سرمایه‌گذاری خطرپذیر: مدیران نوظهور بیشتر به شرکت‌های غیرمتعارف روی می‌آورند
داده‌های Carta نشان می‌دهد که صندوق‌های سرمایه‌گذاری خطرپذیر (VC) که در سال ۲۰۱۷ تأسیس شده‌اند، در طول ۹ سال تنها ۰.۳۷ برابر سرمایه اولیه را بازگردانده‌اند و تنها ۱۰ درصد برتر توانسته‌اند کمی بیشتر از اصل سرمایه را بازگردانند. در همین حال، ۸۲.۷ تا ۸۹.۵ درصد از سبد سرمایه‌گذاری صندوق‌های عظیم به هوش مصنوعی اختصاص یافته است، در حالی که مدیران نوظهور دو برابر بیشتر به شرکت‌های غیرمتعارف سرمایه‌گذاری می‌کنند.
بنیان‌گذاران اغلب سرمایه‌گذاری خطرپذیر را به عنوان «سرمایه صبور» تلقی می‌کنند، اما تحقیقات جدید Venture Curator نشان می‌دهد که اکثر صندوق‌ها پس از ۹ سال حتی اصل سرمایه را به سرمایه‌گذاران خود بازنگردانده‌اند. در همین حال، صندوق‌های عظیم تقریباً تمام سبد خود را به هوش مصنوعی اختصاص داده‌اند، در حالی که مدیران نوظهور بیشتر جسارت سرمایه‌گذاری در شرکت‌های غیرمتعارف را دارند.
مدیران نوظهور VC بیشتر به شرکت‌های نوپای غیرمعمول سرمایه‌گذاری می‌کنند، در حالی که هزینه‌های هوش مصنوعی در میان بیش از ۷۰ هزار شرکت بسیار متفاوت است.
حوزه سرمایه‌گذاری خطرپذیر همواره به فلسفه «غیرمتعارف» اعتقاد داشته است. تعداد کمی از شرکت‌های کمتر شناخته شده، بخش عمده‌ای از بازده را تأمین می‌کنند، بنابراین منطقاً انتظار می‌رود که بزرگترین تیم‌ها، گسترده‌ترین شبکه‌ها و بیشترین سرمایه، این اهداف را پیدا کنند.
اما تحقیقات جدید Dan Grey از Odin بر اساس داده‌های Dealroom نشان می‌دهد که در حال حاضر، بزرگترین نهادها کمترین احتمال را دارند که روی اهداف «غیرمتعارف» شرط‌بندی کنند.
Grey هر شرکت در سبد سرمایه‌گذاری دور اولیه (Seed Round) پنج صندوق عظیم (a16z، General Catalyst، Lightspeed، NEA و Accel) در بازه زمانی ۲۰۲۳ تا ۲۰۲۵ را ارزیابی کرده و با گروهی از مدیران نوظهور برتر مقایسه کرده است. او این شرکت‌ها را بر اساس «کمیابی» امتیازدهی کرده است. کمیابی بر اساس دو بعد کسب‌وکار (صنعت، مدل، مشتری، منطقه) و فناوری، در مقایسه با تمام شرکت‌هایی که از سال ۲۰۱۸ تا ۲۰۲۵ دور اولیه را دریافت کرده‌اند، اندازه‌گیری شده است. پنج درصد غیرمعمول‌تر به عنوان شرکت‌های غیرمتعارف در نظر گرفته شده‌اند.
۲۴.۷ درصد از سرمایه قابل ارزیابی دور اولیه مدیران نوظهور به شرکت‌های غیرمتعارف (۴۹ مورد از ۱۹۸ مورد) اختصاص یافته است. صندوق‌های عظیم تنها ۱۱.۵ درصد (۳۲ مورد از ۲۷۸ مورد) سرمایه‌گذاری کرده‌اند. این اختلاف تقریباً دو برابر است.
این بدان معنا نیست که هر صندوق کوچکی عملیات معکوس را دوست دارد. بسیاری از مدیران نوظهور، مانند صندوق‌های عظیم، به شدت روی هوش مصنوعی سرمایه‌گذاری می‌کنند: Conviction ۱۰۰ درصد هوش مصنوعی و South Park Commons ۹۳.۵ درصد است. تفاوت از صندوق‌های تخصصی با مأموریت‌های متفاوت ناشی می‌شود، مانند Lowercarbon که تنها ۱۸.۸ درصد به هوش مصنوعی و Multicoin تنها ۱۵.۴ درصد سرمایه‌گذاری کرده‌اند.
