Nick Davidov, Co-fondatore e Managing Partner di DVC – Serie di interviste

Nick Davidov, Co-fondatore e Managing Partner di DVC, ha investito in oltre 140 startup di prima fase di intelligenza artificiale, tra cui Perplexity AI, Etched e il laboratorio Thinking Machines di Mira Murati.

DVC è una società di venture capital con sede a San Francisco che si concentra sul sostegno a startup di intelligenza artificiale in fase di prima crescita e sulla costruzione di un ecosistema guidato dalla comunità intorno all’innovazione dell’AI. Fondata da Marina e Nick Davidov, la società combina una rete attiva di fondatori, ingegneri e ricercatori con flussi di lavoro abilitati da AI di proprietà per sostenere le aziende dalla fase di pre-seed alla crescita della serie A/B, investendo 100.000-300.000 dollari nella fase più precoce e 1-3 milioni di dollari nei round di follow-on. Il modello si concentra sul sostegno attivo, sull’impegno comunitario profondo e sull’utilizzo di strumenti AI insieme a soci limitati esperti per individuare accordi, condurre la due diligence e aiutare i fondatori del portafoglio a crescere — tutto finalizzato a creare un impatto significativo nel panorama delle startup di AI.

DVC è diventata nota per ripensare il venture capital dalle basi. Quali esperienze o frustrazioni nel VC tradizionale ti hanno ispirato a costruire un modello che funziona interamente con agenti AI e intelligenza della comunità?

In primo luogo, i problemi legati alla scalabilità di un’attività di venture capital. Al momento, l’unico modo per far crescere l’attività è aumentare gli asset under management. A un certo punto, la tua motivazione cambia — non sei più guidato da valori, ma da commissioni di gestione. E poi inizi a dare priorità alla distribuzione rispetto ai rendimenti, il che non è sano. Quindi stiamo cercando un modo alternativo per far crescere un’azienda di investimenti in modo orizzontale, non verticale. E inoltre, stiamo cercando di democratizzare l’accesso al VC e di portare diversità in questo modo.

​Hai detto che DVC “ha licenziato i suoi analisti e ha assunto i suoi LP”. Puoi spiegarci come funziona questo sistema — come contribuiscono gli LP al sourcing e alla due diligence, e quali strumenti li abilitano?

Inizierò con un aneddoto. Quando nuovi LP si uniscono a noi, chiediamo loro di compilare un questionario, che include la domanda: “Sei disposto ad aiutare attivamente le startup?” Un LP — un ingegnere di test — era curioso di vedere quali domande il questionario avrebbe mostrato se avesse selezionato “No”, ma non è successo nulla. Era più o meno il nostro centesimo richiedente, che ci ha fatto scoprire che una risposta positiva era impostata come obbligatoria in questa domanda — nessuno poteva rispondere “No”. Sorprendentemente, cento richiedenti prima di lui avevano cliccato “Sì” e non avevano notato nulla.

Abbiamo costruito una “scala sociale” interna per i nostri LP. In DVC, ogni LP può ottenere il titolo di Consulente di accordi e poi crescere in Super Consulente, se sostiene attivamente le nostre aziende del portafoglio con assunzioni, vendite, prodotti e collegamenti, contribuendo alla crescita delle startup — e ricevendo una quota di interessi portati in return. Inoltre, se un LP ci porta un accordo, diventa un Capitano di accordi. Abbiamo reso molto facile per loro contribuire in ogni fase e abbiamo automatizzato la maggior parte dei processi.

Come gli agenti AI proprietari di DVC automatizzano le funzioni di base del VC come il sourcing di accordi, la due diligence e il monitoraggio del portafoglio? Potresti descrivere uno o due flussi di lavoro che hanno visto la trasformazione più grande?

In DVC, l’AI è la spina dorsale di un ripensamento completo di come opera una società di venture. Aiuta a capovolgere il processo di due diligence tradizionale. Invece di contattare i fondatori per primi, i nostri agenti AI creano una nota di accordo completa e conducono la maggior parte della due diligence preliminare prima del contatto iniziale. Ciò è possibile perché gran parte delle informazioni necessarie (come i deck delle aziende, i dati di mercato, l’analisi dei concorrenti e i principi di valutazione) sono disponibili prima della chiamata, quindi non c’è bisogno di sprecare il tempo dei fondatori e degli investitori. Ciò che una volta richiedeva una giornata intera per un analista costoso può ora essere fatto in pochi minuti per meno di 30 centesimi.

Quando un deck di startup entra nel sistema — di solito tramite un’introduzione LP — l’AI analizza i materiali, li arricchisce con fonti esterne, ordina i dati e produce una nota di accordo. Quindi possiamo concentrarci su ciò che è difficile da automatizzare — la motivazione del fondatore, le competenze morbide, la cultura e la dinamica di squadra.

