Laporan a16z: 29% daripada 500 Syarikat Fortune membayar untuk pengambilan AI, pengaturcaraan, dan penyokong pelanggan

Penulis: a16z

Diterjemahkan oleh Deep潮 TechFlow

Pengantar DeepChao: MIT menyatakan bahawa 95% uji coba AI generatif perusahaan gagal berubah menjadi keberjayaan, tetapi a16z secara langsung membantah pernyataan ini dengan data dari perusahaan dalam portofolio mereka. 29% daripada Fortune 500 dan 19% daripada Global 2000 sudah menjadi pelanggan berbayar bagi perusahaan startup AI terkemuka, dengan alat pemrograman meningkatkan kecekapan jurutera terbaik sebanyak 10-20 kali ganda. Laporan sebanyak 23,928 patah perkataan ini, berdasarkan data dalaman, mengungkapkan skenario AI mana yang benar-benar menghasilkan nilai dan mana yang masih merupakan hiperbola konsep.

Terdapat banyak spekulasi mengenai sejauh mana AI telah membuat kemajuan di kalangan perusahaan besar, tetapi kebanyakan maklumat yang ada hanya terdiri daripada tinjauan yang melaporkan penggunaan AI sendiri atau menangkap emosi pembeli secara kualitatif, bukan data keras. Selain itu, beberapa kajian yang ada menyatakan bahawa AI berprestasi lemah di perusahaan, paling menonjol ialah satu kajian MIT yang menyatakan bahawa 95% uji coba AI generatif gagal berubah menjadi pelaksanaan.

Berdasarkan data dalaman kami dan perbincangan dengan pengurusan korporat, kami mendapati statistik ini tidak masuk akal. Kami telah memantau dengan rapat di mana AI paling banyak diadopsi dan di mana ROI jelas, serta menghimpun data sebenar mengenai apa yang berkesan dalam AI korporat.

Berdasarkan analisis kami, 29% daripada Fortune 500 dan sekitar 19% daripada Global 2000 adalah pelanggan berbayar aktif bagi syarikat mula AI terkemuka.

Untuk memenuhi statistik ini, syarikat-syarikat tersebut mesti menandatangani kontrak top-down dengan syarikat mula AI, berjaya mengubahsuai uji coba, dan melancarkan produk di dalam organisasi mereka.

Mencapai tahap penetrasi sebegini dalam masa yang begitu singkat adalah signifikan, kerana syarikat-syarikat Fortune 500 tidak dikenali sebagai pengguna awal teknologi. Secara sejarah, banyak syarikat rintisan mesti terlebih dahulu menjual kepada syarikat rintisan lain untuk mendapatkan daya awal, dan baru beberapa tahun kemudian syarikat rintisan tersebut boleh menandatangani kontrak perniagaan pertama mereka, memerlukan lebih banyak pendapatan dan masa sebelum akhirnya boleh menandatangani pelanggan berskala Fortune 500.

AI telah menggulingkan kebiasaan ini. OpenAI melancarkan ChatGPT pada November 2022, yang segera memperlihatkan potensi AI kepada pengguna konsumer dan perusahaan. Tindakan ini melepaskan gelombang minat terhadap AI yang tidak pernah dipicu oleh generasi teknologi sebelumnya, membuat perusahaan besar lebih bersedia untuk berspekulasi lebih awal terhadap produk baru. Hasilnya: hanya lebih dari tiga tahun kemudian, hampir sepertiga dari Fortune 500 dan satu perlima dari Global 2000 memiliki pelaksanaan AI perusahaan yang sebenarnya dalam organisasi mereka.

Di mana jenis penggunaan ini berlaku paling pantas, dan bagaimana ia dipetakan kepada tugas yang secara asasnya lebih disukai oleh model?

