چرا استارت‌آپ‌های Vertical AI در Enterprise برنده می‌شوند: عمق دامنه به جای مقیاس افقی

در دو سال اول موج Generative AI، بیشتر سرمایه‌گذاری‌ها به سمت پلتفرم‌های Horizontal رفت – مدل‌های بنیادی، Copilotهای عمومی، زیرساخت AI. شرط این بود که هر کس بهترین لایه AI عمومی را بسازد، همه چیز ساخته شده روی آن را تصاحب می‌کند. این شرط کاملاً اشتباه نبوده، اما ناقص بوده است. در سال ۲۰۲۶، واضح‌ترین رشد درآمدی در Enterprise AI از یک دسته متفاوت می‌آید: استارت‌آپ‌های Vertical AI که راه‌حل‌های باریک و عمیق برای صنایع خاص می‌سازند و به جای Token برای Outcome هزینه دریافت می‌کنند.

اعداد پشت این تغییر

در سه ماهه اول ۲۰۲۶، تقریباً ۲۴۲ میلیارد دلار در سطح جهان در AI سرمایه‌گذاری شد – حدود ۸۰٪ از کل تأمین مالی استارت‌آپ‌ها در جهان. در این میان، پلتفرم‌های Vertical AI و راه‌حل‌های خاص صنعت بیش از ۴۰٪ را به خود اختصاص دادند. پیش‌بینی Gartner که ۴۰٪ از برنامه‌های Enterprise تا سال ۲۰۲۶ Agentهای AI خاص وظیفه را جاسازی می‌کنند – افزایش هشت برابری نسبت به ۲۰۲۵ – به نظر می‌رسد بر اساس داده‌های معاملات جلوتر از برنامه است. بازار جهانی Agentهای AI پیش‌بینی می‌شود امسال از ۱۰٫۹ میلیارد دلار فراتر رود، که ۴۵٪ رشد سالانه است.

ارزش‌گذاری‌ها این را منعکس می‌کنند. Harvey، پلتفرم حقوقی AI، ۱۱ میلیارد دلار ارزش دارد. Abridge که روی مستندات بالینی تمرکز دارد، ۵٫۳ میلیارد دلار. Decagon، پلتفرم Agent پشتیبانی مشتری، ۴٫۵ میلیارد دلار. Anysphere، شرکت پشت Cursor، ظاهراً با ارزش‌گذاری ۵۰ میلیارد دلار سرمایه جذب کرده است، پس از رسیدن به ۲ میلیارد دلار درآمد سالانه تکراری تا فوریه ۲۰۲۶. Sierra، پلتفرم مکالمه‌ای AI برای خدمات مشتری، تا ژانویه ۲۰۲۶ به ۱۵۰ میلیون دلار ARR رسید پس از جمع‌آوری ۶۳۵ میلیون دلار. اینها شرکت‌های زیرساخت AI نیستند. آنها شرکت‌هایی هستند که AI را عمیقاً در یک دامنه خاص به کار بردند و دریافتند که Enterprise‌ها به طور قابل توجهی برای نتیجه پرداخت می‌کنند.

چرا Vertical برای درآمد بهتر از Horizontal است

دلیل ساختاری که Vertical AI درآمد را قابل اعتمادتر از Horizontal AI تولید می‌کند ساده است: مشکل یکپارچه‌سازی را حذف می‌کند. یک ابزار AI عمومی نیاز دارد خریدار بفهمد چگونه آن را برای گردش کار، داده‌ها، الزامات انطباق و فرآیندهای تجاری خود اعمال کند. یک محصول Vertical AI قبلاً این مشکل را برای یک صنعت حل کرده است. خریدار چیزی را می‌خرد که از قبل دامنه، اصطلاحات، محیط نظارتی و گردش کار آنها را می‌فهمد. این همچنین مدل قیمت‌گذاری را تغییر می‌دهد. Horizontal AI معمولاً به ازای هر Seat یا Token قیمت‌گذاری می‌شود – کاربران برای دسترسی به قابلیت پرداخت می‌کنند. Vertical AI می‌تواند بر اساس Outcome قیمت‌گذاری شود: مشاغل رزرو شده، اسناد پردازش شده، تیکت‌های پشتیبانی حل شده، ساعت‌های مستندات بالینی ذخیره شده. Avoca، یک استارت‌آپ Voice AI که روی پیمانکاران HVAC، لوله‌کشی، بام‌سازی و برق تمرکز دارد، در آوریل ۲۰۲۶ تأمین مالی ۱۲۵ میلیون دلاری با ارزش‌گذاری ۱ میلیارد دلار اعلام کرد. این شرکت در مسیر ثبت ۱ میلیارد دلار مشاغل از طریق پلتفرم خود در سال ۲۰۲۶ است. ارزش پیشنهادی «اینجا دسترسی به AI است» نیست، بلکه «اینجا سیستمی است که تلفن‌های شما را جواب می‌دهد، مشاغل شما را رزرو می‌کند و CRM شما را بدون نیاز به انسان به‌روزرسانی می‌کند» است.

