Por que comprar empresas é melhor do que vender IA para elas — Prathik Naidu, Long Lake

Autoria: AI Engineer · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Why Buying Companies Beats Selling Them AI — Prathik Naidu, Long Lake · Canal: AI Engineer · 18:32 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA, Automação de tarefas e workflows

Resumo

Prathik Naidu argumenta que vender agentes de IA para empresas existentes é difícil porque exige integração, adoção e alinhamento sobre como capturar o valor gerado. Uma alternativa é adquirir empresas de serviços e transformar suas operações com IA, aproveitando equipes experientes, confiança dos clientes, dados do trabalho real e alinhamento de incentivos. A tese é que a IA pode reduzir o custo de prestação de serviços e melhorar sua qualidade, aproximando a economia dessas empresas da economia de software. Naidu apresenta a estratégia da Long Lake e descreve como ela seleciona empresas e busca transformar ganhos de capacidade em impacto real no P&L.

Pontos-chave

Implantar IA como fornecedor externo enfrenta obstáculos de integração, coordenação interna, adoção e captura de valor.
O trabalho real das empresas depende de julgamento humano, conhecimento tácito e tratamento de exceções, além dos dados registrados em sistemas.
Adquirir uma empresa existente oferece acesso às equipes, aos processos e aos clientes, além de alinhar os incentivos em torno dos resultados.
A combinação de agentes e funcionários em operações reais pode gerar um ciclo de aprendizado e melhoria contínua.
Empresas de serviços têm custos de mão de obra que normalmente crescem com a receita, o que dificulta escalar.
A tese da Long Lake é que a IA pode reduzir custos de prestação de serviços e melhorar sua qualidade, criando alavancagem operacional.
A empresa prioriza negócios mission-critical que assumem responsabilidade por resultados e exigem julgamento humano ou prestação de contas regulatória.
A transformação começa com investimentos em implantação e pode levar a mais capacidade, crescimento e impacto no P&L.
A implantação exige equipes de aquisição, tecnologia, operações e gestão de mudanças que trabalhem de perto com as empresas.

Capítulos

Início	Capítulo	Resumo
00:01	Os obstáculos de vender IA para empresas	A palestra apresenta os desafios de levar um agente à produção, obter adoção e capturar o valor criado.
03:06	Por que é difícil capturar o valor da IA	O valor do trabalho depende de julgamento humano e conhecimento tácito, enquanto grande parte do impacto financeiro pode ficar com o cliente.
06:42	Aquisição, acesso e alinhamento	A aquisição de empresas oferece acesso às equipes e aos dados operacionais, além de alinhar os incentivos em torno dos resultados.
09:16	A oportunidade de transformar empresas de serviços	A palestra compara a economia de software com a de serviços e explica como a IA pode reduzir o peso dos custos de mão de obra.
12:22	A Long Lake e a seleção de empresas	Naidu descreve a Long Lake e os critérios usados para buscar empresas mission-critical com potencial de transformação por IA.
15:26	Da implantação ao impacto no P&L	A curva em J mostra como o trabalho inicial de implantação pode liberar capacidade e gerar resultados financeiros e melhor serviço.
18:01	A equipe necessária para executar a tese	A execução exige equipes de aquisição, tecnologia e operações que acompanhem a adoção e convertam ganhos de capacidade em resultados.

Citações

E, importante, não é o modelo. — 02:04

Por que não construir essa empresa e esse negócio com IA no centro desde o primeiro dia? — 05:10

Essas cinco características criam algo muito mais poderoso: uma vantagem que se acumula. — 08:45

A IA reduz o custo do serviço e, ao mesmo tempo, melhora sua qualidade. — 11:21

Conceitos e entidades

Long Lake (empresa): Holding company de IA aplicada que adquire empresas de serviços e trabalha com elas para transformar suas operações.
Prathik Naidu (pessoa): Sócio fundador da Long Lake que apresenta a tese de adquirir empresas de serviços para aplicar IA.
Amex GBT (empresa): Empresa cuja parceria e operação de take-private são mencionadas como a entrada da Long Lake no setor de viagens corporativas.
Automação de serviços com IA (conceito): Uso de IA para transformar operações de empresas de serviços, reduzir custos e melhorar a qualidade da entrega.
Alavancagem operacional (conceito): Possibilidade de aumentar a receita sem que os custos de mão de obra cresçam na mesma proporção.
Curva em J (conceito): Representação da trajetória em que o investimento e o trabalho inicial de implantação precedem ganhos de capacidade e impacto financeiro.
P&L (conceito): Demonstração de resultados usada na palestra para descrever o impacto financeiro da transformação das empresas.

