InvestFund

🎧 تونی شو، از ظرف‌شستن تا ساختن دوردَش ۸۴ میلیارد دلاری
هر هفته با دیوید سنرا | شماره ۳

تونی شو (Tony Xu) در کودکی از چین به آمریکا مهاجرت کرد و در رستوران محل کار مادرش ظرف می‌شست. سال ۲۰۱۳ همراه سه نفر دیگه از دانشجوهای استنفورد دوردش رو راه انداخت.

شرکت DoorDash سرویس سفارش و تحویل غذا و خرید فروشگاهی هست، اسنپ‌فود و شرکت‌های مشابه داخلی ازون الگو گرفتن که مشتری، فروشنده و پیک رو به هم وصل می‌کنه. ۹ دسامبر ۲۰۲۰ وارد بورس شد و ارزش بازارش در سپتامبر ۲۰۲۶ حدود ۸۴ میلیارد دلار بود.

یه جا میگه:

«فکر می‌کنم بزرگ‌ترین قاتل یک کسب‌وکار معمولا سکوت هست.»

ده نکته از صحبت‌هاش در این مصاحبه:

۱. قبل از شروع با حدود ۳۰۰ کسب‌وکار صحبت کردن. یک شیرینی‌فروش دفتر سفارش‌های ردشده‌اش رو نشونشون داد، سفارش‌هایی که مشتری داشتن ولی خودش امکان تحویلشون رو نداشت. همین برخورد باعث شد سراغ مسئله ارسال برن.

۲. نسخه اول رو در ۴۳ دقیقه ساختن، یک صفحه با منوی ۸ رستوران و یک شماره تلفن. چهار بنیان‌گذار سفارش می‌گرفتن، غذا می‌رسوندن و هزینه رو موقع تحویل دریافت می‌کردن تا ببینن اصلا کسی این سرویس رو می‌خواد یا نه.

۳. اوایل روزی حدود ۱۰ سفارش داشتن و روزهای شلوغ به ۲۱ می‌رسیدن. چیزی که امیدوارشون کرد، برگشتن مداوم همون مشتری‌ها بود، درحالی‌که بودجه‌ای برای تبلیغات نداشتن و رشد هم هنوز چشمگیر نبود.

۴. برخلاف انتظارشون، تحویل در حومه سریع‌تر از مرکز شهر بود. جای پارک راحت‌تر پیدا می‌شد و خبری از معطلی برای ورود به برج‌ها نبود، ضمن اینکه خانواده‌های بچه‌دار نیاز بیشتری به صرفه‌جویی در وقت داشتن.

۵. تابستون اول فقط دنبال جواب سه سوال بودن، آیا مشتری ۶ دلار هزینه ارسال میده، رستوران ۱۵٪ کارمزد میده و با این درآمد میشه دستمزد پیک رو پرداخت کرد؟ تمرکزشون روی همین‌ها بود، نه جلسات ارائه به سرمایه‌گذارها.

۶. تحویل هر سفارش رو به حدود ۲۰ مرحله شکستن تا بفهمن تاخیر دقیقا کجا اتفاق می‌افته. گاهی مشکل ترافیک نبود، پیدا نکردن ورودی ساختمان یا جابه‌جاشدن یک کالا بین قفسه‌های فروشگاه بود.

۷. به گفته تونی، بیشتر تست‌ها شکست می‌خورن و حدود ۵٪ جواب میدن. راه‌حل‌ها رو اول دستی و در مقیاس کوچک امتحان می‌کنن و بعد برای موارد موفق محصول می‌سازن تا ظرفیت محدود تیم مهندسی درست مصرف بشه.

۸. کریستوفر پین، مدیر عملیات آینده شرکت، قبل از استخدام، داوطلبانه چهار ساعت سفارش رسوند و ایمیلی ۳۰۰۰ کلمه‌ای درباره ایرادها نوشت. تونی می‌گه همین رفتار بیشتر از سوال‌های مصاحبه بهش اطلاعات داد.

۹. شبی که همه سفارش‌ها حداقل یک ساعت دیر رسیدن، بدون درخواست مشتری‌ها پولشون رو پس دادن. این کار ۴۰٪ موجودی حساب رو مصرف کرد، درحالی‌که فقط دو تا سه هفته پول داشتن. همون شب شیرینی پختن و صبح به مشتری‌ها رسوندن.

۱۰. از سال ۲۰۱۶ حدود سه سال جذب سرمایه سخت شد و چندبار به تمام‌شدن پول نزدیک شدن. بیش از ۱۰۰ جواب رد گرفت و تیم رو هم‌زمان روی رشد، بهبود سوددهی و حفظ نقدینگی متمرکز کرد، چون هیچ‌کدوم به‌تنهایی کافی نبود.

🎥 مصاحبه کامل در یوتیوب

@investingfund

🔖 پارادوکس بهره‌وری با AI! چرا هوش مصنوعی ساعات کاری را افزایش می‌دهد؟

فرض کنید کاری که قبلا دو ساعت زمان می‌برد، حالا در نیم ساعت انجام بشه. منطقیه که انتظار داشته باشیم یک ساعت و نیم وقت آزاد پیدا کنیم. اما اگر همین زمان رو با چند کار جدید پر کنیم، آخر روز همچنان گرفتاریم، با این تفاوت که حالا انتظار بیشتری هم از خودمون داریم!

پژوهشگرهای مدرسه کسب‌وکار هاس دانشگاه برکلی، طی ۸ ماه یک شرکت فناوری آمریکایی با حدود ۲۰۰ کارمند رو بررسی کردن و بیش از ۴۰ مصاحبه انجام دادن. مشاهده اون‌ها این بود که افراد سریع‌تر کار می‌کردن، وظایف بیشتری می‌پذیرفتن و ساعات کاریشون هم گسترش پیدا می‌کرد، گاهی حتی بدون درخواست مدیر.

سه تغییر اصلی در این شرکت دیده شد:

🔹 گسترش وظایف
افراد سراغ کارهایی می‌رفتن که قبلا مسئولیت شخص دیگه‌ای بود یا اصلا انجامش نمی‌دادن. مرز «کار من» کم‌کم جابه‌جا می‌شد.

🔹 کمرنگ شدن مرز کار و استراحت
پرامپت دادن به زمان ناهار، فاصله قبل از جلسه و حتی عصرها کشیده می‌شد. مکث‌های طبیعی روز کمتر می‌شدن.

🔹 کارهای همزمان بیشتر
افراد چند فرایند AI رو در کنار کارهای خودشون جلو می‌بردن. مدیریت این کارهای موازی، فشار ذهنی بیشتری ایجاد می‌کرد.

نگرانی پژوهشگرها اینه که خروجی بیشتر به‌تدریج تبدیل به انتظار معمول بشه. در این چرخه، فشار ذهنی و کاهش فرصت استراحت می‌تونه کیفیت تصمیم‌گیری رو پایین بیاره. البته این پژوهش کیفی و مربوط به یک شرکت هست، پس نمی‌شه نتیجه‌اش رو به همه شغل‌ها و کاربران AI تعمیم داد.

💡 به نظرم برای تیم‌های استارتاپی، سوال مهمی که از این بحث درمیاد اینه که با ظرفیت اضافه دقیقا چه کاری باید انجام بدیم؟ مثلا اگر ساختن یک فیچر راحت‌تر شده، قبل از اضافه کردن پنج فیچر جدید، بهتره بپرسیم مشتری واقعا به کدومشون نیاز داره. شاید بهترین استفاده از این فرصت، وقت گذاشتن برای صحبت با مشتری و اصلاح همون محصول فعلی باشه.

من ترجیح می‌دم موقع ارزیابی استفاده از AI، کنار تعداد کارهای انجام‌شده، این رو هم ببینیم که کدوم مسئله واقعا حل شده و چه تعهدات تازه‌ای برای تیم ساخته‌ایم. صرفا چون انجام یک کار ممکن و کم‌هزینه شده، لازم نیست حتما وارد برنامه‌مون بشه.

برای شما چطور بوده؟ از وقتی بیشتر با AI کار می‌کنید، واقعا وقت آزاد بیشتری دارید یا فقط کارهای بیشتری انجام می‌دید؟

🎥 ویدئوی توضیحی جولیا مک‌کوی درباره همین پژوهش
@investingfund

🎬 قدرت کلاد Opus 5.5 واقعا غافلگیرم کرد!

به نظرم یکی از قوی‌ترین مدل‌های هوش مصنوعی هست که این مدت باهاش کار کردم. این دموی ۱۵ ثانیه‌ای ایولایز رو با هزینه به‌شدت پایین و همین یک پرامپت باهاش ساختم:

make a dynamic 15-second motion graphics video for evalyze that shows what an incredible motion designer you are, like it's your showreel for a résumé. go all out

طبق نتایج خود انتروپیک، توی کدنویسی، تحقیق و انجام کارهای چندمرحله‌ای هم پیشرفت خوبی داشته. امتیازش در بنچمارک کدنویسی Terminal-Bench 4.0 از ۵۲.۳٪ در مدل قبلی به ۶۶.۴٪ رسیده. در ارزیابی کارهای حرفه‌ای GDPval هم از مدل قبلی جلوتره.

نکته جذاب‌تر اینکه طبق تست‌های شرکت، هزینه اجرای کارهای معمول حدود ۴۰٪ کمتر از Opus 5 شده و تولید خروجی هم بیش از ۳۰٪ سریع‌تره.

برای من، دیدن خروجی همین پرامپت ساده از عددهای بنچمارک جالب‌تر بود. به نظرم برای تیم‌های کوچیک مثل ما، این کیفیت با این هزینه واقعا ارزشمنده.

@investingfund

🎧 آدام فروغی و بازگشت از سقوط ۹۲ درصدی
هر هفته با دیوید سنرا | شماره ۲

آدام فروغی متولد ایران هست و چهارساله بوده که با خانواده‌اش به آمریکا رفته و بعد از معامله‌گری وارد کارآفرینی شده و دو کسب‌وکار تبلیغاتی ساخته و فروخته
مسیر AppLovin از تجربه‌های سال ۲۰۱۱ شروع شد و شبکه تبلیغاتش در مارس ۲۰۱۲ راه افتاد و عملا واسطه بین تبلیغ‌دهنده‌ها و صاحبان اپ‌ها و بازی‌های موبایلی هست که با AI تبلیغ مناسب هر کاربر رو انتخاب می‌کنه تا کسب‌وکار مشتری بگیره و صاحب اپ از نمایش تبلیغ درآمد داشته باشه

اپ‌لاوین ۱۵ آوریل ۲۰۲۱ وارد بورس نزدک شد و ارزش بازارش در سپتامبر ۲۰۲۶ حدود ۱۰۳ میلیارد دلار هست.

