En büyük dikey yapay zeka pazarı göz önünde saklanıyor

• Parçalı ve operasyonel olarak karmaşık sektörler, aslında dikey yapay zeka sistemlerinin güçlü savunma duvarları kurabildiği en uygun pazarlar; ancak çoğu kurucu ve yatırımcı bunu gözden kaçırıyor
• Temiz, tekil görev otomasyonu kolayca kopyalanabilir; ancak regülasyon, legacy entegrasyonları ve istisna yönetiminin iç içe geçtiği iş akışlarına derinlemesine yerleşmiş 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 amaca özel dikey platformlar, mevcut SoR'lara eklenen yapay zeka ve şirket içi yapay zeka geliştirme yaklaşımlarından hangisinin kazanacağı netleşecek

---

Bu pazar neden göz önünde saklanıyor

• En iyi dikey yapay zeka pazarlarını gizleyen iki özellik, aynı zamanda bu pazarların savunma duvarı işlevini görüyor
• İlk özellik workflow grit: istisna yönetimi, legacy entegrasyonları, insan onayı, uyumluluk ve yüksek maliyetli hata modlarıyla dolu karmaşık iş ortamı
  • Temiz ve iyi tanımlanmış görevleri kurmak, demoda göstermek ve satmak kolaydır; ancak zekâ taşınabilir hale geldiği anda emtialaşır (commoditize)
  • Dar kapsamlı, düşük riskli ve mevcut sistemlere kolayca eklenebilen işler, rakipler tarafından özellik olarak kopyalanabilir, müşteriler tarafından şirket içinde geliştirilebilir ya da frontier lab'ler tarafından doğrudan piyasaya sürülebilir
• Grit seviyesi yüksek iş akışları üç tehdidi de engeller: laboratuvarlar operasyonel karmaşıklıkla uğraşmak istemez, müşterilerin teknik kapasitesi yetersizdir ve rakipler işi kısayoldan çözemez
• Yapay zekayı grit seviyesi yüksek iş akışlarında kullanılabilir hale getirmek, modele erişimin ötesinde işler gerektirir: yapılandırılmamış veriyi yapılandırmak, legacy sistemlerle entegre olmak, onay döngülerini tasarlamak, kabul edilebilir hata oranını tanımlamak ve hatanın pahalı olduğu ortamlarda güven oluşturmak
  • Bu çalışma zamanla sessizce birikir ve yeni girenlerin aynı modeli satın alarak kopyalayamayacağı iş akışı operasyonlarına dair özel bir harita (proprietary map) oluşturur
• Başta ödül küçük görünse de, bu zorlu operasyonel çalışma bitişik iş akışlarına ve daha büyük bütçe kategorilerine genişleme hakkı sağlar

