在與創業公司合作的幾個人工智慧項目之後，我意識到人工智慧中斷的一個方面仍然是相對未經審查的：人工智慧公司的正確商業模式。

該產品是作為服務出售還是作為用戶的新功能類別出售？提及收入類型是任何AI項目的重要組成部分。

由於與AI相關的許多技術元素，我注意到現有的傳統商業模式並不總是適用。

商業模式：企業成功運作的計劃，確定收入來源，預期客戶群，產品和融資細節。

人們可能會認為，像他們之前的雲/ SaaS公司一樣，人工智慧創業公司擁有共同的商業模式。但是，我注意到很難將SaaS模型應用於AI初創公司。

實際上，根據AI解決方案的性質，您將始終需要數據，大量原始計算能力和演算法。客戶消化的本質上比雲初創公司更複雜，它也需要不同的東西，因此技術也必須以不同的方式出售。

在進入人工智慧商業模式之前，我認為根據我的經驗展示人工智慧景觀非常重要。

AI Landscape可分為兩個部分：

  1. 基礎設施：這些公司在後端運行，並為其他公司提供計算服務。他們遵循的商業模式通常基於API調用。一個很好的例子是IBM Watson，它通過其Bluemix平台提供情感分析，NLP和實體識別。IBM向用戶收取API調用費用。
  2. 應用：這些可以在B2B和B2C領域。然而，在B2B領域可以看到重要的活動，即公司提供基於SaaS的訂閱服務。這些公司通常為客戶定義的特定用例開發應用程序。因為我非常熟悉它，所以我可以多談一下這個。我意識到，在經過多次概念驗證之後，其中一些最終被重要公司收購。基本上，如果這些AI公司所做的事情被客戶視為具有戰略意義，那麼一些大客戶將希望獲得創業而不是租用該技術。

讓我們現在關注AI初創公司：

基本上有三類AI創業公司：

回到商業模式，我觀察到其中兩個開始運作良好，其他存在，但我尚未介紹它們。

1。

在此模型中，新的AI解決方案將提高當前工作流程的有效性。

由於密集部署，銷售周期很長。因此，每筆交易必須很大才能保持創業活力。除了重要的開發成本之外，還需要大量的運行成本。通常，公司會向您收取定製解決方案的開發費用，然後讓您支付每月運營成本以及運營支持/培訓。

2。

業務模型或多或少類似於SaaS模型。它涉及可以在其他系統上進行交互的AI解決方案，例如CRM / ERP系統。AI訪問流經這些系統的數據，從而推動業務改進。在此商業模式中，公司將按月向您收取費用。根據我的經驗，它更容易使它適用於NLP項目（聊天機器人等）

通常，此類解決方案部署速度快，因此銷售周期快速，並且具有可靠的ROI。但是，這種商業模式也很脆弱。如果AI解決方案不能證明自己「必不可少」，那麼它將容易受到預算削減的影響。

這取決於數據

您的下一個業務模型將高度依賴於您可以使用的數據。

顯然，您利用數據的能力將影響您的業務模式。鑒於可以複製數據（許多項目在PoC階段開始使用虛假數據），因此本質上並不稀缺，數據的價值在大多數行業中總體上相當低，並且趨勢較低。

作為一家初創公司，您不需要世界上所有的數據，只需要解決您所追求的特定問題所需的數據（只要您精確定義了它）。

它還取決於你的項目的性質，讓我們想像你想要建立AI驅動的無人機。您需要將硬體成本和其他產品相關成本集成到您的業務模型中。

與常規SaaS初創公司相比，構建AI首次啟動仍然更加困難和耗時。實際上，數據採集和AI培訓需要花費大量時間。部署TensorFlow仍然需要罕見的專業知識。出於所有這些原因，SaaS模型對於AI初創公司來說可能很複雜。

收入分成

我曾與幾家無力承擔從頭開始構建AI解決方案的公司合作過。因此，他們決定與專註於定製解決方案的AI開發初創公司合作。通過收益分享業務模式，兩家公司都設法找到了興趣。他們都同意建立一個PoC，如果它有效，他們分享好處。唯一棘手的問題是誰將提供構建PoC所需的數據。根據我的經驗，兩家公司都不願意花太多時間收集數據。