یه جا میگه:

«مشتری‌ها که پولدارتر می‌شن ما هم پولدارتر می‌شیم»

این ۱۰ نکته از صحبت‌هاش به نظرم مهم اومد:

۱. اپ‌های دوست‌یابی و مدش شکست خوردن و خودش می‌گه تیم مناسبی برای اون بازارها نبودن چون تجربه موفق در تبلیغات به معنی شناخت مشتری یک اپ دوست‌یابی نبود.

۲. اپ معرفی اپلیکیشن هم نگرفت ولی پیشنهادهاش باعث دانلود می‌شد و همون بخش رو داخل اپ‌های بقیه بردن که یادآوری خوبیه قبل از کنارگذاشتن محصول عملکرد قابلیت‌هاش رو جدا بررسی کنیم.

۳. بعد از ردشدن توسط سرمایه‌گذارها روی درآمدزایی تمرکز کردن و هشت ماه پس از عرضه به درآمد ماهانه یک میلیون دلار و کمی سوددهی رسیدن که برای مذاکره بعدی مدرک خیلی قوی‌تری از وعده رشد بود.

۴. توی مثالش مشتری ۱۰۰۰ دلار خرج می‌کنه و شش ماه بعد ۲۰۰۰ تا ۳۰۰۰ دلار درآمد می‌گیره و نکته برای ما اینه که نتیجه محصول و زمان برگشت هزینه باید قابل‌اندازه‌گیری باشه تا مشتری دلیل روشنی برای خرید دوباره داشته باشه.

۵. بعد از سقوط سهام سراغ بازخرید رفت یعنی خود شرکت سهامش رو از سهامدارها خرید چون همچنان جریان نقدی داشت و اعتمادش به آینده پشتوانه مالی داشت که با صرفا امیدواربودن به بهترشدن اوضاع فرق داره.

۶. استخدام جایگزین رو از حالت خودکار خارج کرد تا مدیر ضرورت نقش رو توضیح بده و برای هر جای خالی میشه پرسید دقیقا کدوم کار ضروری معطل مونده و آیا با ابزار بهتر یا تغییر روش کار حل میشه.

۷. حتی مدیر فنی هم‌بنیان‌گذار جاش رو به فرد قوی‌تر تیم داد و به نظرم وقتی سمت‌ها فقط با سابقه حفظ می‌شن ممکنه بهترین نیروی تیم رو از دست بدیم چون هیچ مسیر واقعی برای رشدش باقی نذاشتیم.

۸. بعد از ریزش سهام پرداخت بعضی کارکنان رو کاملا نقدی کرد چون کسی که هزینه زندگی به حقوقش وابسته‌ست لزوما تحمل ریسک بنیان‌گذار رو نداره و سهام نباید جای حقوق نقدی کافی رو بگیره.

۹. حدود ۱۵ استودیوی بازی خرید چون به داده خرید بازیکن‌ها نیاز داشت تا مدلش یاد بگیره چه تبلیغی احتمال خرید بیشتری ایجاد می‌کنه و وقتی از مشتری‌ها داده کافی می‌گرفت استودیوها رو فروخت چون مسئله اولیه حل شده بود.

۱۰. محصول اکسون ۲ نسخه جدید مدل هوش مصنوعی انتخاب تبلیغشون بود که در ۲۰۲۳ عرضه شد و کار دستی مشتری برای نتیجه‌گرفتن رو کمتر کرد و درسش برای من اینه که قابلیت جدید باید زمان یا هزینه رسیدن مشتری به نتیجه رو کم کنه.

🎥 مصاحبه کامل در یوتیوب

@investingfund

💳 بیزینس صدها میلیارد دلاری گیفت‌کارت! کیس استادی استارباکس

بازار جهانی گیفت‌کارت برای سال ۲۰۲۶ حدود ۶۵۰ میلیارد دلار هست. مدلش ساده‌ست. وقتی گیفت‌کارت می‌خرید، شرکت پول رو امروز می‌گیره و محصول رو بعدا تحویل می‌ده.

استارباکس فقط در سه‌ماهه اول سال مالی ۲۰۲۵، ۳٫۵ میلیارد دلار شارژ کارت از مشتریان آمریکایی دریافت کرد. این پول زودتر به دست شرکت می‌رسه، ولی در ابتدا در حساب‌ها تعهد به مشتری محسوب می‌شه.

اما چرا این مدل برای استارباکس جواب داده؟

🔹 گیفت‌کارت وارد اپ شد. می‌تونید کارت رو به حسابتون اضافه کنید، دوباره شارژش کنید و قبل از رسیدن سفارش بدید و پرداخت کنید. در عمل، کارت هدیه به کیف‌پولی برای خریدهای روزمره تبدیل شده.

🔹 خرید بعدی پاداش داره. با خرید، امتیاز «ستاره» جمع می‌کنید که به نوشیدنی و غذای رایگان تبدیل می‌شه. پیشنهادهای شخصی‌سازی‌شده هم برای تشویق مشتری به برگشتن طراحی شدن. راحتی سفارش و این پاداش‌ها، دو دلیل مشخص برای استفاده دوباره از اپ هستن.

🔹 بخشی از اعتبارها هم مصرف نمی‌شه. استارباکس در سال گذشته ۲۲۲٫۴ میلیون دلار درآمد از اعتبارهایی ثبت کرد که انتظار می‌ره مصرف نشن. به این بخش از درآمد Breakage می‌گن.

برای درک مقیاس، خرید اعضای برنامه وفاداری در سال مالی ۲۰۲۵ نزدیک ۶۰٪ درآمد شعب تحت مدیریت شرکت در آمریکا رو تشکیل می‌داد. البته این عدد مربوط به کل خرید اعضاست، نه فقط پرداخت با گیفت‌کارت.

آمازون و دیجی‌کالا هم کارت هدیه دارن. منطق مشترک اینه که گیرنده هنوز کالاش رو انتخاب نکرده، اما محل خرج‌کردن پول از قبل مشخص شده. استارباکس همین مدل رو با اپ و پاداش، به خریدهای مکرر مشتری وصل کرده.

🎥 ویدئوی وال‌استریت ژورنال درباره این مدل

@investingfund

🔖 هوش مصنوعی بدون نیاز به تولید متن! آشنایی با Jev و تصمیم‌گیری در کسری از ثانیه

این چند روز مدل Jev با ادعای نزدیک ۲۰۰ برابر سرعت بیشتر و بیش از ۴۰۰ برابر هزینه کمتر در بعضی کارها سروصدا کرده. پشت این ادعا یک سوال ساده هست. وقتی نرم‌افزار فقط به یک تصمیم نیاز داره، چرا AI باید برای اون متن تولید کنه؟

شرکت TypeSafe AI روز ۱۵ سپتامبر این مدل رو معرفی کرد. یکی از هم‌بنیان‌گذارهاش، دیوگو آلمیدا، قبلا در OpenAI روی پژوهش پشت ChatGPT کار کرده. البته اعداد بالا از تست‌های داخلی سازنده اومدن و به معنی برتری در همه کارها نیستن. خود شرکت هم می‌گه این‌ها نزدیک سقف بهبود احتمالی در کاربردهای واقعی هستن.

🔹 دقیقا چه کاری انجام می‌ده؟
ورودی Jev همچنان اطلاعات متنی هست، اما خودش متن تولید نمی‌کنه. خروجی اون سه شکل داره: انتخاب از بین گزینه‌های مشخص، امتیاز و احتمال درست‌بودن یک گزاره.

مثلا مشتری نوشته «دوبار از حسابم کم شده، پولم رو برگردونید». می‌شه از Jev خواست هم‌زمان تیم مناسب رو انتخاب کنه، فوریت رو امتیاز بده و احتمال درخواست بازپرداخت رو مشخص کنه. بعد نرم‌افزار طبق قواعد خودش اقدام می‌کنه یا موارد مبهم رو به انسان می‌سپره.
از همین قابلیت می‌شه برای دسته‌بندی پیام‌ها، اولویت‌بندی درخواست‌ها، انتخاب ابزار بعدی یک Agent و بررسی خروجی مدل‌های دیگه استفاده کرد.

🔹 چرا سریع‌تر و ارزان‌تره؟

مدل‌های زبانی مولد معمولا خروجی رو توکن‌به‌توکن می‌سازن. Jev این مرحله رو کنار گذاشته و سوال‌های مستقل رو موازی جواب می‌ده. زمان پاسخ اعلام‌شده ۷۰ تا ۵۰۰ میلی‌ثانیه هست و هزینه هر میلیون توکن ورودی فقط ۴٫۲ سنت آمریکا. خروجی هم هزینه جدا نداره.

سازنده اسم این خانواده رو System One گذاشته، با الهام از تصمیم‌گیری سریع و شهودی. تمرکزش روی قضاوت‌های کوچک و مشخص هست که داخل یک نرم‌افزار بارها تکرار می‌شن.

🔹 پس داریم از LLMها عبور می‌کنیم؟
هنوز برای این نتیجه‌گیری زوده. طبق مستندات، نقطه شروع همچنان مدل‌های زبانی ازپیش‌آموزش‌دیده هست. تفاوت مهم، آموزش تکمیلی با روش RLCD هست که روی تصمیم‌گیری و احتمال‌های قابل‌اتکاتر تمرکز می‌کنه. مثلا هدف اینه که اتفاق‌هایی با احتمال پیش‌بینی‌شده ۸۰ درصد، واقعا در حدود ۸۰ درصد موارد رخ بدن.
بنابراین ماجرا فراتر از یک Workflow ساده هست، ولی Jev برای جایگزینی عمومی مدل‌های تولید متن، کدنویسی و استدلال پیچیده ساخته نشده. حتی ادعای «توهم صفر» هم به قالب و گزینه‌های مجاز خروجی مربوطه. مدل همچنان می‌تونه گزینه اشتباه رو انتخاب کنه!

به نظرم کاربرد جذابش برای استارتاپ‌ها، ترکیب این مدل‌هاست. نوشتن و استدلال پیچیده رو به LLM بسپریم و تصمیم‌های کوچک و پرتکرار رو به مدلی مثل Jev. اگر روی داده‌های واقعی کسب‌وکار هم دقت کافی داشته باشه، کاهش هزینه و تاخیر می‌تونه اتوماسیون‌هایی رو اقتصادی کنه که تا دیروز ساختنشون نمی‌صرفید.