Gerçek örnekler: otomobil kredileri, sağlık tazminatları, yük lojistiği

• Salient: gecikmeye düşmüş otomobil kredisi borçlularını arayan yapay zeka ses ajanları geliştiriyor. FDCPA, TCPA ve Reg F düzenlemeleri altında faaliyet gösteriyor; tek bir ihlal bile düzenleyici işlem başlatabilecek bir ortamda
  • Yapay zekanın üst üste binen eyalet ve federal kuralları yönetmesi, gerçek zamanlı ödeme pazarlığı yapması, arama sıklığı limitlerine uyması ve gerektiğinde insan ajana yönlendirmesi gerekir
  • İnsan tahsilat aramalarının maliyeti $4~$12 iken, yapay zeka aramalarının maliyeti bunun yalnızca bir kısmıdır
• Charta Health: branşa ve bölgeye göre değişen sigortacı kuralları, CPT kodları ve ret kalıpları arasında gezinen talep öncesi dosya incelemesini otomatikleştiriyor
• Yük lojistiğinde HappyRobot, Pallet ve Augment gibi şirketler; taşıyıcılar, yük sahipleri ve depolar arasındaki koordinasyon için gereken bitmek bilmeyen telefon görüşmelerini, e-postaları ve portal güncellemelerini yöneten yapay zeka 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 işletmeciye yayılmış parçalı bir yapı ve alıcı tarafında düşük teknik DNA
• Yatay yapay zeka tedarikçileri dağıtım ekonomisini tutturmak için yoğunlaşmış, yüksek değerli müşterilere ihtiyaç duyar; ancak gelir, farklı sistemler ve yapılandırılmamış verilerle çalışan binlerce küçük ve orta ölçekli işletmeye dağılmışsa, genel amaçlı oyuncular GTM çabasını haklı çıkaramaz
• Gayrimenkul işletmecileri, saha hizmeti şirketleri ve ayakta rehabilitasyon klinikleri gibi kurumların şirket içinde production düzeyinde yapay zeka kuracak teknik kapasitesi yoktur ve teknolojiyi sahip olunacak bir şeyden çok satın alınacak bir şey olarak görür
• Parçalanmış yapı inşa alanı yaratır; düşük şirket içi geliştirme eğilimi bunu daha da büyütür ve herkesten önce operasyonel bağlamı bileşik şekilde biriktirmek için zaman kazandırır

Örnek: ABD vergi ve muhasebe pazarı

• ABD vergi ve muhasebe pazarı, $145 milyar büyüklüğünde bir sektör; yaklaşık 46.000 CPA firmasından oluşan bir long tail yapısı var ve bunların %86'sında 10'dan az çalışan bulunuyor
  • Aynı zamanda Big Four ve büyük ulusal firmaları da içeriyor
• Blue J: yapay zeka tabanlı bir vergi araştırma platformu olarak pazarın her iki ucunda da traction yakaladı. Şu anda 2.800'den fazla kuruluşa hizmet veriyor; kullanım yıllık bazda %700'ün üzerinde büyümüş durumda
• Long tail yapı, pazarı genel amaçlı oyuncular için cazibesiz hale getirirken; çakışan vergi kuralları, belirsiz olgu kalıpları ve uzmanların itibarlarını ortaya koyarak verdikleri yanıtlar gibi workflow grit unsurları, zorlu alıcı ortamında bile sürdürülebilir bir giriş noktası oluşturuyor

Savunma duvarlarının birleşerek güçlenmesi

• Operasyonel karmaşıklık geçiş maliyeti (switching costs) yaratır: sistemi kaldırmak, personeli yeniden işe almak, süreçleri yeniden kurmak ve yıllar içinde biriken iş akışı bağlamından vazgeçmek anlamına gelir
• Parçalı yapı zamanla ortadan kalkmaz ve alıcılar bir anda mühendislik DNA'sı kazanmaz
• OpenAI ya da Anthropic pazarın varlığını fark ettiğinde, dikey sistemlerin operasyonel bağlamı ve dağıtım temeli çoktan yıllar boyunca bileşik şekilde birikmiş olacaktır

Goldilocks TAM

• Çoğu dikey yapay zeka pazarı gizli kalır çünkü pazar büyüklüğü yanlış ölçülür
• Standart yaklaşım, ilgili kategorideki yazılım harcamasını TAM olarak kabul eder; ancak parçalı ve operasyonel olarak karmaşık sektörlerde yazılım bütçeleri genellikle küçüktür
• Doğru ölçüt, sektörün işin kendisine ne kadar harcadığıdır: işi yapan çalışanlar, dış kaynak sağlayıcılar, ajanslar ve yükleniciler için ayrılan hizmet ve iş gücü bütçeleri
• Bu yeniden tanım, en tehlikeli rakiplerin neden pazarı gözden kaçırdığını da açıklar: yazılım bütçesine göre bakıldığında “kiralama için yapay zeka” niş görünür ve frontier lab'lerin kaynak ayırmasını gerektirmez
  • İş gücü ve hizmet bütçesi açısından bakıldığında ise devasa bir pazardır; ancak bu netleştiğinde dikey sistemler zaten yıllardır birikim yapmış olur
• Goldilocks TAM için gerekenler: girişim ölçeğinde başarı sağlayacak kadar büyük olması, ama mütevazı bir yazılım yüzeyi arkasına gizlenmesi; operasyonel karmaşıklık nedeniyle gözden kaçması; sistem konumu kurulduktan sonra ise dramatik biçimde genişleyebilmesi

