Nick Davidov, Co-founder dan Managing Partner di DVC – Seri Wawancara

Nick Davidov, Co-founder dan Managing Partner di DVC, telah berinvestasi di lebih dari 140 startup AI tahap awal, termasuk Perplexity AI, Etched, dan Thinking Machines Lab milik Mira Murati.

DVC adalah sebuah firma modal ventura yang berbasis di San Francisco, yang fokus pada mendukung startup AI tahap awal dan membangun ekosistem yang dipimpin oleh komunitas di sekitar inovasi AI. Didirikan oleh Marina dan Nick Davidov, firma ini menggabungkan jaringan founder, insinyur, dan peneliti yang aktif dengan alur kerja AI yang dipatenkan untuk mendukung perusahaan dari tahap pra-seed hingga pertumbuhan tahap A/B, dengan investasi $100K–$300K pada tahap awal dan $1M–$3M pada putaran lanjutan. Model ini menekankan dukungan tangan, keterlibatan komunitas yang mendalam, dan penggunaan alat AI bersama dengan mitra terbatas yang berpengalaman untuk mencari kesepakatan, melakukan due diligence, dan membantu founder portofolio tumbuh — semua ini bertujuan untuk menciptakan dampak yang signifikan di lanskap startup AI.

DVC telah dikenal karena merubah venture capital dari awal. Apa pengalaman atau frustrasi di VC tradisional yang menginspirasi Anda untuk membangun model yang berjalan sepenuhnya pada agen AI dan kecerdasan komunitas?

Utamanya, masalah dengan mengembangkan bisnis modal ventura. Saat ini, satu-satunya cara untuk mengembangkan bisnis adalah dengan meningkatkan aset yang dikelola. Pada suatu titik, motivasi Anda berubah — Anda tidak lagi didorong oleh nilai, tetapi oleh biaya manajemen. Dan kemudian Anda mulai memprioritaskan penerapan daripada pengembalian, yang tidak sehat. Jadi kami mencoba menemukan cara alternatif untuk mengembangkan firma investasi secara horizontal, bukan vertikal. Dan juga, kami mencoba untuk mendemokratisasi akses ke VC dan membawa keanekaragaman dengan cara ini.

​Anda telah mengatakan DVC “memecat analis dan merekrut LP-nya.” Bisakah Anda menjelaskan bagaimana sistem ini sebenarnya bekerja — bagaimana LP berkontribusi pada sumber dan due diligence, dan apa alat yang memungkinkan mereka?

Saya akan memulai dengan sebuah anekdot di sini. Ketika LP baru bergabung dengan kami, kami meminta mereka untuk mengisi kuesioner, termasuk pertanyaan: “Apakah Anda mau membantu startup secara aktif?” Salah satu LP — seorang insinyur pengujian — penasaran untuk melihat pertanyaan apa yang akan ditampilkan selanjutnya jika dia memilih “Tidak”, tetapi tidak ada yang terjadi. Dia lebih kurang merupakan aplikasi ke-100 kami, yang membuat kami menemukan bahwa jawaban positif telah diatur sebagai wajib dalam pertanyaan ini — tidak ada yang bisa menjawab “Tidak.” Luar biasa, seratus aplikasi sebelumnya telah mengklik “Ya” dan tidak pernah menyadari.

Kami membangun “tangga sosial” internal untuk LP kami. Di DVC, setiap LP dapat memperoleh gelar sebagai Penasihat Kesepakatan dan kemudian berkembang menjadi Super Penasihat, jika mereka secara aktif mendukung perusahaan portofolio kami dengan perekrutan, penjualan, produk, dan koneksi, berkontribusi pada pertumbuhan startup — dan mendapatkan bagian dari kepentingan yang dibawa. Juga, jika LP membawa kesepakatan kepada kami, mereka menjadi Kapten Kesepakatan. Kami membuatnya sangat mudah bagi mereka untuk berkontribusi pada setiap tahap, dan mengotomatisasi sebagian besar proses.

Bagaimana agen AI milik DVC mengotomatisasi fungsi VC inti seperti sumber kesepakatan, due diligence, dan pemantauan portofolio? Bisakah Anda menjelaskan satu atau dua alur kerja yang telah mengalami transformasi terbesar?

Di DVC, AI adalah tulang punggung dari pemikiran ulang tentang bagaimana sebuah firma ventura beroperasi. Ini membantu kami membalik proses due diligence tradisional. Sebagai gantinya untuk menghubungi pendiri pertama, agen AI kami membangun memo kesepakatan yang komprehensif dan melakukan sebagian besar due diligence awal sebelum kontak awal. Ini memungkinkan karena sebagian besar informasi yang diperlukan (seperti dek perusahaan, data pasar, analisis kompetitor, dan prinsip valuasi) tersedia sebelum panggilan sehingga tidak perlu membuang waktu pendiri dan investor. Apa yang dulunya membutuhkan sehari penuh untuk seorang analis yang mahal sekarang dapat dilakukan dalam beberapa menit dengan biaya kurang dari 30 sen.

Ketika dek startup memasuki sistem — biasanya melalui pengenalan LP — AI memparsir materi, memperkayanya dengan sumber eksternal, mengurutkan data, dan mengeluarkan memo kesepakatan. Jadi kami dapat fokus pada apa yang sulit untuk diotomatisasi — motivasi pendiri, keterampilan lunak, budaya, dan dinamika tim.

