적으로 책정됩니다. AI가 주도하는 제품은 일관성과 SLA를 달성할 수 있어 외주 서비스보다 훨씬 우수하고 저렴할 수 있습니다. 이러한 변화가 사람들을 대체할 것이라는 두려움이 있지만, EvenUp의 예를 보면 변호사와 패러리갈이 요구 패키지 작성에서 해방되어 더 나은 고객 서비스나 마케팅에 시간을 할애할 수 있습니다.

어떤 일들을 Outsourcing 할까?

기존 직원들의 생산성을 10배 개선하는 것이 아니라, 업무 자체를 훨씬 1) 더 싸거나 2) 더 좋게 만드는 것에 집중할 필요가 있다. 1) 더 싸게 - 외주를 맡겨서 해결하던 문제들을 훨씬 싼 가격에 제공할 수 있는가? - 시간당 가치가 높은 전문직들은 외주를 활발하게 사용하는데 외주를 사용하면서 발생하는 비용이 존재한다. AI를 쓰면 그 비용을 10배 더 줄여볼 수 있지 않을까? 2) 더 좋게 - 아주 비싼 판단(투자, 진단, 전술 등)에서 올바른 판단을 할 수 있도록 판단의 근거 혹은 각 선택의 확률 계산을 해준다면 기꺼이 해당 서비스를 쓸 수 있다. 투자 회사들이 비대칭 정보에 큰 돈을 쓰는 이유.

스노우폭스가 $621m에 인수된 이유를 간접적으로 느끼게 해준 기사. 마트 스시만의 갬성이 있지 https://www.wsj.com/business/retail/how-kroger-became-the-biggest-sushi-seller-in-america-d6ad149?ref=thediff.co

Sushi is one of the industries that has benefited from the invention of refrigeration technology. The creators of refrigeration technology have created tremendous value for humanity, but the things that capture that value often happen elsewhere.

Sequoia Capital의 창업자 Don Valentine은 기술부터 제품까지 엄청나게 잘 만들었고 좋다고 pitch하는 창업자에게 항상 마지막에 던진 질문은 "So what?"이었다고 한다. 제 아무리 대단한 기술로 그럴듯한 제품을 만들었다고 하더라도 그것이 고객에게 주는 benefit이 marginal하거나 시장을 제대로 이해하지 못하여 고객의 필요를 채우지 못한다면 - 시장은 곧 고객들이 모여 있는 유무형의 공간이다 - 그것은 별 소용없는 시도이다. Sequoia Capital의 현재 Chairman인 Doug Leone은 많은 스타트업들이 자신들이 속해 있는 시장이 핫하고 거대한 시장이라고 말하면서 우리는 3%의 시장을 장악할 예정이라고 말하곤 하는데 이는 틀린것이라고 한다. 실제 그런 대단한 시도와 제품은 시장의 70%를 장악하곤 하기 때문이다. 그래서 25페이지 슬라이드 중에 23페이지를 제품설명에 할애하고 2페이지만 시장 설명을 하는데 이렇게 해서는 안된다고 한다. "Entrepreneurs often come into a meeting and say things like: “It’s a hot market” or “It’s a big market. All we’ve got to get is 3% and we’re going to be a big company.” That’s a mistake, says Leone. “Markets don’t work that way. Winners take 70%.” Don’t bring a presentation that includes 23 slides on the product and just two on the market, he says." 많은 경우 들을때는 그럴듯한데 정작 곰곰히 생각해보면 고객이 사용하지 않을것 같은 경우가 대다수이다. Clearing thinking을 통해 디테일까지 가야한다.

High rates can improve tech businesses by forcing better management and responsibility. He notes that low interest rates have inflated valuations unsustainably. He highlights a joint venture between his organization and a large government to create a specialty chemical used in the battery supply chain, which would not have been possible a few years ago. Palihapitiya believes that diversifying the supply chain away from China will create economic tailwinds for North America and its allies Chamath Palihapitiya discusses the potential for early stage investors to invest in companies that may not have viable public market potential but are building unique data repositories that can feed into larger companies' AI efforts.