Kami menemukan bahawa kaedah penilaian yang paling bermakna ialah dengan menggabungkan momentum pendapatan setiap kes penggunaan ke atas kapasiti teori model yang ditakrifkan oleh GDPval, sebuah tolok terkenal dari OpenAI yang menilai kapasiti model dalam tugas-tugas yang bernilai dalam ekonomi sebenar. Bagi kami, kedua-dua faktor ini merangkumi sejauh mana model boleh menjadi baik, serta sejauh mana mereka telah membuktikan nilai yang diberikan hari ini. Ini menjadikannya sangat memberikan gambaran tentang di mana pengambilan AI berada hari ini, ke arah mana ia mungkin bergerak, dan di mana masih terdapat penghentian AI walaupun kapasiti model telah matang.

Dalam hal tren pendapatan, penggunaan AI oleh perusahaan dipimpin oleh satu set keseluruhan kesgunaan dan industri yang jelas. Pemrograman, sokongan, dan carian sejauh ini mewakili sebahagian besar kesgunaan (pemrograman bahkan merupakan nilai pengecualian sepuluh kali ganda dalam set ini), manakala sektor teknologi, undang-undang, dan penjagaan kesihatan adalah industri yang paling bersemangat untuk mengadopsi AI.

Pengaturcaraan: Pengaturcaraan adalah kes penggunaan utama AI, hampir sebanyak satu peringkat. Ini jelas kelihatan dalam pertumbuhan meledak yang dilaporkan oleh syarikat-syarikat seperti Cursor, serta pertumbuhan super cepat alat-alat seperti Claude Code dan Codex. Kadar pertumbuhan ini melebihi ramalan paling optimis hampir semua orang, dan sehingga kini, sebahagian besar penggunaan alat AI oleh Fortune 500/Global 2000 berlaku dalam kod.

Dalam banyak segi, pemrograman mewakili kes penggunaan ideal AI, sama ada dari segi kemampuan teknikal atau penerimaan pasaran perniagaan. Kod adalah data-berat, bermakna terdapat banyak kod berkualiti tinggi secara dalam talian yang boleh digunakan untuk melatih model. Ia juga berasaskan teks, menjadikan model mudah diuraikan. Ia tepat dan jelas, dengan tatabahasa yang ketat dan hasil yang boleh diramalkan. Yang penting, ia boleh diverifikasi: sesiapa sahaja boleh menjalankannya dan mengetahui sama ada ia berkesan, mencipta gelung umpan balik yang rapat untuk pembelajaran dan peningkatan model.

Dari sudut pandang perniagaan, ini juga merupakan aplikasi yang sangat baik. Kami terus mendengar syarikat-syarikat portfolionya mengatakan bahawa produktiviti jurutera terbaik mereka meningkat sebanyak 10 hingga 20 kali ganda dengan alat pengaturcaraan AI. Merekrut jurutera sentiasa sukar dan mahal, jadi apa-apa peningkatan produktiviti mereka mempunyai ROI yang jelas—peningkatan yang diberikan oleh alat pengaturcaraan AI mencipta insentif besar untuk pengambilan. Jurutera juga sering menjadi pengguna awal yang meminta alat terbaik, kerana pengaturcaraan adalah tugas yang lebih bersendirian berbanding kebanyakan pekerjaan perniagaan, dan mereka lebih mudah untuk mencari dan mengambil alat terbaik tanpa dihambat oleh koordinasi dan birokrasi yang mengganggu banyak fungsi perniagaan lain.

Selain itu, alat pemrograman tidak perlu menyelesaikan tugas 100% secara end-to-end untuk memberikan nilai tambah, kerana sebarang percepatan (contohnya, mencari bug, menghasilkan kod contoh) masih menghemat masa dan berguna. Oleh kerana pemrograman melibatkan alur kerja yang rapat dengan manusia, pembangun masih mengawasi proses pembangunan hari ini, dan alat-alat ini memberi ruang bagi penilaian, penyuntingan, dan pengulangan manusia sambil mempercepatkan output. Ini meningkatkan keyakinan perusahaan serta mempermudah laluan pengambilan.

