Nick Davidov, medgrunnlegger og managing partner i DVC – Intervju-serie

Nick Davidov, medgrunnlegger og managing partner i DVC, har investert i over 140 tidlige AI-startups, inkludert Perplexity AI, Etched og Mira Murati’s Thinking Machines Lab.

DVC er et venturekapitalselskap med base i San Francisco, som fokuserer på å støtte tidlige AI-startups og bygge en community-drevet økosystem rundt AI-innovasjon. Grunnlagt av Marina og Nick Davidov, kombinerer selskapet et aktivt nettverk av grunnleggere, ingeniører og forskere med proprietære AI-drevne arbeidsflyter for å støtte selskaper fra pre-seed til Series A/B-vækstfaser, med investeringer på 100 000-300 000 dollar på det tidligste stadiet og 1-3 millioner dollar i følgende runder. Modellen legger vekt på håndtering av støtte, dypt community-engasjement og bruk av AI-verktøy sammen med erfarne limited partners for å finne avtaler, gjennomføre due diligence og hjelpe porteføljegrunnleggere å vokse — alt med mål om å skape meningsfull innvirkning på AI-startup-landskapet.

DVC er blitt kjent for å tenke om venturekapital fra grunnen av. Hva er erfaringer eller frustrasjoner i tradisjonell VC som inspirerte deg til å bygge en modell som kjører helt på AI-agenter og community-intelligens?

Hovedsakelig, problemer med å skalerer et venturekapitalselskap. Nå er den eneste måten å vokse forretningen å øke aksjer under forvaltning. På et visst tidspunkt skifter din motivasjon — du er ikke lenger drevet av verdier, men av forvaltningsgebyrer. Og så begynner du å prioritere deployering over avkastning, som ikke er sunn. Så vi prøver å finne en alternativ måte å skalerer et investeringsselskap horisontalt, ikke vertikalt. Og også, vi prøver å demokratisere tilgangen til VC og bringe inn mangfold på denne måten.

​Du har sagt at DVC “sparket sine analytikere og ansatte sine LP-er.” Kan du forklare hvordan dette systemet faktisk fungerer — hvordan bidrar LP-er til sourcing og due diligence, og hva verktøyene er som muliggjør dette?

Jeg starter med en anekdote her. Når nye LP-er slutter seg til oss, ber vi dem om å fylle ut en spørreskjema, inkludert spørsmålet: “Er du villig til å aktivt hjelpe startups?” En LP — en testingeniør — var nysgjerrig på å se hva spørsmålene skjemaet ville vise neste hvis han valgte “Nei”, men ingenting skjedde. Han var mer eller mindre vår 100. søker, som gjorde oss oppdaget at et positivt svar var satt som obligatorisk i dette spørsmålet — ingen kunne svare “Nei.” Forbausende, hundre søkere før ham hadde klikket “Ja” og merket seg ikke.

Vi bygget en intern “sosial stige” for våre LP-er. I DVC kan hver LP få tittelen Deal Advisor og så vokse inn i en Super Advisor, hvis han eller hun aktivt støtter våre porteføljegrunnleggere med rekruttering, salg, produkt og kontakter, og bidrar til startup-vækst — og får en andel av carried interest i retur. Og hvis en LP bringer oss en avtale, blir han eller hun Deal Captain. Vi gjorde det veldig enkelt for dem å bidra på hver fase, og automatiserte de fleste prosessene.

Hvordan automatiserer DVCs proprietære AI-agenter kjernefunksjoner som deal sourcing, due diligence og porteføljemonitoring? Kan du beskrive ett eller to arbeidsflyter som har sett den største transformasjonen?

I DVC er AI ryggraden i en fullstendig omtenkning av hvordan et venturekapitalselskap opererer. Det hjelper oss å snu den tradisjonelle due diligence-prosessen på hodet. I stedet for å kontakte grunnleggere først, bygger våre AI-agenter en komprehensiv deal-memo og gjennomfører mesteparten av den preliminære due diligence før initial kontakt. Dette er mulig fordi mye av den nødvendige informasjonen (som selskapsdekk, markeddata, konkurranseanalyse og verdi-prinsipper) er tilgjengelig før samtalen, så det er ingen behov for å sløse bort grunnleggeres og investoreres tid. Det som tidligere tok en hel dag for en dyrekjøpt analytiker, kan nå gjøres på minutter for under 30 cent.

Når en startup-dekk treffer systemet — vanligvis via en LP-intro — parser AI-materialet, beriker det med eksterne kilder, sorterer dataene og spytter ut en deal-memo. Så kan vi fokusere på det som er vanskelig å automatisere — grunnleggermotivasjon, myke ferdigheter, kultur og teamdynamikk.

