En büyük dikey yapay zeka pazarı göz önünde saklanıyor

• Ne kadar parçalı ve operasyonel olarak karmaşık bir sektörse, dikey yapay zeka sistemleri için güçlü bir savunma hattı kurmaya o kadar elverişli bir pazar ortaya çıkar; ancak çoğu kurucu ve yatırımcı bunu gözden kaçırıyor
• Temiz, tekil görev otomasyonu kolayca kopyalanabilir; ancak regülasyonlar, legacy entegrasyonları ve istisna yönetimiyle örülü iş akışlarına derinlemesine giren sistemler, rakiplerin, müşterilerin ve yapay zeka laboratuvarlarının kolayca yakalayamayacağı bir yapı oluşturur
• Pazar büyüklüğü yazılım bütçesiyle değil hizmet ve iş gücü maliyetleriyle yeniden hesaplandığında, küçük görünen dikey pazarların aslında devasa harcama alanları olduğu ortaya çıkar
• Ürün, işi destekleme aşamasından işin kendisini ikame etme aşamasına geçtiğinde, aynı müşteri içinde faturalandırılabilir alan onlarca kat genişleyebilir
• Önümüzdeki 5 yılda her sektörde amaç odaklı dikey platformlar, mevcut SoR'lara AI eklenmesi ve şirket içi AI inşası arasından hangi yaklaşımın kazanacağı belli olacak

---

Bu pazar neden gizli kalıyor

• En iyi dikey yapay zeka pazarlarını gizleyen iki özellik, aynı zamanda bu pazarların savunma hattı işlevini görüyor
• İlk özellik workflow grit: istisna yönetimi, legacy entegrasyonları, insan onayı, uyumluluk ve maliyeti yüksek hata modlarıyla dolu karmaşık iş ortamları
  • Temiz ve iyi tanımlanmış görevler kurması, demo edilmesi ve satılması kolaydır; ancak zekâ taşınabilir hale geldiği anda emtialaşır (commoditize)
  • Dar, düşük riskli ve mevcut sistemlere kolayca yerleştirilebilen işler, rakipler tarafından özellik olarak kopyalanabilir, müşteriler tarafından içeride geliştirilebilir ya da frontier laboratuvarları tarafından doğrudan piyasaya sürülebilir
• Grit seviyesi yüksek iş akışları üç tehdidi de engeller: laboratuvarlar operasyonel karmaşıklıkla uğraşmak istemez, müşteriler yeterli teknik kapasiteye sahip değildir ve rakipler işi kısaltamaz
• Yapay zekayı yüksek grit'li iş akışlarında kullanılabilir hale getirmek, modellere erişimden daha fazlasını gerektirir: yapısız veriyi yapılandırmak, legacy sistemlerle entegrasyon kurmak, onay döngülerini tasarlamak, kabul edilebilir hata oranını tanımlamak ve hata maliyetinin yüksek olduğu ortamlarda güven inşa etmek
  • Bu çalışma sessizce birikerek, yeni girenlerin aynı modeli satın alarak kopyalayamayacağı iş akışı operasyonlarına dair özel bir harita (proprietary map) oluşturur
• Başta ödül küçük görünse de, bu zor operasyonel çalışma bitişik iş akışlarına ve daha büyük bütçe kategorilerine genişleme hakkı verir

Gerçek örnekler: otomobil kredileri, sağlık talep süreçleri, yük lojistiği

• Salient: gecikmeye düşmüş otomobil kredisi borçlularını arayan AI ses ajanları geliştiriyor. FDCPA, TCPA ve Reg F düzenlemeleri altında çalışıyor; tek bir ihlal bile düzenleyici yaptırımı tetikleyebilir
  • AI'nin çakışan eyalet ve federal kuralları yönetmesi, gerçek zamanlı ödeme pazarlığı yapması, arama sıklığı sınırlarına uyması ve gerektiğinde insan ajana yönlendirme yapması gerekir
  • İnsan tahsilat aramalarının maliyeti $4~$12 iken, AI aramalarının maliyeti bunun yalnızca bir kısmıdır
• Charta Health: uzmanlık alanına ve bölgeye göre değişen sigortacı kuralları, CPT kodları ve ret kalıpları arasında talep öncesi chart review sürecini otomatikleştiriyor
• Yük lojistiğinde HappyRobot, Pallet, Augment gibi şirketler; taşıyıcılar, yük sahipleri ve depolar arasındaki koordinasyon için gereken bitmek bilmeyen telefon görüşmeleri, e-postalar ve portal güncellemelerini yöneten AI ajanları geliştiriyor
  • “Kamyon şoförünü arayıp yükleme durumunu doğrulamak” girişim ölçeğinde görünmeyebilir; ancak her yükleme onlarca manuel temas noktası içerir ve lojistik sektörü yılda 1 trilyon doların üzerinde fiziksel olmayan operasyon maliyeti harcar

