玛丽娜·大卫诺娃（Marina Davidova）是大卫诺夫斯风险投资集体（Davidovs Venture Collective，简称DVC）的联合创始人和管理合伙人，DVC是一家由社区驱动和人工智能驱动的风险投资基金。DVC的集体专业知识和内部开发的自动化人工智能工作流有助于寻找交易机会，加速尽职调查，并积极支持投资组合公司。之前，玛丽娜联合创立并担任樱桃实验室（Cherry Labs）的首席运营官，樱桃实验室是一家人工智能相机初创公司，并通过加加林资本投资早期人工智能项目。
在 DVC，我们已经花了十年时间近距离观察人工智能市场——支持公司并与投资组合公司的创始人密切合作。今年，我们决定与世界分享我们建立的框架。这就是 人工智能报告 的诞生：一个活跃的、不断更新的分析，涵盖从硅和能源到基础模型和应用的每一层。我们使用人工智能更新它，并亲自审查——因为在一个移动如此快速的市场中，静态的年度快照在发布时已经过时。以下是五个发现，创始人和投资者都应该关注。1. 规模的规则已经被重写在技术史上，五人团队经常挑战100亿美元的公司并获胜，扰乱他们的商业模式，并将市场扩展到500亿美元。Perplexity 在一个月内将收入增加了50%，达到3亿美元。Higgsfield 在一年内从零增长到3亿美元。Cursor 在2025年6月达到5亿美元收入，到秋季达到10亿美元，到2026年2月达到20亿美元。他们没有建造自己的工厂。他们在应用层竞争，扩大了十倍的市场，而基础设施在他们下面扩展。2. SaaS 模式在这里不适用传统的 SaaS 估值基于一个前提：70-80% 的利润率，当业务扩大时会复合。人工智能公司 不是这样工作。即使是最好的公司也要支付我们所谓的 “推理税” —— 每一美元中有 40 到 60 美分用于计算、基础模型、云、硅和能源。OpenAI 在 2025 年上半年的毛利率约为 42%。Anthropic 约为...
AI时代充满了希望，每家公司都在报告他们如何通过AI提高效率。作为一位在多家AI创业公司担任运营负责人，并现在管理一家拥有120多家投资公司的AI风险投资基金的人，我看到了一幅不同的图景。大量有用的AI工具和自动化被购买、集成和引入，但效果甚微。根据最近的一份麦肯锡报告，近70%的AI转型失败。问题在于，如果你将最好的AI工具引入一个混乱的人工流程中，你只会得到一个混乱的流程，它现在也在产生幻觉和失去上下文。我们的投资者最近分享了他们公司引入AI代理到其中一个运营流程，并进行了一项研究，以查看他们获得了多少效率。结果令人震惊——他们的员工在以前手动完成的任务上节省了大量时间，但却花费了相同的时间尝试修复AI造成的错误。毫无疑问，自动化是由IT部门引入的，而运营团队被排除在外。让我们讨论如何让COO真正利用AI来改善运营。在DVC，我们不仅投资AI创业公司，我们也是几乎每项新技术的早期采用者。我们构建自己的代理，并使用我们的投资公司的产品在每个方面的风险投资工作中——从寻找和评估交易，协助投资组合创始人，到构建工具让我们的LP能够查看天使投资机会。我们的成功来自于应用一个非常枯燥，但非常有用的框架。在任何AI部署之前，我们都会问这四个问题：1. 是否有明确的规则？该流程是否可以通过特定的指南来定义？如果是，则它是一个非常适合自动化的候选者。法律工作流程、会计规则、结构化入职？完美。这些是输出遵循规则的系统。AI在这里茁壮成长。但是，如果您的流程本质上是创造性的——例如品牌故事或战略设计——那么完全的自治性就不会起作用，流程必须被设计为与人一起使用。 在品牌营销中，打破规则通常会添加价值。不要将其外包给代理。2. 该流程是否有单一的真相来源？如果您的CRM说了一件事，您的订单跟踪器说另一件事，而真正的更新存在于某个人的个人电子表格中——暂停。AI系统的好坏取决于您输入的数据质量。创建单一的真相来源并消除数据或知识孤岛是高效流程设计的金标准，对于代理AI来说，这比以往任何时候都更加重要。当所有客户接触点和历史记录都记录在统一数据库中时，AI可以自动化后续跟进，推荐下一步骤，并生成准确的报告。