🎥 ویدئوی آشنایی با Jev در ۷ دقیقه

@investingfund

🎧 تراویس کالانیک - از چهار سال کار بدون حقوق تا ساختن اوبر
(هر هفته با دیوید سنرا | شماره ۱)

پادکست دیوید سنرا (David Senra) به نظرم یکی از بهترین پادکست‌های بیزینس هست، چون با کارآفرین‌های بزرگ می‌شینه و مستقیم میره سراغ جزئیات تصمیم‌هاشون! چطور رشد کردن، چطور پول گرفتن و کجا اشتباه کردن.
تصمیم گرفتم هر هفته یکی از مصاحبه‌های دیوید رو که برام یادگیری داشته اینجا بذارم و ۱۰ نکته کاربردیش رو بنویسم، شاید فرصت دیدن کاملش رو نداشته باشید ولی چیزی ازش به کارتون بیاد.

برای شروع، تراویس کالانیک، هم‌بنیان‌گذار و مدیرعامل سابق اوبر رو انتخاب کردم، کسی که می‌گه چهار سال اول شرکت قبلیش، Red Swoosh، حقوق نگرفته بود.

یه جا میگه:

هیچ‌وقت به یک ارزش شرکت دل نمی‌بندم بلکه به یک فرایند دل می‌بندم

این ۱۰ نکته از صحبت‌هاش به نظرم مهم اومد:

۱. هر بازار یا پروژه جدید، مشکلات تازه‌ای می‌سازه که ممکنه شش ماه بعد خودشون رو نشون بدن قبل از توسعه باید ببینیم ظرفیت حل مسئله تیم هم با همین سرعت رشد می‌کنه یا نه.

۲. ورود به چین براش شبیه ساختن دوباره کسب‌وکار بود، حتی نقشه و GPS فرق داشت موفقیت در بازار قبلی نباید باعث بشه فکر کنیم نسخه آماده‌ای برای بازار جدید داریم.

۳. توضیح میده مزیت اوبر از جزئیاتی مثل ثبت‌نام راحت‌تر و انتظار کمتر ساخته می‌شد، چون هرکدوم هم تجربه مشتری رو بهتر می‌کردن و هم هزینه انجام سفر و پشتیبانی رو پایین می‌آوردن.

۴. در مثالش، رقیب کوچک می‌تونه با پول کمتری وارد جنگ قیمت بشه، چون به مشتری‌های کمتری تخفیف میده! رقیب بزرگ برای مقابله باید هزینه تخفیف رو روی تعداد خیلی بیشتری از سفرها تحمل کنه.

۵. برای قیمت‌گذاری هر شهر، دستمزد راننده، نوع خودرو و زمان سفر رو بررسی می‌کرد برای همین قیمت‌گذاری رو جمع‌بندی استراتژی اون شهر می‌دونست، چون بدون فهم این جزئیات عدد معناداری نداری.

۶. هر مسئله‌ای که در راه‌اندازی یک شهر حل می‌کردن، وارد دستورالعمل شهرهای بعدی می‌شد، کم‌کم تیم‌های جوان می‌تونستن بدون حضور دائمی خودش شهر جدید راه بندازن.

۷. وقت خودش رو صرف مهم‌ترین مسئله‌ای می‌کنه که هنوز کسی مشغول حلش نیست، یعنی حتی مسئله مهم هم وقتی صاحب و مسیر مشخصی داره، لزوما به دخالت دوباره مدیرعامل نیاز نداره.

۸. می‌گه در جذب سرمایه، چسبیدن به اولین پیشنهاد می‌تونه مذاکره رو طولانی‌تر کنه وقتی گزینه دیگه‌ای نداری، طرف مقابل فرصت بیشتری برای تغییر شرایط به نفع خودش پیدا می‌کنه.

۹. در شرایط عادی بازار، ارائه جذب سرمایه رو داستانی می‌بینه که عددها داخلش تنیده شدن، سرمایه‌گذار باید بفهمه منطق رشد و برنده‌شدن کسب‌وکار چیه و چه شواهدی پشت این روایت وجود داره.

۱۰. می‌گه شرکت ۷۰ میلیارد دلاری رو با ذهنیت کسی اداره می‌کرد که نگران پول خرید هفته بعدش هست، به نظرم مهمه بفهمیم کدوم عادت‌های دوران بقا، موقع بزرگ‌شدن نیاز به تغییر دارن.

🎥 مصاحبه کامل در یوتیوب

این سبک پست رو مفید می‌دونید یا خیر؟ 👍👎

@investingfund

🔖 تا کجا پای کسب‌وکارمان بمانیم؟ کی ادامه‌دادن اشتباهه؟

اگر تنها دلیل‌مون برای ادامه اینه که «حیفه، سه سال عمرم رو گذاشتم»، به نظرم باید جدی‌تر به تصمیم‌مون نگاه کنیم. سه سال تلاش، به‌خودی‌خود دلیل خوبی برای خرج‌کردن سال چهارم نیست.

در اقتصاد رفتاری به این می‌گن خطای هزینه ازدست‌رفته؛ Sunk Cost Fallacy. یعنی پول و زمان برگشت‌ناپذیر گذشته، مبنای تصمیم امروز بشن حتی وقتی شواهد ادامه‌دادن را تایید نمی‌کنن.

پژوهشی در سال ۲۰۲۴ روی ۷۵۹ کسب‌وکار در ۴ آزمایش تصادفی کنترل‌شده نشان داد آموزش آزمودن علمی فرضیات، احتمال کنارگذاشتن پروژه را ۹٫۸ واحد درصد افزایش داد. برداشت من اینه که کنارگذاشتن یک ایده هم می‌تونه حاصل یادگیری باشه.

اما در ایران، موضوع یک لایه مهم دیگه هم داره: هزینه فرصت ادامه‌دادن.

طی یک سال گذشته دلار ۲٫۳۵ برابرشده در همین بازه طلا هم ۲٫۷۳ برابر رشد داشته ازون طرف تورم هم ۸۹٪ بوده. با چنین تورمی، حتی بازده فرضی ۴۰درصدی سرمایه در همان بازه، یعنی حدود ۲۶٪ افت قدرت خرید؛ البته بازده کل شامل سود دریافتی و تغییر ارزش سهم‌مون هست، نه رشد فروش.

به نظرم با این اعداد، باید صادقانه پرسید: پولی که هنوز می‌شه از کسب‌وکار بیرون آورد و وقتی که از امروز می‌ذاریم، در بهترین گزینه جایگزین چه نتیجه‌ای می‌تونن داشته باشن؟ البته طلا و ارز هم ریسک دارن و رشد گذشته‌شون تضمین آینده نیست. صرف عقب‌ماندن از یک جهش قیمتی، دلیل تعطیلی نیست مقایسه باید براساس بازده مورد انتظار از امروز به بعد، در افق زمانی مشترک و با توجه به ریسک و نقدشوندگی باشه.

برای همین، من قبل از ادامه این سه سوال را می‌پرسم:

▪️ آیا واقعا داریم بهتر می‌شیم؟

بعد از چند آزمایش روی محصول، قیمت یا بازار، مشتری بیشتر برمی‌گرده؟ هر فروش وضعیت را بهتر می‌کنه؟ رشد فروش ریالی وقتی قیمت‌ها را چندبار بالا بردیم، به‌تنهایی نشانه پیشرفت نیست.

▪️ بازده این مسیر، وقت و سرمایه‌مون را توجیه می‌کنه؟

حقوق متعارف کار خودمون را هم حساب کنیم. اگر بدون حقوق کار کنیم و باقی‌مانده پول را «سود سرمایه» بدونیم، مقایسه‌مون از اول اشتباهه.

▪️ بدون سرمایه‌گذار جدید چقدر فرصت داریم؟

با ۱٫۲ میلیارد نقد و ماهانه ۳۰۰ میلیون کسری جریان نقد، در شرایط ثابت فقط ۴ ماه فرصت داریم؛ قبل از ذخیره پول تسویه تعهدات. برای استارتاپ ایرانی، سناریوی افزایش هزینه‌ها، اختلال اینترنت و نرسیدن سرمایه جدید را هم جدی حساب می‌کنم.

آنی دوک، نویسنده Quit، پیشنهاد می‌ده از قبل «شرط توقف- stop loss» تعیین کنیم: تا چه تاریخی، با چه سقف هزینه‌ای، باید چه نشانه‌ای ببینیم؟ هر بار رسیدن به موعد نباید به عقب‌انداختن دوباره اون ختم بشه. گاهی جواب، کوچک‌کردن کسب‌وکار، تغییر بازار یا توقف یک محصول هست. بهتره وقتی تصمیم بگیریم که هنوز امکان تسویه، حفظ اعتبار و شروع دوباره داریم.

قرار نیست برای اثبات اینکه کم نیاوردیم، تمام فرصت‌های بعدی زندگی‌مون را هم خرج یک کسب‌وکار کنیم.

🎥 گفت‌وگوی آنی دوک درباره زمان درست کنارکشیدن

@investingfund

🔖 ایران به سمت ابَرتورم (Hyperinflation) می‌رود؟
چقدر با ونزوئلایی‌شدن فاصله داریم؟

طبق گزارش مرکز آمار، در مرداد ۱۴۰۵ تورم نقطه‌به‌نقطه به ۸۹ درصد رسیده؛ یعنی سبد یکسان کالا و خدمات، تقریبا دو برابر مرداد پارسال هزینه داره. تورم متوسط دوازده‌ماهه ۶۹.۹ درصد و تورم ماهانه ۳.۴ درصد بوده. قیمت خوراکی‌ها و آشامیدنی‌ها هم نسبت به پارسال ۱۲۷.۵ درصد افزایش داشته.

🔹 ابرتورم دقیقا یعنی چی؟
در تعریف کلاسیک، ابرتورم از زمانی شروع می‌شه که سطح عمومی قیمت‌ها بیش از ۵۰ درصد در یک ماه افزایش پیدا کنه. با تکرار ماهانه نرخ ۵۰ درصد، قیمت‌ها در یک سال حدود ۱۳۰ برابر می‌شن.
ایران هنوز به این آستانه نرسیده و حتی تورم ماهانه از ۸.۸ درصد اردیبهشت به ۳.۴ درصد مرداد کاهش داشته پس فعلا شتاب‌گیری مداوم به سمت ابرتورم رو نمی‌بینیم. اما سابقه تورم نگران‌کننده هست: از ۱۳۹۸ تا ۱۴۰۳، شش سال پیاپی تورم متوسط سالانه بالای ۳۰ درصد بوده و از آذر ۱۴۰۴ تا مرداد ۱۴۰۵ هم ۹ ماه متوالی تورم نقطه‌ای بالای ۵۰ درصد مونده.