Kemampuan pemrograman sedang meningkat secara eksponen, dan setiap laboratorium secara jelas berfokus pada memenangkan kod sebagai kesan penggunaan. Ini memberi kesan yang besar. Kod adalah hulu bagi semua aplikasi lain kerana ia merupakan blok pembina utama bagi sebarang perisian, oleh itu, akselerasi AI terhadap kod sepatutnya mempercepatkan setiap bidang lain. Rintangan untuk membangunkan dalam bidang-bidang ini berkurang, membuka peluang baharu untuk menyelesaikan masalah dengan AI, tetapi ketersediaan yang sama menjadikan penciptaan keunggulan kompetitif yang berterusan untuk syarikat permulaan lebih penting daripada sebelum ini.

Sokongan: Menyokong di hujung lain barbel, bertentangan dengan kod. Walaupun rekabentuk perisian biasanya menerima pelaburan dan perhatian paling banyak dalam organisasi, sokongan sering diabaikan. Pekerjaan sokongan dalam organisasi adalah kerja latar belakang dan peringkat permulaan, biasanya dioutsourcing kepada syarikat luar negara atau syarikat outsorcing proses perniagaan (BPO), kerana syarikat menganggap pengurusan sendiri terlalu rumit dan kompleks.

AI telah terbukti berprestasi baik dalam mengurus tugas ini kerana beberapa sebab. Pertama, sifat kebanyakan interaksi sokongan adalah bermasa, dengan niat yang terhad (contohnya, memproses refund), yang memberikan agen masalah yang jelas untuk ditangani. Sokongan juga merupakan salah satu fungsi tunggal di mana tugas yang terlibat dalam peranan tersebut didefinisikan dengan jelas. Pasukan sokongan adalah besar dan mempunyai perputaran tinggi, oleh itu memerlukan latihan baru kepada wakil secara pantas dan standard. Untuk tujuan ini, mereka mempunyai prosedur operasi standard (SOP) yang dinyatakan dengan jelas untuk membimbing setiap wakil. SOP ini mencipta peraturan dan panduan yang jelas yang boleh ditiru oleh agen AI. Ini membezakannya daripada kebanyakan ruang kerja perniagaan lain, yang biasanya lebih panjang, kurang jelas definisinya, dan melibatkan lebih banyak pihak berkepentingan selain pelanggan dan wakil sokongan.

Sokongan juga merupakan salah satu fungsi perniagaan yang paling jelas dalam menunjukkan ROI. Sokongan beroperasi berdasarkan indikator yang boleh diukur: bilangan tiket yang dijawab, skor CSAT (kepuasan pelanggan) dan kadar penyelesaian. Mana-mana ujian A/B antara keadaan semasa dan agen AI akan menghasilkan hasil yang menguntungkan bagi agen AI: ia akan menjawab lebih banyak tiket, meningkatkan kadar penyelesaian, dan meningkatkan skor kepuasan pengguna—semuanya dengan kos yang lebih rendah. Oleh kerana sebahagian besar sokongan sudah dioutsourcing kepada BPO, pengambilan penyelesaian AI memerlukan pengurusan perubahan yang terhad, menjadikan laluan pengambilan lebih mudah.

Penyokong juga tidak memerlukan ketepatan 100% untuk berguna, kerana ia mempunyai laluan semula jadi kepada manusia (contohnya, "Saya akan meningkatkan anda kepada pengurus"). Ini membolehkan kitaran jualan bergerak lebih pantas dan menjadikan agen penyokong AI uji coba relatif berisiko rendah; dalam kes terburuk, semua kes 100% akan secara ringkas dinaikkan dan diselesaikan oleh manusia.

Akhirnya, sokongan pada dasarnya bersifat transaksional. Pelanggan tidak peduli siapa sebenarnya di seberang sana, yang bermakna sokongan tidak memerlukan hubungan antara manusia yang sukar disalin oleh AI. Ciri-ciri ini menjelaskan mengapa syarikat seperti Decagon dan Sierra tumbuh dengan sangat pantas, serta lebih banyak peserta sokongan khusus vertikal seperti Salient, HappyRobot, dan sebagainya.

Carian: Kategori aras terakhir yang didorong oleh pasaran perniagaan yang jelas ialah carian. Penggunaan utama ChatGPT itu sendiri ialah carian, oleh itu kesan carian mungkin terintegrasi secara serius ke dalam pendapatan dan penggunaan ChatGPT, di mana ia mungkin sangat dianggap rendah di sini.

