Her er, hvad du skal vide om at evaluere en AI-startup til investering

Af Salvatore Minetti, CEO, Fountech.Ventures

Interessen for det dybe teknologiområde er været stigende i de seneste år, særligt inden for investeringsmiljøet. Og af alle sektorer, der opererer inden for det dybe teknologiområde, er kunstig intelligens (AI) blevet en marked til at holde øje på.

Ifølge data fra National Venture Capital Association blev der i 2019 samlet 19,98 milliarder dollars ind blandt 1.509 AI-virksomheder i USA alene. Dette tal vil stige i de kommende år, selv hvis der er en kortvarig nedgang på grund af pandemien. Faktisk kan AI-startups, der lover at hjælpe os med at overvinde de udfordringer, som COVID-19 stiller, meget vel kunne føre til større investeringer på dette område.

For venturekapitalister (VC’er), der ønsker at komme ind på dette marked, kan det være overvældende at evaluere AI-startups til investering. Her er nogle nøgleovervejelser, der skal være i mente, når man søger efter de bedste AI-talenter at støtte.

At identificere sande dybe teknologier

Det første hinder, mange investorer vil støde på, er, hvordan man kan skelne mellem virkelig innovative løsninger og dem, der blot masquerer sig som sådan. AI er nemlig offer for sin egen succes – mange startups søger at styrke deres kommercielle tilbud og attraktivitet over for investorer ved at påstå, at de er “drevet af AI”, når der i virkeligheden ikke er nogen avanceret brug af teknologien i deres kerneforretning.

Derudover er det vigtigt, at investorer er klar over de begrænsninger, som tidlige virksomheder vil støde på, når de søger at etablere sig på AI-markedet.

Maskinel læring, offentligt tilgængelige biblioteker, forudtrænede modeller og API’er har alle bidraget til at sænke barriererne for iværksættere og startups. Virksomheder, der lancerer et produkt ved hjælp af disse værktøjer alene, vil sandsynligvis have en mængde konkurrenter i kort tid. Dette udgør en risiko for investorer.

For at mindske denne risiko ville jeg opfordre VC’er til at søge efter startups, der innovrer på både videnskabs- og applikationsniveau. Disse AI-virksomheder vil opfinde nyt AI til deres formål og bygge den underliggende infrastruktur, mens de gør det.

Dette indebærer nødvendigvis at skelne mellem applikationsniveau-virksomheder, der blot gentager tredjeparts-API’er, og dem, der har intens og unik forskning i deres kerne. Sande dybe teknologier er nemlig nye og repræsenterer betydelige fremskridt i forhold til de teknologier, der i øjeblikket er i brug.

De, der har lidt forudgående erfaring inden for feltet, kan være bekymrede for deres evne til at screen AI-firmaer og afgøre, hvilke der virkelig er med til at udvide grænserne for teknologien. Der er flere måder at komme rundt om dette på.

For at have tidlig eksponering for dybe teknologier og effektivt evaluere AI-talenter kan VC’er overveje at bygge ud deres interne tekniske kompetence. Dette ville i virkeligheden indebære at have en ph.d. på lønningslisten for at give den nødvendige tekniske kompetence. Ved at gøre dette vil investorerne skabe kapaciteten til at screen virksomheder, før der overhovedet er tale om et produkt og markedstrækkerskab.

Alternativt kan de søge efter partnere til at gøre det for dem. VC’er har mulighed for at co-investere med investorer, der allerede har interne videnskabsmænd og en solid forståelse for dybe teknologier for bedre at vælge deres investeringer samt give passende teknisk støtte i de tidlige faser af deres rejse.

Hvad er de egenskaber og karakteristika, man skal lede efter i en grundlæggende team?

Den underliggende teknologi er en kritisk faktor, når det kommer til at vurdere en AI-startup. Investorer må være sikre på, at et produkt virkelig er innovativt, effektivt opfylder et markedbehov og er kommercielt bæredygtigt på længere sigt. Som en del af dette skal arkitekturen bag løsningen også være overvejet for at sikre, at den kan håndtere øgende indtastninger af data og kan skaleres over tid.

For at være sikker på, at alle ovennævnte punkter er adresseret, skal investorer sikre, at alle kritiske roller er besat af personer med dokumenteret erfaring og viden inden for feltet. Teamets systemarkitekter, dataingeniører, datavidenskabsmænd og DevOps-ingeniører skal alle være i stand til at demonstrere passende kvalifikationer og forudgående erfaring inden for feltet.

Ud over de åbenlyse tekniske færdigheder er det vigtigt at huske, at AI ikke kun handler om algoritmer og data. Det handler også om mennesker. Derfor skal VC’er være opmærksomme på de egenskaber og karakteristika, som grundlæggende teams viser. Selv om der ikke er nogen fast kriterium at følge, er her nogle egenskaber, der sandsynligvis vil bestemme succesen for en AI-iværksætter.

Den første er en god forståelse for relative styrker og svagheder. En grundlægger kan fx have en overbevisende vision og den nødvendige tekniske viden til at gennemføre den. Som det ofte er tilfældet med nye virksomheder, kan grundlæggeren dog mangle den nødvendige forretningsdygtighed til at overvinde almindelige hindringer.

Et højtpræsterende AI-team vil være i stand til at demonstrere en villighed til at søge hjælpen og påtage sig den rette kompetence for at udfylde eventuelle eksisterende færdighedsgab. En virksomheds kultur skal også afspejle deres drive til at innovere: en ønske om at søge kritisk feedback fra ligemænd, kunder og eksperter vil gå langt til at overvinde tekniske og forretningsmæssige udfordringer, der opstår undervejs, og hjælpe teams med at fokusere på det store billede.

Mest vigtigt er det dog, at et stort team vil vise en positiv holdning: en afgørende forudsætning for enhver iværksætter i det konkurrencedygtige AI-rum. En beslutsomhed om at gøre det til at fungere, selv når tiderne er hårde, vil adskille teams, der har, hvad der skal til for at skalerer en AI-virksomhed, og dem, der ikke har.