a16z Report: 29% ng Fortune 500 Companies ang nagbabayad para sa paggamit ng AI, coding, at customer support lead

May-akda: a16z

Isinalin: Deep潮 TechFlow

DeepChain Overview: Sinasabi ng MIT na 95% ng mga pilot project sa generative AI ng mga kumpanya ay nabigo sa pagpapalawak, ngunit direktang tinutol nina a16z ang pahayag na ito gamit ang mga data mula sa kanilang mga kompanya sa portfolio. Ang 29% ng Fortune 500 at 19% ng Global 2000 ay naging bayad na kliyente na ng mga lider na AI startup, at ang mga tool sa pagprograma ay nagpapataas ng produktibidad ng pinakamahusay na mga inhinyero ng 10-20 beses. Ang 23,928-salitang ulat na ito, batay sa panloob na data, ay naglilinaw kung aling mga AI应用场景 ang tunay na nagpapakita ng halaga at aling mga ito ay patuloy na isang konseptong pang-press.

Maraming spekulasyon tungkol sa kung gaano kalaking pag-unlad ang natamo ng AI sa mga malalaking kumpanya, ngunit ang karamihan sa umiiral na impormasyon ay batay lamang sa sariling pag-uulat ng paggamit ng AI o pagkuha ng kwalitatibong emosyon ng mga bilihin, hindi ng mga katotohanang datos. Bukod dito, ang ilang limitadong pag-aaral ay nagpapahayag na mahina ang pagganap ng AI sa mga kumpanya, lalo na ang isang pag-aaral ng MIT na nagsasabing 95% ng mga pilot project sa generative AI ay hindi nakapag-convert.

Batay sa aming panloob na data at mga usapin sa mga eksekutibo ng kumpanya, natuklasan namin na ang estadistika na ito ay hindi makatotohanan. Patuloy naming sinusubaybayan kung saan nakikita ang pinakamaraming paggamit ng AI at kung saan malinaw ang ROI, at nilikha namin ang mga totoong datos tungkol sa mga epektibong praktika sa enterprise AI.

Ayon sa aming pagsusuri, ang 29% ng Fortune 500 at halos 19% ng Global 2000 ay aktibong nagbabayad na kliyente ng mga lider na AI startup.

Upang makatugon sa istatistika na ito, kailangan ng mga kumpanya na mag-sign ng top-down na kontrata sa mga AI startup, matagumpay na i-convert ang pilot, at i-deploy ang produkto sa kanilang organisasyon.

Kamakailan lamang ang pagkamit ng antas ng pagpapalaganap na ito, dahil hindi kilala ang mga kumpanya sa Fortune 500 bilang mga maagap na tagapagamit ng teknolohiya. Sa kasaysayan, kailangan ng maraming startup na unang magbenta sa iba pang startup upang makakuha ng maagang galaw, at ilang taon pagkatapos ay maaaring makapag-sign ng unang enterprise contract, kung saan kailangan pa ng higit pang kita at oras bago makapag-sign ng mga kliyente na may sukat ng Fortune 500.

Nilikha ng AI ang pagbabago sa karaniwang kalagayan. Ipinakilala ng OpenAI ang ChatGPT noong Nobyembre 2022, at agad itong ipinakita ang potensyal ng AI sa mga konsyumer at negosyo. Ito ay nagpalaya sa isang alon ng interes sa AI na hindi naipaglaban ng mga nakaraang henerasyon ng teknolohiya, at mas handa ang mga malalaking kumpanya na magtaya sa mga bagong produkto nang mas maaga kaysa kailanman. Resulta: Tapos na lamang ang higit sa isang-katlo ng Fortune 500 at isang-kalimang bahagi ng Global 2000 na may tunay na pagpapatupad ng enterprise AI sa kanilang organisasyon.

Saan nagaganap ang pinakamabilis na paggamit ng ganitong paraan, at paano ito nakakatugma sa mga gawain kung saan mas mahusay ang modelo?

Nakita namin na ang pinakamalikhain na paraan ng pagsusuri ay ang pagpapalabas ng momentum ng kita ng bawat use case sa ibabaw ng teoretikal na kakayahan ng modelo na tinukoy ng GDPval, isang kilalang benchmark mula sa OpenAI na nagtataya sa kakayahan ng modelo sa mga gawain na may halaga sa real-world ekonomiya. Para sa amin, ang dalawang salik na ito ay naglalarawan kung gaano kagaling ang isang modelo at kung gaano karaming halaga ang ipinapakita nito ngayon. Ginagawa itong malinaw na palatandaan kung saan nakikita ang paggamit ng AI ngayon, kung saan ito maaaring magtungo, at kung saan pa rin may mga "AI hang" na nakikita kahit na ang kakayahan ng mga modelo ay nagsisikat.