به همین دلیل است که تخصیص سبد اهمیت دارد. اگر سبد پنج مدیر نوظهور را ادغام کنیم، تمرکز به طور متوسط ۲۲.۶ درصد کاهش می‌یابد. ادغام پنج صندوق عظیم تنها ۲.۰ درصد کاهش می‌یابد، زیرا هر پنج صندوق در حال حاضر بین ۸۲.۷ تا ۸۹.۵ درصد سبد خود را به هوش مصنوعی اختصاص داده‌اند. در بین ۴۶۲ ترکیب ممکن از مدیران نوظهور، تنها ۲ مورد نتوانستند از سبد صندوق‌های عظیم بهتر عمل کنند.
اهمیت این موضوع فراتر از آمار سبد است. تحقیقات در مورد ریسک تأمین مالی همیشه بر این نکته تأکید داشته است که اینکه آیا سرمایه‌گذاران انتظار تأمین مالی بعدی را دارند، تعیین می‌کند که کدام آزمایش‌ها اولین چک را دریافت می‌کنند. Odin با احتیاط بیان می‌کند که داده‌های آن این مکانیسم را اثبات نمی‌کند. اما اگر بزرگترین استخر سرمایه فقط روی پروژه‌هایی سرمایه‌گذاری کند که قبلاً به طور گسترده قابل سرمایه‌گذاری تلقی شده‌اند، آنگاه شرکت‌های خارج از این اجماع باید به دیگران برای اولین شرط‌بندی تکیه کنند.
آیا این بدان معناست که مدیران نوظهور در انتخاب برندگان بهتر عمل می‌کنند؟
خیر. «غیرمتعارف» در اینجا به معنای کمیاب بودن در میان شرکت‌های سرمایه‌پذیر است، نه لزوماً نوآورانه‌تر بودن یا احتمال موفقیت بیشتر. هنگامی که پیشینه بنیان‌گذاران به امتیازدهی اضافه می‌شود، این اختلاف به ۱۹.۸ درصد در مقابل ۱۴.۴ درصد کاهش می‌یابد. گروه مدیران نوظهور نمونه‌ای منتخب است و کل بازار را نمایندگی نمی‌کند. علاوه بر این، صندوق‌های کوچک نیز لحظات گله‌ای خود را دارند: بلاکچین ۴۶.۷ درصد از دورهای اولیه آنها را تشکیل می‌داد و بعداً به ۲۰.۹ درصد کاهش یافت.
اینجاست که سرمایه‌گذاران باید مراقب باشند.
اگر استدلال شما این است که بازده از شرکت‌های غیرمتعارف حاصل می‌شود، اضافه کردن یک صندوق نامدار دیگر، عمدتاً شرط‌بندی‌های مشابه را افزایش می‌دهد. سبدی از صندوق‌های با مأموریت‌های واقعاً متفاوت می‌تواند دامنه را افزایش دهد. اما دامنه به تنهایی دلیلی برای صدور چک نیست. تست خود Odin این است: چه چیزی را یک صندوق می‌تواند به سبد موجود شما اضافه کند، با چه هزینه‌ای و حقوق ضمنی، چه میزان رقیق شدن سهام، و ریسک تأمین مالی بعدی چگونه است.
مسئله واقعی این نیست که کدام صندوق بزرگتر است. مسئله این است که کدام صندوق‌ها واقعاً به جایی نگاه می‌کنند که دیگران نگاه نمی‌کنند، زیرا بر اساس داده‌ها، این لیست به طور فزاینده‌ای همان افراد نیست.
همیشه به بنیان‌گذاران آموزش داده می‌شود: VC سرمایه صبور است. سرمایه‌گذاری خطرپذیر یک ماراتن است، و هدف از تأسیس یک صندوق، انتظار برای پایان بزرگ است، و هیچ‌کس در جدول سهام عجله‌ای برای نقدینگی ندارد.
اما داده‌های جدید از گزارش عملکرد صندوق‌های VC Carta در سه ماهه دوم ۲۰۲۶ نشان می‌دهد که صبر بسیاری از صندوق‌ها به پایان خود نزدیک شده است، زیرا اکثر آنها هنوز پول سرمایه‌گذاران خود را بازنگردانده‌اند.
