Due diligence startupu AI: checklista dla aniołów i operatorów

Wkładanie pieniędzy we wczesny „startup AI” to jedna z najbardziej ryzykownych rzeczy, jakie może zrobić inwestor — i jedna z najłatwiejszych do zrobienia źle, bo słowo „AI” zwiera czujność. Ta checklista to uporządkowany sposób, by trzymać czujność włączoną. Celuje w aniołów i operatorów patrzących na transakcje prywatne, ale pytania działają dla każdego, kto próbuje odróżnić prawdziwy biznes AI od pitch decka.

To materiał edukacyjny, nie porada inwestycyjna (zob. disclaimer). Użyj go, by zadawać lepsze pytania, nie jak punktacji, która podejmie decyzję za Ciebie.

1. Dane

AI żyje i umiera na danych, więc zacznij tutaj.

• Pochodzenie. Skąd pochodzą dane treningowe? Czy mogą pokazać?
• Prawa. Czy mają prawo z nich korzystać? Scrapowane czy licencjonowane? Niejasne odpowiedzi to ryzyko prawne, nie tylko jakościowe.
• Fosa. Czy dane są własne i trudne do odtworzenia — realna fosa danych — czy każdy konkurent z kluczem do API odtworzy wynik? Jeśli to drugie, dużej części „AI” nie da się obronić.

2. Model

• Prawdziwy czy nakładka? Czy jest realna praca nad modelem, czy produkt to cienka warstwa na cudzym API przebrana za „naszą AI”? Oba mogą być biznesem — ale wycenia się je bardzo różnie.
• Skuteczność. Jak mierzona jest dokładność, na jakim zbiorze testowym i czy pokażą poziom błędu? „Działa świetnie” to nie miara.
• Ryzyko zależności. Jeśli polegają na cudzym modelu, co się stanie, gdy dostawca zmieni cenę, warunki lub możliwości? To pojedynczy punkt awarii na cudzej mapie drogowej.

3. Zespół

• Sprawdzalne doświadczenie. Czy założyciele i liderzy techniczni mają adekwatne, sprawdzalne tło — a nie świeżo nadane tytuły „szef AI”?
• Zdolność build vs buy. Czy faktycznie potrafią zbudować to, co deklarują, czy składają gotowe części? Żadne nie dyskwalifikuje; mylenie tego w pitchu to flaga.

4. Fosa i rynek

• Obronność. Poza danymi, co powstrzymuje większą, lepiej finansowaną firmę przed skopiowaniem tego w kwartał? Dystrybucja, zgody regulacyjne, koszty zmiany?
• Realny popyt. Czy klienci płacą, czy to nieodpłatne pilotaże i listy intencyjne ubrane w trakcję?

5. Komercja

• Jakość przychodu. Powtarzalny i płatny, czy jednorazowy i darmowy? Czy „przychód z AI” jest wyodrębniony, czy wtopiony w mgliste sumy?
• Spalanie i pas startowy. Moc obliczeniowa AI jest droga. Jak szybko ucieka gotówka i co zakłada następna runda?
• Warunki. Lock-up, preferencje likwidacyjne, rozwodnienie, opłaty SPV — struktura potrafi po cichu zjeść Twój zwrot, nawet jeśli firmie idzie dobrze. Opisujemy to w filarze jak inwestować w AI.

Czerwone flagi AI-washingu (szybki skan)

Te same kontrole co dla spółek publicznych — działają podwójnie przy startupach, gdzie nie ma 10-K, by trzymać kogokolwiek w ryzach:

• „AI” bez nazwanego modelu, techniki czy zbioru danych.
• Pokaz zawsze nagrany lub po cichu z człowiekiem w pętli.
• Deklaracje dokładności bez poziomu błędu czy zbioru testowego.
• Wycena, która odbiła na rebrandingu „na AI”, nie na biznesie.
• Więcej AI na stronie głównej niż w produkcie.

Nasz przewodnik o AI-washingu wchodzi głębiej w każdą, z ramą CFA Institute.

Jak tego używać

Nie traktuj checklisty jak zaliczenia. Traktuj jak mapę, gdzie kopać. Startup może chybić kilku punktów i wciąż być świetną inwestycją; liczy się, że wiesz, gdzie jest słaby, i świadomie wyceniasz to ryzyko. Trybem porażki nie jest poparcie niedoskonałej firmy — to poparcie takiej, której słabości nigdy nie sprawdziłeś, bo „AI” kazało Ci przestać pytać.

---

Materiał edukacyjny, nie porada inwestycyjna. Inwestowanie we wczesne fazy może skończyć się całkowitą utratą kapitału. Rób własne due diligence i w razie potrzeby szukaj porady specjalisty.