Sa pag-unlad ng kita, ang paggamit ng AI sa mga negosyo ay pinamumunuan ng isang malinaw na hanay ng mga paggamit at industriya. Ang pag-program, suporta, at paghahanap ay kasalukuyang kumakatawan sa karamihan sa mga paggamit (kung saan ang pag-program ay isang outlier na isang orden ng magnitude sa loob ng grupo), habang ang mga sektor ng teknolohiya, batas, at kalusugan ay ang pinakamalalim na nagmamalasakit sa paggamit ng AI.

Pagprograma: Ang pagprograma ay ang pangunahing paggamit ng AI, halos isang orden ng magnitude. Ito ay malinaw sa eksponensyal na paglago na ipinahayag ng mga kumpanya tulad ng Cursor at sa sobrang mabilis na paglago ng mga kasangkapan tulad ng Claude Code at Codex. Ang mga antas ng paglago na ito ay lumampas sa pinakamalikhaing mga palagay ng karamihan, at hanggang sa ngayon, ang karamihan sa paggamit ng mga kasangkapan ng AI sa Fortune 500/Global 2000 ay nasa code.

Sa maraming aspeto, ang pag-program ay nagpapakita ng ideal na paggamit ng AI, sa mga aspeto ng teknikal na kakayahan at pagtanggap sa merkado ng mga negosyo. Ang code ay data-intensive, kaya mayroong malaking dami ng mataas na kalidad na code na available online para sa pag-train ng mga modelo. Ito ay batay sa teksto, kaya madaling i-parse ng mga modelo. Ito ay tumpak at malinaw, may mahigpit na syntax at makikita ang mga maaasahang resulta. Mahalaga, ito ay maaaring i-verify: makakapag-run ng sinuman nito at malalaman kung ito ay epektibo, na gumagawa ng malapit na feedback loop para sa pagkatuto at pagpapabuti ng modelo.

Mula sa pananaw ng negosyo, ito ay isang mahusay na aplikasyon. Patuloy naming marinig mula sa mga kompanya ng portfolio na ang produktibidad ng kanilang pinakamahusay na mga inhinyero ay tumataas ng 10-20 beses dahil sa mga AI coding tools. Mahirap at mahal ang pagpapahinga ng mga inhinyero, kaya ang anumang pagpapabuti sa kanilang produktibidad ay may malinaw na ROI—ang pagtaas na ibinibigay ng AI coding tools ay naglikha ng malaking insentibo para sa pagtatanghal. Karaniwan ding mga maagap na tagapag-adopt ang mga inhinyero dahil ang pagprograma ay isang mas hiwalay na gawain kumpara sa karamihan sa mga negosyo, at mas madali para sa kanila na hanapin at gamitin ang pinakamahusay na mga tool nang walang pagkabagabag ng mga koordinasyon at birokrasya na nagpapahirap sa maraming iba pang mga tungkulin sa negosyo.

Bukod dito, ang mga kasangkapan sa pagpaprograma ay hindi kailangang tapusin nang 100% ang isang end-to-end na gawain upang magkaroon ng karagdagang halaga, dahil ang anumang pagpapabilis (hal., paghahanap ng bug, pagbuo ng boilerplate code) ay naglilipat pa rin ng oras at kapaki-pakinabang. Dahil sa malapit na human-in-the-loop workflow sa pagpaprograma, nananatili pa ring nagmamonitor ang mga developer sa proseso ng pagbuo, at ang mga kasangkapan na ito ay nag-iiwan pa rin ng espasyo para sa pagmamasid, pag-edit, at pag-itera ng tao habang pinapabilis ang output. Ito ay nagpapataas ng tiwala ng negosyo at nagpapadali ng landas ng paggamit.

