Nick Davidov, Medstifter og Managing Partner i DVC – Interview Serie

Nick Davidov, Medstifter og Managing Partner i DVC, har investeret i over 140 tidlige AI-startups, herunder Perplexity AI, Etched og Mira Murati’s Thinking Machines Lab.

DVC er et venturekapitalfirma med base i San Francisco, der fokuserer på at støtte tidlige AI-startups og opbygge en fællesskabsdrevet økosystem omkring AI-innovation. Firmaet er grundlagt af Marina og Nick Davidov og kombinerer et aktivt netværk af grundlæggere, ingeniører og forskere med proprietære AI-drevne arbejdsgange for at støtte virksomheder fra pre-seed til serie A/B-vækstfaser, med investeringer på 100.000-300.000 dollar på det tidligste stadium og 1-3 millioner dollar i efterfølgende runder. DVC’s model lægger vægt på håndtering, dyb fællesskabsengagement og brug af AI-værktøjer sammen med erfarne limited partners til at finde og vurderer virksomheder og hjælpe porteføljegrundlæggere med at vokse – alt med det formål at skabe meningsfuld indvirkning på AI-startup-landskabet.

DVC er blevet kendt for at tænke venturekapital om fra bunden. Hvad var det for oplevelser eller frustrationer i traditionel VC, der inspirerede dig til at opbygge en model, der kører helt på AI-agenter og fællesskabsintelligens?

Primært, problemer med at skala en venturekapitalforretning. Lige nu er den eneste måde at vokse forretningen på at øge aktivernes værdi under administration. På et tidspunkt skifter din motivation – du er ikke længere drevet af værdier, men af administrationsgebyrer. Og så begynder du at prioritere udrulning over afkast, hvilket ikke er sundt. Så vi prøver at finde en alternativ måde at skala en investeringsvirksomhed vandret, ikke lodret. Og vi prøver også at demokratisere adgangen til VC og bringe diversitet på den måde.

​Du har sagt, at DVC “fired its analysts and hired its LPs.” Kan du forklare, hvordan dette system faktisk fungerer – hvordan bidrager LP’erne til sourcing og due diligence, og hvilke værktøjer giver dem?

Jeg starter med en anekdote her. Når nye LP’er tilslutter sig os, beder vi dem om at udfylde en spørgeskema, herunder spørgsmålet: “Er du villig til aktivt at hjælpe startups?” En LP – en testingeniør – var nysgerrig efter at se, hvilke spørgsmål skemaet ville vise næste gang, hvis han valgte “Nej”, men intet skete. Han var vores 100. ansøger, der fik os til at opdage, at et positivt svar var sat som obligatorisk i dette spørgsmål – ingen kunne svare “Nej”. Forbløffende, 100 ansøgere før ham havde klikket “Ja” og havde aldrig bemærket det.

Vi byggede en intern “social stige” for vores LP’er. I DVC kan hver LP opnå titlen som Deal Advisor og derefter vokse til en Super Advisor, hvis han eller hun aktivt støtter vores porteføljevirksomheder med rekruttering, salg, produkt og forbindelser, bidrager til startup-vækst – og får en andel af carried interest i retur. Og hvis en LP bringer os en deal, bliver han eller hun Deal Captain. Vi gjorde det meget let for dem at bidrage på hvert trin, og automatiserede de fleste processer.

Hvordan automatiserer DVC’s proprietære AI-agenter kernefunktioner som deal sourcing, due diligence og porteføljemonitoring? Kan du beskrive en eller to arbejdsgange, der har set den største forandring?

I DVC er AI rygmarven i en komplet omdefinering af, hvordan en venturefirma opererer. Det hjælper os med at vende den traditionelle due diligence-proces på hovedet. I stedet for at kontakte grundlæggere først, bygger vores AI-agenter en komplet deal-memo og udfører det meste af den preliminære due diligence, før den første kontakt. Dette er muligt, fordi meget af den nødvendige information (som virksomhedspræsentationer, markeddata, konkurrentanalyse og vurderingsprincipper) er tilgængelig, før opkaldet, så der er ingen grund til at spilde grundlæggere og investorer tid. Det, der tidligere tog en hel dag for en dyrt analyst, kan nu gøres på få minutter for under 30 cent.

Når en startup-præsentation rammer systemet – ofte via en LP-intro – parser AI-materialet, beriger det med eksterne kilder, sorterer data og udskriver en deal-memo. Så vi kan fokusere på, hvad der er svært at automatisere – grundlæggers motivation, bløde færdigheder, kultur og teamdynamik.