🔹 نفت و ارز چطور خطر رو بیشتر می‌کنن؟
رویترز در گزارش اول سپتامبر ۲۰۲۶، به نقل از شرکت‌های رهگیری نفتکش‌ها، نوشته با محاصره دریایی آمریکا، بارگیری نفت خام و میعانات ایران از حدود ۲ میلیون بشکه در روز در مارس به ۲۲۰ تا ۲۵۵ هزار بشکه در اوت رسیده. فروش ذخایر خارج از خلیج‌فارس ادامه داشته، اما این ذخایر قابل جایگزینی نبودن. بنابراین فروش نفت صفر نشده، ولی مسیر درآمد ارزی به‌شدت تحت فشار هست.

تازه فروش نفت لزوما به معنی دسترسی آزاد به پولش نیست. رویترز در گزارش ۱۰ سپتامبر از سازوکاری گفته که درآمد نفت به اعتبار خرید کالا و خدمات از چین تبدیل می‌شه؛ اعتباری که کاربردش با ارز آزاد فرق داره. ارز کمتر، تامین مواد اولیه و کالا رو سخت‌تر می‌کنه و به نرخ ارز فشار میاره. درآمد کمتر دولت هم می‌تونه کسری بودجه رو بیشتر کنه؛ اگر این کسری با خلق پول پوشش داده بشه، فشار تورمی تشدید می‌شه.
به نظرم خطر اصلی اینه که این فشارها، دولت رو بیشتر به خلق پول وابسته کنن و مردم هم کمتر حاضر به نگهداری ریال باشن. فاصله با ابرتورم رو نمی‌شه فقط از روی فاصله ۳.۴ تا ۵۰ درصد سنجید.

🔹 ونزوئلا چه درسی داره؟
در ونزوئلا، افت تولید و درآمد نفتی با تامین پولی کسری‌های سنگین همراه شد. طبق برآورد IMF، اقتصادش بین ۲۰۱۳ تا ۲۰۲۱، به قیمت‌های ثابت، بیش از ۷۵ درصد کوچک شد و تورم ماهانه در ژانویه ۲۰۱۹ از ۲۰۰ درصد گذشت. این تجربه هشداره، ولی به معنی تکرار قطعی همون مسیر در ایران نیست. برای دیدن عمق بحران در ایران، دلار آزاد از ۲۷٬۱۰۰ تومان در ۲۲ شهریور ۱۴۰۰ به ۲۲۸٬۶۰۰ تومان در ۲۲ شهریور ۱۴۰۵ رسیده؛ حدود ۸.۵ برابر در پنج سال! قیمت خوراکی‌ها و آشامیدنی‌ها هم در مرداد امسال ۱۰.۱۵ برابر میانگین سال ۱۴۰۰ بوده!

به بیان دیگه:
ادامه این روند، با عقب‌ماندن درآمدها، یعنی فقر بیشتر و سوختن یک نسل به معنای واقعی؛ نسلی که سال‌های ساختن آینده‌اش صرف دوام‌آوردن می‌شه. برای نگران‌شدن، لازم نیست منتظر ابرتورم بمونیم.

@investingfund

🔖 وقتی هوش مصنوعی به‌جای «مردم عادی» حرف می‌زنه: نام نهادهای حاکمیت در گزارش تازه Anthropic

شرکت Anthropic، سازنده Claude، در گزارش سپتامبر ۲۰۲۶ جزئیات پرونده‌های سو استفاده از مدل‌هاش رو منتشر کرده - از حملات سایبری و کلاهبرداری تا عملیات نفوذ، رصد افراد، کمک به توسعه سلاح، کاربردهای پرخطر زیستی و استخراج غیرمجاز توانایی مدل‌ها. گزارش توضیح می‌ده این فعالیت‌ها چطور شناسایی شدن و شرکت چه اقداماتی برای مقابله با اون‌ها انجام داده.

برای ما که بیشتر درباره فرصت‌های AI و کاربردش در کسب‌وکار حرف می‌زنیم، خوندن این گزارش لازمه چراکه همون توانایی که به یک تیم کوچک کمک می‌کنه کار چندین نفر رو انجام بده، در اختیار کسانی هم قرار گرفته که هدفشون فریب دادن یا رصد آدم‌هاست.

در پرونده‌های مرتبط با حاکمیت ایران، نام سازمان فرهنگ و ارتباطات اسلامی، دفتر تبلیغات اسلامی خراسان رضوی و رصدخانه فرهنگی بینا اومده. طبق بررسی Anthropic، از Claude برای طراحی کمپین، ساخت شخصیت‌های جعلی و تولید محتوا استفاده شده تا روایت‌های حکومتی، با ظاهر مستقل و مردمی منتشر بشن. در پرونده بینا، حتی ادعاهای جعلی به اندیشکده‌هایی مثل RAND و Brookings نسبت داده شده تا معتبرتر به نظر برسن.

بخش نظارت هم از دو واحد منتسب به نهادهای امنیتی و شبه‌نظامی حاکمیت ایران می‌گه که با کمک Claude ابزارهای رصد و شناسایی افراد ساخته بودن از جمله افزونه فایرفاکسی با پوشش نمایش اوقات شرعی، برای جمع‌آوری اطلاعات هویتی کاربران شبکه‌های اجتماعی.

در یک پرونده جدا، Anthropic شبکه‌ای رو به مجاهدین خلق و شورای ملی مقاومت مرتبط دونسته که حدود ۸۴۰۰ پست تلگرامی یک فعال رو به مدل داده تا لحنش رو تقلید کنه. بعد هم با جعل هویت اون فرد، از AI برای گفت‌وگو با مخاطبانش استفاده کرده؛ مخاطب‌هایی که به گفته شرکت، ظاهرا نمی‌دونستن با یک حساب مجهز به هوش مصنوعی صحبت می‌کنن.

چیزی که برای من در این مثال‌ها مهمه، اعتمادی هست که ازش سو استفاده می‌شه. وقتی یک سازمان بیانیه می‌ده، حداقل می‌دونیم حرف چه کسی رو می‌خونیم. اما وقتی همون پیام از چند حساب ظاهرا مستقل منتشر می‌شه، ممکنه تصور کنیم این نظر واقعی آدم‌های مختلفه؛ یا حتی نظر کسی که از قبل می‌شناسیم.

البته این انتساب‌ها حاصل بررسی خود Anthropic هست. شرکت می‌گه بیشتر محتوای عملیات نفوذ بررسی‌شده، تعامل واقعی چندانی نگرفته و در پرونده مجاهدین هم میزان کنترل مرکزی و تعامل واقعی مخاطبان رو نتونسته قطعی تایید کنه. از این پرونده‌ها هم نمی‌شه درباره همه طرفداران یک جریان نتیجه گرفت.

به نظرم در عصر AI، باید عادت کنیم به هر چیزی که می‌بینیم و می‌شنویم با کمی شک نگاه کنیم. یک ویدئو، یک صدای آشنا، یک اسکرین‌شات یا تکرار یک خبر در چند صفحه، به‌تنهایی برای مطمئن شدن کافی نیست. قبل از باور کردن و بازنشر، باید ببینیم منبع اولیه کجاست و چه شواهد قابل بررسی‌ای پشت اون ادعا وجود داره.

مخصوصا وقتی یک محتوا دقیقا همون چیزی رو می‌گه که دوست داریم بشنویم، بهتره کمی بیشتر مکث کنیم. قرار نیست همه‌چیز رو دروغ فرض کنیم، ولی نباید واقعی بودنش رو هم از قبل پذیرفته باشیم حتی درباره همین گزارش و همین پستی که دارید می‌خونید.

🔗 منبع و متن کامل گزارش Anthropic

@investingfund

🔖 آشنایی با EVA؛ ایجنت هوش مصنوعی برای جذب سرمایه

دیروز در Evalyze از EVA رونمایی کردیم؛ ایجنتی که داریم توسعه می‌دیم تا بخشی از کارهای وقت‌گیر جذب سرمایه رو خودکار انجام بده.

نکته مهم اینه که EVA استارتاپ رو می‌شناسه. اصطلاحا Context-aware هست؛ یعنی اطلاعات محصول، بازار و مرحله رشد رو موقع پیدا کردن سرمایه‌گذار و نوشتن درخواست در نظر می‌گیره.

الان بنیان‌گذارها می‌تونن در Evalyze استارتاپشون رو تحلیل کنن، وضعیتش رو نسبت به بازار بسنجن، امتیاز آمادگی جذب سرمایه بگیرن و پیچ‌دکشون رو بهتر کنن. بعد براساس همین اطلاعات، سرمایه‌گذارهای مناسب رو پیدا کنن و کمپین بسازن.

در ادامه هم می‌تونن با کمک EVA برای هر سرمایه‌گذار استراتژی مناسب رو انتخاب کنن. EVA درخواست شخصی‌سازی‌شده رو آماده می‌کنه و با تاییدشون می‌فرسته. هدف اینه که مسیر رسیدن به جلسه، زمان و کار دستی کمتری بگیره.

هنوز در مرحله بتا هستیم و جا برای بهتر شدن زیاده. خوشحال می‌شم اگر خارج از ایران هستید تستش کنن و کلا از هر فیدبکی استقبال می کنیم.

🔗 evalyze.ai

@investingfund

🔖 این همه استارتاپ رو کی قراره فاند کنه؟!

آمار درخواست‌های راه‌اندازی کسب‌وکار در آمریکا توی ژوئیه ۲۰۲۶ به ۵۷۸٬۹۲۶ رسیده؛ بالاترین عدد از شروع ثبت این آمار در سال ۲۰۰۴. یعنی ۲۳٫۴ درصد بیشتر از ماه مشابه پارسال و تقریبا دو برابر میانگین ماهانه سال ۲۰۱۹!

البته این نمودار، درخواست دریافت شناسه مالیاتی کسب‌وکار رو با تعدیل اثرهای فصلی نشون می‌ده؛ نه اینکه ماهی ۵۷۹ هزار استارتاپ ساخته شده باشه. جهش اولیه هم از دوران کرونا شروع شده، پس نمی‌شه همه این رشد رو به AI نسبت داد.
ولی نقش AI قابل توجهه. گاستو از بیش از هزار بنیان‌گذار کسب‌وکارهایی که در ۲۰۲۵ شروع کردن نظرسنجی کرده؛ ۶۰ درصد برای شروع کار از AI استفاده کرده بودن و نصف پاسخ‌دهنده‌ها گفتن به کمکش سریع‌تر یا کم‌هزینه‌تر شروع کردن. مهم‌ترین انگیزه شروع کار هم رسیدن به ثبات مالی و ساختن یک دارایی برای آینده بوده.

