Escuche este artículo
En el entorno precise de recaudación de fondos, con su intenso enfoque en modelos de negocio positivos para el flujo de efectivo, los emprendedores de la robótica deben enfrentar algunos desafíos espinosos: altos costos de CapEx, flujo de trabajo y gestión de cambios, y largos ciclos de implementación empresarial, por nombrar algunos.
Esto se ve exacerbado aún más por la elección de un modelo de negocio como RaaS (Robótica como Servicio), que en el papel parece prometedor, pero termina forzando expectativas similares a las del software program en lo que es fundamentalmente una oportunidad de negocio muy diferente.
Sin embargo, en industrias como las de servicios de mantenimiento, que dependen en gran medida de la mano de obra y ya están mecanizadas, existe un enfoque alternativo, si podemos replantear la oportunidad y la promesa de la automatización.
Repensar GTM: gane dinero para obtener resultados y utilice sus ganancias para construir robots que mejoren sus propios márgenes
Al adquirir empresas de servicios establecidas o celebrar contratos de servicios directamente con los clientes, los empresarios de robótica pueden financiar sus operaciones directamente con los ingresos de los clientes. Un ejemplo de ello es que Amazon ha construido 750.000 robots y puede ampliarlos de manera rentable. Por otro lado, la mayoría de las empresas de RaaS desperdician dinero en efectivo hasta la eternidad, incluso después de salir a bolsa. Shopify compró Six River Techniques por 500 millones de dólares y se lo vendió a Ocado por 12 millones de dólares.
¿Quién preferirías ser: la startup de robótica que espera que algún titular te seleccione después del purgatorio piloto, o un gigante que surge y domina toda una industria?
La importancia de esta estrategia se ha visto reforzada aún más por el auge de los grandes modelos de aprendizaje automático (como los LLM y VLM detrás de ChatGPT y Palm-E). Así como los LLM han comenzado a transformar el trabajo del conocimiento, ahora estamos comenzando a ver el surgimiento de grandes modelos basados en datos de sensores y visión que transformarán el trabajo handbook tal como lo conocemos.
El poder de los modelos grandes se deriva de la trifecta de datos, computación y aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF). Aunque la potencia informática es un activo invaluable, en gran medida se convertirá en una mercancía. Es lógico que los datos de operaciones del mundo actual sean el motor clave para desarrollar una inteligencia incorporada common que eventualmente impulsará a todos los robots.
Además de los datos, será clave crear un entorno de capacitación continua y ajuste para dar forma a estos modelos. (Si desea pruebas de que la calidad de los datos o RLHF es el diferenciador clave (examine GPT4 con cualquier modelo de código abierto), el arma secreta de OpenAI es su ejército de Scale.AI y otros recursos de RLHF).
Con el paso de la robótica clásica a los modelos grandes, está claro que la adquisición de datos y el ajuste continuo son la base sobre la que se construirá la robótica del futuro.
[SITEAD]
Plan para la robótica integrada verticalmente: una inmersión más profunda
En Electrical Sheep Robotics estamos aplicando activamente este pensamiento para automatizar la industria de servicios de mantenimiento al aire libre de 250 mil millones de dólares (piense en cortar el césped, barrer estacionamientos, reparar aceras, and so on., todas las cosas aburridas que evitan que las fuerzas de la entropía destruyan lentamente la civilización). Nuestro rápido crecimiento durante los últimos años nos ha proporcionado información valiosa que nos gustaría compartir con usted aquí:
Hemos aprovechado nuestro capital para obtener capital de adquisición.
A diferencia del capital, que puede ser costoso, la deuda es mucho más adecuada para comprar empresas con un flujo de caja positivo. Esto nos ha permitido mejorar drásticamente la eficiencia y rentabilidad del crecimiento de nuestros ingresos. El camino para encontrar empresas compatibles es bastante sencillo para nuestra industria: el capital privado ha estado consolidando activamente la industria de servicios al aire libre durante los últimos 20 años. De hecho, KKR creó BrightView (NYSE: BV), que es un gigante de ARR de 3.000 millones de dólares. Brightview se formó con el tiempo mediante la agrupación de varias empresas más pequeñas que van desde $ 5 millones hasta $ 50 millones de ARR.