Tradução completa (pt-BR)

00:01 [música] >> Olá, pessoal. Meu nome é Pratik Naidu. Sou sócio fundador da Long Lake e hoje estou animado para falar um pouco mais sobre por que adquirir empresas é uma estratégia única para levar a IA ao mundo real. Para começar, vamos falar de uma experiência muito familiar para muitos de vocês. Digamos que você esteja criando

00:31 um produto de IA e agora esteja tentando vendê-lo para uma grande empresa. Bem, por onde começar? Você encontrou um problema. Criou um agent para resolvê-lo, e ele funciona, mas para um caso de uso muito específico. É um ótimo ponto de partida. Mas agora você precisa colocá-lo em produção. E isso pode envolver passar por uma análise de segurança, coordenação interna e integrações com sistemas de 20 anos atrás. Dá muito trabalho, e essa costuma ser a primeira barreira para implementar IA em uma grande empresa. Mas, depois de superar isso, agora você precisa

01:03 fazer a equipe usar o produto. Então, normalmente, você vai iterar na interface do produto, fazer treinamentos e coletar feedback dos usuários. E surge uma pergunta comum: de quem é a responsabilidade de impulsionar essa adoção? Sua, como fornecedor de IA, ou do cliente com quem você está trabalhando? E digamos que você passe por tudo isso e agora esteja tentando descobrir como gerar receita com o agent que acabou de implementar. Normalmente, você vai analisar algumas questões diferentes. Você vende tokens

01:34 ou licenças por usuário, talvez um pouco dos dois? Como lidar com a sensibilidade do cliente ao preço? E como medir o ROI? E a questão mais ampla aqui é: como uma startup de IA que implementa soluções em grandes empresas captura o valor que cria com essa implementação? Isso tudo pode soar muito familiar para muitos de vocês. Certamente é para mim, e essas barreiras à implementação refletem um desafio bastante comum: você está construindo de fora para dentro, e isso torna muito difícil implementar IA.

02:04 E, o mais importante, o problema não está no modelo. Os modelos, como vocês sabem, estão ficando incrivelmente bons. A inteligência está aumentando exponencialmente. Então, o que torna isso tão difícil? Quero falar sobre algumas observações diferentes a respeito de por que implementar IA em empresas é um desafio. A primeira é que as organizações são incrivelmente complexas. No papel, o organograma pode parecer com o da esquerda. Vocês sabem: há o proprietário, as equipes, os gerentes, e essa é uma estrutura de equipe padrão. Mas a realidade é

02:36 que as organizações são muito mais complexas. As decisões estão entranhadas numa rede de membros da equipe, muitas vezes pessoas com décadas de experiência. Elas interagem com a equipe de vendas, a equipe de operações. O proprietário costuma depender delas. Por isso, é difícil criar um agent como fornecedor terceirizado, porque, na verdade, é preciso se integrar à organização. O segundo motivo que quero abordar é que você não consegue entregar todo o valor da sua implementação se não entender as

03:06 nuances de como uma empresa realmente funciona. Então, um fornecedor pode se integrar aos seus sistemas de registro, como um CRM ou um sistema de chamados, ou até mesmo, sabe, repositórios de documentos onde ficam seus SOPs, contratos ou, sabe, conversas antigas de e-mail. E essa é uma fonte de informação muito valiosa, muito útil. Mas a realidade é que as empresas, especialmente em domínios complexos, funcionam com base no julgamento humano. São as exceções, os casos extremos, o conhecimento tácito, as, sabe, perguntas rápidas feitas ao especialista que realmente importam. E

03:37 é isso que rege boa parte do funcionamento de uma empresa. Essa é a realidade operacional. Você precisa trabalhar com as pessoas que executam o trabalho para entender como é um trabalho bem-feito. O terceiro motivo que quero destacar é que, mesmo que você consiga entregar valor de ponta a ponta, é bastante difícil capturar esse valor como fornecedor de IA. Então, digamos que você feche um contrato de sete dígitos, de um milhão de dólares, o que é bastante impressionante. Mas como pensar no valor duradouro para o negócio desse contrato?

04:08 Há muitas perguntas importantes a responder. Os clientes continuarão renovando? Você conseguirá manter os preços à medida que os modelos melhorarem e as alternativas ficarem mais baratas? Mas digamos que, como parte desse contrato de um milhão de dólares por ano, o cliente realmente obtenha muito valor. Na verdade, talvez um impacto de US$ 5 milhões por ano no EBITDA. E o interessante é que, com uma empresa estabelecida, você tem anos de histórico operacional, relações duradouras com clientes e um modelo de negócios comprovado, com resultados financeiros reais. E assim, você está adicionando ganhos a uma

04:39 empresa cujo valor já é possível estimar. Então, sabe, usando um múltiplo conservador de aproximadamente 10 vezes, você pode gerar para o cliente US$ 50 milhões em valor empresarial, o que é muito interessante. E aqui surge a questão: como fornecedor, você fez todo o trabalho. Implementou seus agents, superou todas as barreiras de integração com os sistemas e de colaboração com a equipe. Mas o maior impacto aparece, na verdade, na demonstração de resultados da empresa com a qual você trabalhou.

