PRZEWODNIK · STARTUP AI
Jak sprzedać startup AI: przewodnik dla założyciela
Co naprawdę wyceniają kupujący spółki AI, jak obronić się przed zarzutem "AI-washingu" w due diligence i kto stoi po drugiej stronie stołu.
Żeby sprzedać startup AI, trzeba pokazać kupującemu cztery rzeczy naraz: zespół, który umie budować i utrzymać technologię, własne dane, do których konkurencja nie ma łatwego dostępu, realny produkt rozwiązujący konkretny problem oraz powtarzalny przychód, który nie zniknie, gdy minie moda. Wycena spółki AI bierze się z połączenia tych elementów, a nie z samego faktu, że w prezentacji pada słowo "sztuczna inteligencja". Największym ryzykiem w procesie jest tak zwany AI-washing, czyli sytuacja, w której kupujący w due diligence (badaniu spółki przed transakcją) odkrywa, że pod warstwą marketingu jest cienka nakładka na cudzy model. Dlatego przygotowanie do sprzedaży zaczyna się na długo przed rozmowami z inwestorami: od uporządkowania tego, co naprawdę jest wasze, i tego, co tylko wynajmujecie.
W polskich realiach dochodzi kilka rzeczy, które warto wziąć pod uwagę od początku. Kupujący spółkę AI często jest spoza Polski - to inwestor strategiczny z DACH, fundusz private equity z regionu albo gracz globalny - więc dokumentacja, umowy z klientami i prawa do danych muszą wytrzymać badanie prowadzone po angielsku i według standardów, do których w kraju nie zawsze jesteśmy przyzwyczajeni. Struktura właścicielska w KRS, czystość praw do kodu i modeli oraz to, kto formalnie jest właścicielem danych treningowych, potrafią ważyć na wycenie mocniej niż sam wynik finansowy.
Drugi wątek to waluta i skala. Przychód liczony w złotych trzeba umieć przełożyć na euro tak, żeby zagraniczny inwestor widział powtarzalność, a nie efekt kursu. Spółka AI z realnym, rosnącym przychodem to zupełnie inna rozmowa niż projekt badawczy bez klientów - i warto tę różnicę nazwać uczciwie wcześniej, samemu, zanim zrobi to za was druga strona.
Co naprawdę wyceniają kupujący w spółce AI
Kupujący nie płaci za to, że używacie sztucznej inteligencji - dziś robi to niemal każdy. Płaci za to, co trudno odtworzyć i co będzie działać po przejęciu. W spółkach AI wartość skupia się w czterech miejscach, a ich siła zależy od tego, jak bardzo są wasze, a nie wynajmowane.
- Zespół: kto naprawdę rozumie wasz model i dane. Często powodem zakupu jest sam zespół (tak zwany acqui-hire, czyli przejęcie spółki głównie po to, by pozyskać ludzi), więc kupujący patrzy, czy kluczowe osoby zostaną i czy mają podpisane sensowne umowy oraz zakazy konkurencji.
- Własne dane i ich przewaga: zbiory, których konkurencja nie kupi ani nie pobierze z internetu - dane z lat pracy z klientami, opisane ręcznie, branżowe. To często jedyna rzecz w spółce AI, której naprawdę nie da się szybko skopiować.
- Realny produkt zamiast obietnicy: czy model jest wpięty w produkt, który klienci włączają codziennie, czy to pokaz, który robi wrażenie na konferencji. Kupujący odróżnia jedno od drugiego w pierwszej godzinie rozmowy technicznej.
- Powtarzalny przychód: najlepiej w modelu subskrypcyjnym, z mierzonym ARR (rocznym przychodem powtarzalnym) i zdrowym utrzymaniem klientów. Przychód jednorazowy z wdrożeń wycenia się dużo niżej niż przychód, który sam wraca co miesiąc.
- Koszt działania modelu: marża po odjęciu rachunków za moc obliczeniową i licencje na cudze modele. Spółka, która oddaje większą część przychodu dostawcy chmury i modelu, ma niższą wartość, choć na zewnątrz wygląda tak samo.
- Orientacyjne widełki mnożników zależne od tego miksu zostawiamy kalkulatorowi wyceny VEA - tu chodzi o to, które dźwignie realnie podnoszą tę wycenę, a nie o jedną liczbę.
Obrona przed zarzutem AI-washingu w due diligence
AI-washing to sytuacja, w której spółka sprzedaje się jako głęboko "AI-owa", a pod spodem jest prosta nakładka na cudzy model albo ręcznie obsługiwany proces udający automat. Dobry kupujący wychodzi z założenia, że tak właśnie jest, dopóki nie udowodnicie inaczej. Najlepsza obrona to nie retoryka, tylko porządek w tym, co pokazujecie - i nazwanie samemu tego, co jest wasze, a co wynajęte.
- Rozdzielcie wcześniej, co zbudowaliście, a co bierzecie z zewnątrz: własny model i własne dane to jedno, a warstwa na cudzym modelu językowym to drugie. Uczciwa mapa tego podziału buduje wiarygodność szybciej niż zapewnienia.
- Przygotujcie się na pytanie, co zostanie, gdy odetniemy zewnętrznego dostawcę: kupujący chce wiedzieć, ile z waszej przewagi to wasza praca, a ile cudza infrastruktura, którą każdy może wynająć.
- Pokażcie, jak mierzycie jakość modelu: skuteczność, błędy, sposób poprawiania. Brak jakichkolwiek miar to dla badającego sygnał, że "AI" jest bardziej w prezentacji niż w produkcie.
