Alla grundare behöver se denna innan man kontaktar mig!

Videon handlar om hur vertikala AI-agenter förväntas bli nästa stora innovation inom teknikvärlden, med potential att förändra hela branscher och skapa nya miljardbolag. Diskussionen bygger på paralleller till SaaS-industrin (Software as a Service), som dominerade teknikutvecklingen de senaste 20 åren genom att bygga specialiserade lösningar för företag. Här är en sammanfattning av de viktigaste punkterna:

• Framstegen inom AI: Vertikala AI-agenter, som kombinerar mjukvara och människors arbetsuppgifter i en enda produkt, har utvecklats snabbt och kan ersätta hela team och funktioner i företag.

• Paralleller till SaaS: Liksom SaaS förändrade hur mjukvara distribuerades och användes (från CD-ROM till molnet), erbjuder AI-agenter en ny paradigm där företag kan automatisera repetitiva och administrativa arbetsuppgifter. Detta kan skapa företag som är 10 gånger större än dagens SaaS-bolag.

• Tekniska genombrott: Historiskt sett möjliggjordes SaaS-boomen av tekniska framsteg som XML HTTP-request och Ajax, vilket lade grunden för moderna webbtjänster som Gmail och Google Maps. På liknande sätt kan LLM (Large Language Models) betraktas som en katalysator för nästa våg av innovation.

• Marknadsmöjligheter: Panelen förutspår att det kommer att skapas hundratals AI-baserade enhörningsbolag (värda över en miljard dollar) inom vertikala nischer. De ser stora möjligheter i “tråkiga och repetitiva arbetsuppgifter” som kan automatiseras av AI.

• Utmaningar och strategier: För att lyckas med AI-agenter behöver företag förstå specifika behov i branscher och organisationer. Dessutom måste de övervinna interna motstånd, eftersom vissa arbetstagare kan känna sig hotade av att deras roller automatiseras.

• Exempel och framtid: Företag som redan bygger vertikala AI-lösningar nämns, exempelvis inom kundsupport, rekrytering och kvalitetssäkring. Diskussionen avslutas med reflektioner kring hur AI kan förändra organisationsstrukturer, göra företag effektivare och utöka ledarskapets räckvidd.

Sammanfattningsvis förutser panelen att vertikala AI-agenter kan bli lika transformativa som SaaS har varit, men med ännu större inverkan.

Konkreta tips

• Identifiera smärtpunkter och bygg lösningar för specifika arbetsflöden.
• Leveranst värde direkt genom att minska kostnader och förbättra effektivitet.
• Fokusera smalt först och iterera snabbt med hjälp av användarinsikter.

1. Identifiera ett specifikt och smärtsamt problem

Satsa på att lösa ett tydligt problem i en specifik bransch eller funktion, helst där repetitiva eller administrativa arbetsuppgifter dominerar. Vertikala AI-agenter fungerar bäst när de kan fokusera på att leverera högkvalitativa lösningar för smala men kritiska användningsområden.

• Tips: Spendera tid i branschen du vill bygga för. Observera hur arbetet görs och identifiera “tråkiga” eller ineffektiva processer som kan automatiseras.

• Exempel: Om du bygger för tandläkarkliniker, som nämndes i videon, börja med att sitta med en tandläkare och förstå hur deras administrativa uppgifter ser ut, som att hantera försäkringar eller bokningar.

2. Bygg en lösning som levererar affärsvärde direkt

Din mjukvara måste skapa påtaglig ROI (Return on Investment) för kunden. En framgångsrik AI-agent ska inte bara effektivisera en process utan också minska behovet av personal eller manuellt arbete. Lösningen bör vara så bra att kunden inte längre behöver kompletterande verktyg eller team.

• Tips: Sälj in värdet på högsta nivå i organisationen. Vertikala AI-agenter är mest effektiva när de stöttas av beslutsfattare som ser potentialen i att förändra hela arbetsflöden.

• Exempel: En AI-agent för kundsupport bör inte bara ge snabba svar utan också hantera kompletta kundärenden, vilket frigör tid och pengar för företaget.

3. Iterera snabbt och fokusera på hyper-specialisering

Vertikala AI-lösningar kräver djup förståelse för en bransch och dess unika behov. Börja smalt och bygg ett system som är bäst i världen på just det du adresserar. Undvik att försöka lösa allt på en gång – expansion kan ske senare när du har bevisad framgång i din första vertikal.

• Tips: Bygg nära dina användare och iterera snabbt baserat på deras feedback. Förstå deras verkliga arbetsflöden och justera lösningen därefter.

• Exempel: Om du bygger en lösning för automatiserad kvalitetskontroll i produktion, fokusera först på en specifik typ av produkt eller linje innan du skalar till andra områden.