Pencarian AI sebagai kategori yang begitu luas sehingga memungkinkan munculnya banyak perusahaan rintisan besar yang berdiri sendiri. Salah satu masalah utama dalam banyak organisasi ialah membolehkan pekerja mencari dan mengekstrak maklumat yang relevan dengan mudah daripada pelbagai set sistem mereka. Glean berkembang pesat sebagai pemasok rintisan utama untuk kes penggunaan ini. Banyak industri besar juga beroperasi berdasarkan maklumat industri yang sangat spesifik (dalaman dan luaran), dan perusahaan seperti Harvey (yang bermula dengan pencarian undang-undang) serta OpenEvidence (yang bermula dengan pencarian perubatan) berkembang pesat dengan membina produk inti mereka di sekeliling ini.

Teknologi: Industri yang paling umum mengadopsi AI hingga kini ialah industri teknologi. ChatGPT sendiri melaporkan bahawa 27% pengguna perniagaan datang dari sektor teknologi, dan banyak pelanggan awal syarikat seperti Cursor, Decagon, dan Glean ialah syarikat teknologi. Mengingat bahawa teknologi hampir selalu menjadi peneraju awal dan industri yang memicu gelombang AI, ini tidak mengejutkan sama sekali.

Lebih mengejutkan lagi, pasaran yang sebelumnya tidak dianggap sebagai pengguna awal kali ini terbukti sangat berminat.

Undang-undang: Secara mengejutkan, undang-undang adalah salah satu industri terdepan dalam AI. Sejarahnya dianggap sebagai pasaran yang sukar untuk perisian, dengan jadual yang panjang dan pembeli yang kurang mahir secara teknikal.

Ini kerana perisian perniagaan tradisional memberikan nilai terhadap peguam yang terhad: alat aliran kerja statik tidak mempercepatkan kerja tidak terstruktur dan halus yang biasa dilakukan oleh peguam. Tetapi AI membuat nilai teknologi kepada peguam menjadi lebih jelas. AI mahir dalam menganalisis teks padat, membuat inferens terhadap teks besar, serta merumus dan menyusun respons—semuanya merupakan kerja yang sering dilakukan oleh peguam. AI kini sering bertindak sebagai co-pilot untuk meningkatkan produktiviti peguam individu, tetapi telah bermula meluas ke luar daripada ini: dalam beberapa kes, ia sebenarnya boleh menghasilkan pendapatan dengan membolehkan firma undang-undang menangani lebih banyak kes (seperti kes Eve, yang khusus dalam undang-undang penggugat).

Hasilnya jelas. Harvey melaporkan pendapatan berulang tahunan (ARR) sekitar US$200 juta dalam masa tiga tahun sejak penubuhannya, sementara syarikat seperti Eve memiliki lebih daripada 450 pelanggan dan mencapai penilaian US$1 bilion pada musim gugur ini.

Perkhidmatan kesihatan: Perkhidmatan kesihatan ialah pasaran lain yang menanggapi AI dengan cara yang tidak pernah dimiliki perisian tradisional. Syarikat-syarikat seperti Abridge, Ambience Healthcare, OpenEvidence, dan Tennr mengalami pertumbuhan pendapatan yang sangat pantas berdasarkan kes penggunaan diskret (seperti rekod kesihatan, carian kesihatan, atau automatik latar belakang peraturan Byzantine yang menguruskan bagaimana perkhidmatan kesihatan disampaikan dan dibayar).

Bidang kesihatan sebelum ini merupakan pasaran yang perlahan mengambil alih perisian, kerana 1) pekerjaan berketerampilan tinggi dan kompleks tidak sesuai dengan masalah yang boleh diselesaikan oleh perisian aliran kerja tradisional, dan 2) dominasi sistem seperti Epic dalam merekod EHR telah menekan penyedia perisian baharu. Namun, dengan kehadiran AI, syarikat-syarikat mampu menggantikan tugas pentadbiran (contohnya, jururakam perubatan) atau memperkukuh pekerjaan bernilai tinggi yang dilakukan oleh doktor, untuk mengatasi tugas manual yang terpisah yang tidak direkodkan dalam sistem. Pekerjaan ini cukup unik sehingga tidak memerlukan pembuangan dan penggantian EHR, membolehkan syarikat-syarikat ini berkembang pantas tanpa perlu menggantikan penyedia perisian sedia ada.