05:10 E essas são as barreiras e os desafios típicos de implementar IA de fora para dentro. Então, por que não simplesmente criar essa empresa e esse negócio você mesmo, com a IA no centro desde o primeiro dia? Na verdade, essa é uma estratégia muito válida. Você pode melhorar todo o workflow, não apenas uma parte específica. Você vende o próprio trabalho, não apenas uma ferramenta específica. E, o mais importante, você é dono dos resultados. Portanto, a demonstração de resultados e o valor que está gerando são seus. E muitas dessas empresas serão incríveis. Achamos que essa é uma ótima estratégia.

05:40 Mas também quero destacar alguns dos desafios que surgem com essa abordagem. O primeiro é que você não começa com nenhum cliente. É difícil alcançar o mercado. Você não tem o mínimo, não tem uma reputação de marca, então isso torna o crescimento um desafio. E é difícil contratar especialistas, especialmente em setores de nicho, setores importantes nos quais os clientes podem precisar de várias ofertas especializadas. Então, veja este exemplo. Se você é o líder de um sistema de saúde e está

06:10 planejando um novo prédio cirúrgico, você entregaria esse projeto a uma startup de arquitetura de IA ou à empresa com a qual trabalha há 20 anos, que conhece os padrões e as nuances de como seus prédios são realmente projetados e em quem você pode confiar para entregar todo o escopo do projeto? É um modelo de execução muito diferente. E a percepção importante aqui é que as melhores empresas passaram décadas conquistando seus clientes, construindo uma marca e confiança, e formando uma equipe incrível para prestar um ótimo serviço aos seus

06:42 clientes. Então, em vez de trabalhar de fora para dentro e vender um agent de IA para uma empresa ou tentar construir tudo do zero, e se você pudesse estabelecer uma parceria muito mais próxima com empresas incríveis que já existem, por meio de uma aquisição? Quero falar um pouco mais sobre por que a propriedade é uma estratégia tão interessante nesse caso. Começando pelo lado da engenharia: acesso. A capacidade de sua equipe se sentar com as pessoas que fazem o trabalho, entender

07:13 o que elas fazem, construir relações, conhecer as pessoas-chave, os veteranos, as pessoas com 20 anos de experiência, é extremamente importante para projetar agents que não resolvam apenas um workflow ou um caso de uso, mas que realmente aproveitem toda a oportunidade de automação e prestação de serviços para a empresa inteira. O segundo ponto são os dados. Você pode pensar em cada empresa como um ambiente real, com tarefas reais, casos extremos reais e respostas reais sobre se um agent acertou ou não

07:43 alguma coisa. E essa é uma enorme oportunidade de usar essas informações, esse sinal, para realmente melhorar seus agents e modelos. Mas, o mais importante, no lado operacional, o alinhamento de incentivos é fundamental. A propriedade resolve isso. Você só vence quando sua equipe e sua empresa vencem. E não há metas de receita separadas nem distrações causadas por outros clientes. Isso cria um nível incrível de alinhamento que permite identificar e resolver muitos dos obstáculos para, no fim, chegar a uma implementação mais rápida e

08:14 a objetivos compartilhados mais rapidamente. Os resultados realmente importam aqui. O outro aspecto é a confiança, sobre a qual falamos. E, o mais importante, em vez de trabalhar de fora para dentro ou construir tudo do zero, a propriedade traz esse elemento de confiança desde o começo. Sabe, você tem a marca que levou décadas para construir, com todas as relações com os clientes. E isso naturalmente se conecta à ideia de escala. Começar com uma base grande, com esses clientes, uma equipe de especialistas capaz de prestar um serviço incrível e o fluxo de caixa para continuar

08:45 investir e reinvestir no crescimento e em novos produtos é muito poderoso. E o ponto importante aqui é que essas cinco características não são apenas benefícios independentes. Na verdade, elas criam algo muito mais poderoso: uma vantagem cumulativa, na qual uma combinação de seus agents e de suas pessoas continua atuando nas operações reais. Você pode entender como o trabalho é feito, criar dados do mundo real que levam a resultados concretos, e todo esse aprendizado se acumula. E esse ciclo virtuoso é muito interessante, e

09:16 vem acompanhado de todos os elementos da propriedade para, sabe, impulsionar esse ciclo virtuoso desde o primeiro dia. E o interessante aqui é que a propriedade pode gerar benefícios cumulativos rapidamente ao longo do tempo. Então, falamos sobre por que a propriedade é realmente interessante. Mas quais mercados estão prontos para aquisições, especialmente na era da IA? Quero começar pela economia de software. Este é um mercado global de software. A maioria de nós passou muito tempo e construiu a carreira nessa área. E, sabe, é um mercado bem grande. Mas o interessante é que

09:47 o software sempre vendeu ferramentas para as pessoas que fazem o trabalho. Se olharmos um pouco mais de longe, estamos falando de uma economia de serviços. É um mercado global de 70 trilhões de dólares. E a ideia importante aqui é que ser dono dos resultados de um serviço de ponta a ponta é muito mais valioso. E é isso que nos empolga. É uma enorme oportunidade de mercado. Mas há uma observação importante: por trás disso, existe um desafio que as empresas de serviços normalmente enfrentam. Os custos de mão de obra normalmente crescem junto com a receita.