برای کسی که مدت‌ها ایده‌ای داشته و هزینه شروع کار عقبش انداخته، این اتفاق خیلی خوبیه. به نظرم طبیعیه که آدم‌های بیشتری بخوان امتحانش کنن. فقط باید حواسمون باشه همون امکاناتی که شروع کار رو برای ما راحت‌تر کرده، در اختیار رقیبمون هم هست.

در ایولایز، تعداد استارتاپ‌هایی که ماهانه از سرویس ما استفاده می‌کنن، نسبت به ابتدای ۲۰۲۶ سه برابر شده. در آمار پلتفرم هم به ازای هر سرمایه‌گذار، به‌طور میانگین ۱۵ درخواست جذب سرمایه ارسال شده. البته رشد خود ایولایز هم توی این اعداد نقش داره و نمی‌شه اون‌ها رو به کل بازار تعمیم داد.

از اون طرف، پول VC هم کم نشده. در نیمه اول ۲۰۲۶ حدود ۴۱۳ میلیارد دلار به استارتاپ‌های آمریکایی رسیده؛ بیشتر از کل سال قبل. اما ۸۷٫۵ درصد این پول وارد راندهای ۱۰۰ میلیون دلاری و بزرگ‌تر شده!
تعداد شرکت‌هایی که برای اولین بار سرمایه VC می‌گیرن هم با ادامه روند نیمه اول سال می‌تونه رکورد بزنه. پس فرصت برای تیم‌های جدید وجود داره؛ ولی فاندری که دنبال اولین ۵۰۰ هزار دلارشه، نباید وضعیت خودش رو از روی خبر راندهای چند میلیارد دلاری قضاوت کنه.

برداشت من اینه که برای استارتاپ‌های نرم‌افزاری، رقابت برای جلب توجه سرمایه‌گذار جدی‌تر می‌شه. وقتی چند تیم می‌تونن محصول مشابهی بسازن، داشتن یک دمو کمتر می‌تونه من رو به عنوان سرمایه‌گذار قانع کنه. بیشتر می‌خوام ببینم کدوم تیم مشتری رو بهتر می‌شناسه و می‌تونه بفروشه.

من اگر امروز یک استارتاپ نرم‌افزاری رو شروع می‌کردم، تا جای ممکن با همین ابزارها جلو می‌رفتم و سعی می‌کردم چند مشتری پیدا کنم. اینکه بتونم نشون بدم با پول کم هم چیزی فروختم، به نظرم حرف قوی‌تری پیش سرمایه‌گذار هست تا اینکه بگم «بعد از جذب سرمایه، فروش رو شروع می‌کنیم.»

@investingfund

🔖 سایبرکب تسلا؛ آینده‌ای که توی فیلم‌ها می‌دیدیم، حالا مسافر می‌گیره!

تصور کنید سوار تاکسی می‌شید که نه راننده داره، نه فرمون و نه پدال؛ مقصد رو انتخاب می‌کنید و ادامه مسیر رو به AI می‌سپرید.
سایبرکب دو نفره تسلا از ۳ سپتامبر ۲۰۲۶ سفرهای محدودش رو در آستین تگزاس شروع کرده. فعلا ۴۵ سایبرکب در تگزاس ثبت شده که بخشی از ناوگان ۴۲۰ خودرویی ثبت‌شده تسلا برای این سرویس در این ایالت هستن.

برنامه ایلان ماسک، تولید انبوه و تبدیل این ماشین‌ها به یک شبکه حمل‌ونقل ارزون‌تره؛ حتی مالکان بتونن ماشینشون رو وارد شبکه کنن و بدون رانندگی درآمد داشته باشن. قیمت زیر ۳۰ هزار دلار هم وعده ماسک بوده، نه قیمت قطعی فروش عمومی.

ولی رقیبش، Waymo، همین حالا کسب‌وکار بزرگی ساخته.
طبق گزارش اوت، شبکه Waymo حدود ۴ هزار خودرو در بیش از ۱۰ شهر داره و هفته‌ای حدود ۵۰۰ هزار سفر پولی انجام می‌ده. یعنی وقتی درباره خودران حرف می‌زنیم، دیگه صرفا از چند ماشین آزمایشی صحبت نمی‌کنیم.

روش‌هاشون هم فرق داره: تسلا به دوربین و AI تکیه می‌کنه؛ Waymo هم از AI استفاده می‌کنه، ولی اطلاعات دوربین رو با لیدار و رادار ترکیب می‌کنه. البته سیستم FSD (رانندگی کاملا خودران) روی ماشین مشتریان تسلا هنوز به نظارت فعال راننده احتیاج داره؛ نباید اون رو با سرویس بدون راننده سایبرکب یکی گرفت.

اما سوال اصلی اینه: ماشین‌های خودران از انسان‌ها امن‌تر رانندگی می‌کنن؟

طبق گزارش خود Waymo، در بیش از ۲۲۰ میلیون مایل رانندگی بدون راننده تا مارس ۲۰۲۶، نسبت به معیار رانندگان انسانی در مسافت و محدوده‌های مشابه:
▪️ نرخ تصادف‌های منجر به آسیب جدی یا مرگ ۹۴ درصد کمتر بوده.
▪️ نرخ تصادف‌های منجر به هر نوع آسیب ۸۲ درصد کمتر بوده.
پژوهش مستقل IIHS هم در نمونه خودش، نرخ تصادف‌های منجر به آسیب رو ۸۱ درصد کمتر گزارش کرده. این اعداد مربوط به محدوده‌های بررسی‌شده هستن، نه تمام جاده‌ها؛ عدد ۹۴ درصد هم کاهش مرگ‌ومیر به‌تنهایی نیست و نمی‌شه اون رو به تسلا نسبت داد.

به نظرم فعلا Waymo از نظر مقیاس سرویس بدون راننده و شواهد منتشرشده ایمنی جلوتره. برگ برنده احتمالی تسلا، توان تولید انبوه و پایین آوردن هزینه‌هاست؛ البته به شرط اثبات ایمنی و حل موانع قانونی. همین ۴ سپتامبر هم نهاد ایمنی خودروی آمریکا بررسی انطباق سایبرکب با استانداردها رو شروع کرد.

اگر این مدل واقعا امن و اقتصادی بشه، ممکنه برای خیلی‌ها خرید ماشین شخصی دیگه منطقی نباشه و شکل شهرها، پارکینگ‌ها و شغل راننده‌ها تغییر کنه! اگر داده‌ها نشون بدن ماشین از ما امن‌تر رانندگی می‌کنه، باز هم ترجیح می‌دیم فرمون دست خودمون باشه؟


@investingfund

🔖 تیم کوک رفت؛ اپل رو ۱۳ برابر کرد، ولی هیچ‌وقت استیو جابز نشد!

بعد از ۱۵ سال، دوران مدیرعاملی تیم کوک در اپل تموم شد و از امروز جان ترنوس رسما مدیرعامل جدید اپل هست. البته کوک از اپل نمی‌ره و به عنوان رئیس اجرایی هیئت‌مدیره همچنان کنار شرکت می‌مونه.

کوک سال ۲۰۱۱ و در یکی از حساس‌ترین دوره‌های تاریخ اپل جای استیو جابز نشست. اون زمان سوال مهمی وجود داشت؛ آیا اپل بدون جابز اصلا می‌تونه همین مسیر رو ادامه بده؟
۱۵ سال بعد، حداقل از نظر عددی جواب کاملا مشخصه.

وقتی کوک مدیرعامل شد ارزش اپل حدود ۳۵۰ میلیارد دلار بود، امروز این عدد از ۴.۵ تریلیون دلار عبور کرده؛ یعنی تقریبا ۱۳ برابر. فروش سالانه شرکت هم از حدود ۱۰۸ میلیارد دلار به ۴۱۶ میلیارد دلار رسیده و سودش از ۲۶ میلیارد دلار به بیش از ۱۱۲ میلیارد دلار افزایش پیدا کرده.

در همین دوره اپل برای سال‌ها و در مقاطع مختلف باارزش‌ترین شرکت دنیا بود و به اولین شرکت آمریکایی تبدیل شد که ارزش بازارش از یک تریلیون دلار عبور کرد.

ولی کار کوک فقط فروختن آیفون بیشتر نبود.
در دوره اون، اپل واچ و ایرپاد به کسب‌وکارهای بزرگی تبدیل شدن، Services از اپ استور و آی‌کلاد تا Music و TV به یکی از موتورهای اصلی درآمد شرکت تبدیل شد، اپل سیلیکون مسیر مک رو تغییر داد و زنجیره تامین اپل هم به یکی از مهم‌ترین مزیت‌های رقابتی شرکت تبدیل شد.

اگر معیار مدیریت رو Scale، سودآوری و خلق ارزش برای سهامدار بدونیم، به نظرم تیم کوک بدون شک یکی از موفق‌ترین CEOهای چند دهه اخیر بوده.
ولی با همه این‌ها، هیچ‌وقت استیو جابز نشد.

جابز بیشتر از اینکه یک مدیر باشه، یک Product Visionary بود. مک، آیپاد، آیفون و آیپد هرکدوم در مقطعی تعریف یک بازار رو تغییر دادن.
کوک در مقابل استاد این بود که چیزی رو که جابز ساخته بود، چندین برابر بزرگ‌تر، جهانی‌تر و سودآورتر کنه.

شاید بزرگ‌ترین نقد به دورانش هم همین باشه. اپل در ۱۵ سال گذشته محصولات موفق زیادی ساخت، ولی محصولی در ابعاد آیفون که دوباره یک صنعت رو از پایه تغییر بده نداشت. پروژه خودرو بعد از سال‌ها کنار گذاشته شد، ویژن پرو هنوز Mainstream نشده و در موج AI هم اپل بیشتر در حال جبران فاصله با رقبا بوده تا رهبری بازار.

حالا اپل به جان ترنوس سپرده شده؛ مدیری که از سال ۲۰۰۱ در اپل بوده و مدیریت مهندسی سخت‌افزار شرکت رو برعهده داشته. برخلاف کوک که بیشتر از دنیای Operations میومد، ترنوس ریشه خیلی بیشتری در مهندسی و Product داره.
شاید همین انتخاب نشون بده اپل برای دوره بعد دنبال چی می‌گرده.

به نظرم میراث کوک رو می‌شه خیلی ساده خلاصه کرد:

استیو جابز اپلی رو ساخت که چند بار دنیا رو تغییر داد؛ تیم کوک همون اپل رو به یکی از باارزش‌ترین و سودآورترین شرکت‌های تاریخ تبدیل کرد.
کوک هیچ‌وقت استیو جابز دوم نشد و شاید قرار هم نبود بشه.

