Wstęp
Jeśli prowadzisz dziś startup AI, nie konkurujesz wyłącznie z innymi założycielami. Poruszasz się po jednym z najbardziej nasyconych kapitałem i najbardziej spornych strategicznie rynków w historii technologii, naznaczonym gwałtownym wzrostem i ostrą konkurencją w branży AI. Największe firmy budują własne duże modele językowe, warstwy infrastruktury ścigają się o pozycję standardu, a generatywna AI przekształca kolejne branże, od mediów po SaaS dla przedsiębiorstw. Stawka jest wysoka. Obecny boom na AI, napędzany postępami w sztucznej inteligencji, takimi jak architektury transformerowe i duże modele językowe, przyniósł bezprecedensowe inwestycje i przyspieszył innowacje w wielu sektorach.
Sztuczna inteligencja przeszła drogę od wczesnych badań i rozumowania symbolicznego do dzisiejszych przełomowych zastosowań, głęboko odmieniając branże na całym świecie.
Opracowaliśmy praktyczny, pięciostopniowy model, który pomoże założycielom AI ocenić tę decyzję. Każdy krok zawiera kluczowe pytania, jakie warto sobie zadać, ważąc za i przeciw pozyskaniu kolejnego kapitału zamiast sprzedaży firmy. Aby pokazać to w praktyce, sięgamy po rzeczywiste przykłady, takie jak niedawna runda finansowania Lovable czy częściowa sprzedaż Scale AI firmie Meta, i pokazujemy, jak założyciele podchodzili do tych decyzji oraz z jakimi kompromisami wiązała się każda ze ścieżek.
1. Dowiedz się, jakie rozwiązanie uczenia maszynowego naprawdę tworzysz dla startupów AI
Nie wszystkie startupy AI są takie same. Jedne przypominają laboratoria badawcze AI, inne oferują narzędzia o realnym, praktycznym zastosowaniu, część buduje własny program AI, a wiele wciąż dopiero sprawdza, czy powstaje produkt, czy tylko funkcja.
Weźmy Lovable: jego zorientowane na użytkownika narzędzia generatywnej AI usprawniają pracę twórczą i mają wyraźne dopasowanie produktu do rynku. To nie było demo technologiczne, lecz angażujący, wiralowy produkt. Mocne wskaźniki użytkowania i ARR pozwoliły firmie pozyskać kapitał przy wycenie 1,5 mld USD w konkurencyjnej rundzie prowadzonej przez Accel.
Zadaj sobie pytanie:
- Czy rozwiązujesz problemy zakorzenione w potrzebach klientów, czy budujesz efektowne demka na bazie GPT-4?
- Czy jesteś zależny od zewnętrznych API, czy masz własną kluczową infrastrukturę (np. unikalne modele machine learning, autorskie zbiory danych, a nawet własny język programowania)?
- Czy Twoje rozwiązanie jest wpięte w procesy pracy, takie jak obsługa klienta, tworzenie treści czy podejmowanie decyzji finansowych? Przykładem jest system ekspercki: to rodzaj rozwiązania AI, które przyniosło realne efekty w wyspecjalizowanych dziedzinach.
Wyróżnienie się ma znaczenie. Trwała przewaga konkurencyjna ma znaczenie jeszcze większe. Systemy eksperckie od dawna dawały trudne do podważenia rozwiązania AI, kodując wiedzę dziedzinową, co przełożyło się na ich szerokie przyjęcie i rozwój całej branży.
2. Rozpoznaj rodzaj otrzymywanej uwagi
Zainteresowanie inwestorów to nie to samo, co potwierdzenie rynkowe. W AI może ono płynąć z kilku różnych kierunków:
- Fundusze VC szukają platform, które da się skalować w wielu branżach i mają potencjał typu „zwycięzca bierze wszystko”.
- Strategiczni nabywcy często chcą nabyć kluczowe technologie, zespoły lub wczesną obecność na rynku, aby wzmocnić swoją istniejącą ofertę.
- Firmy private equity mogą zapewniać finansowanie lub dążyć do przejęć, zazwyczaj koncentrując się na startupach o ugruntowanej pozycji i sprawdzonych modelach biznesowych.
Scale AI dobrze pokazuje to podwójne zainteresowanie. Firma sprzedała Meta 49% udziałów przy wycenie 29 mld USD, spieniężając część biznesu bez oddawania kontroli. Kusiły nie tylko przychody, lecz strategiczna wartość jej infrastruktury danych dla planów Meta w obszarze AI.
Sygnał ostrzegawczy: jeśli spływa do Ciebie zainteresowanie M&A, ale z trudem domykasz rundę, może to oznaczać, że zbudowałeś coś wartościowego, ale nie w skali venture.
To nic złego, ale trzeba wtedy działać odpowiednio.