Carta نسبت خالص DPI (توزیع نقدی) را که نسبت نقدی که صندوق عملاً به سرمایه‌گذاران خود بازگردانده به ازای هر دلار سرمایه‌گذاری شده توسط سرمایه‌گذاران است، ردیابی کرده است. این گزارش حدود ۳۰۰۰ صندوق سرمایه‌گذاری خطرپذیر در ایالات متحده را که بین سال‌های ۲۰۱۷ تا ۲۰۲۶ سرمایه‌گذاری را آغاز کرده‌اند، پوشش می‌دهد.
صندوق‌هایی که در سال ۲۰۱۷ سرمایه‌گذاری را آغاز کرده‌اند، اکنون حدود ۹ سال سن دارند و به پایان چرخه عمر معمول ۱۰ ساله صندوق نزدیک می‌شوند. صندوق میانه تنها ۰.۳۷ برابر سرمایه را بازگردانده است. حتی ۲۵ درصد برتر نیز تنها ۰.۷۰ برابر بازگردانده‌اند. تنها ۱۰ درصد برتر بیش از مبلغ سرمایه‌گذاری شده توسط سرمایه‌گذاران را بازگردانده‌اند و به ۱.۳۷ برابر رسیده‌اند.
وضعیت صندوق‌های جوان‌تر بدتر است. صندوق‌های سال ۲۰۱۸ به طور متوسط ۰.۱۵ برابر بازگردانده‌اند و صندوق‌های سال ۲۰۱۹ به طور متوسط ۰.۰۴ برابر، یعنی پس از هفت سال، تنها ۴ سنت به ازای هر دلار بازگردانده‌اند.
ارزش دفتری واقعی وجود دارد. ارزش دفتری میانه صندوق‌های سال ۲۰۱۷ برابر ۱.۷۲ برابر بوده است، اما تنها حدود یک پنجم آن به صورت نقدی بازگردانده شده است. باقی مانده هنوز در شرکت‌های خصوصی که هنوز فروخته یا عرضه نشده‌اند، قفل شده است.
جزئیات دومی توضیح می‌دهد که چرا از بیرون دیدن این موضوع دشوار است. اکثر این صندوق‌ها مقداری پول بازگردانده‌اند: ۸۶ درصد از صندوق‌های سال ۲۰۱۷ و ۷۰.۴ درصد از صندوق‌های سال ۲۰۱۸ حداقل مقداری پول نقد بازگردانده‌اند. بنابراین تقریباً هر صندوق می‌تواند به سرمایه‌گذاران خود بگوید که توزیع آغاز شده است. اما تعداد کمی از صندوق‌ها می‌توانند بگویند که پول را بازگردانده‌اند.
پس چرا بنیان‌گذاران باید به دفترچه صندوق سرمایه‌گذاران خود اهمیت دهند؟
زیرا ساعت صندوق سرمایه‌گذار شما با ساعت شرکت شما یکسان نیست. صندوقی که به پایان عمر خود نزدیک است، هنوز بدهکار واقعی به سرمایه‌گذاران خود است و در حال جمع‌آوری صندوق بعدی خود است، انگیزه قوی برای دریافت نقدینگی در اسرع وقت دارد. این فشار ممکن است به صورت فشار برای فروش زودهنگام، فروش سهام خود در بازار ثانویه، یا احتیاط بیشتر در مورد ادامه سرمایه‌گذاری در دور بعدی تأمین مالی شما ظاهر شود.
و اینجاست که بنیان‌گذاران باید مراقب باشند.
هیچ‌کدام از اینها به این معنا نیست که سرمایه‌گذاران شما کارهایی علیه شما انجام خواهند داد. صندوق‌ها می‌توانند عمر خود را تمدید کنند و بسیاری از نهادهای برتر دلایل خوبی برای ادامه حمایت از برندگان خود دارند. داده‌های Carta تنها شکاف نقدی را نشان می‌دهد و نشان نمی‌دهد که هر صندوق چگونه عمل خواهد کرد. اما سال صندوقی که چک را به شما داده است، اکنون یک متغیر واقعی است، نه یک پاورقی. یک شریک که از صندوق سال ۲۰۱۷ یا ۲۰۱۸ سرمایه‌گذاری کرده است، در موقعیت کاملاً متفاوتی نسبت به شریکی قرار دارد که از صندوق کاملاً جدید سال ۲۰۲۵ سرمایه‌گذاری کرده است.