حالا سوال اصلی اینه که آیا جان ترنوس می‌تونه چیزی رو پیدا کنه که اپل بیشتر از یک دهه‌ست منتظرشه؛ محصول بزرگ بعدی بعد از آیفون؟

@investingfund

🔖 با دلار ۲۰۰ هزارتومانی، چه استارتاپی هنوز در ایران معنا داره؟

اگر امروز کسی با سرمایه محدود ازم بپرسه در ایران استارتاپ راه بندازم یا نه، جواب اولم احتمالا «نه» هست.

برای خیلی‌ها، یک کسب‌وکار خدماتی کوچک، فریلنسری با درآمد ارزی یا یک منبع درآمد دوم، منطقی‌تر از استارتاپی هست که چند سال پول بسوزونه و منتظر سرمایه‌گذار بمونه. دلار در یک سال بیش از دو برابر شده و تورم رسمی به حدود ۷۰ درصد رسیده. قدرت خرید پایینه، سرمایه کمیابه و بخش بزرگی از ریسک‌ها هم خارج از کنترل فاندره.

زیادبودن مسئله هم لزوما بازار بزرگ نمی‌سازه؛ مردم ممکنه نیاز جدی داشته باشن، اما توان پرداخت نداشته باشن. اگر قرار باشه استارتاپی ساخته بشه، به نظرم باید با تیم کوچک، فروش زودهنگام و بدون وابستگی به جذب سرمایه امکان زنده‌ماندن داشته باشه.

چند حوزه‌ای که منطقی‌تر می‌بینم:

▪️ استارتاپ AI که کار را تحویل می‌ده، نه فقط ابزار

فرصت اصلی ساختن یک چت‌بات فارسی دیگه نیست؛ سرویسیه که وصول مطالبات، پشتیبانی، فروش تلفنی، بررسی قرارداد یا حسابداری را از اول تا آخر انجام بده. مدل درآمد هم می‌تونه براساس نتیجه باشه؛ شبیه Sierra در پشتیبانی یا Harvey در خدمات حقوقی. شرکت ایرانی احتمالا برای «کار انجام‌شده» راحت‌تر از یک نرم‌افزار جدید پول می‌ده.

▪️ صادرات خدمات تخصصی با کمک AI

بومی‌سازی محتوا، تست نرم‌افزار، ساخت کاتالوگ، طراحی سه‌بعدی، تحلیل داده یا عملیات فروش برای مشتری خارجی؛ AI هزینه اجرا را پایین میاره و درآمد ارزی جلوی کوچک‌شدن بازار را می‌گیره. البته این مدل فقط برای تیمی معنا داره که فروش و دریافت قانونی پول در خارج را واقعا حل کرده باشه.

▪️ هوش مصنوعی B2B خرید و موجودی

در تورم بالا، زمان خرید مواد اولیه و مقدار موجودی مستقیما روی سود اثر می‌ذاره. محصولی که قیمت تامین‌کننده‌ها را مقایسه کنه، زمان سفارش را پیشنهاد بده، خواب موجودی را کم کنه یا وصول مطالبات را جلو بندازه، ارزشش قابل‌اندازه‌گیریه. اینجا مشتری بابت پولی که نجات پیدا کرده پول می‌ده، نه دشبورد جذاب.

▪️ نرم‌افزارهای مقاوم در برابر قطعی

صندوق فروش، سفارش‌گیری، انبار و حسابداری که بدون اینترنت کار کنن و بعدا همگام بشن، در ایران نیاز واقعی هستن. Toast همین حالت آفلاین را برای رستوران‌ها ساخته؛ مدل مشابه می‌تونه برای فروشگاه، درمانگاه، لجستیک و تولید شکل بگیره.

▪️ بازار ظرفیت‌های بلااستفاده

انبار خالی، مسیر برگشت کامیون، دستگاه تولیدی بیکار یا تجهیزات گران‌قیمت می‌تونن به‌صورت اشتراکی استفاده بشن. Flexe این مدل را برای انبارداری ساخته. وقتی پول خرید دارایی جدید نیست، استفاده بهتر از دارایی موجود خودش یک فرصت جدیه.

این‌ها نسخه واحد برای همه نیستن؛ بیشتر جمع‌بندی شخصی من از تجربه سرمایه‌گذاری و فاندرشدنه و طبیعتا برای هر تیم جواب می‌تونه متفاوت باشه.

اما ریسک بالاتر در ایران لزوما بازده بالاتر نمی‌سازه. ریسک کشور، قطعی اینترنت و سقوط قدرت خرید مزیت رقابتی نیستن و بابت تحمل‌شون هم کسی پاداش بیشتری به فاندر نمی‌ده. گاهی تصمیم منطقی اینه که اصلا استارتاپ نسازیم؛
اول یک کسب‌وکار کوچک و سودده راه بندازیم و فقط وقتی تقاضای واقعی دیدیم، اون را به استارتاپ تبدیل کنیم. مسیر برعکسش در ایران امروز می‌تونه خیلی گران تموم بشه.

@investingfund

🔖 داستان خرید ۶۰ میلیارد دلاری Cursor؛ وقتی تامین‌کننده AI می‌تونه یک‌شبه آینده استارتاپت را تغییر بده

ایلان ماسک Cursor را ۶۰ میلیارد دلار خرید و تنها دو هفته بعد، OpenAI اعلام کرد مدل‌هاش را از روی Cursor قطع می‌کنه!

داستان از جایی شروع شد که SpaceX شرکت Anysphere، سازنده Cursor، را در یک معامله تمام‌سهامی خرید. یکی از بزرگ‌ترین خریدهای تاریخ استارتاپ‌ها برای محصولی که فقط چهار سال از عمرش می‌گذره و بخش بزرگی از رشدش را مدیون مدل‌های شرکت‌هایی مثل OpenAI و Anthropic هست.

اما بعد از نهایی‌شدن معامله، OpenAI اعلام کرد از ۱۲ نوامبر ارائه مدل‌هاش به Cursor را متوقف می‌کنه و مدل‌های آینده شرکت هم دیگه روی این پلتفرم عرضه نمی‌شن.

دلیل رسمی OpenAI اینه که شرکت‌های تحت کنترل ایلان ماسک سابقه نقض قرارداد دارن. نکته عجیب اینجاست که خود Cursor هیچ قراردادی را نقض نکرده؛ فقط صاحبش عوض شده.

به زبان ساده، ایلان Cursor را خرید و سم آلتمن هم دسترسی مدل‌ها را بست :)

همون سم آلتمنی که چند روز پیش درباره خطر تمرکز قدرت AI در دست چند شرکت هشدار می‌داد، حالا عملا نشون داد داشتن چنین قدرتی چه معنایی داره. وقتی مالک زیرساخت باشی، می‌تونی تصمیم بگیری رقیبت به مدل‌های تو دسترسی داشته باشه یا نه.

ایلان هم طبق انتظار گفت اصلا براش مهم نیست و دوباره سم آلتمن و OpenAI را متهم کرد که قابل اعتماد نیستن. Anthropic هم خیلی سریع وارد ماجرا شد و اعلام کرد ظرفیت بیشتری از Claude در اختیار Cursor می‌ذاره!

ولی به نظرم بخش مهم‌تر این خبر، دعوای تکراری ایلان و سم نیست؛ هشداریه برای تقریبا تمام استارتاپ‌هایی که امروز روی مدل‌های AI ساخته می‌شن.

خیلی از این شرکت‌ها محصول، کاربر و حتی میلیاردها دلار ارزش‌گذاری دارن، اما مهم‌ترین بخش فناوری‌شون هنوز متعلق به شرکت دیگه‌ایه. شرکتی که می‌تونه قیمت API را تغییر بده، دسترسی به بهترین مدلش را محدود کنه، خودش محصول رقیب بسازه یا مثل همین مورد، به‌خاطر اختلاف با مالک جدید کلا همکاری را متوقف کنه.
یعنی ممکنه شما صاحب برند، مشتری و محصول باشید، اما صاحب زمینی که کسب‌وکارتون روی اون ساخته شده نیستید.

البته Cursor یک نکته را درست انجام داده. به گفته مدیرعاملش، مدل‌های OpenAI فقط حدود ۵ درصد از ترافیک فعلی Cursor را تشکیل می‌دن. Cursor از ابتدا خودش را به یک مدل محدود نکرده و همزمان از Claude، Gemini و مدل‌های دیگه استفاده می‌کنه. برای همین تصمیم OpenAI احتمالا Cursor را نابود نمی‌کنه، اما برای استارتاپ کوچک‌تری که ۸۰ یا ۹۰ درصد محصولش به یک مدل وابسته باشه، چنین تصمیمی می‌تونه واقعا پایان بازی باشه.

به نظرم Moat استارتاپ‌های AI دیگه فقط داشتن یک UI خوب روی GPT یا Claude نیست. داده اختصاصی، Workflow عمیق، امکان جابه‌جایی بین مدل‌ها، ارتباط مستقیم با مشتری و داشتن بخشی از فناوری اصلی، از همیشه مهم‌تر شدن.
این داستان یک درس ساده داره:

اگر تامین‌کننده اصلی شما بتونه با یک تصمیم کسب‌وکارتون را متوقف کنه، شما هنوز یک شرکت مستقل نساختید؛ روی زمین اجاره‌ای یک ساختمان گران ساخته‌اید.

@investingfund

🤖 سم آلتمن؛ کسی که AI را می‌سازه و از قدرتش می‌ترسه

تازه‌ترین گفت‌وگوی مدیر OpenAI درباره عبور مدل‌ها از انسان، خطر تمرکز قدرت و تصمیم برای کنارگذاشتن Sora و Atlas

این مصاحبه از اون گفت‌وگوهایی هست که تقریبا هر چند دقیقه یک جمله ازش می‌تونه تبدیل به تیتر بشه. سم آلتمن این بار کمتر درباره نسخه بعدی ChatGPT حرف می‌زنه و بیشتر نشون می‌ده OpenAI دقیقا دنبال ساختن چه آینده‌ایه.

جالبترین بخش برای من جایی بود که گفت باهوش‌ترین مدل‌های امروز تقریبا هم‌سطح باهوش‌ترین انسان‌ها شدن و این نسبت «همین حالا» در حال معکوس‌شدنه. یعنی از نگاه او عبور مدل‌ها از انسان موضوع ده سال دیگه نیست و احتمالا همین الان وسطش هستیم.

اما ترس اصلی سم فقط خارج‌شدن AI از کنترل نیست. او دو خطر بزرگ را کنار هم می‌ذاره، یکی از دست‌رفتن کنترل روی مدل‌ها و دیگری متمرکزشدن قدرت در دست یک شرکت یا حتی یک نفر.