​Apa yang paling tidak konvensional atau mengejutkan “sinyal” yang dilacak AI Anda saat mengevaluasi startup tahap awal? Bagaimana sinyal-sinyal ini berbeda dari apa yang diperhatikan analis manusia secara tradisional?

Di antara sinyal yang tidak biasa dan sulit diperhatikan oleh analis manusia, saya akan menandai pemutusan hubungan kerja anggota tim kunci di startup. Secara total, sistem kami melacak sekitar 120 sinyal. Sebagian dari mereka membantu kami memahami traksi startup. Kelompok sinyal kedua tentang tim startup. Kategori ketiga berfokus pada persaingan investor potensial. Tujuan di sini adalah untuk memprediksi seberapa cepat pendiri dapat mengumpulkan putaran, karena jaringan pendiri adalah faktor signifikan.

​Dengan lebih dari 170 LP yang berasal dari perusahaan seperti OpenAI, Meta, dan Tesla (TSLA ), bagaimana Anda mengkoordinasikan komunitas ini dan memastikan input berkualitas daripada kebisingan?

Ketika hanya ada beberapa lusin LP, memungkinkan untuk mengelolanya secara manual. Tetapi ketika jumlah mereka tumbuh, mencocokkan ahli yang tepat dengan startup yang tepat pada waktu yang tepat menjadi bottleneck. Jadi kami mengembangkan agen AI yang bertindak sebagai “super penghubung,” mengingat semua detail tentang keahlian dan jaringan LP untuk menyarankan pengenalan yang relevan untuk perusahaan portofolio. Ini membuat aspek komunitas sangat dapat diskalakan.

Dan untuk memastikan kualitas, kami selalu menghubungi pendiri untuk mendapatkan umpan balik. Bagi kami, ini tidak cukup, misalnya, untuk hanya membuat pengenalan ke perusahaan potensial; kami perlu memverifikasi bahwa itu benar-benar berhasil. Selama waktu, kami telah mengumpulkan cukup data untuk melihat apa yang benar-benar efektif.

Tesis dana ini menekankan infrastruktur AI inti dan tumpukan model yang fokus vertikal. Apa segmen AI yang Anda pikir paling undervalued saat ini — dan mengapa?

Tidak ada segmen yang undervalued, hanya segmen yang belum dikembangkan — dan segmen yang belum dikembangkan cenderung lebih murah. Kesehatan, aplikasi industri, robotika, dan konstruksi tertinggal. Ada banyak aplikasi, tetapi adopsinya buruk.

​DVC telah berinvestasi di nama-nama seperti Perplexity AI dan Etched. Bagaimana sistem AI Anda membantu Anda mengidentifikasi perusahaan breakout sebelum mereka mendapatkan perhatian mainstream?

Sebagian besar investor kami adalah pendiri dan insinyur yang utamanya merupakan pengguna dan pengadopsi awal teknologi AI. Dan ketika mereka menjadi terobsesi dengan sesuatu, mereka membawanya ke komunitas kami. Tumpukan AI kami menangani persiapan. Sebagai mitra, tugas kami adalah mendengarkan intuisi kami. Itulah tepat bagaimana kami berakhir berinvestasi di Perplexity.

Bagaimana AI mengubah venture capital, apa aspek intuisi investor, penilaian, atau koneksi manusia yang Anda percaya tidak dapat digantikan oleh algoritma?

Agen AI sudah outperform kami dalam memo kesepakatan, penelitian, dan pekerjaan persiapan. Apa yang tidak dapat mereka gantikan adalah koneksi manusia-ke-manusia antara pendiri dan investor. Hubungan itu sering kali berlangsung lebih lama dari pernikahan rata-rata. Jalur pendiri kompleks, sunyi terkadang, dan tekanan tinggi. Memiliki mitra manusia sangat penting — itulah yang sebenarnya investor untuk. Dan tidak ada algoritma yang dapat menggantikan ini.

​Bagaimana Anda mengimbangkan kelebihan otomatisasi dengan kebutuhan akan transparansi dan kepercayaan di antara pendiri dan LP?

Sebenarnya, itu sebaliknya — otomatisasi menyediakan transparansi, yang pada gilirannya membangun kepercayaan. Dengan otomatisasi, Anda dapat dengan jelas melihat input mana yang digunakan dan bagaimana keputusan dibuat. Ini membuat proses pengambilan keputusan menjadi transparan dan dapat dianalisis sebanyak mungkin.

​Menghadap ke depan, apakah Anda membayangkan masa depan di mana sebagian besar firma ventura beroperasi tanpa analis — dan jika demikian, apa yang dimaksudkan dengan ini untuk generasi berikutnya dari VC yang memasuki industri?

Peran tradisional analis secara inheren tidak efisien. Struktur itu sendiri — memiliki analis yang mengumpulkan dan menganalisis data — rentan terhadap kesalahan manusia, baik dalam pengumpulan data maupun analisis. Menggunakan AI hanya membuat proses ini jauh lebih efisien, sehingga peran lama menjadi tidak perlu. Namun, peran baru muncul. Jadi ketika kami memecat semua analis kami, kami merekrut produk dan insinyur yang menangani tugas-tugas ini, dan penilaian manusia tidak menghilang — hanya bergeser ke fungsi yang berbeda. Peran bermigrasi ke tempat di mana ia menambah nilai terbanyak.

Terima kasih atas wawancara yang luar biasa, pembaca yang tertarik untuk mempelajari lebih lanjut tentang VC ini harus mengunjungi DVC.