İkinci özellik: pazar yapısı

• Binlerce operatöre yayılmış parçalı bir yapı ve alıcı tarafın düşük teknik DNA'sı
• Yatay AI satıcılarının dağıtım ekonomisini tutturabilmesi için yoğunlaşmış, yüksek değerli müşterilere ihtiyacı vardır; ancak gelirler, farklı sistemler ve yapısız verilerle çalışan binlerce KOBİ'ye dağılmışsa genel amaçlı oyuncular GTM çabasını haklı çıkaramaz
• Gayrimenkul işletmecileri, saha hizmet şirketleri ve ayakta rehabilitasyon klinikleri gibi kuruluşlar, kurum içinde üretim seviyesinde AI kuracak teknik kapasiteye sahip değildir ve teknolojiyi sahip olunacak bir şey değil, satın alınacak bir şey olarak görür
• Parçalanmış yapı kurulum için alan yaratır, düşük iç kaynakla geliştirme eğilimi de bunu büyütür; böylece diğer herkesten önce operasyonel bağlamı bileşik şekilde biriktirmek için zaman kazanılır

Örnek: ABD vergi ve muhasebe pazarı

• ABD vergi ve muhasebe pazarı $145 milyar büyüklüğünde bir sektör ve yaklaşık 46.000 CPA firmasından oluşan uzun kuyruklu bir yapıya sahip; bunların %86'sında 10'dan az çalışan var
  • Aynı zamanda Big Four ve büyük ulusal ölçekli firmaları da içeriyor
• Blue J: AI tabanlı bir vergi araştırma platformu ve pazarın her iki ucunda da ivme yakaladı. Şu anda 2.800'den fazla kuruluşa hizmet veriyor; kullanım ise yıllık bazda %700'ün üzerinde büyüdü
• Uzun kuyruklu yapı, genel amaçlı oyuncular için pazarı cazip olmaktan çıkarırken; çakışan vergi kanunları, belirsiz olgu örüntüleri ve uzmanların itibarlarını ortaya koyarak verdiği yanıtlar gibi workflow grit, zor alıcı ortamında sürdürülebilir bir giriş noktası oluşturur

Savunma hattının bileşik güçlenmesi

• Operasyonel karmaşıklık switching cost yaratır: sistemi çıkarmak, insan kaynağını yeniden işe almayı, süreci yeniden kurmayı ve yıllar içinde birikmiş iş akışı bağlamından vazgeçmeyi gerektirir
• Parçalanmış yapı zamanla ortadan kalkmaz ve alıcılar da bir anda mühendislik DNA'sı kazanmaz
• OpenAI ya da Anthropic pazarın varlığını fark ettiğinde, dikey sistemlerin operasyonel bağlamı ve dağıtım temeli zaten yıllar boyunca bileşik şekilde birikmiş olur