​Hva er de mest uvanlige eller overraskende “signalene” dine AI-spore når de vurderer tidlige startups? Hvordan forsker disse fra hva menneskelige analytikere tradisjonelt søker etter?

Blant de uvanlige og vanskelige å merke seg for menneskelige analytikere signaler, ville jeg flagge nylige oppsigelser av nøkkelteammedlemmer i startupen. Totalt sett sporer vårt system omtrent 120 signaler. En del av dem hjelper oss å forstå startup-traksjonen. Den andre gruppen signaler handler om startup-teamet. Den tredje kategorien er fokusert på potensiell investor-konkurransen. Målet her er å forutsi hvor raskt en grunnlegger kan reise en runde, da grunnleggerens nettverk er en betydelig faktor.

​Med over 170 LP-er fra selskaper som OpenAI, Meta og Tesla (TSLA ), hvordan koordinerer du denne communityen og sikrer kvalitetsinnputt i stedet for støy?

Når det bare var et par dusin LP-er, var det mulig å håndtere dem manuelt. Men da deres antall økte, ble det en flaskehals å matche den riktige eksperten med den riktige startupen på rett tid. Så vi utviklet AI-agenter som fungerer som “super-tilkoblinger”, som husker alle detaljene om LP-ernes ekspertise og nettverk for å foreslå relevante introduksjoner for porteføljegrunnleggere. Dette gjør community-aspektet veldig skalerbart.

Og for å sikre kvalitet, når vi alltid ut til grunnleggerne for å få deres tilbakemelding. For oss er det ikke nok, for eksempel, å bare gjøre en introduksjon til en potensiell bedrift; vi må verifisere at det faktisk fungerte. Over tid har vi samlet inn nok data til å se hva som virkelig er effektivt.

Fondets tese betoner core AI-infrastruktur og vertikalt fokuserte modell-staker. Hva segmenter av AI tror du er mest undervurdert nå — og hvorfor?

Det er ingen undervurderte segmenter, bare underutviklede — og de underutviklede segmentene tenderer å være billigere. Helse, industrielle anvendelser, robotikk og konstruksjon er på bakken. Det er mange anvendelser, men deres adopsjon er forferdelig.

​DVC har allerede investert i navn som Perplexity AI og Etched. Hvordan hjelper din AI-system deg med å identifisere disse gjennombruddselskapene før de treffer mainstream-oppmerksomheten?

De fleste av våre investorer er grunnleggere og ingeniører som primært er tidlige brukere og tilhengere av AI-teknologier. Og når de blir besatt av noe, bringer de det inn i vår community. Vår AI-stakk håndterer forberedelsen. Som partnere er vår jobb å lytte til vår intuition. Det er nettopp hvordan vi endte opp med å investere i Perplexity.

Som AI omformer venturekapital, hva aspekter av investor-intuisjon, dømmekraft eller menneskelig tilknytning tror du kan aldri erstattes av algoritmer?

AI-agenter utkonkurrerer allerede oss på deal-memoer, forskning og forberedelsesarbeid. Hva de ikke kan erstatte, er den menneskelige tilknytningen mellom en grunnlegger og en investor. Denne relasjonen varer ofte lengre enn et gjennomsnittlig ekteskap. Grunnleggerens vei er kompleks, ensomme ganger, og høytrykk. Å ha en menneskelig partner er avgjørende — det er hva en investor virkelig er for. Og ingen algoritme kan erstatte dette.

​Hvordan balanserer du fordelene med automatisering med behovet for transparens og tillit blant grunnleggere og LP-er?

Faktisk er det motsatt — automatisering gir transparens, som igjen bygger tillit. Med automatisering kan du tydelig se hvilke inndata som ble brukt og hvordan beslutninger ble tatt. Det gjør beslutningsprosessen så transparent og analyserbar som mulig.

​Ser du for deg en fremtid hvor de fleste venturekapitalselskaper opererer uten analytikere — og hvis så, hva betyr det for den neste generasjonen av VC-er som går inn i industrien?

Den tradisjonelle rollen til en analytiker er i seg selv ineffektiv. Strukturen i seg selv — å ha en analytiker som samler og analyserer data — er utsatt for menneskelig feil, både i datainnsamling og analyse. Bruk av AI gjør bare prosessen mye mer effektiv, så den gamle rollen blir unødvendig. Men nye roller oppstår. Så når vi sparket alle våre analytikere, ansatte vi produkter og ingeniører som håndterer disse oppgavene, og den menneskelige dømmekraften forsvinner ikke — den flytter bare til andre funksjoner. Rollen migrerer til hvor den adderer mest verdi.

Takk for det flotte intervjuet, lesere som er interesserte i å lære mer om denne VC, bør besøke DVC.