10:18 Por exemplo, um gerente de comunidade em uma empresa de administração de associações de moradores só consegue administrar um número limitado de associações. Um arquiteto só consegue projetar um número limitado de hospitais ou escolas. Então, se você quer mais clientes, precisa contratar mais pessoas. E esse é o desafio típico de uma empresa. E, sabe, se compararmos com uma empresa de software, se você acrescentar 100 dólares de receita em uma empresa de software típica, fica com cerca de 80. Portanto, o custo marginal do crescimento é muito baixo, e é por isso que essas empresas são incríveis e podem crescer muito rapidamente.

10:49 Em contrapartida, uma empresa de serviços opera de maneira muito diferente. A cada 100 dólares de receita incremental, normalmente você tem cerca de 80 dólares em custos de prestação do serviço e despesas gerais. É preciso contratar, treinar e gerenciar sua equipe. E muitos fundadores que criaram empresas de serviços incríveis realmente deixaram de buscar o crescimento, não por falta de ambição nem por falta de oportunidade de mercado. Esses mercados são enormes. Mas, por causa dos desafios para crescer, quando é preciso fazer muito trabalho para cada 100 dólares, você fica com apenas cerca de 20. E, assim, dá para pensar nisso como um valor bastante

11:21 alto: um imposto marginal de 80% sobre o crescimento, o que torna muito difícil tanto começar essas empresas de fora para dentro quanto fazê-las crescer. O que é muito interessante aqui é que a IA realmente reduz o custo dos serviços e, ao mesmo tempo, melhora sua qualidade. Então, voltemos ao nosso gráfico, em que a receita cresce proporcionalmente aos custos de mão de obra; quando você implementa IA, dá para ver que, na verdade, você obtém alavancagem operacional. Portanto, seus custos de mão de obra deixam de crescer diretamente junto com a IA. Você ainda vai precisar contratar uma

11:52 equipe incrível de especialistas para prestar seus serviços aos clientes, mas a economia dessas empresas de serviços começa a se parecer muito mais com a do software. Assim, a tese de aquisição, de parceria profunda com empresas incríveis e de uso da IA para expandir esses negócios e melhorar a qualidade dos serviços é exatamente o que nos empolga aqui na Long Lake. Então, só para falar um pouco mais sobre nós: a Long Lake é uma holding de IA aplicada. Fazemos parceria com empresas incríveis e captamos 7,5

12:22 bilhões em capital de Elad Gil, General Catalyst, Alpha Wave, D1 e muitos outros. Começamos há cerca de 3 anos. Nossa tese é adquirir empresas de serviços líderes em suas categorias, fazer parceria com elas para transformar suas operações, ajudá-las a crescer mais rápido e, por fim, oferecer uma experiência melhor aos clientes. Até hoje, fizemos parceria com 40 empresas em diversos mercados: serviços residenciais, arquitetura, RH e muitos outros. Somos uma equipe incrível de 55 pessoas

12:52 nas áreas de tecnologia, finanças e operações. Estamos crescendo. Temos um grupo diversificado de ex-fundadores, pessoas das Forças Armadas, da Palantir e muitos outros nomes conhecidos. E recentemente anunciamos nossa parceria com a Amex GBT. É uma aquisição para fechar o capital no valor de 6,3 bilhões, que nos leva ao setor de viagens corporativas, algo que nos empolga muito. Sabe, seguimos o modelo de muitas holdings que vieram antes de nós, mas com uma observação muito interessante: a IA eleva o potencial máximo da transformação dos negócios. E essa é a alavanca de excelência que

13:23 estamos empolgados para buscar. Então, falamos sobre por que escolhemos os serviços em particular. Mas quais empresas de serviços são realmente atraentes para possuir? Quero começar com uma observação importante: à medida que os modelos continuam melhorando, o preço da inteligência está caindo rapidamente. É incrível ver isso. Acho que essa tendência vai continuar. Então, se a inteligência está ficando barata, o que continua caro? Nosso foco está realmente em empresas de missão crítica

13:53 e começa com algumas perguntas-chave que normalmente usamos para avaliar essas empresas. A primeira é: existe uma base de clientes que confia a essas empresas resultados reais de ponta a ponta? A segunda é: há julgamento humano no serviço que está sendo prestado? E a terceira é: existem razões regulatórias que determinam a responsabilização ao tomar essas decisões de aquisição? E acho que o ponto importante aqui é que você precisa ser dono do resultado, e essa é uma característica típica de muitas dessas empresas de serviços.