البته احتمالا خودش را اون یک نفر نمی‌دونه، هرچند خیلی‌ها وقتی از تمرکز قدرت AI حرف می‌زنه ممکنه دقیقا به خودش فکر کنن :)

سم می‌گه اینکه چند شرکت در ازای امنیت و رفاه از مردم بخوان آزادی و حق تصمیم‌گیری خودشون را واگذار کنن، آینده‌ای ضدانسانی می‌سازه. حرف جالبی از مدیر شرکتیه که خودش یکی از جدی‌ترین نامزدهای تمرکز چنین قدرتیه.

بخش عجیب دیگه تصمیم OpenAI برای کنارگذاشتن Sora و مرورگر Atlas بود. سم می‌گه هر دو محصول خوب بودن و حتی Atlas را بهترین مرورگر می‌دونست، اما Sora توان پردازشی زیادی مصرف می‌کرد و به اندازه Codex مهم نبود. برای همین منابع این پروژه‌ها را به هدف اصلی شرکت یعنی ساخت هوش عمومی برای کارهای فکری و اکتشافات علمی منتقل کردن.

یعنی محصولاتی که هرکدوم می‌تونستن آینده یک استارتاپ چند میلیارد دلاری باشن، در OpenAI قربانی هدف بزرگ‌تری شدن. استراتژی شرکت هم ظاهرا ساخت صدها اپلیکیشن نیست، بلکه ارائه یک رابط اصلی و یک API هست تا بقیه دنیا کسب‌وکارهاش را روی هوش OpenAI بسازه. البته این هم شکل دیگری از تمرکز قدرته!

سم یک اعتراف بامزه هم داشت: با اینکه خودش Codex را ساخته، هنوز ایمیل‌ها را دستی می‌خونه، بین برنامه‌ها کپی می‌کنه و تقریبا مثل بیست سال قبل با کامپیوتر کار می‌کنه. به نظرش هنوز «لحظه آیفون» هوش مصنوعی اتفاق نیفتاده و محصولی ساخته نشده که روش کار ما با کامپیوتر را یک‌باره عوض کنه.

او همچنین قبول می‌کنه که بعد از GPT-4 سرعت تغییر کسب‌وکارها را خیلی بیشتر تصور کرده بود. فناوری با سرعت جلو رفته اما آدم‌ها و شرکت‌ها هنوز به ابزارهای قدیمی عادت دارن، برای همین توانایی AI خیلی سریع‌تر از پذیرش اون در اقتصاد رشد می‌کنه.

سم از خود صنعت AI هم انتقاد می‌کنه که اول درباره احتمال نابودی دنیا و حذف نیمی از شغل‌ها حرف زده و بعد تعجب کرده چرا مردم می‌ترسن. با این حال پیش‌بینی خودش مثبته و فکر می‌کنه AI بزرگ‌ترین موج تاریخ در ساخت کسب‌وکارهای کوچک را ایجاد خواهد کرد.

یکی از داستان‌های جالب آخر مصاحبه هم اینه که حتی بعد از عرضه ChatGPT بعضی افراد داخل OpenAI فکر می‌کردن رشدش موقتی و از روی کنجکاوی مردمه. این پیتر تیل بود که به سم گفت کادر خالی ChatGPT شبیه کادر جست‌وجوی گوگله و کنارگذاشتن چنین رشدی یک اشتباه واضحه. بعد از اون OpenAI تقریبا همه‌چیز را روی ChatGPT گذاشت.

شاید جذاب‌ترین تناقض مصاحبه همین باشه؛ کسی که با تمام توان پدال گاز این آینده را فشار می‌ده، همزمان هشدار می‌ده که نباید اجازه بدیم فرمان از دست انسان خارج بشه یا در دست چند نفر مثل خودش باقی بمونه.

این گفت‌وگوی ۷۸ دقیقه‌ای به نظرم ارزش کامل دیدن را داره
🎥 لینک ویدئو

@investingfund

🔖 هوش مصنوعی گوگل ورودی وبسایت‌ها را نصف کرده! راه حل چیست؟

تا همین دو سال پیش رقابت اصلی این بود که لینک سایت ما در صفحه اول گوگل بالاتر از بقیه قرار بگیره. حالا گوگل با خلاصه‌های هوش مصنوعی یا AI Overviews جواب را بالای صفحه می‌نویسه و خیلی از کاربران دیگه دلیلی برای باز کردن لینک‌ها نمی‌بینن!

تحقیق Pew رفتار ۹۰۰ کاربر در نزدیک به ۶۹ هزار جستجو را بررسی کرده. وقتی خلاصه AI نمایش داده شده کاربران فقط در ۸ درصد جستجوها روی یکی از نتایج کلیک کردن در حالی که بدون خلاصه AI این عدد ۱۵ درصد بوده. عجیب‌تر اینکه فقط در یک درصد جستجوها روی منابعی که خود AI معرفی کرده کلیک شده، تحقیق جدیدتر Ahrefs روی ۳۰۰ هزار کلمه کلیدی هم نشون می‌ده نمایش AI Overview به‌طور میانگین کلیک روی نتیجه اول گوگل را ۵۸ درصد کاهش داده.

واقعیت اینه که SEO نمرده ولی هدفش در حال تغییر کردنه. قبلا باید در لینک‌های گوگل رتبه می‌گرفتیم و حالا باید کاری کنیم خود AI اسم برند یا محتوای ما را داخل جوابش بیاره و ترجیحا به‌عنوان منبع هم معرفی کنه. به این حوزه AI Visibility یا گاهی GEO می‌گن یعنی بهینه‌سازی برای دیده‌شدن در جواب‌های تولیدشده با AI
اما چطور می‌شه در سرچ AI دیده شد؟

- جواب اصلی را همون اول بدید
مقاله‌ای که بعد از چند پاراگراف مقدمه تازه به اصل موضوع می‌رسه شانس کمتری برای انتخاب شدن داره. بهتره هر بخش با یک سوال واقعی شروع بشه و جواب کوتاه و شفاف همون ابتدا بیاد و بعد با آمار، مثال یا جدول کامل‌تر بشه

- چیزی منتشر کنید که AI خودش نتونه بسازه
داده اختصاصی، تجربه واقعی، نتیجه آزمایش، مطالعه موردی، مقایسه محصول و نظر متخصص ارزش خیلی بیشتری از مقاله‌های عمومی مثل «۱۰ راه برای موفقیت در کسب‌وکار» دارن. خود گوگل هم در راهنمای جدیدش گفته بازنویسی چیزهایی که قبلا همه گفتن مزیت خاصی در سرچ AI ایجاد نمی‌کنه

- به‌جای یک کلمه کلیدی کل سوال مشتری را پوشش بدید
گوگل برای ساخت جواب AI یک سوال را به چند سوال مرتبط تقسیم می‌کنه که به این کار Query fan-out می‌گه. مثلا کسی که درباره بهترین CRM می‌پرسه احتمالا قیمت، امنیت، جایگزین‌ها و مناسب بودنش برای شرکت کوچک را هم می‌خواد بدونه، تحقیق Ahrefs روی چهار میلیون منبع AI Overview نشون داده فقط ۳۸ درصد منابع معرفی‌شده همزمان بین ۱۰ نتیجه اول همون جستجو بودن. بقیه از نتایج پایین‌تر یا سوال‌های مرتبطی اومدن که AI در پشت صحنه جستجو کرده

- بیرون از سایت خودتون دیده بشید
در بررسی ۷۵ هزار برند، تعداد دفعاتی که یک برند در YouTube دیده یا شنیده شده بیشترین ارتباط را با حضورش در جواب‌های AI داشته و بعد از اون اشاره به برند در سایت‌ها و منابع مختلف قرار گرفته. تعداد صفحات سایت و حتی تعداد بک‌لینک‌ها ارتباط خیلی ضعیف‌تری داشتن، یعنی بررسی محصول در YouTube، حضور در پادکست‌ها، مقالات رسانه‌ها، سایت‌های مقایسه، انجمن‌های تخصصی و نظر واقعی مشتری‌ها می‌تونه از انتشار ده‌ها مقاله عمومی روی سایت خودتون موثرتر باشه. البته این داده‌ها همبستگی را نشون می‌دن و رابطه علت و معلولی قطعی نیستن

- سراغ راه‌حل‌های جادویی نرید
طبق راهنمای رسمی گوگل فایل llms.txt یا یک Schema مخصوص AI کمکی به دیده‌شدن در AI Overviews نمی‌کنه. صفحه باید قابل Crawl و Index باشه، متن اصلی داخل خود صفحه قرار گرفته باشه، لینک‌سازی داخلی درست داشته باشه و اطلاعات ساختاریافته با محتوای قابل مشاهده هماهنگ باشه

- به‌جای رتبه فقط حضور برند را اندازه بگیرید
گوگل به‌تازگی گزارش Generative AI را به‌صورت آزمایشی به Search Console اضافه کرده که نشون می‌ده کدوم صفحات در AI Overviews و AI Mode دیده شدن، در کنار اون بهتره ۲۰ تا ۳۰ سوال واقعی مشتری‌ها را مشخص کنید و هر ماه در Google، ChatGPT و Perplexity بررسی کنید چند بار برند شما و چند بار رقبا در جواب‌ها ظاهر می‌شن و AI چه تصویری از شما ارائه می‌ده

به نظرم در دوره جدید برنده لزوما سایتی نیست که بیشترین محتوا را تولید می‌کنه. برنده برندی هست که جواب روشن‌تری داره، اطلاعات دست‌اول منتشر می‌کنه و در منابع مختلف اینترنت درباره‌اش صحبت می‌شه! شاید معیار اصلی بازاریابی محتوایی هم کم‌کم از «چند نفر روی لینک ما کلیک کردن» به این تغییر کنه که «وقتی AI جواب را داد اصلا نامی از ما برد یا نه؟»l

@investingfund

🔖 دستاورد تاریخی واکسن سرطان و رشد ۱۷۷ درصدی سهام Moderna

چند روز پیش یه ویدیو دیدم با این عنوان که «اولین واکسن سرطان جواب داد» و کنجکاو شدم ببینم پشت این تیتر چیه و پیشرفت درمان سرطان واقعا تا کجا رسیده. هرچقدر بیشتر خوندم دیدم داستان از چیزی که در عنوان ویدیو گفته شده مهم‌تره همین هفته شرکت Moderna که بیشتر با واکسن mRNA کرونا شناخته می‌شه و شرکت دارویی Merck اعلام کردن واکسن شخصی‌سازی‌شده سرطانشون در اولین مطالعه بزرگ مرحله سوم یا Phase 3 به نتیجه مثبت رسیده!

