ویسیها پیشبینی میکنند شرکتها در سال ۲۰۲۶ بیشتر روی هوش مصنوعی هزینه خواهند کرد - اما با فروشندگان کمتر

- تمرکز از آزمایشهای گسترده به سمت سرمایهگذاریهای هدفمند در دادههای بنیادی و امنیت تغییر خواهد کرد.
- استارتاپهای هوش مصنوعی با دادههای اختصاصی و راهحلهای دشوار برای تکرار، موفق خواهند شد؛ بقیه با انقباض مواجه خواهند شد.
شرکتها در چند سال گذشته در حال آزمایشی و تست ابزارهای مختلف هوش مصنوعی بودهاند تا استراتژی پذیرش خود را مشخص کنند. سرمایهگذاران فکر میکنند این دوره آزمایش به پایان میرسد.
تککرانچ اخیراً از ۲۴ ویسی متمرکز بر شرکتها نظرسنجی کرد و اکثریت قاطع پیشبینی کردند که شرکتها بودجه خود را برای هوش مصنوعی در سال ۲۰۲۶ افزایش خواهند داد - اما نه برای همه چیز. بیشتر سرمایهگذاران گفتند که این افزایش بودجه متمرکز خواهد بود و بسیاری از شرکتها وجوه بیشتری را صرف قراردادهای کمتری خواهند کرد.
اندرو فرگوسن، معاون اجرایی در Databricks Ventures، پیشبینی کرد که سال ۲۰۲۶ سالی خواهد بود که شرکتها شروع به تجمیع سرمایهگذاریهای خود و انتخاب برندگان میکنند.
فرگوسن گفت: «امروزه شرکتها در حال آزمایش چندین ابزار برای یک مورد استفاده واحد هستند و انفجاری از استارتاپها با تمرکز بر مراکز خرید خاص مانند [go-to-market] وجود دارد که در آن تشخیص تمایز حتی در طول [اثبات مفهوم] بسیار دشوار است. «با دیدن نقاط اثبات واقعی از هوش مصنوعی، شرکتها بخشی از بودجه آزمایش را قطع میکنند، ابزارهای همپوشان را منطقی میکنند و آن صرفهجویی را در فناوریهای هوش مصنوعی که ارائه دادهاند، مستقر میکنند.»
روب بیدرمان، شریک مدیریتی در Asymmetric Capital Partners، موافق بود. او پیشبینی میکند که شرکتهای سازمانی نه تنها هزینههای فردی خود را متمرکز خواهند کرد، بلکه چشمانداز گستردهتر سازمانی نیز هزینههای کلی هوش مصنوعی خود را به تنها تعداد انگشت شماری از فروشندگان در کل صنعت محدود خواهد کرد.
بیدرمان گفت: «بودجه برای مجموعه محدودی از محصولات هوش مصنوعی که به وضوح نتایج را ارائه میدهند افزایش مییابد و برای همه چیزهای دیگر به شدت کاهش مییابد. «ما انتظار یک دوگانگی را داریم که در آن تعداد کمی از فروشندگان سهم نامتناسبی از بودجه هوش مصنوعی شرکتها را به خود اختصاص میدهند، در حالی که بسیاری دیگر شاهد تخت شدن یا انقباض درآمد هستند.»
سرمایهگذاریهای متمرکز
اسکات بیچاک، شریک در Norwest Venture Partners، فکر میکند شرکتها هزینههای خود را بر روی ابزارهایی که استفاده از هوش مصنوعی را برای شرکتها ایمن میکند، افزایش خواهند داد.
بیچاک گفت: «شرکتها اکنون تشخیص میدهند که سرمایهگذاری واقعی در لایههای حفاظتی و نظارتی است که هوش مصنوعی را قابل اعتماد میسازد. «با بالغ شدن این قابلیتها و کاهش ریسک، سازمانها احساس اطمینان خواهند کرد که از آزمایشی به استقرار در مقیاس بزرگ منتقل میشوند و بودجه افزایش خواهد یافت.»
هارشا کاپره، مدیر در Snowflake Ventures، پیشبینی کرد که شرکتها در سال ۲۰۲۶ در سه حوزه متمایز روی هوش مصنوعی هزینه خواهند کرد: تقویت پایههای داده، بهینهسازی پس از آموزش مدل، و تجمیع ابزارها.
کاپره گفت: «[مدیران ارشد سرمایهگذاری] به طور فعال در حال کاهش [نرمافزار به عنوان سرویس] پراکنده هستند و به سمت سیستمهای یکپارچه و هوشمند حرکت میکنند که هزینههای ادغام را کاهش داده و [بازگشت سرمایه] قابل اندازهگیری را ارائه میدهند. «راهکارهای مبتنی بر هوش مصنوعی احتمالاً بیشترین بهره را از این تغییر خواهند برد.»
حرکت از آزمایش به سمت تمرکز بر استارتاپها تأثیر خواهد گذاشت. آنچه مشخص نیست، چگونگی آن است.
این امکان وجود دارد که استارتاپهای هوش مصنوعی به نقطه حسابرسی مشابهی برسند که استارتاپهای SaaS چند سال پیش به آن رسیدند.
شرکتهایی که محصولات دشوار برای تکرار مانند راهحلهای عمودی یا آنهایی که بر اساس دادههای اختصاصی ساخته شدهاند را اجرا میکنند، احتمالاً همچنان قادر به رشد خواهند بود. استارتاپهایی که محصولات مشابه محصولات ارائهشده توسط تأمینکنندگان بزرگ سازمانی مانند AWS یا Salesforce دارند، ممکن است شاهد خشک شدن پروژههای آزمایشی و تأمین مالی باشند.
سرمایهگذاران نیز این احتمال را میبینند. هنگامی که از آنها پرسیده شد که چگونه میدانند یک استارتاپ هوش مصنوعی دارای یک خندق (moat) است، چندین ویسی گفتند که شرکتهایی با دادههای اختصاصی و محصولاتی که به راحتی توسط یک غول فناوری یا شرکت مدل زبان بزرگ قابل تکرار نیستند، قابل دفاعترین هستند.
اگر پیشبینیهای سرمایهگذاران درست باشد و شرکتها در سال آینده شروع به متمرکز کردن هزینههای هوش مصنوعی خود کنند، سال ۲۰۲۶ میتواند سالی باشد که بودجه شرکتها افزایش مییابد اما بسیاری از استارتاپهای هوش مصنوعی سهم بیشتری از کیک را نمیبینند.
این مقاله توسط هوش مصنوعی ترجمه شده است و ممکن است دارای اشکالاتی باشد. برای دقت بیشتر، میتوانید منبع اصلی را مطالعه کنید.


