Nick Davidov, medgrundare och verkställande partner på DVC – Intervju-serie

Nick Davidov, medgrundare och verkställande partner på DVC, har investerat i över 140 tidiga AI-startups, inklusive Perplexity AI, Etched och Mira Muratis Thinking Machines Lab.

DVC är ett riskkapitalbolag i San Francisco som fokuserar på att stödja tidiga AI-startups och bygga en community-driven ekosystem kring AI-innovation. Bolaget grundades av Marina och Nick Davidov och kombinerar ett aktivt nätverk av grundare, ingenjörer och forskare med proprietära AI-aktiverade arbetsflöden för att stödja företag från första fasen till serie A/B-tillväxt, med investeringar på 100 000-300 000 dollar i den första fasen och 1-3 miljoner dollar i efterföljande omgångar. Modellen betonar hands-on-stöd, djup community-engagemang och användning av AI-verktyg tillsammans med erfarna begränsade partners för att identifiera affärer, genomföra due diligence och hjälpa portföljgrundare att växa – allt i syfte att skapa meningsfull påverkan på AI-startup-landskapet.

DVC har blivit känt för att tänka om riskkapital från grunden. Vilka erfarenheter eller frustrationer inom traditionellt VC inspirerade dig att bygga en modell som körs helt på AI-agenter och community-intelligens?

Främst problem med att skala upp ett riskkapitalbolag. Just nu är den enda vägen att växa bolaget att öka tillgångarna under förvaltning. Vid ett visst tillfälle skiftar din motivation – du drivs inte längre av värderingar utan av förvaltningsavgifter. Och sedan börjar du prioritera utplacering före avkastning, vilket inte är hälsosamt. Så vi försöker hitta ett alternativt sätt att skala ett investeringsbolag horisontellt, inte vertikalt. Och vi försöker också att demokratisera tillgången till VC och bringa in mångfald på detta sätt.

​Du har sagt att DVC “sparkade ut sina analytiker och anställde sina LP”. Kan du förklara hur det systemet fungerar – hur bidrar LP till att identifiera och genomföra due diligence, och vilka verktyg möjliggör det?

Jag börjar med en anekdot här. När nya LP anslöt sig till oss, bad vi dem fylla i en enkät, inklusive frågan: “Är du villig att aktivt hjälpa startups?” En LP – en testingenjör – var nyfiken på att se vilka frågor enkäten skulle visa nästa gång om han valde “Nej”, men ingenting hände. Han var vår 100:e sökande som upptäckte att ett positivt svar var obligatoriskt för den frågan – ingen kunde svara “Nej”. Förvånansvärt nog hade 100 sökande före honom klickat “Ja” och märkt inte det.

Vi byggde ett internt “socialt steg” för våra LP. I DVC kan varje LP få titeln Deal Advisor och sedan växa till Super Advisor, om han eller hon aktivt stöder våra portföljbolag med rekrytering, försäljning, produkt och kontakter, bidrar till startup-tillväxt – och får en andel av carried interest i gengäld. Och om en LP för in en affär, blir han eller hon Deal Captain. Vi gjorde det mycket enkelt för dem att bidra vid varje stadium, och automatiserade de flesta processerna.

Hur automatiserar DVC:s proprietära AI-agenter kärnfunktioner som affärsidentifiering, due diligence och portföljövervakning? Kan du beskriva ett eller två arbetsflöden som har sett den största förändringen?

I DVC är AI ryggraden i en fullständig omprövning av hur ett riskkapitalbolag fungerar. Det hjälper oss att vända den traditionella due diligence-processen upp och ner. Istället för att kontakta grundare först, bygger våra AI-agenter en omfattande affärsrapport och genomför mestadels den preliminära due diligence innan den första kontakten. Detta är möjligt eftersom mycket av den nödvändiga informationen (som företagspresentationer, marknadsdata, konkurrentanalys och värderingsprinciper) är tillgänglig före samtalet, så det finns ingen anledning att slösa bort grundares och investerares tid. Det som tidigare tog en hel dag för en dyr analytiker kan nu göras på några minuter för under 30 cent.

När en startup-presentation träffar systemet – vanligtvis via en LP-intro – parsar AI-materialet, berikar det med externa källor, sorterar data och spottar ut en affärsrapport. Så vi kan fokusera på det som är svårt att automatisera – grundarens motivation, mjuka färdigheter, kultur och teamdynamik.