ریسک واقعی این نیست که سرمایه‌گذار شما به نقدینگی نیاز دارد. بلکه این است که شما نمی‌دانید پول شما از کدام صندوق آمده است، چقدر پول نقد به سرمایه‌گذاران خود بدهکار است، و این موضوع چگونه بر توصیه‌های آنها در مورد دور بعدی تأمین مالی یا خروج شما تأثیر می‌گذارد.
اکثر گزارش‌های هوش مصنوعی بر لبه جلویی تمرکز دارند: آخرین، هوشمندانه‌ترین و گران‌ترین مدل‌های هر آزمایشگاه. اما Tomasz Tunguz از Theory Ventures استدلال می‌کند که بازار واقعی مهم، لایه میانی است و داده‌های هزینه نیز این را تأیید می‌کنند.
لایه میانی حدود ۴۰ درصد از هزینه‌های هوش مصنوعی و ۳۰ درصد از مصرف توکن را به خود اختصاص داده است.
در مقایسه، بخش مدل‌های پیشرفته بسیار کم است. قوی‌ترین مدل Anthropic، Fable 5.1، تنها ۳.۷ درصد از هزینه‌های دروازه را در ۱۲ روز اول عرضه به خود اختصاص داد. نسل قبلی آن به ۱۳.۲ درصد رسید و سپس یک ماه پس از عرضه Opus 5 با نصف قیمت، به ۴.۹ درصد کاهش یافت. در حساب‌های بزرگ شرکتی، مصرف توکن مدل‌های پیشرفته از ۵۳ درصد در اوایل آگوست به ۴۵ درصد در سپتامبر کاهش یافت.
جنگ قیمت نیز در این لایه در حال وقوع است. هنگامی که Anthropic در سپتامبر مدل جدید خود را کاهش قیمت داد، OpenAI حدود ۹۰ دقیقه بعد از آن پیروی کرد. قبل از آن کاهش قیمت، چهار نسخه متوالی سری Opus با قیمت ثابت ۵ دلار به ازای هر میلیون توکن ورودی و ۲۵ دلار به ازای هر میلیون توکن خروجی عرضه می‌شدند. در انتهای پایین، OpenAI در ماه جولای قیمت Luna را ۸۰ درصد کاهش داد و در ماه سپتامبر ۵۰ درصد دیگر کاهش داد.
سه نیرو به طور مداوم قیمت لایه میانی را به سمت پایین فشار می‌دهند:
رقابت بین آزمایشگاه‌ها. آزمایشگاه‌ها اکنون به جای فصول، در عرض چند ساعت کاهش قیمت یکدیگر را دنبال می‌کنند.
مدل‌های با وزن باز. در دروازه‌هایی که داده‌ها را منتشر می‌کنند، مدل‌های باز بخش عمده‌ای از حجم توکن را اجرا می‌کنند و ۸۶ درصد ارزان‌تر از قیمت ترکیبی مدل‌های با کد بسته هستند.
تنظیم دقیق (Fine-tuning). Cursor Composer 2 که بر اساس مدل با وزن باز Kimi K2.5 تنظیم شده است، در مقایسه با مدل داخلی قبلی خود، ۸۶ درصد کاهش هزینه کلی را تجربه کرده است. Harvey هزینه هر سلول را در مقایسه با Sonnet 5 به میزان ۵۵ درصد کاهش داده است، در حالی که امتیاز آن بالاتر از Fable 5 است.
این وضعیت به صورت ساختاری ادامه دارد. کارهایی که شرکت‌ها نیاز دارند هوش مصنوعی انجام دهد، مانند خلاصه کردن یک قرارداد یا طبقه‌بندی یک درخواست کار، سال به سال تقریباً بدون تغییر باقی می‌مانند. در حالی که هزینه هوش مصنوعی که می‌تواند این آستانه را برآورده کند به سرعت در حال کاهش است. بنابراین سطحی که می‌تواند یک الزام ثابت را برآورده کند، هر فصل ارزان‌تر می‌شود، و اکثر کارهای واقعی در این لایه قرار می‌گیرند، نه در لبه جلویی.
تقاضا بیشتر شبیه یک منحنی زنگوله‌ای با قسمت میانی ضخیم است تا یک هرم با لبه جلویی در بالا. خریداران بیشتر به میزان هوشمندی که می‌توانند به ازای هر دلار بخرند اهمیت می‌دهند تا قابلیت‌های اوج. سوال معلق این است که آیا این بازار میانی در نهایت به یک کالای اساسی تبدیل خواهد شد یا خیر. اگر چنین شود، اقتصاد کل بازار هوش مصنوعی نیز تغییر خواهد کرد.
