Investeringen in kunstmatige intelligentie (AI) hebben de afgelopen jaren een enorme groei doorgemaakt. Terwijl veel bedrijven claimen baanbrekende technologieën te ontwikkelen, is het voor investeerders cruciaal om het verschil te zien tussen hype en duurzame waarde. Dit artikel biedt een kader om AI-bedrijven te toetsen op hun moats, data-assets en unit economics, met een focus op capex-intensieve modellen versus schaalbare software.
Het beoordelen van AI-investeringen is van groot belang omdat het marktsegment snel evolueert en veel bedrijven hoge waarderingen hebben die niet altijd gebaseerd zijn op duidelijke fundamentals. Door te kijken naar specifieke aspecten zoals moats, data-assets en unit economics, kunnen investeerders een beter inzicht krijgen in de langetermijnwaarde van een AI-bedrijf.
In dit artikel zullen we eerst de basisbegrippen van moats, data-assets en unit economics bespreken. Vervolgens zullen we een kader presenteren om deze aspecten te analyseren, met speciale aandacht voor capex-intensieve modellen en schaalbare software. Ten slotte zullen we enkele rode vlaggen en KPI’s bespreken die echt tellen bij het beoordelen van AI-investeringen.
Basisbegrippen
Voordat we dieper ingaan op het kader, is het belangrijk om de basisbegrippen te begrijpen.
Moats verwijst naar de concurrentievoordelen die een bedrijf heeft om concurrenten buiten te houden. Bij AI-bedrijven kunnen deze moats variëren van intellectueel eigendom tot exclusieve toegang tot data. Data-assets zijn de verzamelde gegevens die een bedrijf gebruikt om zijn AI-modellen te trainen en te verbeteren. Deze data kunnen een waardevolle bron van concurrentievoordeel zijn. Unit economics verwijst naar de financiële prestaties van een bedrijf op individueel product- of dienstniveau, zoals de kosten en opbrengsten per klant.
Kader voor AI-bedrijven
Om AI-bedrijven te beoordelen, kunnen we een kader gebruiken dat bestaat uit drie hoofdcomponenten: moats, data-assets en unit economics.
Moats
Bij het beoordelen van moats is het belangrijk om te kijken naar de unieke concurrentievoordelen van een AI-bedrijf. Dit kan variëren van patenten en licenties tot exclusieve toegang tot data of een sterk merk. Een bedrijf met sterke moats heeft een grotere kans om langdurig waarde te creëren.
Een voorbeeld van een bedrijf met sterke moats is een bedrijf dat exclusieve toegang heeft tot medische gegevens. Deze data kunnen worden gebruikt om AI-modellen te trainen die betere diagnose- en behandelingsopties bieden. Door de exclusiviteit van de data heeft het bedrijf een concurrentievoordeel dat moeilijk te evenaren is.
Data-assets
Data-assets zijn een cruciale component van AI-bedrijven. De kwaliteit en hoeveelheid van de data die een bedrijf heeft, kan een grote invloed hebben op de prestaties van zijn AI-modellen. Het is belangrijk om te kijken naar de bronnen van de data, de methoden voor dataverzameling en de kwaliteit van de data.
Een bedrijf dat data verzamelt uit verschillende bronnen en deze data goed curateert, heeft een grotere kans op succes. Bovendien kan een bedrijf dat zijn eigen data genereert, zoals een bedrijf dat IoT-apparaten produceert, een concurrentievoordeel hebben door directe toegang tot relevante data.
Unit economics
Unit economics geven inzicht in de financiële gezondheid van een AI-bedrijf op individueel product- of dienstniveau. Het is belangrijk om te kijken naar de kosten en opbrengsten per klant, de customer acquisition cost (CAC) en de lifetime value (LTV) van klanten.
Een bedrijf met gunstige unit economics heeft een grotere kans op langdurig succes. Bijvoorbeeld, een bedrijf dat een hoog LTV heeft in vergelijking met zijn CAC, heeft een grotere marge om te groeien en te investeren in nieuwe technologieën.
Capex-intensieve modellen versus schaalbare software
AI-bedrijven kunnen worden ingedeeld in twee hoofdtypen: capex-intensieve modellen en schaalbare software. Capex-intensieve modellen vereisen aanzienlijke investeringen in hardware en infrastructuur, terwijl schaalbare software meer gericht is op het ontwikkelen van softwareoplossingen die gemakkelijk kunnen worden geschaald.
Capex-intensieve modellen
Capex-intensieve modellen hebben vaak hoge initiële investeringen, maar kunnen langdurig concurrentievoordelen bieden. Voorbeelden hiervan zijn bedrijven die supercomputers gebruiken voor het trainen van complexe AI-modellen. Deze bedrijven hebben een concurrentievoordeel door toegang tot geavanceerde hardware en infrastructuur.
Bij het beoordelen van capex-intensieve modellen is het belangrijk om te kijken naar de duurzaamheid van de investeringen en de mogelijke terugverdientijd. Een bedrijf dat grote investeringen doet in hardware, maar geen duidelijke strategie heeft om deze investeringen terug te verdienen, kan een risicovolle investering zijn.
Schaalbare software
Schaalbare software is vaak minder capex-intensief en kan sneller worden geschaald. Voorbeelden hiervan zijn bedrijven die cloudgebaseerde AI-oplossingen aanbieden. Deze bedrijven hebben een concurrentievoordeel door hun flexibiliteit en snelle implementatie.
Bij het beoordelen van schaalbare software is het belangrijk om te kijken naar de marktpositie en de groeimogelijkheden. Een bedrijf dat een sterke marktpositie heeft en snel kan groeien, kan een aantrekkelijke investering zijn.
Rode vlaggen en KPI’s
Bij het beoordelen van AI-investeringen is het belangrijk om op te letten bij rode vlaggen en KPI’s die echt tellen.
Rode vlaggen
Enkele rode vlaggen die investeerders moeten letten op zijn:
- Gebrek aan duidelijke moats Een bedrijf zonder duidelijke concurrentievoordelen kan moeilijk langdurig waarde creëren.
- Slechte kwaliteit of hoeveelheid van data-assets Data is de basis van AI-modellen, dus slechte data kan leiden tot slechte prestaties.
- Slechte unit economics Een bedrijf met slechte unit economics heeft mogelijk geen duidelijke weg naar winstgevendheid.
- Overmatige afhankelijkheid van externe partijen Een bedrijf dat sterk afhankelijk is van externe partijen voor data of technologie kan risicovol zijn.
KPI’s die echt tellen
Enkele KPI’s die investeerders moeten volgen zijn:
- Customer acquisition cost (CAC) De kosten om een nieuwe klant te verwerven.
- Lifetime value (LTV) De totale waarde die een klant over de levensduur van het product of de dienst genereert.
- Return on investment (ROI) De terugverdientijd van investeringen in hardware en infrastructuur.
- Model accuracy De nauwkeurigheid van de AI-modellen van het bedrijf.
- Scalability De mate waarin het bedrijf zijn oplossingen kan schalen.
Conclusie
Het beoordelen van AI-investeringen vereist een grondige analyse van moats, data-assets en unit economics. Door een kader te gebruiken dat deze aspecten in overweging neemt, kunnen investeerders een beter inzicht krijgen in de langetermijnwaarde van een AI-bedrijf. Het is belangrijk om op te letten bij rode vlaggen en KPI’s die echt tellen, en om het verschil te zien tussen capex-intensieve modellen en schaalbare software. Met deze kennis kunnen investeerders betere beslissingen nemen en de hype scheiden van duurzame waarde.