Around the World in 21 Days​ Aakash Gupta published Product Requirements Documents (PRDs): A Modern Guide. imagecredit: Wired There at the top of the post is a photo of the 2007 APM class, coincidentally my class (I’m there on the right), departing San Francisco for a trip that would take us to Tokyo, Beijing, Bangkok, Bangalore & Tel Aviv. Steven Levy, a reporter, traveled with us & documented the trip. I remember landing in Tokyo, paying for the subway with a mobile phone system called Oyster, just a few weeks after the first iPhone launched. Today, that’s quotidian for millions, but not sixteen years ago. We landed in Beijing at the dawn of the superapp & a few weeks before the Olympics. A generation of users had skipped PCs, preferring to navigate, pay, chat, & do business on a single app. I watched users in the UX lab : I never thought to ask the question, how does a Chinese user input text for the character alphabet? Predictive text systems were clunky so voice messages were far more popular for this reason. Bangkok, the shortest stop, offered us mangosteens, a fruit I had longed to try for many years, & tuktuks. In India, the Internet’s synapses hadn’t yet reached many parts of the country, especially rural, but it had upended fishing markets. Fishermen received SMS messages directing them to the markets yielding the best prices for their catch. I trialed a Segway in the Tel Aviv office & we wondered if sidewalks would evolve to accommodate flocks of them. Arabic & Hebrew languages are read right-to-left, which at the time, required significant work to support in the ads product I managed. Those 21 days changed the way I viewed technology. The future is here, it just isn’t equally distributed. Some places were more advanced, others less so. Tokyo felt of the future, China had skipped the PC, India’s villages operated on SMS, & the Middle Eastern writing orientation - all of them opened my eyes to how the world may feel homogeneous from a PM’s Macbook Air in Mountain View, but was many users’ reality was richly nuanced - something I only understood in the field. I’ve never forgotten the stark difference between my expectations of the way people use technology & the way they actually do. I’m grateful for that extraordinary experience with a wonderful group of people. If you have a chance to visit your users or customers, leap for it. It will open your eyes.

It's important to do things fast You learn more per unit time because you make contact with reality more frequently Going fast makes you focus on what's important; there's no time for bullshit "Slow is fake" A week is 2% of the year Time is the denominator Enthusiasm matters! It's much easier to work on things that are exciting to you It might be easier to do big things than small things for this reason Energy is a necessary input for progress We know less than we think The replication crisis is not an aberration Many of the things we believe are wrong We are often not even asking the right questions Where do you get your dopamine? The answer is predictive of your behavior Better to get your dopamine from improving your ideas than from having them validated It's ok to get yours from "making things happen" You can do more than you think We are tied down by invisible orthodoxy The laws of physics are the only limit

There are many reasons I like Nat a lot in this page, https://nat.org/.

Good case of using gpt3.5 finetunning. https://twitter.com/i/status/1695102995325710484