14:25 Para explicar isso melhor, não se trata apenas de redigir um boletim informativo para um proprietário, mas de cuidar de ponta a ponta do resultado de um vazamento urgente. Não se trata apenas de extrair dados de documentos, mas de assumir a responsabilidade por uma decisão tributária complexa. E, sabe, não se trata apenas de ajudar você a reservar um voo, mas de lidar com imprevistos de última hora, que tenho certeza de que muitos de vocês já enfrentaram. Empresas assim são raras. É preciso atender a todas essas perguntas e muitas

14:55 outras, além de ter uma equipe empolgada com essa parceria. E, para fazer isso, sabe, é preciso analisar muitas empresas. Boas decisões de investimento dependem de ter opções. Então, é preciso manter um funil amplo e, depois, aplicar um filtro extremamente rigoroso. Nosso foco está em empresas com fundamentos incríveis do ponto de vista do negócio e do mercado, mas que também tenham uma excelente oportunidade de IA, na qual possamos nos envolver e fazer uma parceria bem próxima com essas empresas. Analisamos cerca de 5.000 negócios por ano, mas, novamente, somos muito criteriosos e diligentes quanto

15:26 ao que realmente escolhemos como foco e com quem fazemos parceria. Ótimo. Então, depois de encontrar sua empresa e fazer parceria com ela, como é, na prática, a transformação do P&L? Acho que uma forma bem simples de explicar isso é usando a representação visual de uma curva em J. Você começa investindo na implementação de IA. Você tem sua plataforma, desenvolve sua tecnologia, captura os workflows e dedica muito tempo da equipe para fazer isso funcionar. É muito trabalho. É preciso fazer isso funcionar dentro da empresa.

15:57 Pensando nos desafios de construir de fora para dentro, é preciso fazer uma parceria muito próxima com a equipe da empresa, iterar, validar o produto, talvez treinar novos modelos e analisar todos os workflows e dados específicos que existem naquele negócio. Mas, depois de superar essa etapa, você começa a ver as pessoas usando seu produto, o que é incrivelmente empolgante, e começa a liberar muita capacidade. Economia de tempo, uso disparando. Elas produzem o mesmo resultado em menos horas. Mas esse não é o fim da

16:27 jornada. É importante que capturemos valor e geremos impacto real nos negócios das empresas parceiras. Então, é preciso colocar essa capacidade para trabalhar. Pense no alinhamento de incentivos e em trabalhar muito próximo das equipes de gestão e dos parceiros de confiança para impulsionar os resultados do negócio, ajudar no crescimento e melhorar o NPS de clientes e funcionários. Tudo isso faz parte da equação para realmente gerar impacto nessas empresas. E, depois de fazer tudo isso, você obtém um impacto real no P&L: mais receita por funcionário e, o que é mais importante, uma qualidade de serviço muito melhor para nossos clientes.

16:59 E acho que o interessante nisso é que não se trata de um playbook personalizado que você executa uma única vez para cada empresa. Se você tem a plataforma e o playbook para fazer tanto a implantação de IA quanto a transformação dos negócios, isso pode se acumular rapidamente. Você consegue ver um tempo menor até a implantação de agents e um tempo menor até o impacto nos resultados para todos os novos negócios com os quais faz parceria. E vemos isso na Long Lake, nas mais de 40 empresas com as quais já fizemos parceria até hoje. Claro, não se trata apenas de IA e

17:30 transformação dos negócios. Nos bastidores, é preciso uma equipe bastante singular para realmente assumir a responsabilidade, operar e transformar. Então, você precisa comprar essas empresas, ter uma equipe de M&A capaz de fazer parceria com empresas de serviços de classe mundial e trabalhar muito de perto com elas para construir essa relação e gerar entusiasmo pelo futuro. Depois, você precisa fazer o trabalho de construir, e isso dá muito trabalho. Você precisa voar até Minneapolis, voar até Portland, ir a Londres, passar tempo com a equipe e realmente construir e ampliar as fronteiras de como os agents são implantados. Mais uma vez, não apenas para um caso de uso específico, mas realmente para

18:01 toda a operação. E, para realmente fazer essa implantação, você precisa de uma equipe incrível de implantação e operações para impulsionar a adoção, certo? Pense nisso naquela curva em J, certo? Não pare apenas na capacidade e na economia de tempo. Como garantir que o trabalho que você está fazendo gere um impacto real nos negócios das empresas com as quais trabalha e proporcione uma experiência muito melhor para os clientes do serviço que você oferece? Então, se você está animado com a ideia de assumir a responsabilidade pelos resultados e fazer parceria com empresas de serviços incríveis, fique à vontade para entrar em contato. Estamos animados

18:32 com essa tese. Achamos que há muitas oportunidades para continuar construindo na economia de serviços, e fique à vontade para conversar mais se tiver alguma dúvida. Obrigado.

