Nick Davidov, mede-oprichter en managing partner bij DVC – Interviewreeks

Nick Davidov, mede-oprichter en managing partner bij DVC, heeft in meer dan 140 vroege AI-startups geïnvesteerd, waaronder Perplexity AI, Etched en Mira Murati’s Thinking Machines Lab.

DVC is een in San Francisco gevestigd venture capital-bedrijf dat zich richt op het ondersteunen van vroege AI-startups en het opbouwen van een community-gedreven ecosysteem rond AI-innovatie. Opgericht door Marina en Nick Davidov, combineert het bedrijf een actief netwerk van oprichters, ingenieurs en onderzoekers met propriëtaire AI-gestuurde workflows om bedrijven te ondersteunen vanaf het pre-seed-stadium tot het Series A/B-groei-stadium, met investeringen van $100K–$300K in het vroegste stadium en $1M–$3M in follow-up ronden. Het model benadrukt hands-on ondersteuning, diepe community-betrokkenheid en het gebruik van AI-hulpmiddelen naast ervaren beperkte partners om deals te vinden, due diligence uit te voeren en portfolio-oprichters te helpen groeien — alles met als doel een significante impact te creëren in het AI-startup-landschap.

DVC is bekend geworden door venture capital vanaf de eerste beginselen te heroverwegen. Welke ervaringen of frustraties in traditionele VC hebben u ertoe gebracht om een model te bouwen dat volledig draait op AI-agents en community-intelligentie?

Voornamelijk problemen met het schalen van een venture capital-bedrijf. Op dit moment is de enige manier om het bedrijf te laten groeien door het verhogen van de assets under management. Op een gegeven moment verschuift uw motivatie — u wordt niet langer gedreven door waarden, maar door managementkosten. En dan gaat u prioriteit geven aan inzetten boven rendementen, wat niet gezond is. Dus we proberen een alternatieve manier te vinden om een investeringsbedrijf horizontaal te schalen, niet verticaal. En we proberen ook om toegang tot VC te democratiseren en diversiteit op deze manier te brengen.

​U hebt gezegd dat DVC “zijn analisten heeft ontslagen en zijn LP’s heeft aangenomen.” Kunt u ons door het systeem heen loodsen — hoe dragen LP’s bij aan sourcing en due diligence, en welke tools empoweren hen?

Ik zal beginnen met een anekdote. Toen nieuwe LP’s zich bij ons aansloten, vroegen we hen om een vragenlijst in te vullen, inclusief de vraag: “Bent u bereid om actief te helpen bij startups?” Een LP — een testengineer — was nieuwsgierig om te zien welke vragen de vragenlijst zou laten zien als hij “Nee” zou selecteren, maar er gebeurde niets. Hij was ongeveer onze 100e aanvrager, die ons deed ontdekken dat een positief antwoord verplicht was voor deze vraag — niemand kon “Nee” antwoorden. Honderd aanvragers voor hem hadden “Ja” geklikt en nooit gemerkt.

We hebben een interne “sociale ladder” voor onze LP’s gebouwd. In DVC kan elke LP de titel van Deal Advisor krijgen en vervolgens groeien naar Super Advisor, als hij of zij actief onze portfoliobedrijven ondersteunt met werving, verkoop, product en connecties, bijdragend aan startup-groei — en een deel van het carried interest ontvangt als beloning. Ook, als een LP ons een deal brengt, wordt hij of zij Deal Captain. We hebben het heel gemakkelijk gemaakt voor hen om bij te dragen op elk moment, en hebben de meeste processen geautomatiseerd.

Hoe automatiseren DVC’s propriëtaire AI-agents de kernfuncties van VC, zoals deal sourcing, due diligence en portfoliobewaking? Kunt u een of twee workflows beschrijven die de grootste transformatie hebben ondergaan?

Bij DVC is AI de ruggengraat van een complete heroverweging van hoe een venturebedrijf werkt. Het helpt ons om het traditionele due diligence-proces op zijn kop te zetten. In plaats van eerst contact op te nemen met oprichters, bouwen onze AI-agents een uitgebreid deal-memo en voeren ze het grootste deel van de voorlopige due diligence uit voordat er contact wordt opgenomen. Dit is mogelijk omdat veel van de benodigde informatie (zoals bedrijfsdecks, marktgegevens, concurrerende analyses en waarderingsprincipes) beschikbaar is voordat de oproep plaatsvindt, zodat er geen behoefte is om de tijd van oprichters en investeerders te verspillen. Wat eerder een hele dag voor een dure analist kostte, kan nu in enkele minuten worden gedaan voor minder dan 30 cent.

Wanneer een startup-deck het systeem bereikt — meestal via een LP-intro — parseert AI de materialen, verrijkt ze met externe bronnen, sorteert de gegevens en produceert een deal-memo. Zo kunnen we ons concentreren op wat moeilijk te automatiseren is — de motivatie van de oprichter, zachte vaardigheden, cultuur en teamdynamiek.