3. Ocena warunków rynkowych i presji konkurencyjnej AI
Nie mamy do czynienia z zimą sztucznej inteligencji, ale temperatura się zmienia. Kapitał płynie w kierunku wyraźnych zwycięzców, a nie eksperymentów. Modele stają się towarem. Bycie "opakowaniem LLM" nie wystarczy.
Spójrzmy na Glean: firma pozyskała kapitał przy wycenie 7,2 mld USD po przekroczeniu 100 mln USD ARR. Dlaczego? Bo odpowiada na głęboką potrzebę przedsiębiorstw, czyli wewnętrzne wyszukiwanie w narzędziach firmowych, i daje mocne sygnały trwałości. Jej zastosowania AI nie są efekciarskie, lecz niezbędne.
Zupełnie inaczej wygląda to u założycieli goniących za krótkotrwałą wiralowością. Jeśli nie masz dystrybucji, fosy danych ani wyróżniającego wykorzystania sieci neuronowych, teraz może być najlepszy moment, by połączyć siły, zanim dogonią Cię gracze zasiedziali. Niedawne postępy w deep learning i w technikach deep learning okazały się przełomem, który napędza sukces wielu czołowych firm. Rozwiązania, które dziś zyskują popularność, to często dojrzałe systemy AI, od pierwszych kamieni milowych po nowoczesne zastosowania, takie jak chatboty i wirtualni asystenci. Aby odnieść sukces, firmy potrzebują dostępu do big data i ogromnych zbiorów danych, kluczowych dla trenowania zaawansowanych modeli. Zwycięskie firmy wyróżnia to, że potrafią wykorzystać przełomową technologię i utrzymać przewagę w szybko zmieniającym się otoczeniu.
Zadaj sobie pytanie:
- Czy wciąż jesteśmy o krok przed konkurencją, czy dogania nas utowarowienie?
- Czy potrafimy uzasadnić pozyskanie ponad 30 mln USD na walkę o klientów korporacyjnych, czy raczej strategiczny exit lepiej zrealizuje wartość, którą stworzyliśmy?
Nieustanną konkurencję i postęp w tej dziedzinie napędza szybki rozwój AI, przez co ciągłe wprowadzanie innowacji i dostosowywanie się staje się koniecznością.
4. Rozpoznaj apetyt swojego zespołu na ryzyko i na utrzymanie własności
Jedni założyciele chcą porwać się na IPO za 10 mld USD. Inni chcą zbudować firmę, wygrać i sprzedać.
Żadna z tych dróg nie jest zła, ale brak jasności prowadzi do zmarnowanych lat.
- Podwyżka oznacza większe rozwodnienie, większe ryzyko egzekucji i więcej czasu.
- Sprzedaż oznacza oddanie części kontroli, ale może otworzyć szerszy zasięg lub szybszą drogę do realnego wpływu.
Nie patrz wyłącznie na wycenę. Zastanów się, jakiej drogi chcecie Ty i Twoi współzałożyciele. Czy chcecie pozostać niezależni przez kolejne 5-7 lat? A może to bycie częścią większej platformy pozwoliłoby Wam wykonać najlepszą pracę w karierze?
Nikt nie przyzna Ci dodatkowych punktów za wypalenie się z rozdętym cap table i bez exitu.
5. Zrozum krajobraz strategiczny oraz to, kto zyskuje najwięcej na tym, co zbudowałeś
Każdy z tych niedawnych ruchów, transakcja Scale AI z Meta, szybki wzrost i finansowanie Lovable oraz późna megaruna Glean, odzwierciedla inną odpowiedź na to samo pytanie: kto wyciąga z tej firmy najwięcej wartości?
- Scale AI miało przewagę negocjacyjną dzięki wielu zainteresowanym i spieniężyło się strategicznie, wplatając AI we własne produkty i usługi, by utrzymać przewagę.
- Lovable postawiło na pozyskanie kapitału i dalszy wzrost, obstawiając swoją bazę użytkowników i tempo.
- Glean podwoiło stawkę, stawiając na długoterminową wizję wyszukiwania w przedsiębiorstwie i narzędzi wiedzy opartych na AI oraz skupiając się na poprawie doświadczeń użytkowników końcowych.
Najlepsi założyciele, często zaliczani do największych innowatorów w branży, nie tylko reagują na spływające zainteresowanie. Aktywnie kształtują narrację i podejmują decyzje w oparciu zarówno o osobiste cele, jak i o potencjał firmy.
Praktyczne zastosowania sztucznej inteligencji, takie jak wirtualni asystenci, zapewniają rzeczywistą wartość w różnych branżach i pokazują wpływ tych strategicznych decyzji.
Na koniec: nie ma „właściwej” odpowiedzi, jest tylko właściwe dopasowanie
Cała branża przechodzi transformację napędzaną postępami w technologiach informacyjnych i fundamentalnymi przełomami w teorii informacji. Ta transformacja to zmiana paradygmatu, która zaczęła się wraz z rewolucją poznawczą 1956 roku i od podstaw odmieniła to, jak rozumiemy umysł i inteligencję. Sztuczna inteligencja (AI) nie jest już zapleczowym eksperymentem na wydziałach informatyki czy w laboratoriach AI. Dziś napędza realne wyniki biznesowe, od interakcji z klientami, przez logistykę, po pracę twórczą, generując i oszczędzając organizacjom miliony dolarów.
