Το venture capital βρίσκεται σε μια νέα φάση ψηφιακού μετασχηματισμού. Τα επενδυτικά ταμεία αναζητούν όλο και περισσότερο εργαλεία τεχνητής νοημοσύνης για να εντοπίζουν ευκαιρίες, να αξιολογούν ιδρυτές, να παρακολουθούν κλάδους και να προβλέπουν την πορεία μιας startup πριν από τον ανταγωνισμό. Ωστόσο, πίσω από την υπόσχεση της αυτοματοποίησης και της πιο «έξυπνης» επένδυσης, αναδύεται ένα θεμελιώδες πρόβλημα: τα κακά δεδομένα.
Η βασική αρχή είναι απλή. Αν το πληροφοριακό υπόβαθρο πάνω στο οποίο εκπαιδεύονται αλγόριθμοι, dashboards και αναλυτικά μοντέλα είναι ελλιπές ή στρεβλό, τότε και τα συμπεράσματα που προκύπτουν θα είναι προβληματικά. Στο venture capital, όπου οι αποφάσεις συχνά λαμβάνονται με αβεβαιότητα και υψηλό ρίσκο, η ποιότητα των δεδομένων δεν είναι τεχνική λεπτομέρεια· είναι παράγοντας που μπορεί να επηρεάσει άμεσα το πού θα κατευθυνθούν δισεκατομμύρια δολάρια.
Η ΑΙ υπόσχεται ταχύτητα, αλλά όχι απαραίτητα ακρίβεια
Η τελευταία διετία έχει επιταχύνει την είσοδο της ΑΙ στις επενδυτικές διαδικασίες. Από την ανάλυση pitch decks και την αυτόματη κατηγοριοποίηση startups μέχρι την πρόβλεψη πιθανών γύρων χρηματοδότησης, τα νέα εργαλεία υπόσχονται να μειώσουν τον χρόνο έρευνας και να αυξήσουν την κάλυψη της αγοράς. Για ένα fund που εξετάζει χιλιάδες εταιρείες, αυτό ακούγεται σχεδόν ιδανικό.
Το πρόβλημα είναι ότι η ταχύτητα δεν λύνει το πρόβλημα της αξιοπιστίας. Αν τα οικονομικά στοιχεία μιας startup δεν έχουν ενημερωθεί, αν η βάση δεδομένων περιέχει διπλοεγγραφές, αν οι κλάδοι ταξινομούνται με διαφορετικά κριτήρια ή αν λείπουν κρίσιμες πληροφορίες για τη σύνθεση μιας χρηματοδότησης, τότε η ΑΙ δεν «διορθώνει» την εικόνα. Αντίθετα, μπορεί να κλιμακώσει το λάθος.
Στην πράξη, αυτό σημαίνει ότι ένα εργαλείο μπορεί να εμφανίσει μια εταιρεία ως ανερχόμενο αστέρι επειδή διαβάζει λανθασμένα σήματα ανάπτυξης, ή να υποβαθμίσει μια πολλά υποσχόμενη startup επειδή απουσιάζουν κρίσιμα δεδομένα από το ιστορικό της. Σε μια αγορά όπου η έγκαιρη αναγνώριση μιας τάσης αποτελεί ανταγωνιστικό πλεονέκτημα, η κακή πληροφορία μπορεί να κοστίσει πολύ ακριβά.
Τι σημαίνει «bad data» στο οικοσύστημα των startups
Ο όρος «κακά δεδομένα» δεν αφορά μόνο προφανή λάθη. Στο venture capital, παίρνει πολλές μορφές και συχνά κρύβεται μέσα στην καθημερινή ροή πληροφορίας.
Ελλιπή στοιχεία χρηματοδότησης
Δεν δημοσιοποιούνται όλοι οι γύροι με την ίδια λεπτομέρεια. Σε αρκετές περιπτώσεις λείπουν ακριβή ποσά, συμμετέχοντες επενδυτές, όροι της συμφωνίας ή το αν πρόκειται για equity, debt ή bridge financing. Αυτό δυσκολεύει όχι μόνο την κατανόηση της πραγματικής κεφαλαιακής κατάστασης μιας εταιρείας, αλλά και τις συγκρίσεις με άλλες startups.