Ang kakayahan sa pag-program ay umuunlad sa isang eksponensyal na antas, at bawat laboratorio ay malinaw na nakatuon sa pagwawagi ng code bilang isang use case. Ito ay may malaking epekto. Ang code ay ang upstream ng lahat ng iba pang aplikasyon, dahil ito ang pangunahing bloke ng pagbuo ng anumang software, kaya ang pagpapabilis ng AI sa code ay dapat magpabilis sa bawat iba pang larangan. Ang mga hadlang sa pagbuo sa mga larangan na ito ay bumababa, na nagbubukas ng mga bagong pagkakataon na lutasin gamit ang AI, ngunit ang parehong kakayahan sa pag-access ay ginagawang mas kritikal kaysa kailanman ang pagbuo ng matatag na kompetitibong advantage para sa mga startup.

Suport: Sinusuportahan sa kabilang dulo ng barbell, kabaligtaran ng code. Bagaman ang software engineering ay karaniwang nakakakuha ng pinakamalaking pagsisikap at pagpapansin sa loob ng isang organisasyon, ang suporta ay karaniwang iniwanan. Ang trabaho sa suporta ay isang backend, entry-level na gawain na karaniwang ibinibigay sa mga offshore company o business process outsourcing (BPO) dahil sa paniniwala ng mga kumpanya na ang pagpapatakbo nito ay sobrang komplikado at mahirap.

Napatunayan na mahusay ang AI sa pagpapatakbo ng trabahong ito dahil sa ilang dahilan. Una, ang karamihan sa mga interaksyon sa suporta ay may limitadong panahon at may nakapirming layunin (tulad ng pagpapalabas ng refund), na nagbibigay ng malinaw na problema para sa mga agent na sagutin. Ang suporta ay isa rin sa mga natatanging function kung saan ang mga gawain ay malinaw na ilarawan. Malaki at mataas ang turnover ng mga team ng suporta, kaya kailangan ng mabilis at standardisadong paraan upang matuto ang mga bago. Dahil dito, mayroon silang malinaw na ilarawan na mga standard operating procedure (SOP) na naglalayong gabayan ang bawat representative. Ang mga SOP na ito ay lumikha ng malinaw na mga patakaran at gabay na maaaring kopyahin ng AI agent. Ito ang nagpapakita ng pagkakaiba nito sa karamihan sa iba pang mga negosyo, na karaniwang mas mahaba ang tagal, mas hindi malinaw ang depinisyon, at kasangkot ang higit pang mga interesado labas sa customer at service representative.

Ang suporta ay isa rin sa pinakamalinaw na mga funcyong pangnegosyo na nagpapakita ng ROI. Batay sa suporta ang mga makukuhang pagsukat: bilang ng mga ticket na sagutin, CSAT (satisfaction) score ng customer, at rate ng paglutas. Ang anumang A/B test sa AI agent ay nagbibigay ng mabuting resulta sa AI agent: mas maraming ticket ang sagutin, tataas ang rate ng paglutas, at mas mataas ang score ng kasiyahan ng konsyumer—lahat nito nang mas mababang gastos. Dahil ang karamihan sa suporta ay nasa labas na sa BPO, ang paggamit ng AI solution ay nangangailangan ng limitadong pagbabago sa pagpapatakbo, na ginagawang mas madali ang pagtanggap.

Hindi kailangang 100% akurat ang suporta upang maging kapaki-pakinabang, dahil may natural na paraan ito para sa tao (hal., "I-escalate ko ang iyo sa manager"). Ito ay nagpapabilis sa sales cycle at nagpapababa ng panganib sa pilot AI support agent; sa pinakamasamang kaso, ang lahat ng 100% ng mga kaso ay aabot lamang sa human support.

Sa huli, ang suporta ay本质上 ay transaksyonal. Ang mga kliyente ay walang interes kung sino ang nasa kabilang dulo, kaya hindi kailangan ng suporta ng anumang relasyong pantao na mahirap kopyahin ng AI. Ang mga katangiang ito ang nagpapaliwanag kung bakit tumataas nang mabilis ang mga kompanya tulad ng Decagon at Sierra, at mas maraming espesipikong suportang aktor sa vertical tulad ng Salient at HappyRobot.

I-search: Ang huling level category na may malinaw na enterprise market pull ay ang search. Ang pangunahing use case ng ChatGPT ay ang search mismo, kaya ang epekto ng search ay maaaring malalim na ma-integrate sa kita at paggamit ng ChatGPT, na maaaring napakaliit sa dito.

