Inwestor nie da złamanej złotówki za Twoją sztuczna inteligencje, jeśli nie masz tych trzech elementów

Dodane:

Arek Skuza Arek Skuza

Inwestor nie da złamanej złotówki za Twoją sztuczna inteligencje, jeśli nie masz tych trzech elementów

Udostępnij:

Wyzwanie związane z wyceną startupów technologicznych, które opierają się o sztuczną inteligencję (SI), wynika z braku informacji historycznych w porównaniu z danymi dostępnymi w odniesieniu do tradycyjnych technologii.

Sztuczna inteligencja ciągle się rozwija i nie jest pewne czy będzie szansą, zagrożeniem a może jednym i drugim. Z jednej strony mamy już gotowe do skalowania rozwiązania, jak choćby GPT-3 od firmy OpenAi należącej do Elona Muska z drugiej strony wiele rozwiązań jest w fazach badawczych, jak choćby technologia rozpoznawania COVID19 poprzez analizę głosu zakażonej osoby.

Na marginesie samo GPT-3 pomogło startupowi OthersideAI pozyskać niespełna 3 miliony dolarów. To jedna z pierwszych tego typu inwestycji, gdzie startup buduje swoją technologię w oparciu o gotowe rozwiązanie w obszarze sztucznej inteligencji. Jeśli interesujesz się amerykańskimi startupami zachęcam Cię do subskrybcji BTU, www.businesstechusa.com. Dzięki BTU nie przeoczysz żadnej ważnej informacji ze świata sztucznej inteligencji i startupów.

Więc na co zerka fundusz wysokiego ryzyka?

Oczywiście VC interesują się wyceną Twojej firmy – a wraz z wyceną pojawia się kwestia aktywów. Wśród nich pewnikiem, który obstawiają inwestorzy to patent, zespół i zdolność do poszerzania wysokiej jakości baz danych. Od tych trzech elementów najbardziej zależy wycena Twojej firmy.

Nie dbasz o patent, będziesz żałował.

Patent jest potężnym atutem.

Pierwszym scenariuszem, w którym patent może pomóc, jest ostateczna porażka startupu.

Dlaczego od razu zaczynam od porażki?

Otóż w świecie startupów budujących wartość o sztuczną inteligencję, nic nie jest tak dyskutowane, jak właśnie ona. Wynika to z wyżej wspomnianej niepewności co do rozwoju samej sztucznej inteligencji.

Drugi element ryzyka zawiera się w pytaniu “czy osiągniesz wyjątkową dokładność?” Chodzi o dokładność modeli sztucznej inteligencji. Wyobraź sobie, że samochód autonomiczny rozpoznaje z dokładnością 100% przechodniów i zwierzęta, ale czy rozpozna człowieka przebranego za zwierzę podczas Halloween? Dojście do wysokiej skuteczności w różnych przypadkach jest bardzo trudne, a więc ryzykowne. Inwestorzy doskonale to wiedzą.

Patent jest własnością – podobnie jak komputery, meble biurowe i stół do gry w piłkarzyki – ale o wiele bardziej wartościową! Patent można sprzedać konkurentowi za pieniądze, które zminimalizują porażkę lub spotęgują zysk. W rzeczywistości niektóre firmy są kupowane głównie ze względu na patenty – świetnym przykładem jest Veveo, borykający się z trudnościami startup z ponad 50 patentami, kupiony przez swojego konkurenta Rovi za 69 milionów dolarów!

Ten sam przykład to Apple i europejski Polar Rose. Polar Rose nie miał nic “jedynie” patenty w technologii rozpoznawania twarzy. Mało tego, na bazie przejętego w 2010 roku Polar Rose, Apple do dziś wygrywa kolejne patenty. Amerykańskie Biuro Patentów i Znaków Towarowych oficjalnie opublikowało w 2019 roku serię 54 nowo przyznanych patentów dla Apple. Patenty częściowo wywodzą się z przejęcia szwedzkiej Polar Rose 2010 roku – czytamy w podsumowaniu biura patentowego.

Jeśli startup się nie powiedzie, VC może nadal sprzedawać swoje patenty konkurentowi za pewną wartość ratunkową, aby zrekompensować swoje straty. Nawet jeśli startup odniesie sukces, VC może uzyskać znacznie lepszy zwrot z inwestycji – a startup może mieć większe wyjście – poprzez radykalne zwiększenie wartości startupu dla konkurenta – konkurenta, który następnie zapłaci dużo więcej pieniędzy, aby to kupić uruchomienie.

W przypadku sztucznej inteligencji, patent nabiera rozszerzonego znaczenia, gdyż, aby coś opatentować to coś musi poprawnie działać. W świecie sztucznej inteligencji poprawne działanie oznacza wysoką dokładność predykcji. Jeśli algorytmy rozpoznawania COVID z dźwięku kichnięcia zostaną opatentowane, automatycznie oznacza to, że ich precyzja rozpoznawania jest wysoka. Precyzja jest niemożliwa bez dobrej jakości danych, o tym za chwilę.

Szlifuj diamenty czyli od zespołu żółtodziobów do dream teamu sztucznej inteligencji.

Przejęcia firm AI oraz inwestycje w nie są w dużej mierze lub całkowicie oparte na akwizycji spowodowanej chęcią przejęcia zespołów. Scenariusz podobny jest do transferów pomiędzy drużynami piłki nożnej, różnica polega na tym, że w przypadku startupów SI mam do czynienia z zespołami a nie z indywidualnościami.

