如何衡量一家AI初創公司的好壞？
編者按：Zetta Venture 基金合伙人 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創業公司，根據原文編譯如下：
人工智能公司，很多時候更像是服務或咨詢公司，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增長的對立面，因為它產生的利潤率較低，缺乏可重復性和可擴展性。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，就是一家陷入服務需求的公司。
與服務提供商不同，人工智能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能公司是否值得投資，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，并且只有當AI低于預定的準確度或置信度閾值時，人工才進行干涉。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
選擇正確的人工智能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增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 ，它提供基于人工智能的網站搜索服務，并幫助Jet.com等客戶增加購物車購買轉化，不會有天花板。
AI公司應該密切跟蹤每個客戶的累計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產品是一個復雜的過程，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，非結構化觀察日志或PDF。為了捕獲這些數據，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范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，并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。公司應該仔細跟蹤這些升級的時間，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初創公司有機會建立長期壁壘。可擴展的AI初創公司將開啟一個良性循環，產品表現越好，客戶就越多地貢獻并生成數據，從而提高產品的性能。這種強化循環構建了復合壁壘，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，還需要問自己關于數據的這些問題，以在以下方面判斷數據壁壘：
- 可訪問性：它是多么容易獲得?
- 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并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，以至于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，性能可能會趨于穩定。公司應該注意跟蹤，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增長。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?