​Quali sono i segnali più unconventionali o sorprendenti che il tuo AI traccia quando valuta le startup di prima fase? Come differiscono da ciò che gli analisti umani tradizionalmente cercano?

Tra i segnali insoliti e difficili da notare dagli analisti umani, segnalerei i licenziamenti recenti di membri chiave del team di startup. In totale, il nostro sistema traccia circa 120 segnali. Parte di essi ci aiuta a capire la trazione della startup. Il secondo gruppo di segnali riguarda il team della startup. La terza categoria si concentra sulla competizione potenziale degli investitori. L’obiettivo qui è prevedere quanto velocemente un fondatore possa raccogliere un round, poiché la rete del fondatore è un fattore significativo.

​Con oltre 170 LP provenienti da aziende come OpenAI, Meta e Tesla (TSLA ), come coordini questa comunità e assicuri input di qualità invece del rumore?

Quando c’erano solo un paio di dozzine di LP, era possibile gestirli manualmente. Ma mentre il loro numero cresceva, abbinare l’esperto giusto alla startup giusta al momento giusto è diventato un collo di bottiglia. Quindi abbiamo sviluppato agenti AI che agiscono come “super connettori”, ricordando tutti i dettagli sui LP e le loro reti per suggerire introduzioni rilevanti per le aziende del portafoglio. Ciò rende l’aspetto comunitario incredibilmente scalabile.

E per assicurare la qualità, ci rivolgiamo sempre ai fondatori per ottenere il loro feedback. Per noi non è sufficiente, ad esempio, fare un’introduzione a una potenziale azienda; dobbiamo verificare che abbia effettivamente funzionato. Nel tempo, abbiamo raccolto abbastanza dati per vedere cosa funziona veramente.

La tesi del fondo enfatizza l’infrastruttura di base dell’AI e gli stack di modelli verticalmente focalizzati. Quali segmenti dell’AI pensi siano più sottostimati al momento — e perché?

Non ci sono segmenti sottostimati, solo segmenti sottosviluppati — e i segmenti sottosviluppati tendono a essere più economici. Sanità, applicazioni industriali, robotica e costruzione sono in ritardo. Ci sono molte applicazioni, ma la loro adozione è orribile.

​DVC ha già investito in nomi come Perplexity AI e Etched. Come il tuo sistema AI aiuta a identificare queste aziende di successo prima che attirino l’attenzione mainstream?

La maggior parte dei nostri investitori sono fondatori e ingegneri che sono principalmente primi utenti e adottanti di tecnologie AI. E quando diventano ossessionati da qualcosa, lo portano nella nostra comunità. Il nostro stack AI gestisce la preparazione. Come partner, il nostro lavoro è ascoltare la nostra intuizione. È esattamente così che siamo finiti per investire in Perplexity.

Man mano che l’AI ridisegna il venture capital, quali aspetti dell’intuizione dell’investitore, del giudizio o della connessione umana ritieni che non possano mai essere sostituiti dagli algoritmi?

Gli agenti AI già superano noi nella creazione di note di accordo, ricerca e lavoro di preparazione. Ciò che non possono sostituire è la connessione umana tra un fondatore e un investitore. Quella relazione spesso dura più a lungo di un matrimonio medio. Il percorso del fondatore è complesso, a volte solitario e ad alta pressione. Avere un partner umano è cruciale — è ciò per cui un investitore è veramente. E nessun algoritmo può sostituire questo.

​Come bilanci i vantaggi dell’automazione con la necessità di trasparenza e fiducia tra fondatori e LP?

In realtà, è il contrario — l’automazione fornisce trasparenza, che a sua volta costruisce fiducia. Con l’automazione, puoi chiaramente vedere quali input sono stati utilizzati e come sono state prese le decisioni. Ciò rende il processo decisionale il più trasparente e analizzabile possibile.

​Guardando avanti, immagini un futuro in cui la maggior parte delle società di venture opera senza analisti — e se sì, cosa significa per la prossima generazione di VC che entra nell’industria?

Il ruolo tradizionale dell’analista è intrinsecamente inefficiente. La struttura stessa — avere un analista che raccoglie e analizza i dati — è propensa a errori umani, sia nella raccolta dei dati che nell’analisi. Utilizzare l’AI rende semplicemente il processo molto più efficiente, quindi il vecchio ruolo diventa inutile. Tuttavia, emergono nuovi ruoli. Quindi, quando abbiamo licenziato tutti i nostri analisti, abbiamo assunto prodotti e ingegneri che gestiscono questi compiti, e il giudizio umano non scompare — si sposta solo in funzioni diverse. Il ruolo migra dove aggiunge più valore.

Grazie per la grande intervista, i lettori che sono interessati a saperne di più su questo VC possono visitare DVC.