​Wat zijn de meest onconventionele of verrassende “signalen” die uw AI bij de evaluatie van vroege startups volgt? Hoe verschillen deze van wat menselijke analisten traditioneel zoeken?

Onder de ongebruikelijke en moeilijk te zien signalen voor menselijke analisten, zou ik recente ontslagen van sleutelleden van het startup-team noemen. In totaal volgt ons systeem ongeveer 120 signalen. Een deel hiervan helpt ons om de startup-traction te begrijpen. De tweede groep signalen gaat over het startup-team. De derde categorie is gericht op potentiële investeerdersconcurrentie. Het doel hier is om te voorspellen hoe snel een oprichter een ronde kan ophalen, omdat het netwerk van de oprichter een significante factor is.

​Met meer dan 170 LP’s van bedrijven als OpenAI, Meta en Tesla (TSLA ), hoe coördineert u deze community en zorgt u voor kwaliteitsinput in plaats van ruis?

Toen er nog maar een paar dozijn LP’s waren, was het mogelijk om ze handmatig te beheren. Maar toen hun aantal groeide, werd het vinden van de juiste expert voor de juiste startup op het juiste moment een bottleneck. Dus we ontwikkelden AI-agents die fungeerden als “super connectors”, die alle details over de expertise en netwerken van LP’s onthielden om relevante introducties voor onze portfoliobedrijven voor te stellen. Dit maakt de community-aspect enorm schaalbaar.

En om kwaliteit te waarborgen, nemen we altijd contact op met de oprichters om hun feedback te krijgen. Voor ons is het bijvoorbeeld niet genoeg om alleen een introductie te maken bij een potentieel bedrijf; we moeten verifiëren dat het daadwerkelijk werkte. In de loop van de tijd hebben we genoeg gegevens verzameld om te zien wat echt effectief is.

Het fondsbenadering van DVC benadrukt core AI-infrastructuur en verticaal gefocuste model-stacks. Welke segmenten van AI denkt u dat het meest onderschat zijn op dit moment — en waarom?

Er zijn geen onderschatte segmenten, alleen onderontwikkelde segmenten — en de onderontwikkelde segmenten zijn meestal goedkoper. Gezondheidszorg, industriële toepassingen, robotica en bouw lopen achter. Er zijn veel toepassingen, maar de adoptie is verschrikkelijk.

​DVC heeft al in namen zoals Perplexity AI en Etched geïnvesteerd. Hoe helpt uw AI-systeem u om deze doorbraakbedrijven te identificeren voordat ze mainstream-aandacht krijgen?

De meeste van onze investeerders zijn oprichters en ingenieurs die voornamelijk vroege gebruikers en adoptanten van AI-technologieën zijn. En wanneer ze geobsedeerd raken door iets, brengen ze het naar onze community. Onze AI-stack behandelt de voorbereiding. Als partners is onze taak om naar onze intuïtie te luisteren. Dat is precies hoe we uiteindelijk in Perplexity hebben geïnvesteerd.

Terwijl AI venture capital vormgeeft, welke aspecten van investeerdersintuïtie, oordeel of menselijke verbinding denkt u dat nooit door algoritmes kunnen worden vervangen?

AI-agents presteren al beter dan wij bij deal-memos, onderzoek en voorbereidingswerk. Wat ze niet kunnen vervangen, is de menselijke verbinding tussen een oprichter en een investeerder. Die relatie duurt vaak langer dan een gemiddeld huwelijk. De weg van de oprichter is complex, soms eenzaam en onder grote druk. Het hebben van een menselijke partner is cruciaal — dat is waar een investeerder echt voor is. En geen enkel algoritme kan dit vervangen.

​Hoe balanceert u de voordelen van automatisering met de behoefte aan transparantie en vertrouwen onder oprichters en LP’s?

Eigenlijk is het andersom — automatisering biedt transparantie, die op zijn beurt vertrouwen opbouwt. Met automatisering kunt u duidelijk zien welke inputs zijn gebruikt en hoe beslissingen zijn genomen. Het maakt het beslissingsproces zo transparant en analytisch mogelijk.

​Kijkt u vooruit naar een toekomst waarin de meeste venturebedrijven zonder analisten opereren — en zo ja, wat betekent dit voor de volgende generatie VC’s die de industrie binnenkomen?

De traditionele rol van de analist is inherent inefficiënt. De structuur zelf — een analist die gegevens verzamelt en analyseert — is vatbaar voor menselijke fouten, zowel in gegevensverzameling als in analyse. Het gebruik van AI maakt het proces gewoon veel efficiënter, zodat de oude rol overbodig wordt. Echter, nieuwe rollen ontstaan. Dus toen we al onze analisten ontsloegen, huurden we producten en ingenieurs in die deze taken uitvoeren, en het menselijke oordeel verdwijnt niet — het verschuift alleen naar andere functies. De rol migreert naar waar het de meeste waarde toevoegt.

Bedankt voor het geweldige interview, lezers die meer willen leren over deze VC moeten DVC bezoeken.