Chat GPT, AI 제품, 데이터, AI 회사들의 미래는?, 스타트업 전용 GPU Cluster까지 깃헙 코파일럿 만든 냇과 Ex YC 파트너 다니엘이 stratechery에서 한 인터뷰 1. ChatGPT - 개발자 중심 → 사용자 중심 - 과거 아이폰은 바로 사용자 중심에서 시작했지만 AI는 개발자 중심에서 사용자 중심으로 움직이고 있다. - 과거 스마트폰이 연결을해주면서 새로운 기회를 만들었지만, 컴퓨터가 도입되면서 많은 비즈니스들의 Unit Economics가 바뀐 것처럼 AI는 Unit Economics를 바꿀 수 있다. - Internet이 정보 소비에 필요한 비용을 0으로 줄였다면, AI 정보 생산에 필요한 비용을 0으로 줄인다. - Chat GPT가 AI 시대에 Netscape이고 앞으로 새로운 Google과 Facebook이 나오지 않을까? - 현재 대부분 고객이 학생인데 그들은 돈 낼 능력이 많진 않다. 그런데, 코딩을 엄청 잘하는건 앞으로 Chat GPT가 만들 임팩트가 엄청 크다는 것. 엑센추어는 기업용 소프트웨어 제조로만 연에 $13-14b을 판매한다. 2. AI 제품 1. 전문화되서 비싼 일(Legal, Medical works)을 AI가 비교적 싸게 할래? 아니면, 일반화된 작업을 엄청 빠르게 많이 할래? 1. 공공입찰, 법률, 커머스 등… 대부분의 일. 2. [Harvey](https://www.harvey.ai/), [Robin](https://www.robinai.com/), [Spellbook](https://www.spellbook.legal/) 2. 인간 vs AI가 아닌, AI로 업무의 생산성을 재설계한 조직과 그렇지 않은 조직의 대결 3. 광고, Social Media가 AI로 생성된 컨텐츠로 초개인화된다. - [Synthesia](https://www.synthesia.io/), [D-ID](https://www.d-id.com/), [Hayden](https://www.hayden.ai/) 4. 코딩 1. AI는 솔루션을 찾기는 어렵지만 검증하기는 쉬운 시나리오에서 탁월한 성능을 발휘한다. 코드는 작성하기는 어렵지만 테스트하기 간단하기 때문에 AI가 정말 잘 할 수 있다. 3. 보이지 않는 데이터 전쟁 1. Big Tech들은 이미 양질의 데이터를 수집하기 위해서 좋은 데이터를 생산할 수 있는 파트너 그리고 라벨링 회사들에 엄청난 돈을 써오고 있음. 1. Rumors suggest that Google is spending $1 billion on generating new training data. 구글이 GPU에 돈을 쓰는 만큼이나 좋은 데이터 수집에도 돈을 많이 쓰고 있음. 2. 현재 모델의 한계 1. 현재의 AI 모델은 데이터 사용이 비효율적이다. 미래의 아키텍처는 합성데이터(비디오, 오디오 등), Self-learning(AlphaZero), 또는 새로운 학습 기술 등을 사용해서 데이터 사용이 더 효율적으로 변할 수 있다. 2. RL과 최근 모델들이 결합되서 더 나은 성능을 만들지 않을까? 3. Generation Layer가 만든 것을 검증하는 Validation Layer가 추가되고 있다. 3. 전문가 사용의 효용성 - 전문가가 AI 데이터 셋에 이미 있는 정보를 피드백하는게 효율적인가? - 방대한 양의 코드 데이터를 학습했지만 여전히 코딩을 잘하는 사람을 따라갈 수 없는 한계가 있다. 4. NF는 랭킹과 추천에 중점을 두었던 ML 1.0에서 제너레이티브 AI 시대로 넘어왔다. ML 1.0 시대에는 데이터 준비가 중요했는데, 지금은 그 중요성이 덜 강조되는 것 같다. 4. AI 회사들 1. Anthropic: 언어 모델 플랫폼인 Bedrock을 위해 Amazon과 같은 회사와 제휴하여 B2B 접근 방식을 선택하고 있다. OpenAI가 플랫폼들의 벤더가 되고 싶지 않은 점을 노려서 B2B로 잘 크는 것 같다. Apple이나 Amazon이 인수할수도 있지 않을까? 2. Meta: 1. Llama를 출시하면서 채용에 도움을 많이 받을거다. 2. Local 모델은 Cloud 모델과 일부 결합되서 일부 작업은 Edge에서 일부는 클라우드에서 돌 거다. 3. Nvidia 1. 돈버는 AI 회사(ChatGPT, Midjourney, Character.ai) Subscription 구조인 이유는 Inference 비용 때문이다. 2. Nvidia, Google TPU가 몇년간 독/과점하지 않을까? 3. 어느 시점이 되면 GPU 과잉 생산이 GPU가격을 낮추고 Inference 비용을 낮춰줄 것 같다. 5. 자체 Computing cluster(Andromeda Cluster) 1. 좋은 인재, 제품, 데이터도 있는데 컴퓨팅 파워가 없다. 장기적으로는 비용이 떨어지겠지만 그 사이에 갭을 채워줘서 스타트업이 시장의 기회를 잡게 해줄 필요가 있다. https://stratechery.com/.../an-interview-with-daniel.../