Transcrição original

[00:01] [music] >> Hey everyone. My name is Pratik Naidu. I’m a founding partner at Long Lake and today I’m excited to talk a little bit more about why acquiring businesses is a unique strategy to deploy AI into the real world. So to start out very familiar experience to many of you. Let’s say you’re building

[00:31] an AI product and now you’re trying to sell it into the enterprise. Well, where do you start? You found a pain. You built an agent for it and it works, but for one very narrow use case. It’s a great starting point. But now you have to actually get it into production. And that might involve dealing with security review, internal coordination, integrations with 20-year-old systems. It’s a lot of hard work and this is typically the first wall in order to deploy AI into an enterprise. But once you get past this, now you have

[01:03] to get the team to use it. So you typically will iterate on the product interface, go through trainings, get feedback from users. And there’s a typical question that comes up, which is whose job is it to actually drive up that adoption? Is it yours as the AI vendor or is it the client that you’re working with? And then let’s say you actually go through all this and now you’re trying to figure out how do I actually get revenue for the agent that I just deployed. You’ll typically work through a few different questions. Do you sell tokens

[01:34] or seats, maybe a bit of both? How do you deal with price sensitivity from your client? And how do you actually then measure ROI? And the bigger picture question here is as an AI startup deploying into the enterprise, how do you capture the value that you create from your deployment? This all might sound very familiar to many of you. It certainly is to me and these walls of deployment reflect a pretty common challenge, which is you’re building on the outside and that makes deploying AI really hard.

[02:04] And importantly, it’s not the model. The models, as you know, are getting incredibly good. Intelligence is exponentially increasing. So, what makes this really hard? And I want to talk about a few different observations of why deploying AI into businesses is challenging. The first is that organizations are incredibly complex. On paper, your org chart might look something on the left. You know, you have your owner, you have teams, managers, and this is a standard team structure. But, the reality is

[02:36] organizations are far more nuanced. There are decisions that are entrenched in a web of team members, often times folks with decades of experience. They’re interacting with the sales team, the operations team. The owner often times leans on them. And so, building an agent as a third-party vendor is difficult because you actually need to embed into the organization. The second reason I want to touch on is you can’t deliver the full value of your deployment if you don’t understand the

[03:06] nuances of how a business actually runs. So, a vendor might integrate with your systems of record like a CRM or a ticketing system, or even, you know, document repositories where your SOPs, contracts, or, you know, old email threads live. And this is really valuable source of information, very useful. But, the reality is businesses, especially in complex domains, run on human judgment. It’s the exceptions, the edge cases, the tacit knowledge, the, you know, quick questions that get asked to the expert that really matters. And

[03:37] that’s really what governs a lot of how a company runs. And that’s the operating reality. You need to work with the people doing the work to understand what great work actually looks like. The third reason that I want to highlight is that even if you are able to deliver end-to-end value, it’s pretty hard to capture value as an AI vendor. So, let’s say you land a seven-figure million-dollar contract, which is pretty impressive. But, how do you think about the enduring business value of that contract?

[04:08] A lot of big questions to answer. Will customers keep renewing? Can you maintain pricing as models improve and as alternatives get cheaper? But, let’s say as part of that million-dollar-a-year revenue engagement, your client actually gets a lot of value from it. In fact, maybe $5 million a year in EBITDA impact. And so, what’s interesting about this is that with an established business, you have years of operating history, enduring client relationships, and a proven business model with real economics. And so, you’re adding earnings to a

[04:39] business with value that you can already reason about. And so, you know, using a, you know, roughly conservative 10x multiple, you can actually generate for your client $50 million in enterprise value, which is really interesting. And so, there’s this question here, which is, you know, as a vendor, you did all the work. You’ve deployed your agents, you went through all the walls of integrating with the systems, working with the team. But, the largest impact actually shows up in the P&L of the business that you actually worked with.

[05:10] And so, these are the typical walls and challenges of deploying AI outside in. So, why not just go build that firm and build that business yourself with AI at its core from day one? This is a very valid strategy, actually. You can improve the whole workflow, not just a narrow slice. You sell the work itself, not just one specific tool. And importantly, you own the outcomes. So, the P&L and the value that you’re generating is yours. And many of these firms are going to be amazing. We think this is a great strategy.