Według analizy przeprowadzonej przez Magister Advisors, średnia cena płacona startupom SI za pracownika wynosi 2,4 miliona dolarów. Magister przeanalizował 26 transakcji startupów opartych na sztucznej inteligencji. Transakcje miały miejsce w okresie od 2014 roku i ziściły się w Stanach Zjednoczonych, Europie i Izraelu. Z badanej puli firm, 11 dotyczyło firm zatrudniających mniej niż 50 pracowników. We wszystkich 11 przypadkach średnia cena płacona na pracownika osiągnęła 2,4 mln USD, co oznacza, że wysokiej jakości firma SI zatrudniająca 40 pracowników byłaby wyceniana na blisko 100 mln USD. Co ciekawe, przychody firm często nie istniały lub były bardzo niskie. Obecnie przy przejęciach często wykorzystuje się referencję do raportu Magister Advisors jako kontrolę krzyżową, aby uniknąć przepłacania za talent.

Twitter, cztery lata temu, zapłacił 150 milionów dolarów za 14-osobowego Magic Pony, brytyjską firmę zajmującą się wyszukiwaniem wizualnym opartym o modele sztucznej inteligencji. Firma nie posiadała przychodów, nie była znana w świecie startupów. Partner zarządzający w Balderton Capital, brytyjskim funduszy wysokiego ryzyka tak skomentował transakcję “„Twitter bardzo poszedł w wideo, a zakup Magic Pony pokazuje, jak ważny jest dla nich film. To jest kluczowa rzecz przy tej transakcji ”, Suranga Chandratillake, partner w Balderton. Jack Dorsey, CEO Twittera, kupił później jeszcze kilka firm w podobnym scenariuszu.

Czy rozumiesz, że miliony dadzą Ci dobrej jakości bity i bajty?

Efektywne uczenie maszynowe wymaga ogromnych ilości danych i to danych dobrej jakości do których Twoja firma ma jedyne prawo. Tak to wygląda z perspektywy inwestora. Dlatego strategia firmy w zakresie pozyskiwania danych ma kluczowe znaczenie dla podwyższania wyceny.

Większość startupów rozpoczyna od podłączania się do danych publicznie dostępnych. Przykładem mogą być dane o warunkach pogodowych, które może zdobyć każdy, podobnie jak dane konsumpcji produktów czy dane o wielkości zarobków w danej lokalizacji. Źródeł dobrej jakości, publicznych danych jest mnóstwo.

Każdy udany startup musi zbudować i wdrożyć strategię pozyskiwania i integrowania danych z tych źródeł w opłacalny sposób. Dlaczego? Rzadko zdarza się, aby młody startup miał odpowiednie zasoby finansowe na zakup dobrej jakości danych do wyłącznego użycia. Większość firm nie ma takiej sytuacji i musi się oprzeć o dane publicznie dostępne lub niskiej jakości dane prywatne.

Czymś dużo bardziej wartościowym dla inwestorów, jest zbudowanie takiego mechanizmu, aby w produkcie, w którym występuje efekt sieci danych, wraz ze wzrostem ilości danych dostarczanych do systemu uczącego się, generował on większą wartość dla każdego indywidualnego użytkownika, nawet jeśli osobiście wchodzą oni w interakcje tylko z niewielkim fragmentem „sieci” danych.

Efekt ten wynika z relacji, które pojawiają się między różnymi segmentami danych.

Doskonałym przykładem jest Ride Vision, startup, który pokazaliśmy w BusinessTechUsa, rozwijający technologię „przeciwdziałania kolizjom” dla motocykli. Ride Vision stworzył unikalny system ostrzegania motocyklisty przed kolizjami z innymi pojazdami, w określonych sytuacjach pogodowych, przy określonych manewrach, zadanej prędkości i przy wielu innych elementach.

Firma zbudowała zestaw danych, przeznaczony specjalnie dla jednośladów, łącząc dane publicznie dostępne z danymi pozyskiwanymi przez czynniki umieszczone na motocyklach. Modele sztucznej inteligencji Ride Vision potrafią się uczyć, biorąc pod uwagę różne typy motocykli, poziom umiejętności prowadzącego jednoślad, lokalizację, różne warunki środowiskowe i pogodowe. Firma już w rundzie zalążkowej pozyskała 2.5 miliona dolarów, głównie dzięki doskonałej strategii pozyskiwania danych i ich łączenia w taki sposób, aby każdy z użytkowników produktu otrzymywał większą wartość wraz z korzystaniem z systemu. Im więcej motocykliści przejeżdzają kilometrów, tym cały system staje się bardziej wartościowy.

W ten sposób powstaje coś jakby fosa danych, która utrwala przewagę konkurencyjną firmy. To nowoczesna wersja tradycyjnych „fos”, takich jak branding, tajemnice handlowe czy kontrakty komercyjnie stanowiące wartość w świecie klasycznych technologii.

Widać ostre światło we mgle

Ogólnie rzecz biorąc, wycena spółek technologicznych wykorzystujących sztuczną inteligencję jest trudnym zadaniem, a proces wyceny nie jest prostą formułą.

Sztuczna inteligencja to coś nowego z perspektywy komercjalizacji. Nie ma wielu przykładów, tzw. benchmarków, które mogą służyć za odniesienie w procesie budowania ewaluacji. Widać jednak, po historycznych transakcjach i procesach patentowych, które z elementów wysuwają się na plan pierwszy. Obecnie jest to patent, zespół i strategia danych. Za wcześnie by powiedzieć czy tak zostanie, ale póki co widać, że przychody, zyskowność i przepływy gotówkowe nie są dla amerykańskich inwestorów najważniejsze.

Autor: Arek Skuza, mieszka w USA i współpracuje z firmami pomagając im w komercjalizacji rozwiązań wykorzystujących sztuczną inteligencję. Arek wraz zespołem prowadzą biznesowy newsletter BTU, w którym pokazują amerykańskie startupy i wdrożenia sztucznej inteligencji.