AI 환경: 트렌드와 기회 AI 하이프 사이클: AI 투자와 스타트업 설립을 탐색할 때는 신중해야 합니다. 정당화되지 않은 과대 광고와 투자가 급증하고 있습니다. 소비자의 변화: ChatGPT의 성공은 소비자 대상 제품에 대한 수요가 있음을 시사합니다. 필요하다면 방향을 전환하세요. 경제적 영향: AI는 정보 생성 비용을 낮추고 있습니다. 이에 따라 비즈니스 모델을 재고하세요. 집중해야 할 산업: 의료, 소매, 운송, 에너지 산업은 예측 유지보수와 같은 AI 애플리케이션에 상당한 잠재력을 보여줍니다. AI 제품: 전략과 틈새 시장 기업 대 소비자: AI는 지적 노동을 자동화하는 데 성공하고 있습니다. 전문화된 업무와 일반화된 업무 중 어느 쪽을 타깃으로 삼을지 전략을 명확히 해야 합니다. 떠오르는 틈새 시장: AI는 공공 입찰, 법률 기술, 이커머스 분야에 진출하고 있습니다. 이러한 분야에 맞는 맞춤형 솔루션은 수익성이 높을 수 있습니다. 파괴적 혁신 모델: AI는 시장 저변에서부터 혁신을 일으킬 가능성이 높습니다. 소비자 부문도 무시할 수 없습니다. 데이터 중심 접근 방식: 가치는 데이터와 프로세스에 있습니다. 이러한 초점이 AI 스타트업의 미래를 형성할 것입니다. ChatGPT: 사용 및 수익화 계절성: 학생 사용량은 감소하는 반면 상업적 사용량은 증가합니다. 이에 따라 가격 책정 및 제품 제공을 맞춤화하세요. 고부가가치 도메인: 코딩과 같은 도메인에서 사용량이 많다는 것은 전문화된 가치 중심 가격 책정 전략의 여지가 있음을 나타냅니다. 데이터 제약: 데이터에 대한 그림자 전쟁 데이터 부족: 양질의 학습 데이터를 확보하기 위한 경쟁이 벌어지고 있습니다. 데이터 소스를 다양화하고 데이터 품질에 투자하는 것을 고려하세요. 고가치 토큰: 양질의 학습 데이터에 투자하는 것이 인터넷에서 무작위로 데이터를 스크랩하는 것보다 더 유리합니다. 미래 기술: ML 2.0 및 강화 학습 제너레이티브 AI: 업계는 데이터 준비에서 트랜스포머와 같은 제너레이티브 모델로 전환하고 있습니다. 데이터 품질: 이러한 변화에도 불구하고 데이터 준비는 여전히 필수적입니다. 더 스마트한 토큰과 데이터 클러스터링에 대해 알아보세요. 기업 협업: 앤트로픽, 아마존, 애플 개인정보 보호에 집중: 안전에 중점을 둔 Anthropic은 개인 정보 보호에 중점을 둔 안전한 AI 서비스를 위한 시장을 제안합니다. B2B 기회: AWS와의 협업은 미개척 B2B 틈새 시장을 암시합니다. 로컬 모델과 비즈니스 경제학 추론 비용: ChatGPT와 같은 비즈니스는 높은 추론 비용으로 인해 구독 모델에 의존하고 있습니다. AI가 이러한 비용을 무시할 수 있는 시점에 도달할 수 있을까요? GPU 부족: 이 대화는 GPU의 공급 제약이 임박했음을 나타냅니다. 이 병목 현상에 대비해야 합니다. 미래 시나리오: 공급 과잉 및 독점 공급 제약: 수요 증가는 닷컴 버블과 유사한 공급 제약으로 이어질 수 있습니다. 독점: 대기업만 AI 모델을 학습시킬 수 있는 미래 시나리오를 고려할 수 있습니다. AI 스타트업을 위한 전략적 인사이트 소비자 중심: B2B 기업이라면 B2C로 전환하거나 확장하는 것을 고려하세요. 데이터 전략: 아직 개발되지 않은 고품질 데이터 소스를 찾아서 학습에 활용하세요. 데이터 준비와 품질에 투자하세요. 전문화 대 일반화: AI 솔루션이 전문화된 고품질 작업을 목표로 하는지, 아니면 일반화된 대량 작업을 목표로 하는지 명확히 하세요. 수익화: 고부가가치 영역에 대한 가치 기반 가격 책정을 고려하세요. 공급 준비: GPU 공급 제약을 예측하고 계획하세요. 개인정보 보호 및 보안: 보다 안전하고 개인정보 보호 규정을 준수하는 솔루션을 제공할 수 있다면 시장이 있습니다. 데브옵스에서의 AI: 코드 생성 및 테스트에서 AI의 역량을 고려할 때, 데브옵스 분야의 스타트업은 수익성 있는 기회를 찾을 수 있습니다.

