Wstęp
W świecie sztucznej inteligencji - szczególnie wśród startupów - powiedzenie "zbudowaliśmy własny model" jest często postrzegane jako złoty bilet: szybka ścieżka do finansowania, wiarygodności i statusu rynkowego. Wiele szybko rozwijających się firm dąży do stworzenia własnych modeli, zakładając, że ta przewaga techniczna je wyróżni.
Wielu założycielom umyka jednak jedno: techniczna oryginalność to nie to samo co strategiczny rozsądek. W większości przypadków budowa własnego modelu jest nie tylko zbędna, bywa wręcz przeciwskuteczna, choć takie startupy często wyceniane są wysoko. Część startupów AI osiąga wyższą wycenę dzięki rzekomej przewadze technologicznej, nawet gdy ich przychody pozostają niewielkie. Wycena bierze się tu często z przekonania, że unikalny model gwarantuje przyszły sukces, i to ono winduje ceny nawet przy skromnych przychodach.
Mnożniki wyceny: Za co płacą inwestorzy
Sektor sztucznej inteligencji osiąga jedne z najwyższych mnożników przychodów w branży technologicznej, w dużej mierze napędzany oczekiwaniami szybkiego przyszłego wzrostu i strategicznego pozycjonowania na rynku. Najnowsze dane pokazują, że mediana wielokrotności wartości przedsiębiorstwa (EV) do przychodów dla startupów AI wynosi około 29,7x. Mnożniki te są obliczane poprzez podzielenie wartości przedsiębiorstwa firmy przez jej przychody, przy użyciu danych finansowych, takich jak ceny akcji, przychody lub EBITDA, w celu ilościowego określenia wartości firmy. Oznacza to, że inwestorzy często wyceniają firmy na prawie 30-krotność ich obecnych przychodów, odzwierciedlając silne zaufanie do skalowalności i potencjału transformacyjnego.
Należy jednak zauważyć, że mnożniki te pochodzą głównie z rund pozyskiwania kapitału, w których optymizm i dynamika rynku mają tendencję do zawyżania wycen. Jeśli chodzi o wyjść poprzez M&AZałożyciele powinni spodziewać się bardziej konserwatywnych mnożników, często znacznie niższych niż w przypadku rund finansowania. Ponadto wartości transakcji w transakcjach prywatnych są często bardziej konserwatywne i trudniejsze do porównania, ponieważ dokładne dane dotyczące wartości transakcji mogą być trudne do uzyskania. Zrozumienie tego rozróżnienia pomaga złagodzić oczekiwania i prowadzi do bardziej realistycznych rozmów na temat wyceny podczas procesu sprzedaży.
W sektorze sztucznej inteligencji wycena firmy często odzwierciedla nie tylko bieżące dane finansowe, ale także potencjał wzrostu, pozycję rynkową i przewagę strategiczną. Inwestorzy i założyciele powinni wziąć pod uwagę zarówno tradycyjne wskaźniki, takie jak mnożniki przychodów i EBITDA, jak i miary wybiegające w przyszłość, takie jak analiza zdyskontowanych przepływów pieniężnych (DCF), aby ocenić skalowalność i ryzyko. Inwestorzy i założyciele obliczają i porównują wartości w różnych transakcjach, aby porównać wartość firmy i poinformować o negocjacjach. Ostatnie rundy finansowania ilustrują, w jaki sposób wycena wielokrotności dla startupów AI gwałtownie wzrosły, napędzane oczekiwaniami transformacyjnego wzrostu, a nie samymi bieżącymi zyskami, przy czym wartości te zostały obliczone na podstawie oczekiwań dotyczących wzrostu.
Dlaczego zastrzeżony nie oznacza konkurencyjny dla startupów AI?
Istnieje kilka podstawowych problemów związanych z utożsamianiem zastrzeżonych modeli z przewagą strategiczną:
- Wydajność nie skaluje się wraz z kosztami. Trening własnego modelu może brzmieć ekscytująco, ale jeśli nie działasz na ogromną skalę, najpewniej wydasz więcej gotówki (co obniża rentowność startupu), a wyniki będą gorsze niż w gotowych, otwartych rozwiązaniach. Oceniając wpływ własnego modelu na finanse, trzeba patrzeć i na przychody, i na zyski.