Destekten ikameye geçiş

• Genişleme, ürünün işi desteklemekten çıkıp bizzat yapmaya başlamasıyla gelir
• Bir gayrimenkul yönetim şirketi örneği: kiralama yazılımına yılda $30,000, kiralama personeline ise $300,000 harcıyor
  • Ürün işin kendisini yapmaya başladığında, satış artık $30K kalemine değil $300K kalemine yapılır
  • İş akışı ve operasyonun geneline yayıldığında, toplam operasyon bütçesi olan $1M+ seviyesine erişmek mümkün olur
  • Aynı müşteri, aynı şirket içinde faturalandırılabilir alan 30 kat büyür

Örnek: EliseAI

• EliseAI: sınırlı görünen proptech pazarında başlayan bir yapay zeka gayrimenkul yönetim platformu
  • Başlangıçta tek SKU'lu bir kiralama otomasyonu çözümü olarak ~$50K ACV ile yola çıktı
  • Ürün kiralama işini desteklemekten çıkıp ikame etmeye başlayınca genişledi; ardından bakım, tahsilat ve yapay zeka destekli rehberli turlar ile kiracı yaşam döngüsünün tamamına yayıldı
  • Bugün ABD'deki apartman dairelerinin her 8 tanesinden 1'ine hizmet veriyor; gayrimenkul yöneticileri ve işletmeciler platforma milyonlarca doların üzerinde harcama yapıyor
  • Aynı oyun kitabıyla sağlık sektörüne de girerek yıllık $600 milyar idari maliyet alanını hedefliyor
• TAM ürünle birlikte büyümedi; ürün, TAM'in baştan beri ne kadar büyük olduğunu görünür kıldı

İlk ulaşan için ne olur

• Bu pazarlarda sistem konumuna ulaşan dikey yapay zeka şirketleri yalnızca büyük işletmeler kurmakla kalmaz; önümüzdeki 10 yılda sektörün nasıl çalışacağını da tanımlar
• Anthropic ve OpenAI uygulama katmanında gerçek bir tehdit oluşturuyor; ancak aynı anda birbiriyle çelişen öncelikleri yönetmek zorundalar
  • Model frontier'ını ilerletmeye sürekli yatırım yapmaları gerekir ve token tabanlı geliri maksimize etme hedefi, ajan kullanımının yayılmasıyla birlikte nihai müşteriyle çıkar çatışmasına yol açar
  • Bunun üzerine, birbirinden farklı onlarca dikey için yüksek kaliteli, özelleştirilmiş uygulamaları aynı anda inşa etmeleri gerekir
• Çoğu pazarda amaca özel dikey yapay zeka şirketlerinin, yalın odakları sayesinde laboratuvarları uygulama gücünde geride bırakması bekleniyor
• Önümüzdeki 5 yıl, her pazarda hangi yaklaşımın kazanacağını belirleyecek: yapay zeka kama stratejisini dikey sisteme genişleten amaca özel platformlar, “yeterince iyi” yapay zeka ekleyerek konumunu koruyan mevcut SoR'lar (System of Record) veya Anthropic/OpenAI üzerinde kurulan şirket içi yapay zeka
• Temel strateji: çok küçük görünen bir pazarda keskin ve operasyonel olarak karmaşık bir giriş noktası seçmek, tüm iş akışına yayılarak yetki kazanmak, iş gücünü ikame etmek ve müşterinin onsuz çalışamayacağı bir sistem haline gelmek
• “Model demoda, kama pilotta, sistem pazarda kazanır”