甚至可以提供语音客户支持或安排客户预约。我们经常看到创业公司成功地出售带有内置真相来源的解决方案，特别是当他们向小型企业出售时，例如Avoca AI，一个集成内置CRM的电工电话助理，确保所有客户数据和交互都是集中式和最新的。3. 是否有丰富的数据历史？每个操作是否都记录了决策的例子？AI从您的历史数据中的模式中学习。没有日志，就没有学习。 如果您的系统不记录发生了什么事情以及为什么发生，那么它就无法生成模式。它无法改进。您将浪费钱。但是，即使您记录每个客户电话，并使用AI进行转录并将其存储在文件夹中，它可能仍然不够。与此合作的代理应配置为将此非结构化数据转换为总结和结构化的数据，甚至可能转换为图表，以便更好地理解关系，否则它将迅速超过他们的注意力。想象您是一名员工，每次上班都会清空记忆。您可以以超人的速度读写，但您必须盯着兆字节的对话日志和聊天记录，试图弄清楚公司做什么以及经理要求您做什么。那就是没有良好数据库的AI代理的“感受”。最好的团队不仅仅收集数据——他们还会将其结构化和版本化，以便于未来。这样就形成了学习循环。这样，AI就会变得更智能，即使不需要进行任何模型训练。在医疗保健领域，Collectly将这一原则应用于大规模：使用多年来注释的账单、付款和患者交互数据，他们优化了医疗账单和收入循环管理。他们的AI从历史结果中学习，以减少错误和加快收集速度。4. 您的技术栈是否为AI做好准备？AI是否可以真正连接到您的系统和工具，还是您被困在1988年的内部门户中，几乎无法加载？我们曾经看到内部运营工具过时，以至于无法生成结构化输出——更不用说与API接口。 在这种情况下，通常更快、更有效的方法是从头开始重建系统，而不是强行将AI引入遗留的基础设施中。 如果AI代理可以使用MCP或结构化和记录的API，那么它总是比通过图像识别来确定哪个按钮按下更好（更便宜）。AI正在成为基础设施。就像20世纪初的电力一样，其潜力只有在您重新设计工厂时才会解锁，而不是仅仅安装灯泡。不要改造。重新构想。当然，很多以前需要花费100万美元开发的内部工具现在可以由您的工程师在午餐时间内使用vibe coding从头开始构建。首要原则时间。现在最有趣的部分。让我们假设我们已经设计了一个理想的流程——它将被规则定义，具有单一的真相来源，并以结构化的方式收集数据以自我改进。我们甚至说服我们的工程师在午餐时间内使用vibe coding构建一套新的内部工具。让我们再次看看这个流程。由于自动化，它可能已经变得非常廉价。尝试思考一下，当成本大幅降低时，您的业务会发生什么变化。尝试从更广泛的角度看待这个流程如何与其他流程共存，如果它们也以同样的方式改进。也许是时候重新构想整个流程，以AI为中心。很多时候，从第一原则思考您的业务运营可能会带来意想不到的机会。例如，在DVC，我们自动化了交易分析、尽职调查和交易备忘录的准备，有效地将6个人/小时缩短为3分钟的AI工作。传统上，风险投资公司只会在与创始人交谈并确认该交易值得花费6个人/小时之后才会进行所有这些工作，并且公司只有有限数量的分析师。现在，由于这对我们来说变得如此廉价，我们在与创始人交谈之前分析市场、准备交易备忘录，甚至进行尽职调查。这使我们能够只与我们知道可以和愿意投资的公司进行交谈，节省了我们合作伙伴和创始人的时间。但我们可以更进一步。由于我们有效地拥有无限的分析师，我们可以将这些工具移至我们的投资者和猎头，他们将新的交易机会推荐给我们，这样他们就可以节省时间，通过专业的风险投资分析师的视角分析每个交易，并减少我们需要审查交易后拒绝的次数。我们仍然收集所有数据，因为我们可以使用它来学习和改进我们的工具。这使我们能够比典型的同规模的风险投资公司高效8倍。我们并不是偶然实现这一点的。我们绘制了内部运营流程，应用了这四个问题，并从第一原则重新构建。这个框架帮助创业公司领导者和COO转变他们的思维方式：从“我们可以在这里使用AI吗？”——一个技术可能性问题——到“我们应该吗？”——这迫使他们更深入地审视战略价值、数据准备就绪和长期可维护性。它是将工具插入到现有的流程中，因为它们可用和重新设计流程，因为这是正确的事情之间的区别。
