Archive for due diligence
Jak VC analizuje projekt wykorzystujący AI?
July 9th, 2025 due diligence, startup, vcTags: AI, startup
Gdy wszyscy chcą inwestować w AI, istotne znaczenie dla inwestora ma, aby wyrobić sobie zdanie, czy AI tworzy w danym projekcie konkretną wartość dodaną, czy raczej “pudruje” rozwiązanie. Jak to sprawdzić? Z perspektywy inwestora weryfikacja komponentu AI to element DD technologicznego, celem jest więc ustalenie czy technologia jest skalowalna i efektywnie rozwiązuje problem biznesowy. Weryfikacja tego może nie być prosta bez doświadczenia technicznego, ale zebranie podstawowych danych pozwoli zbudować pewien obraz w który możemy uwierzyć lub nie (jako inwestorzy). Poniższa checklista próbuje usystematyzować zbieranie takich danych. Przygotowana na podstawie “How to assess Artificial Intelligence (AI) Startups (Part I), (Part II)”, z własnymi modyfikacjami.
Podstawowe pytania do oceny wykorzystania AI w startupie:
- Definicja i rola AI w startupie
- Jaką konkretnie rolę pełni AI w produkcie lub usłudze startupu?
- Czy AI jest kluczowym elementem wartości firmy, czy tylko dodatkiem wspierającym inne procesy?
- Jaki problem biznesowy startup rozwiązuje za pomocą AI?
- Czy startup jest firmą core AI (tworzącą własne rozwiązania), czy operatorem AI (wykorzystującym istniejące narzędzia AI)?
- Typ i źródło algorytmów
- Czy startup tworzy własne algorytmy AI, czy korzysta z gotowych rozwiązań?
- Jakie rodzaje algorytmów są wykorzystywane (np. Machine Learning, Deep Learning, LLM, inne)?
- Jakie są ograniczenia i mocne strony wybranych algorytmów w kontekście zastosowań startupu?
- Dane i proces uczenia
- Skąd pochodzą dane treningowe? Czy są publiczne, komercyjne, czy własne (proprietary)?
- Jaka jest jakość, kompletność i ilość danych treningowych?
- Czy dane są odpowiednio oczyszczone, znormalizowane i oznaczone (labeled)?
- Jak startup radzi sobie z problemem niedoboru lub błędów w danych? Czy wykorzystuje dane syntetyczne? Jak są one syntezowane?
- Czy przewaga konkurencyjna wynika z unikalnych danych?
- Zastosowanie i dobór modeli, trenowanie modelu
- Jakie modele AI są używane i do jakich konkretnych zastosowań?
- Czy startup korzysta z modeli pretrenowanych, czy samodzielnie je trenuje?
- Jakie zasoby (sprzęt, chmura, koszty) są wykorzystywane do trenowania i wdrażania modeli?
- Jak często modele wymagają ponownego trenowania i jaki jest tego koszt?
- Gdzie odbywa się proces wnioskowania/inferencji (w chmurze, lokalnie, hybrydowo)?
- Wydajność i skalowalność
- Jakie są parametry wydajności modeli (np. czas odpowiedzi, precyzja, koszty operacyjne)?
- Jak startup radzi sobie ze skalowaniem rozwiązań AI (np. wzrost liczby użytkowników, większe wolumeny danych)?
- Jaki framework (np. PyTorch, TensorFlow) jest wykorzystywany i dlaczego wybrano właśnie ten?
- Zespół i kompetencje
- Kto odpowiada za rozwój i wdrożenie AI w startupie?
- Jakie doświadczenie i kompetencje mają kluczowi członkowie zespołu (np. liczba Ph.D., doświadczenie produkcyjne w ML/AI)?
- Jakie języki programowania i frameworki są wykorzystywane przez zespół?
- Strategia rozwoju AI
- Jaka jest strategia rozwoju własnych kompetencji AI w firmie?
- Czy istnieje plan rozwoju własnych modeli lub przejścia na bardziej zaawansowane rozwiązania?
- Jak startup planuje utrzymać przewagę technologiczną w AI?
- Ryzyka regulacyjne
- Czy istnieją jakieś ryzyka regulacyjne aktualnie lub w przyszłości?
- Czy dane są pozyskiwane legalnie i zgodnie z regulacjami (np. RODO)?
- Jakie są mechanizmy zapewnienia prywatności i bezpieczeństwa danych?
- Jak potwierdzić, że algorytmy AI są wolne od stronniczości i dyskryminacji (tzw. algorithmic bias)?
- Czy można prześledzić tok wnioskowania systemu AI (tzw. explainability)?
Warto pamiętać, że z perspektywy inwestora, nie powinno mieć znaczenia wykorzystanie AI w startupie, powinien on być po prostu “dobrą inwestycją”.