Παρωχημένες πληροφορίες
Το οικοσύστημα των startups μεταβάλλεται ταχύτατα. Μια εταιρεία μπορεί μέσα σε λίγους μήνες να αλλάξει μοντέλο εσόδων, διοίκηση, γεωγραφική στόχευση ή θέση στην αγορά. Όταν οι βάσεις δεδομένων δεν ενημερώνονται εγκαίρως, οι επενδυτές λαμβάνουν αποφάσεις με βάση μια εικόνα που δεν ισχύει πλέον.
Ασύνδετα datasets
Τα funds συχνά χρησιμοποιούν πολλαπλές πηγές: εσωτερικό CRM, δεδομένα αγοράς, πληροφορίες χρηματοδοτήσεων, social signals, hiring trends και εξειδικευμένα εργαλεία αναλύσεων. Αν αυτά τα συστήματα δεν «μιλούν» μεταξύ τους, το αποτέλεσμα είναι αποσπασματική ορατότητα και περιορισμένη δυνατότητα εξαγωγής ασφαλών συμπερασμάτων.
Στρεβλώσεις και προκαταλήψεις
Τα ιστορικά δεδομένα αντανακλούν και τις αδυναμίες της αγοράς. Αν στο παρελθόν χρηματοδοτήθηκαν περισσότερο συγκεκριμένες γεωγραφίες, προφίλ ιδρυτών ή κλάδοι, ένα μοντέλο ΑΙ μπορεί να αναπαράγει αυτές τις προκαταλήψεις αντί να εντοπίζει πραγματικά την καινοτομία όπου αναδύεται.
Γιατί το πρόβλημα γίνεται τώρα πιο κρίσιμο
Το venture capital πάντα λειτουργούσε με ατελή πληροφόρηση. Η διαφορά σήμερα είναι ότι η βιομηχανία προσπαθεί να αυτοματοποιήσει όλο και μεγαλύτερο μέρος της επενδυτικής κρίσης. Όσο περισσότερα layers ανάλυσης μεταφέρονται σε αλγοριθμικά συστήματα, τόσο μεγαλύτερη γίνεται η εξάρτηση από την ποιότητα της πρώτης ύλης: των δεδομένων.
Παράλληλα, η ίδια η αγορά έχει γίνει πιο σύνθετη. Η έκρηξη των AI startups, η αύξηση των νέων μοντέλων χρηματοδότησης και η διεθνοποίηση των οικοσυστημάτων δημιουργούν περισσότερο «θόρυβο». Σε ένα τέτοιο περιβάλλον, η διάκριση ανάμεσα σε πραγματική δυναμική και πρόσκαιρο hype απαιτεί όχι απλώς περισσότερα δεδομένα, αλλά καλύτερα δεδομένα.
Αυτό εξηγεί γιατί η συζήτηση δεν αφορά μόνο εταιρείες πληροφόρησης ή data platforms. Αφορά τον πυρήνα της επενδυτικής διαδικασίας: sourcing, due diligence, αποτίμηση, portfolio monitoring και τελικά έξοδο από την επένδυση.
Οι επιπτώσεις στις αποτιμήσεις και στο due diligence
Η κακή ποιότητα δεδομένων μπορεί να αλλοιώσει την αποτίμηση μιας startup με περισσότερους από έναν τρόπους. Αν μια εταιρεία φαίνεται να κινείται σε «καυτή» κατηγορία της αγοράς λόγω λανθασμένης ταξινόμησης, μπορεί να λάβει υψηλότερο ενδιαφέρον απ’ όσο δικαιολογούν τα θεμελιώδη της. Αντίστροφα, μια εταιρεία που δραστηριοποιείται σε υποεκτιμημένο τμήμα της αγοράς μπορεί να χαθεί από το ραντάρ των επενδυτών.
Στο due diligence, οι συνέπειες είναι ακόμη πιο απτές. Ένα fund που βασίζεται υπερβολικά σε αυτοματοποιημένα σήματα χωρίς επαρκή ανθρώπινη επαλήθευση μπορεί να υποτιμήσει ρίσκα γύρω από το burn rate, τη δομή κεφαλαίου, την ποιότητα των εσόδων ή την ένταση του ανταγωνισμού. Αν το αρχικό dataset είναι ανεπαρκές, τότε και η ανάλυση γίνεται εύθραυστη.
