Nick Davidov, Co-Founder und Managing Partner bei DVC – Interview-Serie

Nick Davidov, Co-Founder und Managing Partner bei DVC, hat in über 140 Early-Stage-AI-Startups investiert, darunter Perplexity AI, Etched und Mira Muratis Thinking Machines Lab.

DVC ist eine in San Francisco ansässige Venture-Capital-Firma, die sich auf die Unterstützung von Early-Stage-KI-Startups und den Aufbau einer communitygetriebenen Ökosystem um KI-Innovationen konzentriert. Gegründet von Marina und Nick Davidov, kombiniert die Firma ein aktives Netzwerk von Gründern, Ingenieuren und Forschern mit proprietären KI-gesteuerten Workflows, um Unternehmen von der Vorgründungsphase bis zur Serie-A/B-Wachstumsphase zu unterstützen, mit Investitionen von 100.000 bis 300.000 US-Dollar in der frühesten Phase und 1 bis 3 Millionen US-Dollar in Folgerunden. Ihr Modell betont hands-on-Unterstützung, tiefes Community-Engagement und die Nutzung von KI-Tools neben erfahrenen Limited Partnern, um Deals zu finden, Due Diligence durchzuführen und Portfoliogründern zu helfen, um einen bedeutenden Einfluss auf die KI-Startup-Landschaft zu haben.

DVC hat sich dafür bekannt, Venture Capital von Grund auf neu zu denken. Welche Erfahrungen oder Frustrationen im traditionellen VC haben Sie dazu inspiriert, ein Modell aufzubauen, das vollständig auf KI-Agenten und Community-Intelligenz basiert?

Hauptsächlich Probleme beim Skalieren eines Venture-Capital-Geschäfts. Im Moment ist der einzige Weg, das Geschäft zu vergrößern, die Erhöhung der verwalteten Vermögenswerte. Irgendwann ändert sich Ihre Motivation – Sie sind nicht mehr von Werten getrieben, sondern von Managementgebühren. Und dann priorisieren Sie die Einzahlung gegenüber den Renditen, was nicht gesund ist. Wir versuchen also, eine alternative Möglichkeit zu finden, ein Investment-Unternehmen horizontal und nicht vertikal zu skalieren. Und wir versuchen auch, den Zugang zu VC zu demokratisieren und so Vielfalt zu fördern.

​Sie haben gesagt, DVC habe “seine Analysten entlassen und seine LPs eingestellt”. Können Sie uns erklären, wie dieses System tatsächlich funktioniert – wie tragen LPs zur Deal-Suche und Due Diligence bei, und welche Tools ermöglichen ihnen dies?

Ich beginne mit einer Anekdote. Als neue LPs zu uns stießen, baten wir sie, ein Fragebogen auszufüllen, einschließlich der Frage: “Sind Sie bereit, Startups aktiv zu helfen?” Ein LP – ein Testingenieur – war neugierig, welche Fragen der Fragebogen als Nächstes anzeigen würde, wenn er “Nein” auswählte, aber nichts geschah. Er war unser 100. Bewerber, der uns half, zu entdecken, dass eine positive Antwort auf diese Frage als obligatorisch gesetzt war – niemand konnte “Nein” auswählen. Unglaublich, dass 100 Bewerber vor ihm “Ja” geklickt hatten und nie bemerkt hatten.

Wir bauten eine interne “soziale Leiter” für unsere LPs. Bei DVC kann jeder LP den Titel eines Deal-Advisors erwerben und dann zu einem Super-Advisor aufsteigen, wenn er oder sie unsere Portfoliounternehmen aktiv mit Einstellungen, Verkäufen, Produkten und Verbindungen unterstützt und so zum Wachstum der Startups beiträgt – und im Gegenzug einen Anteil am Carried Interest erhält. Wenn ein LP uns auch ein Deal bringt, wird er oder sie zu einem Deal-Captain. Wir machten es sehr einfach für sie, auf jeder Ebene beizutragen, und automatisierten die meisten Prozesse.

Wie automatisieren DVCs proprietäre KI-Agenten Kernfunktionen von VC wie Deal-Suche, Due Diligence und Portfoliounterstützung? Können Sie ein oder zwei Workflows beschreiben, die die größte Veränderung erfahren haben?

Bei DVC ist KI das Rückgrat einer vollständigen Neukonzeption, wie ein Venture-Unternehmen operiert. Es hilft uns, den traditionellen Due-Diligence-Prozess auf den Kopf zu stellen. Anstatt zuerst die Gründer zu kontaktieren, erstellen unsere KI-Agenten ein umfassendes Deal-Memo und führen die meisten vorläufigen Due-Diligence-Prüfungen durch, bevor der erste Kontakt hergestellt wird. Dies ist möglich, weil viel der notwendigen Informationen (wie Unternehmenspräsentationen, Marktdaten, Wettbewerbsanalysen und Bewertungsprinzipien) vor dem Anruf verfügbar sind, so dass es keinen Grund gibt, die Zeit der Gründer und Investoren zu verschwenden. Was früher einen ganzen Tag für einen teuren Analysten dauerte, kann jetzt in Minuten für unter 30 Cent erledigt werden.

Wenn ein Startup-Deck das System erreicht – normalerweise über eine LP-Einführung – parsen die KI-Agenten die Materialien, bereichern sie mit externen Quellen, sortieren die Daten und spucken ein Deal-Memo aus. So können wir uns auf das konzentrieren, was schwer zu automatisieren ist – die Motivation der Gründer, weiche Fähigkeiten, Kultur und Teamdynamik.