​Vilka är de mest ovanliga eller förvånansvärda “signalerna” som din AI spårar när du utvärderar tidiga startups? Hur skiljer sig dessa från vad mänskliga analytiker traditionellt letar efter?

Bland de ovanliga och svåra att märka signalerna som vår system spårar är nyliga uppsägningar av nyckelpersonal i startupen. Totalt spårar vår system cirka 120 signaler. En del av dem hjälper oss att förstå startup-tillväxten. Den andra gruppen signaler handlar om startup-teamet. Den tredje kategorin fokuserar på potentiell investerar-konkurrens. Målet här är att förutsäga hur snabbt en grundare kan samla in en omgång, eftersom grundarens nätverk är en betydande faktor.

​Med över 170 LP från företag som OpenAI, Meta och Tesla (TSLA ), hur koordinerar du den här communityn och säkerställer kvalitetsinmatning snarare än brus?

När det bara fanns ett par dussin LP var det möjligt att hantera dem manuellt. Men när deras antal ökade, blev matchningen av rätt expert till rätt startup vid rätt tidpunkt en flaskhals. Så vi utvecklade AI-agenter som fungerar som “super-anslutare”, som minns alla detaljerna om LP:s expertis och nätverk för att föreslå relevanta kontakter för portföljbolag. Detta gör community-aspekten otroligt skalbar.

Och för att säkerställa kvalitet, kontaktar vi alltid grundarna för att få deras feedback. För oss räcker det inte att till exempel bara göra en introduktion till ett potentiellt företag; vi behöver verifiera att det faktiskt fungerade. Över tiden har vi samlat tillräckligt med data för att se vad som verkligen är effektivt.

Fondens tes betonar kärn-AI-infrastruktur och vertikalt fokuserade modellstackar. Vilka segment av AI tror du är mest undervärderade just nu – och varför?

Det finns inga undervärderade segment, bara outvecklade – och de outvecklade segmenten tenderar att vara billigare. Hälsovård, industriella tillämpningar, robotik och byggnadsteknik ligger efter. Det finns många tillämpningar, men deras antagande är hemskt.

​DVC har redan investerat i namn som Perplexity AI och Etched. Hur hjälper ditt AI-system dig att identifiera dessa genombrottsföretag innan de hamnar i mainstream-uppmärksamhet?

De flesta av våra investerare är grundare och ingenjörer som primärt är tidiga användare och antagare av AI-teknologier. Och när de blir besatta av något, för de det in i vår community. Vår AI-stack hanterar förberedelserna. Som partners är det vår uppgift att lyssna på vår intuition. Det är exakt hur vi hamnade med att investera i Perplexity.

När AI omformar riskkapital, vilka aspekter av investerar-intuition, bedömning eller mänsklig kontakt tror du kan aldrig ersättas av algoritmer?

AI-agenter presterar redan bättre än oss på affärsrapporter, forskning och förberedelser. Det de inte kan ersätta är den mänskliga kontakten mellan en grundare och en investerare. Den relationen varar ofta längre än ett genomsnittligt äktenskap. Grundarens väg är komplex, ensam ibland och under hög press. Att ha en mänsklig partner är avgörande – det är vad en investerare verkligen är till för. Och ingen algoritm kan ersätta detta.

​Hur balanserar du fördelarna med automatisering med behovet av transparens och förtroende bland grundare och LP?

Verkligen, det är tvärtom – automatisering tillhandahåller transparens, som i sin tur bygger förtroende. Med automatisering kan du tydligt se vilka indata som användes och hur beslut fattades. Det gör beslutsprocessen så transparent och analyserbar som möjligt.

​Om du ser framåt, ser du en framtid där de flesta riskkapitalbolag opererar utan analytiker – och om så är fallet, vad betyder det för nästa generation av VC som går in i branschen?

Den traditionella rollen som analytiker är inneboende ineffektiv. Strukturen i sig – att ha en analytiker som samlar in och analyserar data – är benägen för mänskliga fel, både i datainsamling och analys. Att använda AI gör bara processen mycket mer effektiv, så den gamla rollen blir onödig. Men nya roller uppstår. Så när vi sparkade ut alla våra analytiker, anställde vi produkter och ingenjörer som hanterar dessa uppgifter, och den mänskliga bedömningen försvinner inte – den flyttar bara till olika funktioner. Rollen migrerar till där den tillför mest värde.

Tack för den underbara intervjun, läsare som är intresserade av att lära sig mer om den här VC bör besöka DVC.