Επιπλέον, τα bad data δυσκολεύουν και τη διαχείριση χαρτοφυλακίου. Τα funds θέλουν να γνωρίζουν έγκαιρα ποιες εταιρείες χρειάζονται follow-on κεφάλαια, ποιες επιβραδύνουν και ποιες εμφανίζουν ισχυρά σήματα ανάπτυξης. Αν οι εσωτερικές αναφορές τροφοδοτούνται από δεδομένα χαμηλής ποιότητας, η κατανομή κεφαλαίου στο ίδιο το portfolio μπορεί να γίνει λιγότερο αποτελεσματική.
Η αγορά χρειάζεται υποδομή δεδομένων, όχι μόνο νέα εργαλεία
Η απάντηση στο πρόβλημα δεν είναι να εγκαταλείψει το venture capital την ΑΙ. Είναι να επενδύσει περισσότερο στην υποδομή δεδομένων που υποστηρίζει την ΑΙ. Αυτό σημαίνει καλύτερη συλλογή, καθαρισμό, ενοποίηση και επικύρωση της πληροφορίας πριν αυτή φτάσει στα μοντέλα ανάλυσης.
Στην πράξη, τα funds και οι πλατφόρμες της αγοράς καλούνται να δώσουν βάρος σε τέσσερις βασικούς άξονες:
1. Τυποποίηση της πληροφορίας
Οι γύροι χρηματοδότησης, οι αποτιμήσεις, τα revenue signals και τα προφίλ εταιρειών πρέπει να καταγράφονται με ενιαία λογική. Χωρίς κοινές δομές, η σύγκριση εταιρειών και αγορών γίνεται προβληματική.
2. Συνεχής ενημέρωση
Η αξία ενός dataset μειώνεται γρήγορα όταν δεν ανανεώνεται. Σε κλάδους όπως η τεχνητή νοημοσύνη, όπου οι μεταβολές είναι σχεδόν εβδομαδιαίες, η καθυστέρηση ενημέρωσης μπορεί να καταστήσει μια ανάλυση παρωχημένη πριν ακόμη χρησιμοποιηθεί.
3. Συνδυασμός αυτοματοποίησης και ανθρώπινης επιμέλειας
Τα μοντέλα μηχανικής μάθησης είναι αποτελεσματικά στον εντοπισμό μοτίβων και στην επεξεργασία μεγάλου όγκου δεδομένων. Όμως η επικύρωση κρίσιμων στοιχείων, η κατανόηση συμφραζομένων και η ανίχνευση ασυνήθιστων περιπτώσεων εξακολουθούν να απαιτούν ανθρώπινη κρίση.
4. Διαφάνεια στην προέλευση των δεδομένων
Όσο πιο καθαρό είναι το provenance ενός δεδομένου — από πού προήλθε, πότε ενημερώθηκε, πόσο έχει επαληθευτεί — τόσο πιο εύκολα μπορεί ένα fund να αξιολογήσει αν αξίζει να το ενσωματώσει στην επενδυτική του διαδικασία.
Η επόμενη ημέρα για τα VC funds
Καθώς ο ανταγωνισμός για πρόσβαση στις καλύτερες startups εντείνεται, η πίεση για ταχύτερες και πιο τεκμηριωμένες αποφάσεις θα μεγαλώνει. Τα funds που θα ξεχωρίσουν δεν θα είναι απαραιτήτως εκείνα με τα περισσότερα εργαλεία ΑΙ, αλλά εκείνα που θα έχουν οικοδομήσει πιο αξιόπιστο data stack.
Με άλλα λόγια, το μέλλον του venture capital δεν θα κριθεί μόνο από το ποιος έχει τον καλύτερο αλγόριθμο, αλλά από το ποιος έχει την πιο καθαρή, συνεπή και χρήσιμη εικόνα της αγοράς. Στην παρούσα συγκυρία, η ποιότητα των δεδομένων μετατρέπεται σε στρατηγικό πλεονέκτημα.
Για το οικοσύστημα των startups, αυτό έχει και μια ευρύτερη σημασία. Όσο πιο σωστά λειτουργεί η υποδομή πληροφόρησης της αγοράς, τόσο αυξάνονται οι πιθανότητες να διοχετεύεται κεφάλαιο σε εταιρείες με πραγματική προοπτική και όχι απλώς σε όσες παράγουν τον περισσότερο θόρυβο. Σε μια περίοδο όπου η ΑΙ επαναπροσδιορίζει τον τρόπο με τον οποίο λαμβάνονται οι αποφάσεις, η διάσωση του venture capital από τα bad data ίσως αποδειχθεί εξίσου σημαντική με την ίδια την τεχνολογική καινοτομία.