برای هر کسی که محصولاتی را بر روی این مدل‌ها می‌سازد، ارزش دارد بپرسد: محصول شما واقعاً به کدام لایه نیاز دارد. پرداخت هزینه مدل‌های پیشرفته برای کارهای لایه میانی، اکنون یکی از سودهایی است که باید دور ریخته شود.
از اکثر بنیان‌گذاران بپرسید که چقدر برای هوش مصنوعی هزینه کرده‌اند و یک عدد مطمئن دریافت خواهید کرد: صندلی‌های ChatGPT و Claude، صورت‌حساب‌های Cursor، هزینه‌های API در حال افزایش، که در مجموع چند هزار دلار در ماه می‌شود. این دقیق به نظر می‌رسد، اما در واقع اینطور نیست. زیرا سه نوع هزینه کاملاً بی‌ارتباط را با هم جمع می‌کند، تنها نقطه مشترک آنها دسته تامین‌کننده است.
داده‌های پرداخت Ramp که بیش از ۷۰ هزار شرکت آمریکایی را پوشش می‌دهد، نشان می‌دهد که «استفاده از هوش مصنوعی» چقدر پراکنده شده است.
شرکت میانه به ازای هر کارمند ماهانه ۱۱.۳۸ دلار هزینه می‌کند. ۱۰ درصد برتر ۶۱۱ دلار هزینه می‌کنند.
۱ درصد برتر ۷,۴۴۹ دلار هزینه می‌کنند، تقریباً ۶۵۰ برابر میانه. و هنگامی که Ramp این هزینه‌ها را با سوابق نیروی کار ۲۱,۵۵۹ شرکت که توسط Revelio Labs پوشش داده شده‌اند، مرتبط می‌کند، متوجه می‌شود که شرکت‌های با هزینه بالا در دو سال ۱۰.۲ درصد افزایش تعداد کارمندان داشته‌اند، که در آن استخدام در مشاغل سطح ورودی ۱۲ درصد افزایش یافته است.
داده‌های کاربران با شدت کم هیچ تغییر قابل توجهی نشان نمی‌دهند.
بنابراین بیشتر هزینه کنید. اما کجا؟
اکثر بنیان‌گذاران صورت‌حساب‌های هوش مصنوعی را با بودجه نرم‌افزار خود مقایسه می‌کنند، زیرا این هزینه‌ها در صورت‌حساب‌ها در کنار Figma و Notion قرار دارند. این مخرج اشتباه است. به طور فزاینده‌ای، هزینه‌های هوش مصنوعی جایگزین نرم‌افزار نمی‌شوند، بلکه جایگزین انسان‌ها می‌شوند. یک عامل خدمات مشتری با یک موقعیت خدمات مشتری قابل مقایسه است، نه مجموعه SaaS شما.
یک شرکت معمولی در مرحله اولیه را در نظر بگیرید: ۱۲ نفر، با هزینه حقوق ماهانه حدود ۱۸۰ هزار دلار، و هزینه هوش مصنوعی ۴ هزار دلار در ماه. در مقایسه با بودجه نرم‌افزار، ۴ هزار دلار زیاد به نظر می‌رسد. در مقایسه با هزینه حقوق، تنها ۲.۲ درصد است. همان عدد، نتیجه کاملاً مخالف.
راه حل این است که بودجه هوش مصنوعی را به سه بخش تقسیم کنید، هر کدام با معیار خود ارزیابی شود:
هوش مصنوعی خط حقوق (عوامل خدمات مشتری، SDR و برنامه‌نویس) با حقوق فردی که استخدام نکرده‌اید مقایسه می‌شود. اگر نمی‌توانید بگویید آن موقعیت چیست، نباید در این دسته قرار گیرد.
هوش مصنوعی خط بهره‌وری (صندلی‌ها، ابزارهای یادداشت‌برداری و نوشتن) به میزان استفاده نگاه می‌کند. اگر میزان استفاده در ماه دوم کاهش یافت، آن را لغو کنید.
هوش مصنوعی خط هزینه (توکن‌ها و فراخوانی‌های API در داخل محصول) به حاشیه سود ناخالص در حجم ۱۰ برابر نگاه می‌کند و باید در COGS در ترازنامه شما قرار گیرد.