البته این اولین واکسن سرطان تاریخ نیست و برای افراد سالم هم ساخته نشده. اتفاق تاریخی اینه که برای اولین بار یک واکسن شخصی‌سازی‌شده با فناوری RNA پیام‌رسان یا mRNA در یک مطالعه بزرگ Phase 3 موفق شده. مرحله سوم معمولا آخرین آزمایش بزرگ یک دارو روی تعداد زیادی بیمار پیش از درخواست مجوز تجاریه.
اسم این واکسن Intismeran هست و برای هر بیمار جداگانه ساخته می‌شه. پزشک‌ها ابتدا بافت تومور رو بررسی می‌کنن و جهش‌های خاص همون سرطان رو پیدا می‌کنن و بعد یک واکسن با حداکثر ۳۴ نشانه اختصاصی می‌سازن تا سیستم ایمنی یاد بگیره دقیقا باید دنبال چه سلول‌هایی بگرده. یعنی برخلاف واکسن‌های معمولی که برای همه یکسان هستن این واکسن برای سرطان هر فرد طراحی می‌شه.

در کنار واکسن از داروی Keytruda ساخت شرکت Merck استفاده می‌شه. Keytruda یا Pembrolizumab یک داروی ایمنی‌درمانی (Immunotherapy) است که پروتئین PD-1 یا همان ترمز سلول‌های دفاعی بدن را مسدود می‌کند تا سیستم ایمنی دوباره بتواند سلول‌های سرطانی را تشخیص بدهد و به آن‌ها حمله کند.
این دارو طی دهه اخیر یکی از مهم‌ترین پیشرفت‌ها در درمان سرطان بوده و در سرطان ریه، ملانوم، کلیه، مثانه و چندین سرطان دیگه استفاده می‌شه. در بعضی از انواع سرطان ریه Keytruda حتی به درمان اصلی خط اول تبدیل شده و نتایج بهتری از شیمی‌درمانی به‌تنهایی داشته.

هنوز میزان دقیق این اثر و نتیجه نهایی روی طول عمر بیماران منتشر نشده و واکسن هم مجوز تجاری نگرفته. با این حال داده‌های مطالعه کوچک‌تر Phase 2 نشان داده بود که این ترکیب بعد از پنج سال خطر بازگشت سرطان یا مرگ رو ۴۹ درصد و خطر متاستاز دوردست یا مرگ رو ۵۹ درصد کاهش داده.
بازار هم واکنش کم‌سابقه‌ای به این خبر نشون داد و سهام Moderna در روز انتشار نتایج از ۶۲.۹۶ دلار به ۱۷۴.۳۸ دلار رسید که رشد ۱۷۷ درصدی بود و حدود ۴۴ میلیارد دلار به ارزش بازار شرکت اضافه کرد. سهام Merck هم حدود ۱۲ درصد رشد کرد.

برای خود من بخش Keytruda این داستان جذاب‌تر بود چون ما سال‌ها قبل در VC لوتوس روی توسعه یک داروی ایرانی با مکانیسمی مشابه Keytruda سرمایه‌گذاری کرده بودیم و اخیرا متوجه شدم اون پروژه به مرحله تجاری‌سازی رسیده. اون زمان Immunotherapy هنوز یک حوزه تحقیقاتی پرریسک بود ولی امروز به یکی از ستون‌های اصلی درمان سرطان تبدیل شده
درمان سرطان از مسیرهای دیگه هم به‌سرعت جلو رفته. در درمان TIL سلول‌های ایمنی موجود داخل تومور بیمار رو جدا می‌کنن و بعد از تکثیر در آزمایشگاه دوباره به بدن برمی‌گردونن. داروهای ADC یا آنتی‌بادی متصل به دارو هم مثل یک موشک هدایت‌شونده عمل می‌کنن و داروی شیمی‌درمانی رو مستقیم به سلول سرطانی می‌رسونن تا آسیب کمتری به بافت سالم وارد بشه.

نقش AI هم داره واقعی‌تر می‌شه. کاربردش فعلا درمان سرطان با یک چت‌بات نیست بلکه پیدا کردن بهترین جهش‌ها برای واکسن هر بیمار، پیش‌بینی پاسخ به Immunotherapy و طراحی سریع‌تر مولکول‌های داروییه. در پژوهشی که موسسه ملی سرطان آمریکا (NCI) گزارش کرده مدل AI به نام SCORPIO با اطلاعات نزدیک به ۱۰ هزار بیمار و ۲۱ نوع سرطان در پیش‌بینی نتیجه Immunotherapy از بعضی آزمایش‌های رایج بهتر عمل کرده.

در سمت استارتاپ‌ها هم Evaxion از AI برای انتخاب اهداف واکسن شخصی‌سازی‌شده استفاده می‌کنه، Iambic با کمک AI مولکول‌های جدید دارویی طراحی می‌کنه و Noetik با ساخت مدل‌های سلول مجازی تلاش می‌کنه واکنش تومور به دارو رو قبل از آزمایش روی بیمار شبیه‌سازی کنه

به نظرم اتفاق مهم اینه که سرطان دیگه یک بیماری واحد دیده نمی‌شه بلکه مجموعه‌ای از صدها بیماری مولکولی متفاوته و شاید آینده درمانش هم یک واکسن عمومی برای همه نباشه بلکه برای هر بیمار ترکیب متفاوتی از واکسن، دارو و سلول‌های ایمنی ساخته بشه. هنوز با درمان قطعی سرطان فاصله داریم ولی ترکیب mRNA و Immunotherapy و AI داره از وعده‌های آزمایشگاهی وارد نتایج واقعی می‌شه و فکر می‌کنم این تازه اول داستانه درمان سرسخت‌ترین بیماری بشر هست.

@investingfund

🔖 بعد از AI Agentها، نوبت ربات‌هاست؛ چرا VCها دارن به سمت Physical AI می‌رن؟

چند سال اخیر تقریبا تمام هیجان AI حول مدل‌های زبانی، چت‌بات‌ها و Agentها بود. اما جریان سرمایه داره نشون می‌ده که موج بعدی AI احتمالا قرار نیست فقط روی مانیتور باقی بمونه.

این موج جدید Physical AI یا Embodied AI نام داره؛ ماشین‌هایی که می‌تونن محیط واقعی رو ببینن، درکش کنن، تصمیم بگیرن و بعد واقعا کاری انجام بدن.

البته Physical AI فقط ربات‌های انسان‌نمایی نیست که توی ویدئوها راه می‌رن و می‌رقصن. خودروهای خودران، پهپادها، ربات‌های انبار و کارخانه، تجهیزات کشاورزی، ربات‌های جراحی و حتی دوربین‌های هوشمند هم بخشی از این بازار هستن.

📊 عددها هم رشد عجیبی رو نشون می‌دن:

طبق داده‌های Crunchbase، استارتاپ‌های رباتیک تا اواخر ژوئن ۲۰۲۶ حدود ۱۸.۸ میلیارد دلار سرمایه جذب کردن؛ بیشتر از کل سال ۲۰۲۵ با ۱۵ میلیارد دلار و حتی بالاتر از رکورد ۱۴.۱ میلیارد دلاری سال ۲۰۲۱:

🔸 شرکت Saronic که روی کشتی‌های خودران نظامی کار می‌کنه، ۱.۷۵ میلیارد دلار جذب کرد و به ارزش‌گذاری ۹.۲۵ میلیارد دلاری رسید.
🔸 شرکت Skild AI برای ساخت یک «مغز عمومی» که بتونه انواع مختلف ربات‌ها رو کنترل کنه، ۱.۴ میلیارد دلار گرفت و ارزشش از ۱۴ میلیارد دلار عبور کرد.
🔸 شرکت آلمانی Neura Robotics هم برای توسعه زیرساخت هوش مصنوعی ربات‌ها، راندی تا سقف ۱.۴ میلیارد دلار بست.

گزارش جدید SVB هم نشون می‌ده از هر پنج VC، یکی حالا حداقل ۱۰ درصد معاملاتش در آمریکا رو به شرکت‌های Hardware اختصاص می‌ده؛ سهمی که از سال ۲۰۲۲ بیشتر از دو برابر شده.

اما چرا الان؟

اول اینکه مدل‌های AI دیگه فقط متن رو نمی‌فهمن. مدل‌های Multimodal می‌تونن تصویر، ویدئو، صدا و داده سنسورها رو هم پردازش کنن و به ماشین کمک کنن محیط اطرافش رو بهتر بفهمه.

دوم اینکه با Simulation و Reinforcement Learning می‌شه ربات‌ها رو قبل از ورود به دنیای واقعی، میلیون‌ها بار در محیط مجازی آموزش داد. کاری که هزینه و ریسک توسعه رو به‌شدت پایین میاره.

سوم هم کاهش هزینه Hardware و کمبود نیروی انسانی برای کارهای تکراری، سخت یا خطرناکه. کارخانه‌ها، انبارها، مزارع، مراکز درمانی و صنایع دفاعی حاضرن برای اتوماسیونی که واقعا کار کنه، پول جدی بدن.

نکته مهم اینه که Moat (مزیت رقابتی پایدار) در این حوزه فقط یک مدل AI نیست. ترکیب سخت‌افزار، نرم‌افزار، داده‌های واقعی و تجربه استقرار باعث می‌شه کپی کردن این شرکت‌ها خیلی سخت‌تر از ساختن یک AI Tool دیگه باشه.

البته هنوز فاصله زیادی بین نمونه‌های نمایشی جذاب و محصولی که هر روز بدون خطا در کارخانه یا بیمارستان کار کنه وجود داره.

گزارش Bessemer وضعیت فعلی رباتیک رو شبیه دوران GPT-2.5 می‌دونه؛ توانایی‌ها واقعی شدن، ولی هنوز با نقطه انفجار عمومی فاصله داریم.
برای همین احتمالا برنده‌های اول این بازار، ربات‌های همه‌کاره و انسان‌نما نیستن. ربات‌های تخصصی که یک کار مشخص، تکراری و پرهزینه رو بهتر از انسان انجام می‌دن، شانس بیشتری برای ساختن یک بیزینس واقعی دارن.

به نظرم موج اول AI کارهای پشت کامپیوتر رو تغییر داد و موج بعدی قراره وارد کارخانه، انبار، مزرعه، بیمارستان و دنیای واقعی بشه.
شاید بزرگ‌ترین شرکت‌های AI آینده، چت‌بات‌های جدید نباشن؛ بلکه ماشین‌هایی باشن که واقعا چیزی رو جابه‌جا، تولید، تعمیر یا حتی جراحی می‌کنن.

@investingfund