Goldilocks TAM

• Çoğu dikey yapay zeka pazarı gizli kalır çünkü pazar büyüklüğü yanlış ölçülür
• Standart yaklaşım, ilgili kategorideki yazılım harcamasını TAM olarak almaktır; ancak parçalı ve operasyonel olarak karmaşık sektörlerde yazılım bütçeleri genellikle küçüktür
• Doğru ölçüt, sektörün işin kendisine ne kadar harcadığıdır: işi yapan çalışanlara, dış kaynak sağlayıcılara, ajanslara ve yüklenicilere ödenen hizmet ve iş gücü bütçeleri
• Bu yeniden tanım, en tehlikeli rakiplerin pazarı neden gözden kaçırdığını da açıklar: yazılım bütçesi açısından bakıldığında “kiralama için AI” niş görünür ve frontier laboratuvarlarının harekete geçmesi için neden oluşturmaz
  • İş gücü ve hizmet bütçesi açısından bakıldığında ise devasa görünür; fakat bu fark edildiğinde, dikey sistemler zaten yıllardır birikim yapmış olur
• Goldilocks TAM koşulları şunlardır: girişim başarısı yaratacak kadar büyük olması, ama mütevazı bir yazılım yüzeyi arkasına saklanması; operasyonel karmaşıklık nedeniyle gözden kaçması; sistem konumu kurulduktan sonra ise dramatik biçimde genişleyebilmesi

Destekten ikameye geçiş

• Genişleme, ürünün işi desteklemekten çıkıp yerine getirmeye başlamasıyla olur
• Bir gayrimenkul yönetim şirketi örneği: kiralama yazılımına yılda $30.000, kiralama personeline ise $300.000 harcıyor
  • Ürün işin kendisini yapmaya başladığında, artık $30K kalemine değil $300K kalemine satış yapmış olursunuz
  • İş akışı ve operasyonun tamamına yayıldığında, toplam operasyon bütçesi olan $1M+ seviyesine erişmek mümkündür
  • Aynı müşteri, aynı şirket içinde faturalandırılabilir alan 30 kat genişler

Örnek: EliseAI

• EliseAI: sınırlı bir proptech pazarında başlayan AI gayrimenkul yönetim platformu
  • Başlangıçta tek SKU'lu bir kiralama otomasyonu çözümü olarak ~$50K ACV seviyesinde başladı
  • Ürün kiralama işini desteklemekten çıkıp ikame etmeye başladıkça genişledi; ardından bakım, tahsilat ve AI rehberli turlar ile kiracı yaşam döngüsünün tamamına yayıldı
  • Şu anda ABD'deki apartmanların her 8 tanesinden 1'ine hizmet veriyor; gayrimenkul yöneticileri ve operatörleri platforma milyonlarca doların üzerinde harcama yapıyor
  • Aynı yaklaşımı kullanarak sağlık sektörüne de girdi ve yıllık $600 milyar idari maliyet alanını hedefliyor
• TAM ürünle birlikte büyümedi; ürün, TAM'in aslında baştan beri ne kadar büyük olduğunu ortaya çıkardı

İlk ulaşan ne kazanır

• Bu pazarlarda sistem konumuna ulaşan dikey yapay zeka şirketleri yalnızca büyük işletmeler kurmakla kalmaz, önümüzdeki 10 yıl boyunca tüm sektörün nasıl çalışacağını da tanımlar
• Anthropic ve OpenAI uygulama katmanında gerçek bir tehdit oluşturuyor; ancak aynı anda birbiriyle çelişen öncelikleri yönetmek zorundalar
  • Model frontier'ini ilerletmeye sürekli yatırım yapmaları gerekir ve token tabanlı geliri maksimize etme hedefi, ajan kullanımının yaygınlaşmasıyla birlikte nihai müşteriyle çıkar çatışmasına yol açar
  • Bunun üstüne, onlarca farklı dikey için yüksek kaliteli özelleştirilmiş uygulamaları aynı anda geliştirmeleri gerekir
• Çoğu pazarda amaç odaklı dikey AI şirketleri, salt odaklanma güçleri sayesinde laboratuvarları uygulama becerisinde geride bırakacaktır
• Önümüzdeki 5 yıl, her pazarda hangi yaklaşımın kazanacağını belirleyecek: AI wedge'ini dikey bir sisteme genişleten amaç odaklı platformlar, “yeterince iyi” AI ekleyerek pazar konumunu koruyan mevcut SoR'lar (System of Record) ya da Anthropic/OpenAI üzerinde inşa edilen şirket içi AI
• Temel strateji: fazla küçük görünen pazarlarda keskin ve operasyonel açıdan karmaşık bir giriş noktası seçmek, tüm iş akışına yayılıp yetki kazanmak, emeği ikame etmek ve müşterinin onsuz çalışamayacağı bir sistem haline gelmek
• “Model demoda, wedge pilotta, sistem ise pazarda kazanır”