它適用於試圖改進現有解決方案而不花費太多開發成本的軟體公司。我可以設想一個未來，AI開發團隊可以獲得多個收益分享合同，讓其他公司完成所有的商業/營銷工作。

唯一不好的方面是另一個合作夥伴想要添加某種非競爭性條款。從合同的角度來看，雙方都有點複雜。實際上，兩者都有一些東西會丟失。第一個變得嚴重依賴於AI公司，而AI公司不能將這個相同的解決方案出售給另一個競爭對手。

我注意到大多數人工智慧開發初創公司都有一些付費飛行員在運行，並且有一些早期跡象表明，一旦這些飛行員​​投入生產，客戶將準備支付大量資金。

因此，他們總是對確保可以創造新收入的新夥伴關係感興趣。特別是，當他們已經開發出類似的演算法來回答您的業務問題時。

SaaS與AI

人工智慧初創公司選擇SaaS模式可能很誘人，但由於種種原因，這種選擇可能會有風險……

價錢

試點

AI解決方案的本質創造了一種情況，其中通常特別注釋的訓練數據是強制性的，以及許多不同的數據源。因此，您無法將AI測試限制為少數用戶。實際上，它會降低解決方案適應客戶需求的能力。使用AI的人越多，學習的速度就越快。

出於這個原因，我看到幾家初創公司使用項目經理幫助公司了解AI流程並對其進行培訓。顯然，這種額外的資源需要在業務模型中預期成本。

評估

在部署解決方案的幾天內，傳統SaaS解決方案的價值主張通常是顯而易見的。

然而，在AI系統通過足夠的訓練數據並暴露於多個用例之前，它可能不會比傳統軟體更好地執行。根據您的業務問題，一旦解決方案完全正常運行，並且在其學習曲線改進之後，此AI解決方案的附加值將顯而易見。

由於這一關鍵因素，AI初創公司很難使用免費增值模式。AI比傳統解決方案需要更多時間。

我最新的AI項目確實賺了收入，但可能只佔我們花在其上的金額的9％。由於我們在訂閱收入持續下降的同時減少支出，因此這些數字有所改善，但根據我的經驗，AI產品在首次推出時無法盈利。

AI即服務

我注意到大多數公司至少使用一種「即服務」。實際上，它使他們能夠專註於他們的核心業務，並在一項重要服務上花更少的錢。很明顯，近年來企業建立技術堆棧的方式發生了轉變，這主要是由於數字平台和微服務的重大轉變。「作為服務」：指可以通過網路調用的任何軟體，因為它使用雲計算。

這種解決方案的成功可以解釋為購買此類解決方案的難易程度。實際上，在大多數情況下，您可以從第三方供應商處購買，進行一些修改，並立即開始使用它。

對於那些不能出於預算原因或不願意建立AI解決方案的公司而言，AI-as-a-service是不浪費機會的完美答案。與其他「即服務」選項一樣，同樣的方法也適用於人工智慧。

數據是機器學習的驅動力。

在未來一年，由於多種原因，企業將迅速開始將機器學習即服務（AIaaS）納入其技術堆棧。

從我所看到的（其他商業模式確實存在！），如果我們從更大的角度來看，全球公司可以生產並獲得如此多的數據，但不一定是回答特定業務問題所必需的數據。

他們可以輕鬆地構建和培訓自己的機器學習模型。這使得他們可以像MLaaS一樣將它提供給外部公司，就像他們擁有更多的數據中心空間一樣，他們可以提供IaaS（基礎設施）。

此外，您還擁有專門為客戶構建量身定製解決方案的AI開發團隊。這些公司使用這些全球性公司創建的工具，為小型公司構建這些AI解決方案。一種全新的生態系統和商業模式正在出現。

通常，較小的公司無法獲得足夠的數據來創建強大的AI模型; 但是，他們確實擁有寶貴而精確的數據（以及出色的商業知識），可以開始構建可用於AI項目的優秀數據集。

結論…

顯然，可能會出現新的AI商業模式。我相信人工智慧初創公司需要一段時間才能找到人工智慧成功的「正確」公式。選擇能夠使您的業務有效增長的業務模型非常重要。

本文轉載自medium，原文地址