- Modele stają się infrastrukturą. Najlepsze dziś modele (GPT-4, Claude, Mistral, LLaMA) są szeroko dostępne przez API lub jako modele o otwartych wagach. Ich możliwości rosną szybciej, niż większość startupów jest w stanie nadążyć.
- Większości użytkowników to nie obchodzi. Chcą niezawodności, szybkości i rezultatu. To, czy pochodzi on z Twojego modelu, czy z cudzego, nie ma znaczenia, o ile zadanie jest dobrze wykonane.
- Szkolenie własnego modelu wymaga znacznych nakładów kapitałowych. Inwestycje w sprzęt, dane i zasoby inżynieryjne mogą być znaczne, co sprawia, że jest to trudna ścieżka dla większości firm.
Przykład: narzędzie zwiększające produktywność, które streszcza długie dokumenty za pomocą GPT-4, wygrywa nie dlatego, że zbudowało własny LLM. Wygrywa, bo bezproblemowo integruje się z Dropboksem, streszcza jednym kliknięciem i zapamiętuje preferencje użytkownika. Tę wartość daje przepływ pracy, a nie wynalezienie modelu.
Skuteczna wycena w takich przypadkach często obejmuje analizę wartości przedsiębiorstwa w stosunku do przychodów i zysków, zapewniając, że inwestycje w zastrzeżone technologie przekładają się na wymierne wyniki biznesowe, a nie tylko na zawyżoną percepcję rynku. Wartość firmy jest określana przez połączenie innowacyjności, możliwości rynkowych i namacalnych wyników.
Kiedy modele niestandardowe mają sens strategiczny?
Nie oznacza to, że rozwój modelu jest zawsze błędem. W niektórych sytuacjach może to być właściwy ruch. Firmy często oceniają, czy inwestowanie w niestandardowe modele jest zgodne z ich celami strategicznymi i długoterminową wartością:
- Ścisłe ograniczenia regulacyjne: W sektorach takich jak opieka zdrowotna lub rząd, gdzie ścisła kontrola nad danymi nie podlega negocjacjom, posiadanie całego rurociągu (w tym modelu) staje się wymogiem.
- Przypadki brzegowe specyficzne dla danej domeny: Jeśli działasz w wyjątkowo wąskiej dziedzinie, na przykład na wczesnych etapach odkrywania leków czy w analizie geologicznej, modele publiczne mogą nie dawać trafnych ani użytecznych wyników.
- Prawdziwie zastrzeżone dane: Jeśli dysponujesz zbiorem danych, którego nikt inny nie odtworzy, warto rozważyć inwestycję w lekki model dostrojony do tych danych: nie dla wydajności, lecz dla kontroli.
- Optymalizacja kosztów/opóźnień na dużą skalę: W przypadku firm przetwarzających miliony zapytań dziennie, przejście z rozliczeń opartych na API na samodzielne wnioskowanie może mieć sens finansowy - po osiągnięciu dopasowania produktu do rynku.
Wycena takich decyzji wymaga zwykle prognozy przyszłych przepływów pieniężnych i oceny, czy początkowe nakłady inwestycyjne zrównoważą oszczędności operacyjne lub wzrost przychodów, najczęściej metodą zdyskontowanych przepływów pieniężnych albo metodą mnożnikową.
Rozważania dotyczące skali i wzrostu: Podczas oceny niestandardowych modeli, wzrost przychodów i trakcja rynkowa są kluczowymi czynnikami przy określaniu wartości firmy, szczególnie w sektorach, w których przyszły potencjał może przeważyć nad obecnymi finansami.
Są to jednak wyjątki. Większość firm twierdzących, że "budujemy własny model fundacji" nie należy do tych kategorii. Budują dla prestiżu, a nie dla celu.
Gdzie jest prawdziwa dźwignia: aplikacja, a nie infrastruktura
Zamiast gonić za złożonością techniczną, wysokowydajne startupy AI po cichu koncentrują się na czymś zupełnie innym: dominacji przepływu pracy. Firmy te napędzają innowacje i demonstrują transformacyjny potencjał sztucznej inteligencji, zmieniając sposób działania i konkurowania firm.