Anggaran ini adalah anggaran terbaik. Ia mungkin merendahkan jumlah pendapatan yang dihasilkan dalam setiap kategori dan melebih-lebihkan kemampuan model.

Kami mungkin telah meremehkan pendapatan kerana:

Analisis pendapatan semata-mata berdasarkan bahagian dan kes penggunaan yang berjaya cukup untuk menghasilkan perniagaan AI besar dan berdiri sendiri, serta mengeluarkan panjang ekor kes yang sedang ditangani oleh syarikat mula-mula lain.

Banyak pasaran ini juga memiliki peserta perusahaan bukan permulaan yang berukuran signifikan yang menghasilkan pendapatan ketara (contohnya, Codex/Claude Code dalam kod, CoCounsel milik Thomson Reuters dalam undang-undang), tetapi kami akan fokuskan analisis kami pada peserta permulaan bebas.

Banyak tugas kerja yang dinyatakan dalam analisis kami mungkin telah diintegrasikan ke dalam produk inti syarikat model (contohnya, ChatGPT dan carian OpenAI), tetapi tidak dipisahkan dan dimasukkan dalam analisis ini.

Analisis ini berfokus pada perniagaan perusahaan, bukan perniagaan pengguna konsumer atau profesional. Terdapat perniagaan yang berjaya (contohnya, Replit dan Gamma dalam penghasilan dan reka bentuk aplikasi) yang mempunyai sejumlah besar pengguna perniagaan, tetapi pada hari ini ia lebih berfokus kepada pengguna konsumer atau profesional. Mengingat analisis ini berfokus pada AI perusahaan dan dari mana perusahaan memperoleh nilai, kami mengecualikan perniagaan yang dipimpin oleh konsumer.

Dalam segi kemampuan, mengukur kesan AI terhadap pelbagai sektor ekonomi sangat sukar, walaupun ramai ekonom sedang cuba melakukannya. Pekerjaan pada dasarnya tidak didefinisikan dengan jelas dan mempunyai ekor panjang, menjadikannya sangat sukar untuk diotomatiskan sepenuhnya. Pada hari ini, masih tidak jelas berapa banyak nilai yang boleh diperoleh syarikat daripada otomatik separa—jika AI hanya mampu melakukan 50% tugas manusia, kepentingan tugas yang tidak boleh diotomatiskan mungkin meningkat kerana ia menjadi bottleneck, meningkatkan nilai relatifnya. Oleh itu, kita mungkin melebih-lebihkan status kemampuan hari ini, kerana setiap peningkatan 1% kemampuan tidak akan berubah menjadi 1% nilai ekonomi, tetapi memperhatikan kemampuan relatif dan bagaimana ia membaik dengan setiap pelancaran model baru masih sangat bermakna.

Analisis ini mengukur keberkesanan model penilaian teratas berbanding pakar manusia melalui ujian rujukan GDPval. Berdasarkan ini, jelas bahawa sejak musim gugur 2025, model telah menjadi jauh lebih baik dalam pekerjaan yang bernilai ekonomi.

Jadi, mengapa kita tidak melihat semua industri yang mendapat peringkat tinggi dalam penilaian ini mempunyai momentum pendapatan yang sama jenisnya seperti industri lain?