---

Every three months, things have just kept getting progressively better. And now we’re at this point where we’re talking about full-on vertical AI agents that are going to replace entire teams and functions in enterprises. That progression is still mind-blowing to me. A lot of the foundation models are kind of coming head to head. There used to be only one player in town with OpenAI, but we’ve been seeing in the last batch this has been changing. Thank God. It’s like competition is the soil for a very fertile marketplace ecosystem for which consumers will have choice and founders have a shot. And that’s the world I want to live in.

Welcome to another episode of The Light Cone. Collectively, we’ve funded hundreds of billions of dollars worth of startups right when they were just one or two people starting out. Today, we are talking about vertical AI. This topic is exciting because people, especially startup founders, are not fully appreciating just how big vertical AI agents are going to be. It’s not a new idea. Some people are talking about vertical AI agents, and many have been funded already. But the world has not caught on to just how big this could get. It is projected that there could be 300 billion-dollar-plus companies started in this category.

The case for this can be made by analogy with SaaS. People don’t understand just how big SaaS is. Most startup founders tend to see the startup industry through the lens of the products they use as a consumer. As a consumer, you don’t tend to use that many SaaS tools because they’re mostly built for companies. Looking at what Silicon Valley has been funding for the last 20 years, SaaS companies dominate. Over 40% of all venture capital dollars in that time period went to SaaS companies, producing over 300 SaaS unicorns, way more than every other category.

Software has always been transformative. Thinking back to the history of SaaS, the real catalyst for the boom was XML HTTP request in 2004. It enabled rich internet applications to be built in web browsers, creating tools like Google Maps and Gmail. This shift moved software from being something on a CD-ROM to something used through a website or phone. Early SaaS apps were limited until this key technology became widespread. It parallels the potential of large language models (LLMs) today, which allow for a fundamentally different approach to software and automation.

The history of SaaS highlights three major paths to billion-dollar companies. The first category includes “obviously good ideas” like docs, photos, email, and chat. These were often won by incumbents. The second category is mass consumer ideas that were not obvious, such as Uber and Airbnb. Startups won here because incumbents didn’t compete until it was too late. The third and largest category by number of logos is B2B SaaS, which created over 300 unicorns. The absence of a “Microsoft of SaaS” allowed for this diversity, as each vertical required deep specialization.

Early SaaS faced skepticism similar to today’s vertical AI. Early web applications were clunky, and people doubted enterprise applications could be built over the cloud. SaaS pioneers like Salesforce proved otherwise, laying the foundation for today’s ecosystem. Similarly, skeptics of LLMs cite issues like hallucinations or limitations in current implementations. But these tools are already transforming industries, with clear parallels to SaaS history.

LLMs open new possibilities for vertical AI agents. Just as SaaS disrupted box software, AI agents combine software and human tasks into a single product. Enterprises currently spend much more on payroll than software, so AI agents have the potential to reduce costs and improve efficiency dramatically. This shift could result in vertical AI companies that are 10 times as large as the SaaS companies they disrupt.

The success of vertical AI lies in solving specific problems. AI agents excel in highly tailored solutions for defined industries or workflows. Companies that find boring, repetitive admin tasks to automate are likely to uncover billion-dollar opportunities. This requires an intimate understanding of the customer’s pain points and iterative development to deliver transformative results.

Examples of early success with vertical AI include various niches. These include QA testing, customer support, recruiting, and billing. For example, AI tools can entirely replace QA teams rather than simply augmenting their work. Similarly, AI agents in recruiting can eliminate the need for human recruiters in technical screening, solving friction points that previously slowed adoption.

The development of AI tools mirrors the evolution of SaaS. Early LLM-powered apps were basic, focusing on simple tasks like content generation. Over time, the complexity and capabilities have expanded, enabling full-stack automation and vertical specialization. Today’s AI agents can replace entire workflows, allowing companies to scale without proportionally increasing headcount.

As competition increases among foundation models, the ecosystem strengthens. The rise of players like Claude alongside OpenAI creates a fertile marketplace where consumers benefit from choice, and founders have opportunities to innovate. Competition drives innovation, much like the early days of SaaS.

Looking ahead, vertical AI will likely follow SaaS patterns. Early winners may focus on broad applications, but as industries mature, specialization will dominate. Enterprises are increasingly open to adopting point solutions and vertical AI agents today, accelerating adoption compared to earlier technological shifts.

In conclusion, vertical AI agents represent a massive opportunity. They combine software and automation to tackle highly specific problems, often reducing payroll costs and improving efficiency. With the right focus and execution, these companies could redefine industries and surpass the impact of SaaS.