[05:40] But, I also want to call out some of the challenges that come up with this approach. The first is you don’t start with any customers. It’s hard to get distribution. You don’t have any minimal you don’t have any a brand reputation, so that makes it challenging to to grow. And it’s hard to hire expertise especially in you know niche niche industries and important industries where clients might need multiple specialty offerings. So take an example here. If you are the leader of a health system and you’re

[06:10] planning a new surgery building, do you hand that project to an AI architecture startup or the firm that you’ve been working with for 20 years who knows the standards, the nuances of how you actually design your buildings, and you can trust them to deliver the full scope of your project. It’s a very different kind of execution model. And so the important insight here is that the best firms have spent decades earning their customers, building brand and trust, and building an incredible team to deliver great service to their

[06:42] clients. So instead of being outside in and selling an AI agent to a company or trying to build from scratch, what if you could partner far more closely with incredible businesses that already exist through acquisition? And I want to talk a little bit more about why ownership is such an interesting strategy here. Starting with on the engineering side, which is access. The ability to have your team sit down with the people who do work, understand

[07:13] what they do, build those relationships, understand the key people, the veterans, the folks that have the 20 years of experience is super important to really designing agents that not just solve one workflow or one use case, but really tackle the full automation and service delivery opportunity for the entire business. The second is data. Every business you can think of as really a live environment with real tasks, real edge cases, and real answers on whether or not an agent actually got

[07:43] something right versus not. And this is a huge opportunity to use that information, use that signal to actually improve your agents and models. But importantly, on the operational side, incentive alignment is huge. Ownership solves for this. You only win when your team and your business wins. And there’s no separate revenue goals, no distractions from other clients. It creates an incredible amount of alignment that enables you to uncover and solve a lot of the blockers to ultimately get to faster deployment and

[08:14] faster shared goals. Outcomes really matter here. The other piece is trust, which we talked about. And, you know, importantly, rather than coming outside-in or building from scratch, ownership has that trust element baked in from the start. You know, you have the brand that took decades to build with all of the customer relationships. And and naturally plays into this idea of scale. Starting with a large base where you have those customers, you have an expert team that can deliver an incredible service, and the cash flow to continue

[08:45] to invest and compound in growth and new products is very powerful. And the important piece here is these five characteristics aren’t just independent benefits. They actually create something far more powerful, which is a compounding advantage where a combination of your agents and your people continue to act in live operations. You can understand how work is done, create real-world data that leads to real outcomes, and that learning all compounds together. And this flywheel is really interesting, and

[09:16] it comes with all the elements of ownership to uh you know, power this flywheel from from day one. And so, what’s interesting here is that ownership uh can compound rapidly over time. So, we talked about why ownership is is really interesting. But what markets are ripe for acquisition, especially in the AI era? I want to start with the software economy. This is a global software market. Most of us have spent a lot of our time and careers building in this part. And you know, it’s a pretty big market. But what’s interesting is that

[09:47] software is always sold tools to people doing the work. If you zoom out a little bit, this is a services economy. It’s a 7 trillion 70 trillion global market. And the important insight here is that owning the outcomes of a service end-to-end is far more valuable. And that’s what’s exciting to us. It’s a huge market opportunity. But there’s an important observation here, which is under the hood, there’s a challenge that services businesses typically face. Labor costs typically grow with revenue.

[10:18] So, uh for example, a community manager at an HOA management company can only run so many associations. An architect can only design so many hospitals or schools. So, if you want more clients, you have to hire more people. And this is the typical challenge of uh a business. And you know, if you compare it to a software company, if you add $100 of revenue in a typical software business, you keep about 80. So, there’s really low marginal cost of growth, which is why these businesses are incredible and you can scale very rapidly.

[10:49] On the contrary, a service business operates very differently. For every $100 of incremental revenue, you typically have around $80 or so of delivery and overhead. You have to hire, train, manage your team. And so many founders who have built incredible services businesses have really stopped chasing growth, not because they lack ambition and not because there’s no market opportunity. These are massive markets. But because the challenges of scaling, when you have to do a lot of the work for every $100, you’re only keeping about 20. And so you can think of this as a pretty

[11:21] huge, you know, 80% marginal tax on growth, which makes it very challenging to both come outside in, start these businesses, and even scale them. What’s very interesting here is that AI actually reduces the cost of service while also improving the quality of your service. So, look back at our chart here where revenue scales proportionally to labor costs, but when you deploy AI you can see here that you get actually operating leverage. So, your labor cost no longer directly scales with AI. You’re still going to need to hire an

[11:52] incredible team of experts to deliver your service to your clients, but the service economics for these businesses start to look a lot more like software. And so, the thesis of acquisition, deep partnership with incredible companies, and leveraging AI to scale these businesses and improve the quality of service is exactly what we’re excited about here at Long Lake. So, just quickly a little bit more about us. Long Lake is an applied AI holding company. We partner with incredible businesses, have raised 7 and 1/2

[12:22] billion in capital from Elad Gil, General Catalyst, Alpha Wave, D1, and many others. We were started about 3 years ago. Our Our whole thesis is to acquire best-in-class services businesses, partner with them to transform their operations, help them grow faster, and ultimately deliver a better client experience. We’ve today partnered with 40 businesses across a number of markets, residential services, architecture, HR, and many more. We’re an amazing team of 55 team members