مبادله: Moat در مقابل سقف

Vertical AI مزایای واقعی دارد، اما محدودیت‌های واقعی نیز دارد. همان ویژگی که فروش این محصولات را آسان‌تر می‌کند، بازار قابل دسترس را نیز محدود می‌کند. یک شرکت AI مستندات بالینی به بیمارستان‌ها و سیستم‌های بهداشتی خدمت می‌کند. یک AI حقوقی به دفاتر حقوقی و تیم‌های حقوقی داخلی خدمت می‌کند. TAM تعریف شده و محدود است، بر خلاف یک پلتفرم Horizontal. به همین دلیل است که جالب‌ترین سوال استراتژیک در Vertical AI در حال حاضر این است که آیا رهبران دسته‌بندی می‌توانند بدون از دست دادن آنچه آنها را خوب کرد، به صورت Horizontal گسترش یابند. Glean به عنوان Enterprise Search شروع کرد، به ارزش‌گذاری ۷٫۲ میلیارد دلار با سری F ۱۵۰ میلیون دلاری در فوریه ۲۰۲۶ رسید و اکنون در حال ساختن یک پلتفرم Enterprise AI گسترده‌تر است که شامل گردش کارهای Agentic در سراسر پایگاه دانش کامل شرکت می‌شود. این شرکت از موقعیت تثبیت شده خود در یک گردش کار Vertical برای گسترش مجاورتی استفاده می‌کند – الگویی که سایر رهبران Vertical احتمالاً با رسیدن به سقف دسته اصلی خود دنبال خواهند کرد.

دانش دامنه به عنوان جدیدترین Moat دفاعی

حکمت مرسوم در نرم‌افزار این بوده که داده Moat است. در Vertical AI، Moat ظریف‌تر است: ترکیبی از داده‌های آموزشی خاص دامنه، یکپارچه‌سازی‌های گردش کار ساخته شده در طول زمان، و روابط اعتمادی که از عملیات قابل اعتماد در یک محیط تنظیم شده یا پرخطر به وجود می‌آید. شرکت‌های Healthcare AI مانند Abridge و Hippocratic AI (که سری C ۱۲۶ میلیون دلاری با مشارکت NVIDIA جمع آوری کرد) سال‌ها صرف ساخت روابط با سیستم‌های بیمارستانی، پیمایش الزامات HIPAA و یکپارچه‌سازی با سیستم‌های EHR کرده‌اند. یک ورود جدید با عملکرد مدل پایه بهتر نمی‌تواند به راحتی آن روابط و یکپارچه‌سازی‌ها را تکرار کند. این نشان می‌دهد که رهبران Vertical AI که به احتمال زیاد دوام می‌آورند لزوماً آنهایی نیستند که بهترین AI را امروز دارند، بلکه آنهایی هستند که داده‌های دامنه، زیرساخت انطباق و اعتماد مشتری را انباشته کرده‌اند که تغییر را پرهزینه می‌کند – صرف نظر از اینکه کدام مدل پایه در زیر اجرا می‌کنند.

جایی که موج بعدی در حال شکل‌گیری است

بخش‌هایی که بیشترین فعالیت تأمین مالی اولیه را در سال ۲۰۲۶ نشان می‌دهند شامل دفاع و امنیت ملی (جایی که سیستم‌های مجهز به AI برای لجستیک، تحلیل اطلاعات و سیستم‌های خودمختار سرمایه‌گذاری قابل توجه دولتی و سرمایه‌گذاری خطرپذیر جذب می‌کنند)، ساخت و ساز و خدمات میدانی (جایی که ترکیب بازرسی فیزیکی، مدیریت پروژه و هماهنگی مهارت‌های تجاری توسط نرم‌افزار کمتر خدمت رسانی شده)، و علوم زیستی (جایی که گردش کار کشف دارو، عملیات آزمایش بالینی و ارسال‌های نظارتی فرآیندهای عمیقاً تخصصی هستند که برای بازسازی AI-native آماده هستند). الگو در هر مورد یکسان است: دامنه‌ای با هزینه‌های بالای نیروی کار، گردش کار پیچیده، و یا الزامات نظارتی یا دانش نهادی سخت به دست آمده که Horizontal AI گسترده را به تنهایی ناکافی می‌کند.