Vad du bör veta om att utvärdera ett AI-startup för investering

Av Salvatore Minetti, VD, Fountech.Ventures

Intresset för deep tech-området har ökat under de senaste åren, särskilt inom investeringsgemenskapen. Och av alla sektorer som opererar inom deep tech-området har artificiell intelligens (AI) blivit en växande marknad att hålla ögonen på.

Enligt data från National Venture Capital Association samlade 1 509 AI-företag i USA alone in 19,98 miljarder dollar 2019. Denna siffra kommer att öka under de kommande åren, även om det kan finnas en kortvarig nedgång på grund av pandemin. Faktum är att AI-startups som lovar att hjälpa oss att övervinna utmaningarna som orsakats av COVID-19 kan mycket väl bränsle för ökad investering i detta område.

För riskkapitalister (VC) som vill göra inledande investeringar i detta område kan det vara svårt att utvärdera AI-startups för investering. Här är några nyckelöverväganden att hålla i åtanke när man letar efter de bästa AI-talangerna att stödja.

Att identifiera riktiga deep tech-teknologier

Det första hindret som många investerare kommer att ställas inför är hur man skiljer på genuint innovativa lösningar och de som bara utger sig för att vara sådana. AI är ett offer för sin egen framgång – många startups försöker stärka sin kommersiella erbjudande och sin attraktivitet inför investerare genom att påstå att de är “drivna av AI” när, i verkligheten, det inte finns någon avancerad användning av tekniken inom deras kärnverksamhet.

Utöver detta problem är det viktigt att investerare håller i åtanke de begränsningar som tidiga företag kommer att möta när de försöker etablera sig på AI-marknaden.

Maskinlärning, offentligt tillgängliga bibliotek, förtränade modeller och API:er har alla bidragit till att sänka inträdesbarriärerna för entreprenörer och startups. Företag som lanserar en produkt med hjälp av dessa verktyg ensam kommer troligen att ha många konkurrenter på kort tid. Detta utgör en risk för investerare.

För att mildra detta bör VCs leta efter startups som innoverar på både vetenskaplig och tillämpningsnivå. Dessa AI-företag kommer att uppfinna ny AI för sina syften och bygga den underliggande infrastrukturen medan de gör det.

Detta innebär att man måste skilja på applikationsnivåföretag, som bara återger tredjeparts-API:er, och de som har intensiv och unik forskning i sin kärna. Verklig deep tech är ny och representerar betydande framsteg jämfört med tekniker som för närvarande används.

De som har liten tidigare erfarenhet inom området kan vara oroliga för sin förmåga att screena AI-företag och avgöra vilka som verkligen driver gränserna för tekniken. Det finns flera sätt att komma runt detta.

För att ha tidig exponering för deep tech och effektivt utvärdera AI-talang kan VCs överväga att bygga ut sin interna tekniska kompetens. I praktiken skulle detta innebära att ha en doktorsexamen på lönelistan för att tillhandahålla lämplig teknisk kompetens. Genom att göra detta skapar investerare kapacitet att screena företag innan det finns en produkt och marknadsdragkraft.

Alternativt kan de leta efter partners för att göra det åt dem. VCs har möjlighet att saminvestera med investerare som redan har in-house-vetenskapsmän och en solid förståelse för deep tech för att bättre välja ut sina investeringar samt tillhandahålla lämpligt tekniskt stöd i de tidiga skedena av deras resa.

Vilka egenskaper och karaktärsdrag ska man leta efter i en grundande team?

Den underliggande tekniken är en kritisk faktor när det gäller att bedöma ett AI-startup. Investerare måste vara säkra på att en produkt verkligen är innovativ, effektivt tillfredsställer ett marknadsbehov och är kommersiellt livskraftig på lång sikt. Som en del av detta kommer arkitekturen bakom lösningen också att behöva beaktas för att säkerställa att den kan hantera ökande datainmatningar och skalas över tid.

För att vara säker på att alla ovanstående punkter är tillgodosedda bör investerare se till att alla kritiska roller är fyllda av personer med bevisad erfarenhet och kunskap inom området. Teamets systemarkitekter, dataingenjörer, dataforskare och DevOps-ingenjörer bör alla kunna visa upp lämpliga kvalifikationer och tidigare erfarenhet inom området.

Utöver de uppenbara tekniska färdigheterna är det viktigt att komma ihåg att AI inte bara handlar om algoritmer och data. Det handlar också om människor. Därför bör VCs uppmärksamma de egenskaper och karaktärsdrag som grundande team visar. Medan det inte finns någon fastställd kriterielista att följa, är här några egenskaper som sannolikt kommer att avgöra framgången för ett AI-äventyr.

Det första är en bra medvetenhet om relativa styrkor och svagheter. En grundare kan till exempel ha en övertygande vision och den erforderliga tekniska kunskapen för att förverkliga den. Som ofta är fallet med unga företag kan grundaren dock sakna den erforderliga affärsförståelsen för att övervinna vanliga hinder.

Ett högpresterande AI-team kommer att kunna visa en vilja att söka hjälp och anställa rätt talang för att fylla eventuella färdighetsgap. Företagets kultur bör också spegla deras driv att innovera: en önskan att söka kritisk feedback från kollegor, kunder och experter kommer att gå långt för att övervinna tekniska och affärsmässiga utmaningar som uppstår under resan och hjälpa team att fokusera på det stora perspektivet.

Det viktigaste, dock, är att ett bra team kommer att visa en positiv attityd: ett avgörande krav för alla äventyr i den konkurrensutsatta AI-rymden. En bestämmelse att göra saker och ting fungera, även när tider är tuffa, kommer att skilja team som har vad som krävs för att skala ett AI-företag, och de som inte gör det.