Nos hemos centrado en algunas geografías centrales, como el sur de EE. UU., que tienen muchos ingresos por mantenimiento (en nuestra industria, las tareas de mantenimiento se mecanizan en gran medida utilizando equipos. A medida que nuestros modelos ML maduran, esto se traduce en agregar una capa de automatización a un creciente número de tareas.)
Al integrar una empresa, hemos considerado otras cuestiones culturales, como el conocimiento tecnológico del equipo existente, el compromiso del vendedor para permitir la automatización y la capacidad de permanecer para ayudar con la transición.
Nos hemos comprometido a construir un equipo multidisciplinario completo:
Nos hemos centrado en personas con una mentalidad de crecimiento y hemos sobreindexado en aquellos que estaban dispuestos a trascender dominios y estaban dispuestos a arremangarse para hacer lo que fuera necesario para realizar el envío. Esto a menudo significaba promover a empleados junior con la visión de construir la robótica del futuro en lugar de contratar altos directivos de empresas más grandes.
Para administrar los negocios adquiridos, hemos buscado gerentes de operaciones que implementaron sistemas de TI u otra tecnología IOT para optimizar la gestión laboral y las operaciones de flota. Descubrimos que tienen cicatrices de batalla y, como resultado, una comprensión más matizada de los problemas de personas, procesos y productos que deben superarse al implementar la automatización.
Por ejemplo, decidimos desde el principio eliminar todos los intentos de introducir una aplicación de teléfono o cualquier UX digital en nuestros robots. A medida que escalamos nuestras implementaciones, nos obsesionamos continuamente con pequeñas formas de mejorar la UX: cómo resistir el abuso que recibiría el robotic como parte de un equipo de jardinería, cómo será transportado, cómo será lavado (en algunos casos, saboteado activamente). por el poco entusiasta equipo!).
Vemos los robots como una herramienta para mejorar los márgenes:
En lugar de ver a los robots como productos para la venta, los imaginamos como herramientas estratégicas para mejorar la eficiencia operativa y la rentabilidad. Esto nos obliga a centrarnos en la función y la utilidad y evitar caer en trampas de características inútiles del producto. Dado que construimos para nosotros mismos, sabemos exactamente lo que necesitamos para mejorar nuestra propia eficiencia.
En la práctica, esto se ha traducido en que podemos lanzar robots imperfectos que pueden no tener los procedimientos de configuración, UX o empaquetado más sofisticados. Nuestros robots no tienen el aspecto más pulido, pero hacen el trabajo y nos han permitido implementar e iterar a escala.
Además, en cada sitio en el que estamos implementados, hemos identificado a un miembro del equipo de operaciones internas para que actúe como la voz del cliente. Complacer a este miembro de operaciones es el único objetivo del equipo de ingeniería y los obliga a confrontar repetidamente los detalles aburridos que hacen un gran producto y hacer concesiones que contribuyen directamente al resultado ultimate, en lugar de mejorar o desarrollar cosas que tal vez no tengan un efecto inmediato. Retorno de la inversión.
Nuestro objetivo ultimate es seguir construyendo un volante de datos e implementación:
¿Qué hace que Tesla sea una fuerza tan formidable y por qué se diferencia de cualquier otro esfuerzo de automatización AV que existe? Dos palabras: motor de datos. No son los modelos, la computación o los sensores; en última instancia, es el circuito de retroalimentación lo que impulsa el éxito de los modelos de aprendizaje automático. Aquí hay algunas cosas que hemos tenido en cuenta al construir nuestro motor de datos:
En primer lugar, nos hemos dado cuenta de que los datos no son tanto petróleo como una colección de arte cuidadosamente seleccionada: poseer mil bocetos aleatorios no se compara con tener algunas obras maestras que realmente pueden iluminar tu comprensión. Antes de decidir qué datos usar o recopilar, realizamos a priori pequeños experimentos por lotes para comprender qué señales realmente necesitamos mejorar.