Ang AI search bilang isang kategorya ay sobrang malawak, na nagpapahintulot sa maraming independiyenteng malalaking startup na lumitaw. Isa sa mga pangunahing problema sa loob ng mga kumpanya ay ang pagpapahintulot sa mga empleyado na madaling makahanap at makuha ang mga kaugnay na impormasyon sa iba’t ibang koleksyon ng kanilang sistema. Ang Glean ay umunlad bilang pangunahing supplier ng startup para sa ganitong gamit. Maraming malalaking industriya ay gumagana batay sa napakaspesipikong impormasyon ng industriya (loob at labas), at ang mga kumpanya tulad ng Harvey (na nagsimula sa legal search) at OpenEvidence (na nagsimula sa medical search) ay umunlad sa pamamagitan ng pagbuo ng kanilang pangunahing produkto palibot dito.

Teknolohiya: Hanggang sa ngayon, ang pinaka-karaniwang industriya na nag-a-adopt ng AI ay ang teknolohiya. Ipinahayag mismo ng ChatGPT na 27% ng mga bisnés na user ay galing sa teknolohiya, at marami sa mga unang kliyente ng mga kumpanya tulad ng Cursor, Decagon, at Glean ay mga kumpanya sa teknolohiya. Dahil sa katotohanan na ang teknolohiya ay halos laging unang nag-a-adopt at ang industriya na naglikha ng alon ng AI, hindi ito nakakagulat.

Mas nakakagulat pa, ang mga merkado na dati ay hindi itinuturing na mga maagang tagapagsamantala ay patotohanang puno ng pangangailangan.

Legal: Ang legal ay nakakagulat na isa sa mga unang industriya sa AI. Ang legal ay dating itinuturing na mahirap na merkado para sa software, may mahabang timeline at mga buyer na hindi gaanong teknikal.

Dahil limitado ang halaga na ibinibigay ng tradisyonal na enterprise software sa mga abogado: ang mga static workflow tool ay hindi nagpapabilis sa mga di-struktura at subtil na gawain na karaniwang ginagawa ng mga abogado. Ngunit ang AI ay nagiging mas malinaw ang value proposition ng teknolohiya para sa mga abogado. Mahusay ang AI sa pagpapaliwanag ng malalim na teksto, paggawa ng pag-iisip sa malaking dami ng teksto, at pagbuo at pagsusulat ng mga tugon—lahat ng ito ay karaniwang gawain ng mga abogado. Madalas ngayong gumagamit ang AI bilang co-pilot upang mapataas ang produktibidad ng bawat abogado, ngunit nagsisimula nang lumawak pa sa labas nito: sa ilang kaso, ito ay direktang nagdadala ng kita sa pamamagitan ng pagpapahintulot sa mga law firm na tratuhin ang mas maraming kaso (tulad ng Eve, na espesyalisado sa plaintiff law).

Ang resulta ay malinaw. Ipinahayag ni Harvey ang taunang umuulit na kita (ARR) na halos $200 milyon sa loob ng 3 taon, habang ang mga kumpanya tulad ng Eve ay may higit sa 450 na kliyente at nakamit ang valuation na $1 bilyon sa tag-araw na ito.

Kalusugan: Ang kalusugan ay isa pang merkado na tumutugon sa AI sa paraan na hindi nagawa ng tradisyonal na software. Ang mga kumpanya tulad ng Abridge, Ambience Healthcare, OpenEvidence, at Tennr ay may mabilis na paglago sa kita batay sa mga diskretong gamit tulad ng medikal na rekord, medikal na paghahanap, o automatikong pagsasagawa ng mga komplikadong patakaran tungkol sa pagpapadala at pagbabayad ng kalusugan.

Ang sektor ng pangangalaga sa kalusugan ay dating isang market na mabagal sa paggamit ng software dahil sa 1) ang mga mataas na kasanayan at kumplikadong trabaho ay hindi mabuting naaangkop sa mga problema na maaaring lutasin ng tradisyonal na software ng workflow, at 2) ang dominasyon ng mga sistema tulad ng Epic sa pag-record ng EHR ay nagdulot ng pagkakataon para sa mga bagong supplier ng software. Gayunpaman, may AI na, ang mga kumpanya ay kayang harapin ang mga hiwalay na gawain na ginagawa ng tao na hindi kailangang magpalit ng EHR, sa pamamagitan ng pagpapalit sa mga administratibong gawain (tulad ng mga medical scribe) o pagpapalakas sa mas mataas na halaga na gawain na ginagawa ng mga doktor. Sapat itong natatangi upang hindi kailanganin ang pagtanggal at pagpapalit ng EHR, na nagpapahintulot sa mga kumpanyang ito na mabilis na umunlad nang hindi kailangang palitan ang umiiral na mga supplier ng software.