​Hvad er de mest ukonventionelle eller overraskende “signaler”, som jeres AI sporer, når I vurderer tidlige startups? Hvordan adskiller de sig fra, hvad menneskelige analytikere traditionelt søger efter?

Blandt de usædvanlige og svære at bemærke for menneskelige analytikere signaler ville jeg nævne nylige fyringer af nøgleteammedlemmer i startuppet. I alt sporer vores system omkring 120 signaler. En del af dem hjælper os med at forstå startup-trækket. Den anden gruppe signaler handler om startup-holdet. Den tredje kategori er fokuseret på potentiel investor-konkurrence. Målet her er at forudsige, hvor hurtigt en grundlægger kan rejse en runde, da grundlæggers netværk er en betydelig faktor.

​Med over 170 LP’er fra virksomheder som OpenAI, Meta og Tesla (TSLA ), hvordan koordinerer I denne fællesskab og sikrer kvalitetsinput i stedet for støj?

Når der kun var et par dusin LP’er, var det muligt at håndtere dem manuelt. Men da deres antal voksede, blev det en flaskehals at matche den rette ekspert med den rette startup på det rette tidspunkt. Så vi udviklede AI-agenter, der fungerer som “super-tilkoblinger”, der husker alle detaljer om LP’ernes ekspertise og netværk for at foreslå relevante introduktioner til porteføljevirksomheder. Dette gør fællesskabsaspektet utrolig skalerbart.

Og for at sikre kvalitet kontakter vi altid grundlæggerne for at få deres feedback. For os er det ikke nok at blot gøre en introduktion til en potentiel virksomhed; vi har brug for at verificere, at det faktisk fungerede. Over tid har vi samlet nok data til at se, hvad der virkelig er effektivt.

Fondens tesen lægger vægt på kerne-AI-infrastruktur og lodret fokuserede modelstakke. Hvilke segmenter af AI tror du er mest undervurderede lige nu – og hvorfor?

Der er ingen undervurderede segmenter, kun underudviklede – og de underudviklede segmenter tenderer til at være billigere. Sundhedssektoren, industrielle anvendelser, robotteknologi og byggebranchen er langsomme. Der er mange anvendelser, men deres adoption er forfærdelig.

​DVC har allerede investeret i navne som Perplexity AI og Etched. Hvordan hjælper jeres AI-system jer med at identificere disse gennembrudsvirksomheder, før de rammer mainstream-opmærksomhed?

De fleste af vores investorer er grundlæggere og ingeniører, der primært er tidlige brugere og adopterer af AI-teknologier. Og når de bliver besat af noget, bringer de det ind i vores fællesskab. Vores AI-stack håndterer forberedelsen. Som partnere er vores job at lytte til vores intuition. Det er præcis, hvordan vi endte med at investere i Perplexity.

Da AI omdefinerer venturekapital, hvilke aspekter af investor-intuition, dømmekraft eller menneskelig forbindelse tror du kan erstattes af algoritmer?

AI-agenter udgør allerede os på deal-memoer, forskning og forberedelse. Det, de ikke kan erstatte, er den menneskelige forbindelse mellem en grundlægger og en investor. Denne relation varer ofte længere end et gennemsnitligt ægteskab. Grundlæggerens vej er kompleks, ensomme tider og højtryk. At have en menneskelig partner er afgørende – det er, hvad en investor virkelig er til. Og ingen algoritme kan erstatte dette.

​Hvordan balancerer I fordelene ved automatisering med behovet for gennemsigtighed og tillid blandt grundlæggere og LP’er?

Faktisk er det den modsatte vej – automatisering giver gennemsigtighed, som igen bygger tillid. Med automatisering kan man tydeligt se, hvilke input der blev brugt, og hvordan beslutninger blev truffet. Det gør beslutningsprocessen så gennemsigtig og analyserbar som muligt.

​Set fremad, forestiller du dig en fremtid, hvor de fleste venturefirmaer opererer uden analytikere – og hvis ja, hvad betyder det for den næste generation af VC’er, der kommer ind i branchen?

Den traditionelle rolle som analytiker er i sig selv ineffektiv. Strukturen i sig selv – at have en analytiker, der samler og analyserer data – er tilbøjelig til menneskelige fejl, både i dataindsamling og analyse. At bruge AI gør processen simpelthen mere effektiv, så den gamle rolle bliver unødvendig. Men nye roller opstår. Så da vi fyrede alle vores analytikere, hyrede vi produkter og ingeniører, der håndterer disse opgaver, og den menneskelige dømmekraft forsvinder ikke – den flytter sig bare til andre funktioner. Rollen migrerer til, hvor den tilføjer mest værdi.

Tak for det gode interview, læsere, der er interesseret i at lære mere om denne VC, skal besøge DVC.