Nie trenują modeli z miliardami parametrów. Wbudowują inteligencję w bardzo konkretne zastosowania, a spółki AI rozwijają tę technologię w wielu branżach i sektorach. To one kształtują szerszy ekosystem AI. Rozwiązania oparte na AI przeobrażają branże takie jak ochrona zdrowia, finanse czy cyberbezpieczeństwo, gruntownie zmieniając ich krajobraz.
Przykłady z życia wzięte:
- Prawnicze narzędzie AI, które podkreśla klauzule ryzyka dla prawników pracujących pod jurysdykcją Wielkiej Brytanii, oferując specjalistyczne usługi dla prawników.
- Platforma marketingowa, która generuje opisy produktów, dostosowuje ton głosu i synchronizuje się bezpośrednio z zapleczem Shopify, umożliwiając firmom wykorzystanie uczenia maszynowego do wydajnego i wysokiej jakości generowania treści.
- System przeglądu umów, który sygnalizuje rozbieżności z dostawcami na podstawie polityki zakupowej, a nie tylko wzorców językowych, przy silnych zabezpieczeniach sieciowych chroniących dane wrażliwe.
Spółki te wygrywają, bo dokładnie rozumieją, czego potrzebują ich użytkownicy, i projektują wokół tego całe systemy, a nie pojedyncze wyniki. Ich nowatorskie rozwiązania przeobrażają poszczególne dziedziny i wyznaczają nowe standardy w branży.
Debata na temat "opakowania" odwraca uwagę
Istnieje wiele lekceważących wypowiedzi na temat produktów AI, które są "tylko opakowaniami" wokół modeli publicznych. Ale to płytki sposób patrzenia na projektowanie produktów.
Większość udanych produktów technologicznych to opakowania wokół czegoś:
- Aplikacja do wspólnych przejazdów obejmuje logistykę i płatności wokół GPS telefonu.
- CRM obejmuje narzędzia komunikacyjne i logikę sprzedaży wokół bazy danych.
- Narzędzie projektowe owija dane wejściowe użytkownika wokół silników renderujących.
W sztucznej inteligencji nie liczy się to, czy opakowujesz model. Liczy się to, jak dobrze go opakowujesz. Kluczem jest skupienie się na aspektach, które zapewniają rzeczywistą wartość - takich jak integracja wiedzy specjalistycznej, optymalizacja pod kątem potrzeb użytkowników i zapewnienie płynnej integracji przepływu pracy.
Cienka warstwa bez kontekstu i pętli sprzężenia zwrotnego? To tylko demo. Przemyślana warstwa, która koduje wiedzę, upraszcza podejmowanie decyzji przez użytkownika i pasuje do rzeczywistych przepływów pracy? To jest biznes.
Nie sposób przecenić roli projektowania, doświadczenia użytkownika i zarządzania ryzykiem. Skuteczne panowanie nad ryzykiem, na przykład ograniczanie halucynacji i dbanie o zgodność z wymogami regulacyjnymi, buduje zaufanie, a to jeden z głównych czynników wartości spółek AI.
Przykład: Notion AI trudno skopiować nie dlatego, że dysponuje unikalnymi modelami, bo ich nie ma. Trudno go skopiować, bo spółka wzbogaca i tak już przywiązujący do siebie produkt o pomocne narzędzia AI, wspierające użytkowników dokładnie tam, gdzie piszą, myślą i planują.
Jak budować obronność bez posiadania modelu
Oto, gdzie inteligentne startupy AI stawiają swoje zakłady:
- Głębokość przepływu pracy: Zrozumienie, co użytkownik naprawdę chce osiągnąć, a nie tylko tego, który przycisk klika.
- Warstwy niezawodności: Opatrywanie modeli regułami, walidacjami i mechanizmami awaryjnymi w celu zapobiegania halucynacjom i poprawy dokładności.
- Szybkość wglądu: Nie tylko generowanie treści, ale pomaganie użytkownikom w podejmowaniu opartych na danych i świadomych decyzji szybciej i z większą pewnością.