ترکیب این سه دسته، هر سیگنال را خنثی می‌کند. هزینه‌های بیش از حد در صندلی‌ها باعث می‌شود کل مبلغ حجیم به نظر برسد، بنابراین بنیان‌گذاران در عوامل محدودیت ایجاد می‌کنند، در حالی که این دقیقاً جایی است که بازده وجود دارد. برندگان ۱ درصد برتر به دلیل هزینه زیاد برنده نیستند، بلکه به دلیل اینکه هزینه‌هایشان به خوبی دسته‌بندی شده است: شرط‌بندی سنگین در جایی که هوش مصنوعی جایگزین نیروی انسانی می‌شود، محدودیت شدید در جایی که فقط افراد را تسریع می‌کند، و نظارت بر حاشیه سود ناخالص در جایی که در داخل محصول است.
ما روش کامل رتبه‌بندی را تجزیه و تحلیل کرده‌ایم، از جمله یک فرآیند حسابرسی ۳۰ دقیقه‌ای، که می‌توانید همین هفته برای بررسی صورت‌حساب‌های خود از آن استفاده کنید، جزئیات بیشتر در «معیار واقعی هزینه‌های هوش مصنوعی شما چیست؟»
ممکن است فکر کنید که دشوارترین فناوری باید تحت سخت‌ترین بررسی قرار گیرد. یک کامپیوتر کوانتومی، یک راکتور همجوشی هسته‌ای یا یک معماری تراشه جدید، یا با قوانین فیزیک مطابقت دارد و کار می‌کند، یا نمی‌کند، و تأیید این موضوع به تخصص واقعی نیاز دارد.
اما Marin Ivezic از PostQuantum معتقد است که وضعیت دقیقاً برعکس است: هرچه معامله بزرگتر و فناوری پیچیده‌تر باشد، احتمال اینکه افراد مستقلی برای تأیید علمی بودن آن وجود داشته باشند، کمتر است.
این به دلیل تنبلی سرمایه‌گذاران نیست. چندین تغییر ساختاری با هم ترکیب شده‌اند.
لایه کارشناسان ناپدید شده است.
در گذشته، سرمایه‌گذاران می‌توانستند قضاوت فنی مستقلی را از تیم‌های تحقیقاتی بانک‌ها دریافت کنند که تحلیلگران متخصص را استخدام می‌کردند. قوانین MiFID II اروپا در سال ۲۰۱۸ که هزینه‌های تحقیق را از هزینه‌های معاملاتی جدا کرد، این مدل را منقبض کرد. گزارش شده است که تحقیقات سهام اروپا حدود ۲۰ درصد کاهش یافته است و تعداد تحلیلگران متخصص در بانک‌های بزرگ نیز کاهش یافته است.
شبکه‌های تخصصی اکنون یک کسب‌وکار حدود ۲.۵ میلیارد دلاری هستند و بخشی از این خلاء را پر می‌کنند. اما این تنها زمانی مؤثر است که بدانید از کدام متخصص بپرسید و چه سوالی بپرسید. در حوزه‌های پیشرفته، این دقیقاً دانشی است که سرمایه‌گذاران عمومی فاقد آن هستند.
سرمایه به سمت عمومی‌ها سرازیر شده است.
در سال ۲۰۲۵، سرمایه‌گذاری خصوصی کوانتومی به ۴.۹ میلیارد دلار رسیده است که ۱۹۲ درصد افزایش یافته است. بزرگترین سرمایه‌گذاران BlackRock و Nvidia هستند، نه صندوق‌های کوانتومی تخصصی. صندوق‌های ثروت ملی و صندوق‌های بازنشستگی نیز به طور فزاینده‌ای در این دورها شرکت می‌کنند و یک نظرسنجی از صندوق‌های ثروت ملی نشان داد که ۵۸ درصد از نهادها فاقد منابع لازم برای رهبری یک معامله هستند. سرمایه‌ای که قادر به انجام بررسی فنی خود نیست، در نهایت به قضاوت دیگران متکی است.
نام رهبران به جای بررسی‌ها جایگزین شده است.
