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 venturekapital-selskap basert 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 gründere, ingeniører og forskere med proprietære AI-drevne arbeidsflyter for å støtte selskaper fra pre-seed til serie A/B-vekstfaser, med investeringer på 100 000-300 000 dollar i de tidligste fasene og 1-3 millioner dollar i påfølgende 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 porteføljegründere med å vokse — alt med mål om å skape meningsfull innvirkning i AI-startup-landskapet.

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

Primært, problemer med å skalle en venturekapital-forretning. 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 sunnt. Så vi prøver å finne en alternativ måte å skalle et investeringsselskap horisontalt, ikke vertikalt. Og også, vi prøver å demokratisere tilgangen til VC og bringe inn mangfoldighet på denne måten.

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

Jeg starter med en anekdote her. Når nye LP-er slutter seg til oss, ber vi dem om å fylle ut et spørreskjema, inkludert spørsmålet: “Er du villig til å aktivt hjelpe startups?” En LP — en testingeniør — var nysgjerrig på å se hva spørsmålene skulle vise neste hvis han valgte “Nei”, men ingenting skjedde. Han var omtrent vår 100. søker, som gjorde oss oppdage 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 bygde 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 porteføljeforretninger med rekruttering, salg, produkt og kontakter, og bidrar til startup-vækst — og får en del 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 i VC 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 venture-selskap opererer. Det hjelper oss å snu den tradisjonelle due diligence-prosessen på hodet. I stedet for å kontakte gründere først, bygger våre AI-agenter en omfattende 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 gründere og investorer. Hva som tidligere tok en hel dag for en dyrekjøpt analytiker, kan nå gjøres på minutter for under 30 cent.

Når en startup-deck 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 hva som er vanskelig å automatisere — gründermotivasjon, myke ferdigheter, kultur og teamdynamikk.

​Hva er de mest uvanlige eller overraskende “signalene” din AI sporer når du 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 jeg ville peke på nylige oppsigelser av nøkkelteammedlemmer i startupen. Totalt sett sporer vårt system omtrent 120 signaler. En del av dem hjelper oss å forstå startup-traction. Den andre gruppen signaler er om startup-teamet. Den tredje kategorien er fokusert på potensiell investor-konkurransen. Målet her er å forutsi hvor raskt en gründer kan reise en runde, ettersom gründerens nettverk er en betydelig faktor.

​Med over 170 LP-er fra selskaper som OpenAI, Meta og Tesla, 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 når deres antall økte, ble å matche den riktige eksperten til den riktige startupen på riktig tid en flaskehals. 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 porteføljeforretningene. Dette gjør community-aspektet usedvanlig skalerbart.

Og for å sikre kvalitet, når vi alltid ut til gründerne for å få deres tilbakemelding. For oss er det ikke nok, for eksempel, å bare gjøre en introduksjon til en potensiell forretning; 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 kjerne-AI-infrastruktur og vertikalt fokusert modell-stacker. 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 bygging er på etterplan. 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 gjennombrudds-selskapene før de treffer mainstream-oppmerksomheten?

De fleste av våre investorer er gründere 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, vår jobb er å lytte til vår intuition. Det er nettopp hvordan vi endte opp med å investere i Perplexity.

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

AI-agenter utfører allerede bedre enn oss på deal-memoer, forskning og forberedelsesarbeid. Hva de ikke kan erstatte, er den menneskelige tilknytningen mellom en gründer og en investor. Denne relasjonen varer ofte lengre enn et gjennomsnittlig ekteskap. Gründerens vei er kompleks, ensomme gang på gang, 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 åpenhet og tillit blant gründere og LP-er?

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

​Ser du frem til en fremtid hvor de fleste venture-selskaper opererer uten analytikere — og hvis så, hva betyr det for den neste generasjonen av VCs som går inn i industrien?

Den tradisjonelle rollen til 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. Å bruke AI gjør bare prosessen mye mer effektiv, så den gamle rollen blir unødvendig. Imidlertid oppstår nye roller. Så når vi sparket ut alle våre analytikere, ansatte vi produkter og ingeniører som håndterer disse oppgavene, og den menneskelige dømmekraften forsvinner ikke — den flytter seg bare til hvor den legger mest verdi. Rollen migrerer til hvor den legger mest verdi.