- Zaufanie i iteracja: Zdobywanie zaufania użytkowników poprzez wielokrotne rozwiązywanie ich problemów, a następnie rozszerzanie działalności po zbudowaniu zaufania.
Firmy, które uzyskują dostęp do zastrzeżonych zbiorów danych lub wyspecjalizowanych platform technologicznych, mogą dodatkowo wzmocnić swoją obronność i zwiększyć swoją wycenę. Dostęp do unikalnych zasobów, takich jak duże zbiory danych lub specjalistyczne bazy danych, jest często kluczowym wyróżnikiem dla inwestorów oceniających startupy AI.
Strategie te nie tylko poprawiają dopasowanie produktu do rynku, ale także pomagają zademonstrować inwestorom jasną ścieżkę zrównoważonego wzrostu i wzrostu wyceny. Inwestorzy przywiązują dużą wagę do powtarzających się przychodów, utrzymania klientów i trajektorii wzrostu, które stanowią podstawę mnożników wyceny firmy i atrakcyjności inwestycyjnej.
Właściwym pytaniem nie jest "Co możemy zbudować?". - To "czego nie powinniśmy?".
Startupy nie muszą imponować głębokimi stosami własności intelektualnej. Muszą dostarczać wartość w elegancki i efektywny sposób. Przy podejmowaniu decyzji o tworzeniu własnych modeli kluczowe jest skupienie się na rzeczywistych możliwościach inwestycyjnych i obszarach strategicznego zainteresowania.
Jeśli rozważasz budowę modelu, zatrzymaj się i zapytaj:
- Czy robimy to dlatego, że czyni to produkt lepszym - czy dlatego, że sprawia to, że nasz pitch deck wygląda mocniej?
- Czy moglibyśmy dostarczać produkty szybciej, taniej i bardziej niezawodnie, korzystając z gotowych modeli i skupiając się na projektowaniu systemów?
- Czy ta inwestycja przyniesie korzyści naszym użytkownikom - czy tylko naszemu ego?
Należy pamiętać, że inwestorzy mogą zapłacić wyższą cenę za startupy, które wykazują wyraźną przewagę strategiczną lub potencjał transformacyjny, zwłaszcza gdy są wspierane przez solidne modele finansowe, takie jak wycena DCF lub analiza porównawcza porównywalnych transakcji AI.
Własny wynik, a nie model
Najważniejsze, co startup AI może zrobić, to uczynić model niewidzialnym. Użytkownicy nie chcą myśleć o wagach, tokenach czy warstwach, chcą rozwiązywać problemy.
Pozwól laboratoriom zbudować infrastrukturę. Niech Twój startup będzie właścicielem wyniku.
Analiza i badanie rynku: Zrozumienie pola gry
W szybko zmieniającym się świecie sztucznej inteligencji analiza i badanie rynku to nie miły dodatek, lecz konieczność, od której zależą przetrwanie i sukces. I dla startupów AI, i dla uznanych spółek zrozumienie pola gry znaczy więcej niż obserwowanie konkurencji: chodzi o odczytywanie dynamiki rynku, wychwytywanie trendów w wycenach i przewidywanie, skąd nadejdzie kolejna fala wzrostu.
Inwestorzy opierają się na pogłębionej analizie mnożników wyceny, mnożników przychodów i innych wskaźników finansowych, by ocenić wartość spółki i jej potencjał wzrostu. Dostęp do kompleksowych informacji o spółkach (nazw, nisz, szczegółów transakcji, mnożników wyceny, wielkości transakcji, danych o nabywcy i spółce docelowej oraz wglądu w sektor) ma kluczowe znaczenie dla rzetelnego benchmarkingu i analizy. Bacznie obserwując trendy w ekosystemie AI, spółki zdobywają cenną wiedzę, która wpływa na wszystko, od strategii produktowej po taktykę pozyskiwania finansowania.
Takie podejście oparte na danych pomaga firmom zawalczyć o wyższe wyceny i sięgnąć po okazje inwestycyjne, zanim zorientuje się reszta rynku. Pozwala też trafniej oceniać ryzyko i łagodzić zagrożenia płynące ze zmienności rynku czy zmian regulacyjnych. Zdobycie wiarygodnych informacji o spółkach prywatnych pozostaje jednak znacznie trudniejsze niż w przypadku spółek publicznych, bo jawność i dostępność danych są ograniczone.