[12:52] across technology, finance, and operations. We’re growing. We have an eclectic mix of former founders, folks from the military, Palantir, a lot of familiar names here. And we recently just announced our partnership with Amex GBT. It’s a 6.3 billion take private, bringing us into the corporate travel space, which we’re incredibly excited about. You know, we’re modeled after a lot of the holding companies that have come before us, but with a really interesting observation that AI raises the ceiling for business transformation. And this is the lever of excellence that

[13:23] we’re excited to go and pursue. So, we talked about why We talked about services in particular. What services businesses though are actually attractive to own? And I want to start with an important observation, which is as models continue to get better, the price of intelligence is rapidly declining. And it’s pretty incredible to see. I think this is only going to continue. So, if intelligence is getting cheap, what remains expensive? We really focus on mission-critical

[13:53] businesses, and it starts with a few key questions that we typically evaluate these companies on. The first is is there a customer base that trust these businesses with real end-to-end outcomes? The second is is there human judgment in the service that’s actually being provided? And the third is that are there, you know, regulatory reasons that govern accountability when making these acquisition decisions? And I think the important piece here is you have to own the outcome, and that’s the typical characteristic of a lot of these services businesses.

[14:25] So, to color this a bit more, it’s not just about drafting a newsletter to a homeowner, but actually handling the end-to-end outcome of an urgent leak. It’s not just about extracting data from documents, but actually taking accountability for a complicated tax decision. And, you know, it’s not just about helping you book a flight, but handling the last-minute disruptions, which I’m sure many of you have faced before. Businesses like these are rare. You have to fit all of these questions, and many

[14:55] more, and also have a team that’s excited about that partnership. And to do this, you know, you have to see a lot of businesses. Great investment decisions come with choice. So, you have to keep a big funnel, and then an incredibly tight filter. Our focus is on businesses that have incredible fundamentals from a business and market standpoint, but also have an awesome AI opportunity where we can actually go in and partner very closely with these businesses. We see about 5,000, you know, deals a year, but again, are very focused and diligent on

[15:26] what we actually focus on and who we partner with. Awesome. So, once you’ve found your business and you’ve partnered with a company, what does P&L transformation actually look like? And I think a very simple way to explain this is actually through the visual of a J-curve. So, you start with your investment in AI deployment. You have your platform, you build your tech, capture the workflows, commit a lot of team time to making this work. And it’s a lot of hard work. You have to make it work within the business.

[15:57] Thinking back to, you know, some of the challenges of building outside-in, you have to partner very closely with their team, iterate, validate your product, potentially train new models, look at all the different unique workflows and data that exist within that business. But once you make it up this hill, you’ll start to see folks actually using your product, which is incredibly exciting, and you start to actually unlock a lot of capacity. Time savings, usage is going through the roof. They’re producing the same output, fewer hours. But this isn’t the the the end of the

[16:27] journey. Importantly, we want to actually capture value and we want to generate real business impact with our partner companies. And so, you actually have to put that capacity to work. Think about incentive alignment, working very closely with our management teams and trusted partners to drive business outcomes, help with growth, improve customer and employee NPS. These are all part of the equation to actually driving impact within these businesses. And once you do all the those things, you get to real P&L impact. Higher revenue per employee, but importantly, a far better service quality for our clients.

[16:59] And I think what’s cool about this is that this isn’t just a bespoke playbook that you run one-off for every single business. If you have the platform and the playbook to do both the AI deployment and the business transformation, this can rapidly compound. You You get to see faster time to deploy agents and a faster time to P&L impact for all the new businesses that you partner with. And we see this at Long Lake across the 40 plus businesses that we’ve already partnered with today. Of course, it’s not just about AI and

[17:30] business transformation. Under the hood, it takes a pretty unique team to actually own, operate, and and transform. So, you have to actually go and and buy these businesses, have an M&A team that can partner with world-class services businesses, work with them very closely to build that relationship, should build that excitement for the future. Then you actually have to go to do the work of building, and this is a lot of hard work. You have to fly out to Minneapolis, fly out to Portland, uh go to London, spend time with the team, and actually build and push the frontier of how agents get deployed. Again, not just for one narrow use case, but really for

[18:01] the entire operation. And then to actually do that deployment, you know, you need an amazing deployment and ops team to actually drive adoption, right? Think about that at that J-curve, right? Don’t just stop at capacity and time savings. How do you actually ensure that the work you’re doing is driving real business impact for the companies that you work with, and delivering a far better client experience uh for the service that you’re providing? So, if you’re excited about owning outcomes and partnering with uh incredible services businesses, feel free to reach out. Uh we’re excited

[18:32] about this thesis. We think there’s a lot of opportunity to go continue to build in the services economy, and uh feel free to chat more if there’s any questions. Thank you.