​Was sind die unkonventionellsten oder überraschendsten “Signale”, die Ihre KI bei der Bewertung von Early-Stage-Startups verfolgt? Wie unterscheiden sie sich von dem, was traditionell von menschlichen Analysten gesucht wird?

Unter den ungewöhnlichen und schwer zu bemerkenden Signalen für menschliche Analysten würde ich die recenten Entlassungen von Schlüsselteammitgliedern bei dem Startup nennen. Insgesamt verfolgt unser System etwa 120 Signale. Ein Teil davon hilft uns, das Startup-Potenzial zu verstehen. Die zweite Gruppe von Signalen bezieht sich auf das Startup-Team. Die dritte Kategorie konzentriert sich auf potenzielle Investorenkonkurrenz. Das Ziel hier ist es, vorherzusagen, wie schnell ein Gründer eine Runde aufbringen kann, da das Netzwerk des Gründers ein bedeutender Faktor ist.

​Wie koordinieren Sie mit über 170 LPs aus Unternehmen wie OpenAI, Meta und Tesla (TSLA ) und stellen sicher, dass es qualitativ hochwertige Eingaben und nicht Rauschen gibt?

Als es nur ein paar Dutzend LPs gab, war es möglich, sie manuell zu verwalten. Aber als ihre Zahl wuchs, wurde das Matching des richtigen Experten mit dem richtigen Startup zum richtigen Zeitpunkt zu einem Engpass. Also entwickelten wir KI-Agenten, die als “Super-Connector” agieren, alle Details über die LPs-Expertise und -Netzwerke im Gedächtnis behalten, um relevante Einführungen für unsere Portfoliounternehmen vorzuschlagen. Dies macht den Community-Aspekt unglaublich skalierbar.

Und um Qualität zu gewährleisten, kontaktieren wir immer die Gründer, um ihre Rückmeldung zu erhalten. Für uns reicht es beispielsweise nicht aus, einfach eine Einführung in ein potenzielles Unternehmen zu machen; wir müssen überprüfen, ob es tatsächlich funktioniert hat. Im Laufe der Zeit haben wir genug Daten gesammelt, um zu sehen, was wirklich effektiv ist.

Die These des Fonds betont Kern-KI-Infrastruktur und vertikal fokussierte Modellstapel. Welche Segmente von KI halten Sie derzeit für am wenigsten bewertet – und warum?

Es gibt keine unterbewerteten Segmente, nur unterentwickelte – und die unterentwickelten Segmente neigen dazu, billiger zu sein. Gesundheitswesen, industrielle Anwendungen, Robotik und Bauwesen sind zurückgeblieben. Es gibt viele Anwendungen, aber ihre Akzeptanz ist schrecklich.

​DVC hat bereits in Namen wie Perplexity AI und Etched investiert. Wie hilft Ihr KI-System Ihnen, diese Ausbruch-Unternehmen zu identifizieren, bevor sie in das Blickfeld der Öffentlichkeit geraten?

Die meisten unserer Investoren sind Gründer und Ingenieure, die hauptsächlich frühe Nutzer und Adoptierer von KI-Technologien sind. Und wenn sie sich mit etwas beschäftigen, bringen sie es in unsere Community. Unser KI-Stack übernimmt die Vorbereitung. Als Partner ist es unsere Aufgabe, unserer Intuition zu folgen. Genau so sind wir bei der Investition in Perplexity gelandet.

Wie die KI das Venture-Capital umgestaltet, welche Aspekte von Investitionsintuition, Urteil oder menschlicher Verbindung glauben Sie, dass nie durch Algorithmen ersetzt werden können?

KI-Agenten überbieten uns bereits bei Deal-Memos, Recherche und Vorbereitungsarbeiten. Was sie nicht ersetzen können, ist die menschliche Verbindung zwischen einem Gründer und einem Investor. Diese Beziehung kann oft länger dauern als eine durchschnittliche Ehe. Der Weg des Gründers ist komplex, manchmal einsam und hochdruck. Ein menschlicher Partner ist entscheidend – das ist, wofür ein Investor wirklich da ist. Und kein Algorithmus kann dies ersetzen.

​Wie balancieren Sie die Vorteile der Automatisierung mit der Notwendigkeit von Transparenz und Vertrauen unter Gründern und LPs?

Actually, es ist genau umgekehrt – Automatisierung bietet Transparenz, die wiederum Vertrauen aufbaut. Mit Automatisierung können Sie klar erkennen, welche Eingaben verwendet wurden und wie Entscheidungen getroffen wurden. Es macht den Entscheidungsprozess so transparent und analysierbar wie möglich.

​Blicken Sie in die Zukunft, stellen Sie sich vor, dass die meisten Venture-Firmen ohne Analysten operieren – und wenn ja, was bedeutet das für die nächste Generation von VCs, die in die Branche eintreten?

Die traditionelle Rolle des Analysten ist von Natur aus ineffizient. Die Struktur selbst – die einen Analysten mit der Sammlung und Analyse von Daten beauftragt – ist anfällig für menschliche Fehler, sowohl bei der Datensammlung als auch bei der Analyse. Die Verwendung von KI macht den Prozess einfach effizienter, so dass die alte Rolle überflüssig wird. Es entstehen jedoch neue Rollen. Als wir also alle unsere Analysten entlassen haben, haben wir Produkte und Ingenieure eingestellt, die diese Aufgaben übernehmen, und das menschliche Urteil verschwindet nicht – es verlagert sich nur in andere Funktionen. Die Rolle wandert dorthin, wo sie den meisten Wert hat.

Vielen Dank für das großartige Interview. Leser, die mehr über diesen VC erfahren möchten, sollten DVC besuchen.