Początki sztucznej inteligencji sięgają pionierskich informatyków, takich jak Alan Turing, którego fundamentalne prace doprowadziły do powstania testu Turinga, czyli metody oceny inteligencji maszyn. Konferencja w Dartmouth, zorganizowana przez kluczowe postacie, takie jak John McCarthy i Nathaniel Rochester, była przełomowym wydarzeniem, na którym sztuczną inteligencję (AI) oficjalnie ujęto jako dyscyplinę naukową. Wczesne badania nad AI prowadzone przez Allena Newella i Herberta A. Simona wprowadziły rozumowanie symboliczne i położyły podwaliny pod inteligentne systemy zdolne do zadań takich jak gra w szachy czy przetwarzanie języka naturalnego. Te kamienie milowe osiągano w laboratoriach AI, które stały się ośrodkami innowacji i współpracy czołowych informatyków.
Od wczesnej konceptualizacji sztucznego mózgu i sztucznych ludzi w XX wieku, inspirowanej science fiction i wpływową grą science fiction Roboty uniwersalne Rossum, po dążenie do sztucznej inteligencji ogólnej i inteligencji maszyn dorównującej ludzkiej, dziedzina ta rozwijała się błyskawicznie. Niezależnie od tego, czy budujesz sztucznych ludzi zdolnych grać w szachy (dorównując ludzkim graczom lub ich przewyższając) i prowadzić rozmowę dzięki zaawansowanemu przetwarzaniu języka ludzkiego, czy rozwijasz bardziej ukierunkowane zastosowania AI w ochronie zdrowia lub finansach, wpływ sztucznych sieci neuronowych okazał się przełomowy. Te innowacje otworzyły szeroki wachlarz możliwości AI, od gry po rozumienie języka naturalnego, i poszerzyły zasięg inteligentnych systemów.
Dziś agenci AI stają się coraz bardziej autonomiczni: mają zaawansowane zdolności podejmowania decyzji i potrafią wchodzić w interakcje w sposób zbliżony do ludzkiego, ograniczając potrzebę ingerencji człowieka. Przyszłość obiecuje jeszcze więcej, w tym szansę na wczesny dostęp do najnowocześniejszych technologii i narzędzi AI, które będą wciąż przesuwać granice tego, co możliwe. Trzeba jednak dostrzec wyjątkowe cechy ludzkiego rozumowania, które opiera się na nieświadomej, ucieleśnionej wiedzy i intencjonalności, czyli na cechach odróżniających ludzką inteligencję od procesów maszynowych.
Więc: lepiej podwoić czy spieniężyć?
Odpowiedź zależy od tego, co budujesz, kto ceni to najbardziej i dokąd chcesz zmierzać jako zespół. Jeśli zastanawiasz się nad tą decyzją, w Aventis z przyjemnością omówimy Twoją sytuację i zbadamy, czy jesteśmy odpowiednim partnerem, który pomoże Ci poruszać się po tym złożonym procesie.
Dlaczego do swojej spółki AI potrzebujesz doradcy Technology M&A
Każda firma AI jest wyjątkowa, tak jak wyjątkowa jest podróż każdego założyciela. Dlatego ważne jest, aby szukać wskazówek u ekspertów w dziedzinie AI M&A , w szczególności doradców M&A, którzy specjalizują się w sektorze technologicznym i potrafią zrozumieć Twoją konkretną sytuację.
Doradcy M&A w branży technologicznej mają dogłębną wiedzę o dynamice rynku, metodach wyceny i zawiłościach procesu M&A. Podczas gdy Ty skupiasz się na zarządzaniu firmą, doradcy skrupulatnie dbają o każdy szczegół i zabiegają o jak najlepszą transakcję w Twoim imieniu. Sukces doradców M&A w branży technologicznej jest powiązany z Twoim, a ich wiedza często znacząco wpływa na ostateczną cenę sprzedaży.
O Aventis Advisors
Aventis Advisors jest doradca M&A skupiającym się na spółkach technologicznych i wzrostowych. Wierzymy, że świat byłby lepszy, gdyby zawierano mniej (ale lepszej jakości) transakcji M&A, w odpowiednim momencie dla firmy i jej właścicieli. Naszym celem jest uczciwe, oparte na rzetelnej analizie doradztwo, w którym jasno przedstawiamy klientom wszystkie opcje, w tym tę, by zachować status quo.
Skontaktuj się z nami, aby omówić, ile może być warta Twoja firma i jak wygląda ten proces.
Zapisz się do naszego newslettera poniżej, aby być na bieżąco z trendami w wycenach.