En segundo lugar, hemos diseñado nuestro motor de datos para que sea resistente a los errores del operador y para que ocurra sin necesidad de acciones explícitas por parte del operador. Sincronizamos la carga de nuestro robotic con nuestra carga de datos y también hemos hecho que nuestro motor sea robusto para que pierda algunos días o incluso semanas de retroalimentación.
En tercer lugar, hemos creado un sistema de comunicación en tiempo actual que permite a nuestros operadores de campo registrar los problemas cuando los detectan. La clave es no sobrecargar a los operadores de campo con requisitos de registro onerosos que resten importancia a sus otras tareas y afecten los márgenes operativos. También combinamos esto con una reunión de clasificación semanal que permite a los operadores e ingenieros hablar entre sí y desarrollar conjuntamente mejores formas de utilizar el robotic.
Hemos establecido expectativas internas para una automatización progresiva e imperfecta:
La mayoría de los esfuerzos de robótica intentan implementar los dos quemadores de costos de CapEx y el esfuerzo de ventas muy rápidamente. En nuestros inicios, probamos un RaaS GTM y tuvimos los mismos problemas. Descubrimos que el consumo de CapEx fue impulsado por las expectativas de los clientes externos de cumplir con los acuerdos de nivel de servicio. Y el aumento de las ventas fue impulsado por las expectativas de los inversores de cumplir con el ARR contratado.
A la hora de ampliar las empresas de robótica, es clave internalizar que los átomos son bestias estadísticas, mientras que los algoritmos o el software program clásicos no lo son. El premio ultimate para el éxito de la robótica es un foso mucho más grande y más defendible que cualquier software program.
En nuestro caso, nuestro premio ultimate es un cerebro de IA incorporado que pueda realizar todo tipo de tareas autónomas al aire libre. Tenemos una visión a largo plazo al respecto y, lo que es igualmente importante, hemos encontrado útil construir un punto de vista compartido con nuestros inversores, clientes y empleados.
Tenemos claro nuestro objetivo ultimate y las compensaciones y beneficios para lograrlo:
Hemos decidido consolidar toda la industria y capturar todo el valor para nosotros.
Esto funciona bien para industrias donde hay ingresos recurrentes y un flujo constante de efectivo que puede usarse para financiar y escalar la automatización. Además, esta es una forma única para que una empresa de robótica alcance los niveles de escala y rentabilidad de Tesla y Amazon mientras construye un foso masivo de distribución y datos. En las próximas décadas, cuando el ML se lo comerá todo, esto (para nosotros) parece una obviedad.
Las ventajas y desventajas a considerar aquí son: ¿cómo hacer coincidir las fuentes adecuadas de capital con la actividad adecuada? Tradicionalmente, las empresas de servicios de mantenimiento obtienen múltiplos más bajos, pero también son intrínsecamente rentables y estables, y la adquisición se paga mejor con deuda.
La equidad debe verse como un medio para reducir el riesgo de la ingeniería y financiar más investigaciones sobre los modelos del futuro. Obtener una combinación de capital y deuda es una compensación que consideramos a medida que continuamos escalando, y esto informa cómo invertimos en RnD, GTM, cómo valoramos el flujo de caja y el crecimiento adquirido sobre el orgánico, and so on.
En conclusión
Hay muchas formas diferentes de crear una empresa de robótica. Nuestro enfoque puede tener sentido o no para su industria en specific, pero vale la pena considerar algunas conclusiones generales.
Si su tesis, como la nuestra, es que la robótica será una industria intensiva en datos que estará dominada por grandes modelos de aprendizaje automático y aprendizaje por refuerzo, entonces es lógico que su objetivo sea adquirir datos y distribuirlos de la forma más capital posible. manera eficiente posible. El {hardware} y el software program se descubrirán solos en el proceso de evolución gradual.
Pensar en usted mismo como un proveedor de servicios, un agregador de datos y un constructor de su propio modelo básico para su aplicación de robótica, en lugar de un fabricante de robots, es una forma de llegar hasta aquí.