https://stratechery.com/2023/an-interview-with-daniel-gross-and-nat-friedman-about-the-ai-hype-cycle/ Insightful interview. AI Landscape: Trends and Opportunities AI Hype Cycle: Be cautious when navigating AI investments and startup formation. There's a surge in unjustified hype and investment. Consumer Shift: The success of ChatGPT suggests consumer-facing products are in demand. Pivot if necessary. Economic Impact: AI is lowering the cost of information generation. Reconsider your business model accordingly. Industries to Focus: Healthcare, retail, transportation, and energy show significant promise for AI applications like predictive maintenance. AI Products: Strategies and Niches Enterprise vs Consumer: AI is succeeding in automating intellectual labor. Your strategy should be clear on targeting specialized or generalized tasks. Emerging Niches: AI is making inroads in public tenders, legal tech, and e-commerce. Tailoring solutions to these sectors could be lucrative. Disruption Model: AI is likely to disrupt from the lower end of the market. Consumer sectors can't be ignored. Data-Centric Approach: Value lies in data and processes. This focus will shape the future of AI startups. ChatGPT: Usage and Monetization Seasonality: Student usage is down while commercial usage is up. Tailor your pricing and product offerings accordingly. High-Value Domains: Intense use in domains like coding indicates room for specialized, value-driven pricing strategies. Data Constraints: The Shadow War for Data Data Scarcity: There is a competition for quality training data. Consider diversifying data sources and investing in data quality. High-Value Tokens: Investing in quality training data is more beneficial than scraping random data off the internet. Future Technologies: ML 2.0 and Reinforcement Learning Generative AI: The industry is shifting from data preparation to generative models like transformers. Data Quality: Despite this shift, data preparation remains essential. Look into smarter tokens and data clustering. Corporate Collaborations: Anthropic, Amazon, Apple Privacy Focus: Anthropic's emphasis on safety suggests a market for secure, privacy-focused AI services. B2B Opportunities: Collaboration with AWS hints at unexplored B2B niches. Local Models and Business Economics Inference Costs: Businesses like ChatGPT rely on subscription models due to high inference costs. Will AI reach a point where these costs are negligible? GPU Scarcity: The conversation indicates an impending supply constraint for GPUs. Be prepared for this bottleneck. Future Scenarios: Oversupply and Exclusivity Supply Constraints: Rising demand may lead to supply constraints similar to the dot-com bubble. Exclusivity: A future scenario where only large corporations can afford to train AI models is contemplated. Strategic Insights for AI Startups Consumer Focus: If you're B2B, consider pivoting or extending to B2C. Data Strategy: Look for untapped, high-quality data sources for training. Invest in data preparation and quality. Specialization vs Generalization: Be clear if your AI solutions aim for specialized high-quality tasks or generalized high-quantity tasks. Monetization: Consider value-based pricing for high-value domains. Supply Preparedness: Anticipate and plan for GPU supply constraints. Privacy and Security: If you can offer more secure and privacy-compliant solutions, there's a market for you. AI in DevOps: Given the AI's capabilities in code generation and testing, startups in DevOps could find lucrative opportunities.