Ang mga ito ay ang pinakamabuting estima. Maaaring mababawasan nito ang dami ng kita na ginawa sa bawat kategorya at maaaring i-overstate ang kakayahan ng modelo.

Maaari naming mabawasan ang kita dahil:

Ang pag-analisa ng kita ay batay lamang sa mga departamento at mga paggamit na nakamit ang sapat na tagumpay upang maglikha ng malalaking, independiyenteng AI na negosyo, at inalis ang mga paggamit na may mahabang buntot na sinusubukan ng iba pang mga startup.

Marami sa mga merkado na ito ay may malaking bahagi ng mga kompanya na hindi nagsisimula na nagkakaroon ng malaking kita (halimbawa, Codex/Claude Code sa code, CoCounsel ng Thomson Reuters sa batas), ngunit isinasaalang-alang namin ang pag-aaral sa mga independiyenteng kompanyang nagsisimula.

Maraming sa mga gawain na binanggit sa aming pagsusuri ay maaaring isama sa pangunahing produkto ng model company (tulad ng ChatGPT at search ng OpenAI), ngunit hindi hiwalayin at isama sa pagsusuring ito.

Ang analisis na ito ay nakatuon sa negosyo ng kumpanya, hindi sa consumer o professional consumer business. Mayroong matagumpay na negosyo (tulad ng Replit at Gamma sa application generation at design) na may sapat na bilang ng business users, ngunit ang pangunahing pagtuon ngayon ay sa consumer o professional consumer. Dahil ang analisis na ito ay nakatuon sa enterprise AI at kung saan nakukuha ng mga kumpanya ang kanilang halaga, inalis natin ang mga negosyo na pinamumunuan ng consumer.

Sa aspeto ng kakayahan, ang pagsukat ng epekto ng AI sa iba’t ibang sektor ng ekonomiya ay lubos na mahirap, bagaman maraming ekonomista ang nagtatangka. Ang mga trabaho ay likas na hindi malinaw at may mahabang buntot, na ginagawang lubos na mahirap automatihin. Ngayon, hindi pa malinaw kung gaano karaming halaga ang makukuha ng mga negosyo mula sa parte ng automatismo—kung ang AI ay maaaring gawin lamang ang 50% ng mga gawain ng tao, maaaring tumaas ang kahalagahan ng mga gawain na hindi ma-automatize dahil naging bottleneck sila, na nagpapataas ng kanilang relatibong halaga. Kaya, posibleng overestimate natin ang kasalukuyang estado ng kakayahan, dahil ang bawat 1% pagtaas sa kakayahan ay hindi direktang nagtatapos sa 1% na ekonomikong halaga, ngunit ang pagmamasid sa relatibong kakayahan at kung paano ito lumalago kasunod ng bawat bagong modelong ipinapakita ay patuloy na may kahalagahan.

Ang pagtataya na ito ay sinusukat ang antas ng pagtatagumpay ng mga pinakamataas na modelo sa paghahambing sa mga eksperto na tao gamit ang GDPval benchmark. Batay dito, malinaw na mas magandang performance na ang mga modelo sa mga gawain na may ekonomikong halaga mula noong autumn 2025.

Bakit kaya hindi natin makikita ang lahat ng mga industriya na mataas sa pagtataya na ito ay may parehong uri ng pag-unlad sa kita tulad ng iba pang mga industriya?

Ang ilang industriya na nagtatanggap nang masigla ng AI ay may mga katulad na katangian: sila ay batay sa teksto, nagsasangkot sa mekanikal at paulit-ulit na trabaho, may natural na tao sa loop para magbigay ng tao’y pagpapasya, may limitadong regulasyon, at may malinaw na masusuri na output (tulad ng nagpapatakbo na code, naresolbeng support ticket). Maraming industriya ang walang mga katangiang ito. Sila ay o nagdadala ng pisikal na mundo, malakas na nakadepende sa mga ugnayang tao, may malinaw na gastos sa koordinasyon sa pagitan ng maraming stakeholder, naglalapat ng mga hadlang sa regulasyon o pagpapatupad, o kulang sa masusuri na resulta. Kahit na ang pagtaas ng kita at ang kakayahan ng model ay malinaw na nauugnay, sa mga larangan kung saan teoretikal na mas mababa ang kakayahan ng model kaysa sa 50% na pagkakataong manalo sa tao (tulad ng kaso sa batas), ang mga kumpanya tulad ng Harvey ay nakakakuha pa rin ng malaking bahagi ng merkado sa pamamagitan ng mga produkto bilang co-pilot upang mapalakas ang personal na legal na trabaho, at patuloy na mapabuti ang kanilang pangunahing produkto habang umuunlad ang model.