Sektor sztucznej inteligencji rozwija się w zawrotnym tempie, a nowe technologie i modele biznesowe pojawiają się nieustannie. Większe transakcje w AI potrafią wyznaczać nowe punkty odniesienia dla mnożników wyceny i wpływać na strategie inwestycyjne w całej branży. Spółki, które stawiają na dogłębne badanie rynku, łatwiej przewidują zmiany w sektorze, dopasowują się do zmieniających się potrzeb klientów i unikają kosztownych błędów. Dobre rozumienie rynku odgrywa ostatecznie kluczową rolę w każdej spółce aspirującej do miana lidera w AI: pomaga założycielom i inwestorom podejmować świadome decyzje, które napędzają wzrost i maksymalizują wartość.
Ocena i zarządzanie ryzykiem w startupach AI
Działalność w sektorze sztucznej inteligencji oznacza poruszanie się w środowisku charakteryzującym się zarówno wysokim wzrostem, jak i wysokim ryzykiem. W przypadku startupów AI skuteczna ocena ryzyka i zarządzanie nim nie są opcjonalne - mają one fundamentalne znaczenie dla długoterminowego sukcesu. Inwestorzy i założyciele muszą spojrzeć poza szum informacyjny i rygorystycznie ocenić model biznesowy firmy, trajektorię wzrostu przychodów i otoczenie konkurencyjne.
Jednym z najpotężniejszych narzędzi jest tu wycena metodą zdyskontowanych przepływów pieniężnych (DCF), która pozwala oszacować bieżącą wartość spółki na podstawie oczekiwanych przyszłych przepływów. Podejście to pomaga skwantyfikować zarówno potencjał wzrostu, jak i ryzyka, uwzględniając wszystko, od nakładów inwestycyjnych po zmienność rynku.
Korzystając z wyceny DCF i innych wskaźników finansowych, firmy i inwestorzy mogą podejmować mądrzejsze, oparte na danych decyzje dotyczące tego, gdzie alokować pieniądze i jak zmaksymalizować wartość.
Zarządzanie ryzykiem w sztucznej inteligencji to także wyprzedzające reagowanie na zagrożenia, czy to luki w bezpieczeństwie sieci, zmiany regulacyjne, czy nagłe wahania popytu. Szybko rosnące spółki z solidnymi strategiami zarządzania ryzykiem łatwiej przetrwają niepewność i wykorzystają pojawiające się okazje. Strategiczne przejęcia centrów danych i infrastruktury AI też potrafią skutecznie ograniczać ryzyko i przyspieszać wzrost, bo te głośne transakcje często napędzają innowacje i przeobrażają krajobraz branży. W sektorze, w którym stawka jest wysoka, a tempo nieubłagane, Zdyscyplinowane podejście do ryzyka jest tym, co odróżnia zwycięzców od reszty.
Dlaczego do swojej spółki AI potrzebujesz doradcy Technology M&A
Śledzenie wycen AI dostarcza cennej wiedzy o trendach rynkowych i pomaga trafnie wybrać moment na exit. Każda spółka jest jednak wyjątkowa, tak jak wyjątkowa jest droga każdego założyciela. Dlatego warto sięgnąć po wskazówki ekspertów w obszarze AI M&A, w szczególności doradców M&A wyspecjalizowanych w sektorze technologicznym, którzy 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
Jesteśmy doradcami w fuzjach i przejęciach, koncentrujemy się na firmach technologicznych i rozwojowych. Wierzymy, że świat byłby lepszy, gdyby było mniej (ale za to lepszej jakości) transakcji fuzji i przejęć dokonywanych w odpowiednim momencie dla firmy i jej właścicieli. Naszym celem jest dostarczanie uczciwych, opartych na wnikliwej analizie porad, jasno przedstawiających wszystkie opcje dla naszych klientów - w tym tę, która pozwala zachować status quo.
Skontaktuj się z nami, aby omówić, ile może być warta Twoja firma i jak zmaksymalizować wycenę.