یک رهبر معتبر، اعتبار را برای همه سرمایه‌گذاران همراه تضمین می‌کند. سرمایه‌گذاران همراه فرض می‌کنند که رهبر، امکان‌سنجی فیزیکی را تأیید کرده است، اما آنها آن بررسی را نمی‌بینند و نمی‌توانند تأیید کنند که واقعاً اتفاق افتاده است. برخی از دورها حتی این را هم ندارند: تأمین مالی ۶۰۰ میلیون دلاری Quantinuum هیچ رهبر نامگذاری شده‌ای نداشت.
مهلت‌ها و اثر گله‌ای، سرعت را بر بررسی‌ها اولویت داده‌اند.
در پایان سال ۲۰۲۳، صندوق‌های آمریکایی با رکورد ۳۱۱.۶ میلیارد دلار سرمایه خرج نشده انباشته شده بودند. یک مدیر صندوق که با فشار تخصیص مواجه است، سود بیشتری از پیوستن به یک معامله داغ نسبت به کند کردن آن دارد. و اشتباه کردن با همتایان، آسیب کمتری به اعتبار وارد می‌کند تا اشتباه کردن به تنهایی.
فناوری عمیق نقاط بررسی اجباری ندارد.
بیوتکنولوژی یک مقایسه خوب است. فرآیند تأیید FDA داده‌ها را در هر مرحله اجباری می‌کند، بنابراین صنعت مجموعه‌ای از مقررات بررسی دقیق را در اطراف آن ایجاد کرده است: هیئت مشاوران علمی، داوران متخصص، بررسی‌های مرحله‌ای.
حوزه کوانتوم هیچ سطح معادل ندارد. سخت‌ترین بررسی فنی برای شرکت‌های کوانتومی بزرگ که در این مقاله یافت می‌شود، از سوی دولت استرالیا است که از طریق درخواست افشای اطلاعات فاش شده است، نه از سوی هیچ سرمایه‌گذاری.
نتایج به وضوح در اعداد منعکس شده است.
سرمایه‌گذاری خصوصی کوانتومی در سال ۲۰۲۵ برابر ۴.۹ میلیارد دلار است، در حالی که کل درآمد صنعت محاسبات کوانتومی حدود ۱.۴ میلیارد دلار است. سه شرکت کوانتومی که در سال ۲۰۲۱ از طریق SPAC عرضه شدند، پیش‌بینی می‌کردند که درآمد کل آنها در سال ۲۰۲۵ حدود ۱.۲ میلیارد دلار باشد، در حالی که عملاً ۱۳۸ میلیون دلار تحویل داده‌اند. و کسانی که برخی از دقیق‌ترین بررسی‌های تأیید را انجام داده‌اند، فروشندگان کوتاه، نه سرمایه‌گذاران بوده‌اند.
این وضعیت چگونه به پایان خواهد رسید، سابقه دارد. بین سال‌های ۲۰۰۶ تا ۲۰۱۱، سرمایه‌گذاری خطرپذیر بیش از ۲۵ میلیارد دلار در فناوری پاک سرمایه‌گذاری کرد و بیش از نیمی از آن را از دست داد. محققانی که آن چرخه را مطالعه کردند، هشدار دادند که صندوق‌های بازنشستگی و ثروت ملی بدون تجربه سخت‌افزاری، اولین کسانی خواهند بود که پول را به این شرکت‌ها پرداخت می‌کنند.
راه حل پیشنهادی ساده است: قبل از سرمایه‌گذاری همراه در یک دور فناوری عمیق در مقیاس بزرگ، سرمایه‌گذاران باید درخواست یک بررسی مستقل امکان‌سنجی فنی را داشته باشند که نمی‌تواند توسط صندوق سفارش داده شود و نه توسط بنیان‌گذار انتخاب شود. لازم به ذکر است که نویسنده خود در استارت‌آپ‌های کوانتومی سرمایه‌گذاری می‌کند و شرکتی را اداره می‌کند که چنین خدمات بررسی را ارائه می‌دهد. اما نکته اصلی همچنان پابرجاست: در حوزه فناوری عمیق، یک علامت در جدول سهام به آرامی جایگزین بررسی فنی شده است، و در مقابل این مبلغ چک، هزینه چند هفته بررسی مستقل ناچیز است.
VC رمزنگاری ۲۰۲۵: روندهای جدید در پشت دشواری تأمین مالی
VC رمزنگاری در بازار صعودی می‌میرد؟ چرا VC های معروف پول جمع نمی‌کنند
Liquid Capital Yi Lihua: چهار دلیل اصلی زمستان در بازار اولیه رمزنگاری، VC ها به طور هدفمند کشته می‌شوند