Industri yang telah menerima AI dengan antusiasme hingga kini memiliki beberapa kesamaan: mereka berbasis teks, melibatkan pekerjaan mekanis dan berulang, memiliki partisipasi manusia secara alami dalam siklus untuk memasukkan penilaian manusia, regulasi terbatas, dan memiliki output akhir yang jelas dan dapat diverifikasi (contohnya, kod yang berjalan, tiket sokongan yang telah diselesaikan). Banyak industri tidak memiliki sifat-sifat ini. Mereka either mengurus dunia fizikal, sangat bergantung pada hubungan antar manusia, memiliki kos koordinasi yang jelas di antara banyak pihak berkepentingan, menghadapi halangan regulasi atau kepatuhan, atau kekurangan hasil yang dapat diverifikasi. Walaupun momentum pendapatan dan kemampuan model berkaitan erat, di bidang-bidang di mana kemampuan model secara teori berada di bawah 50% keberkesanan berbanding manusia (seperti dalam kes undang-undang), syarikat seperti Harvey masih mampu memperoleh pangsa pasaran dengan cepat melalui produk pembantu untuk meningkatkan kerja undang-undang peribadi, kemudian secara berterusan memperbaiki produk inti mereka seiring perkembangan model.

Penemuan paling penting di sini ialah kemampuan model sedang meningkat dengan cepat. Beberapa bidang menunjukkan peningkatan besar dalam 4 bulan terakhir—akuntansi dan audit menunjukkan lompatan hampir 20% dalam GDPval, bahkan bidang seperti polis/pendetektif juga menunjukkan peningkatan hampir 30%. Kami mengharapkan lompatan-lompatan ini menghasilkan produk dan syarikat baru yang menarik dalam bidang berkaitan. Selain itu, syarikat model telah secara jelas mengumumkan niat mereka untuk meningkatkan kemampuan inti dalam pekerjaan yang bernilai ekonomi, dengan fokus pada lembaran kerja dan alur kerja kewangan, menggunakan komputer untuk menangani tugas-tugas sukar pada sistem warisan dan industri, serta membuat peningkatan bermakna dalam tugas jangka panjang, yang membuka kelas pekerjaan baru yang tidak boleh dengan mudah dipotong menjadi potongan-potongan pendek dan mudah dicerna.

Memahami dari mana perusahaan mendapatkan nilai serta bagaimana mereka memikirkan ROI—dan di mana bahagian-bahagian tertentu jelas melihat dorongan berbanding yang akan datang—membantu kita berfikir lebih jelas tentang di mana peluang bagi pembina AI berada.

Melayani pembeli di bidang teknologi, undang-undang, dan penjagaan kesihatan kini jelas merupakan tanah yang subur, tetapi kami tidak percaya akan ada satu "pemenang" dalam setiap kategori. Sebagai contoh, dalam bidang undang-undang, terdapat banyak jenis peguam—peguam dalaman, firma peguam, peguam paten, peguam tuntutan—yang semuanya mempunyai alur kerja dan keperluan yang berbeza, yang boleh diselesaikan oleh syarikat. Demikian juga dengan penjagaan kesihatan, dengan pelbagai jenis doktor, fasiliti kesihatan, dan sebagainya.

Selain bahagian-bahagian ini, satu cara berfikir yang berkesan lain ialah tempat di mana kemampuan semakin meningkat, tetapi belum ada perusahaan yang mencapai lompatan pendapatan. Kebanyakan perniagaan semasa ini dibina sebelum kemampuan model benar-benar membuka produk, tetapi mereka telah membina infrastruktur teknologi dan kesedaran pelanggan/pasaran yang mencukupi, sehingga apabila lompatan model berlaku, mereka berada dalam kedudukan paling unggul.

Akhirnya, penting untuk memperhatikan bagaimana laboratorium mengarahkan kajian terkini mereka kepada aspek-aspek yang bernilai ekonomi. Dengan kemajuan pesat agen jangka panjang, pelaburan besar dalam penggunaan komputer, serta penyelidikan antaramuka yang boleh dipercayai untuk modality di luar teks (seperti lembaran kerja, persembahan), terdapat satu kelas baru perusahaan rintisan yang akan segera memiliki infrastruktur pendorong yang diperlukan untuk menghasilkan nilai perniagaan yang bermakna.

Kaedah data: Data ini diringkaskan daripada syarikat rintisan AI terkemuka, termasuk data peribadi yang dibahagikan oleh syarikat-syarikat dengan kami untuk tujuan laporan ini, serta data awam dan data anonim yang dianalisis daripada ribuan perbualan kami dengan rintisan dan syarikat besar di a16z.