Ang pinakamahalagang natuklasan dito ay ang mabilis na pagpapabuti ng kakayahan ng modelo. Mayroong ilang larangan na nagpakita ng malaking pag-unlad sa loob ng apat na buwan—ang accounting at audit ay nagpakita ng halos 20% na pagtaas sa GDPval, at kahit ang mga larangan tulad ng pulis/ detective work ay nagpakita ng halos 30% na pagpapabuti. Inaasahan namin na ang mga pagtaas na ito ay magdudulot ng nakakagigil na mga bagong produkto at kumpanya sa kanilang kaugnay na mga larangan. Bukod dito, ang mga kumpanya ng modelo ay direktang inihayag ang kanilang intensyon na pagbutihin ang pangunahing kakayahan sa mga ekonomikong may halagang gawain, tulad ng paggawa sa spreadsheet at financial workflows, paggamit ng computer para sa mga mahirap na gawain sa legacy systems at industriya, at makabuluhang pagpapabuti sa mahabang gawain, na nagbubukas ng isang buong klase ng mga bagong trabaho na hindi madaling hiwa-hiwalayin sa maliliit, madaling kinakain na mga piraso.

Nakakatulong sa amin na mas malinaw na isipin kung saan ang mga pagkakataon para sa mga tagabuo ng AI batay sa pag-unawa kung saan nagmumula ang halaga ng isang kumpanya at kung paano nila isinusuri ang ROI—at alin sa mga departamento ang nakikita ang malinaw na pag-usbong at alin ang darating.

Ang paglilingkod sa mga bumibili sa teknolohiya, batas, at kalusugan ay kasalukuyang malinaw na mainam na lupa, ngunit hindi namin naniniwala na mayroong isang “tagapagtagumpay” sa bawat kategorya. Halimbawa, sa larangan ng batas, mayroong maraming uri ng abogado—panloob na legal na tagapayo, mga law firm, mga patent lawyer, mga plaintiff lawyer, atbp.—na lahat ay may iba’t ibang proseso at iba’t ibang pangangailangan na maaaring lutasin ng mga kumpanya. Parehong nangyayari sa kalusugan dahil sa pagkakasunod-sunod ng iba’t ibang uri ng doktor, mga pasilidad sa kalusugan, atbp.

Bukod sa mga departamento na ito, isa pang produktibong paraan ng pag-iisip ay ang mga lugar kung saan ang kakayahan ay nagsisigla, ngunit wala pa ring breakthrough na kumpanya sa kita. Maraming kasalukuyang negosyo ang itinatayo bago ang tunay na paglulunsad ng produkto ng modelo, ngunit nagsilbi na sila ng sapat na teknikal na imprastruktura at kamalayan ng kliyente/pamilihan upang maging pinakamalakas sila kapag dumating ang paglulunsad ng modelo.

Sa huli, mahalaga na tandaan kung saan nakatuon ang laboratorio ang kanilang pinakabagong pananaliksik sa mga gawain na may ekonomikong halaga. Kasabay ng mabilis na pagpapabuti ng Long-term Agent, malaking pagsisikap sa paggamit ng kompyuter, at pag-aaral ng mapagkakatiwalaang interface para sa mga modalidad na labas ng teksto (tulad ng spreadsheet at presentation), mayroong buong klase ng mga bagong startup na malapit nang magkaroon ng kinakailangang pagsuportang imprastruktura upang lumikha ng makabuluhang corporate value.

Pamamaraan sa datos: Ang datos na ito ay kinokolekta mula sa mga lider na korporatibong AI startup, kabilang ang pribadong datos ng mga kumpanya na nagbahagi sa amin para sa layunin ng ulat na ito, pati na rin ang mga publiko available na datos at anonymous na datos na analisado mula sa libu-libong usapan namin sa a16z kasama ang mga startup at malalaking kumpanya.