Zetta Venture 基金合夥人 Ivy Nguyen，近日在外媒 TechCrunch 上發表了文章，闡述如何用正確的標尺去衡量 AI 新創公司，根據原文編譯如下：
人工智慧公司，很多時候更像是服務或諮詢公司，二者都需要根據客戶的具體需求，量身定制解決方案，但從投資層面來看，其實是有很大差別的。
服務收入一直是風險投資成長的對立面，因為它產生的利潤率較低，缺乏可重複性和可擴展性。隨著公司服務業務帶來更多客戶，公司需要相應地擴大員工人數進行支持，導致持續較低的利潤率。Palantir 是一家大數據分析獨角獸，就是一家擁有服務需求的公司。
與服務提供商不同，人工智慧企業有可能實現大規模的目標和更高的投資回報率。如何判斷一家人工智慧公司是否值得投資，以下是一些參考指標：
人為干涉比例
隨著 AI 在業務中的應用，應該會替代很多人工工作，並且只有當 AI 低於預定的準確度或置信度域值時，人工智慧才進行干涉。這使得企業能夠以數量有限的員工，為越來越多的客戶提供服務。
Lilt 為企業提供機器翻譯，翻譯 AI 自動將文本從一種語言翻譯成另一種語言，再由翻譯專家更正錯誤。隨著翻譯 AI 的改進，人工翻譯的更正比例必須持續減少。更一般地說，人為干涉與自動化任務的比率應該在下降。
ROI曲線
選擇正確的人工智慧應用以實現長期收益是關鍵。通常情況下，改善客戶能力下線的應用面臨著有限的改進機會，而改善客戶收入的應用對成長機會沒有任何限制。
例如，一旦AI將生產線的運行效率提高到受原料化學反應所需時間限制的程度，AI就無法再為該特定應用提供更大的價值。但是幫助客戶找到新的收入機會則不同，例如 Constructor.io ，它提供基於人工智慧的網站搜索服務，並幫助 Jet.com等客戶增加購物車購買轉化，不會有天花板。
AI 公司應該密切追蹤每個客戶的累計ROI，以確保曲線隨時間增加而不是平穩或逐漸減少。
升級成本
部署 AI 產品是一個複雜的過程，AI 需要數據進行訓練，因此 AI 產品可能比 SaaS 產品花費更多時間來提供價值。
許多行業最近才開始數字化，有價值的數據可能是難以提取的格式，例如手寫筆記，非結構化觀察日誌或 PDF。為了獲取這些數據，在部署 AI 系統之前，公司可能不得不花費大量人力，在低利潤的數據準備服務上。
數據結構的方式也可能因客戶而異，要求 AI 工程師花費額外的時間來規範數據或將其轉換為標準化模式，以便可以應用 AI 模型。
與典型的 SaaS 產品推出相比，AI 產品的升級成本更高，並且可能會對客戶獲取成本（CAC）產生的利潤產生同樣大的影響。公司應該仔細追蹤這些升級的時間，以及每個新客戶的成本。如果存在真正的數據網絡效應，這些數字會隨著時間的推移而減少。
數據護城河
與競爭新功能的 SaaS 企業不同，AI 新創公司有機會建立長期壁壘。可擴展的AI新創將開啟一個良性循環，產品表現越好，客戶就越多地貢獻並生成數據，從而提高產品的性能。這種強化循環構建了複合壁壘，這在以前是 SaaS 業務中是沒有的。
僅僅是大量的數據太簡單了，還需要問自己關於數據的這些問題，以在以下方面判斷數據壁壘：
可訪問性：它是多麼容易獲得？
時間：數據在模型中積累和使用的速度有多快？
成本：獲取和標記此數據需要多少錢？
唯一性：是否可以為其他人建立模型並獲得相同結果的類似數據？
維度：數據集中描述了多少個不同的屬性？
廣度：屬性值的變化有多大，以至於它們可以解釋邊緣情況和罕見的例外情況？
時效性：數據長期有用嗎？
AI 模型在更多數據的情況下表現更好，但隨著時間的推移，性能可能會趨於穩定。公司應該注意追蹤，為客戶實現增量價值所需數據的時間和數量，以確保數據護城河繼續成長。
簡而言之，模仿者需要多少時間和多少數據才能與你的性能水平相匹配？
延伸閱讀
[創業小聚NO.85] 小國拚AI！台灣 AI 新創的優勢、挑戰及募資建議
新創如何在 AI 浪潮裡夾縫求生存？李開復：人工智慧沒有愛的能力，人類勝在有創造力和同情心
了解更多關於創業小聚的資訊，歡迎透過以下服務
粉絲交流｜每月小聚｜Line@互動｜訂電子報｜新創影音｜發表專欄及新創資料庫
本文授權自《36氪》，作者：陳紹元