- Uporządkujcie historię danych: skąd pochodzą, na jakiej podstawie je zbieracie i przetwarzacie, czy klienci zgodzili się na ich użycie do trenowania. To pierwsze, co sprawdzi prawnik kupującego.
- Nie obiecujcie funkcji, których jeszcze nie ma: każda obietnica w stylu "to już prawie działa" zostanie sprawdzona, a wpadka w tym miejscu podważa zaufanie do całej reszty.
- Spójność materiałów ma znaczenie: to, co mówicie w rozmowie, musi zgadzać się z tym, co jest w dokumentacji technicznej i w umowach. Rozjazdy tutaj kosztują najwięcej.
Ryzyka, które obniżają wycenę: dane, modele, zależności
W spółkach AI najwięcej wartości ucieka nie przez słaby produkt, tylko przez ryzyka, których założyciel często nie traktuje poważnie, bo na co dzień mu nie przeszkadzają. Kupujący traktuje je bardzo poważnie, bo to on będzie nimi zarządzał po transakcji.
- Własność danych i modeli: jeśli część kodu powstała na zlecenie bez przeniesienia praw, model trenowano na danych klientów bez wyraźnej zgody albo współtwórca odszedł bez uporządkowanych praw - to realnie zbija wycenę lub blokuje transakcję.
- Zależność od zewnętrznego modelu lub dostawcy: jeśli cały produkt opiera się na jednym dostawcy modelu albo chmury, kupujący widzi ryzyko, że zmiana jego cennika lub zasad z dnia na dzień zmieni waszą marżę i możliwości.
- Szybka utrata aktualności technologii: to, co dziś jest przewagą, za rok bywa standardem dostępnym dla każdego. Kupujący pyta, co z waszej wartości przetrwa kolejną falę modeli - i dlatego własne dane oraz relacje z klientami ważą więcej niż sama architektura.
- Koncentracja i prawa po stronie klientów: kilku dużych klientów z prawem wglądu w model albo do zabrania swoich danych przy odejściu to ryzyko, które trzeba pokazać wcześniej, a nie ukrywać.
- Zgodność z regulacjami: przy danych osobowych i nowych przepisach o AI brak podstawy prawnej przetwarzania to nie drobiazg, tylko pozycja, którą prawnik kupującego wyceni na minus.
- Dług technologiczny i ludzie: jeśli model rozumie tak naprawdę jedna osoba, a reszta zespołu go nie utrzyma, kupujący zobaczy ryzyko, że wartość wyjdzie razem z tą osobą.
Kto kupuje spółki AI i czego szuka
Po drugiej stronie stołu siedzą trzy różne typy kupujących, każdy z inną logiką i inną wyceną tego samego biznesu. Warto wiedzieć, do kogo mówicie, bo to samo zestawienie liczb inaczej brzmi dla inwestora strategicznego, inaczej dla funduszu, a inaczej dla globalnego gracza technologicznego.
- Inwestor strategiczny z branży: kupuje, bo wasza technologia lub dane wzmocnią jego własny produkt albo zamkną lukę w ofercie. Patrzy na dopasowanie do swojego portfela i na synergie, często płaci najwięcej, gdy widzi konkretne zastosowanie u siebie.
- Wielcy gracze technologiczni: często kupują przede wszystkim zespół i konkretną wiedzę (acqui-hire), a sam przychód jest dla nich drugorzędny. Liczy się talent, patenty i to, co przyspieszy ich własny plan produktu.
- Private equity: patrzy na powtarzalny przychód, marżę i możliwość dalszego wzrostu lub dołączenia spółki do większej grupy. Czysty projekt badawczy bez przychodu zwykle ich nie interesuje, a dane finansowe muszą się bronić.
- Kupujący często spoza Polski: w tech M&A w naszym regionie inwestor bywa z DACH albo globalny, więc proces, dokumentacja i argumentacja muszą działać po angielsku i według ich standardów.
- Różni kupujący, różna wycena: ten sam biznes inwestor strategiczny wyceni przez synergie, fundusz przez przychód i marżę, a wielki gracz technologiczny przez zespół. Dobry proces gra tymi różnicami, zamiast liczyć na jednego chętnego.
- Tu właśnie pomaga szeroka sieć relacji: VEA pracuje z bazą ponad 800 inwestorów strategicznych i finansowych, co pozwala zestawić kilku różnych kupujących, zamiast negocjować z jednym.
Spółka AI z przychodem a projekt badawczy: różnica, którą warto nazwać uczciwie
To najważniejsze rozróżnienie w całej rozmowie o sprzedaży i najczęstsze źródło rozczarowań. Spółka AI z realnym, powtarzalnym przychodem i projekt badawczy bez klientów to dwa zupełnie różne aktywa, nawet jeśli technologia w środku jest podobnie ambitna. Lepiej nazwać to samemu, zanim zrobi to kupujący.
- Spółka z przychodem sprzedaje się przez biznes: klienci, ARR, utrzymanie, marża. Technologia jest ważna, ale to przychód nadaje jej wycenę i czyni ją przewidywalną dla kupującego.
- Projekt badawczy sprzedaje się przez potencjał i ludzi: zespół, patenty, unikalne dane, przewaga naukowa. Wycena opiera się bardziej na obietnicy, a więc jest bardziej zmienna i trudniejsza do obrony.
- Nie udawajcie pierwszego, będąc drugim: kilka pilotaży i listy intencyjne (LOI) to nie jest powtarzalny przychód, a kupujący szybko to rozpozna i straci zaufanie do reszty waszej opowieści.
- Dobierzcie kupującego do tego, czym jesteście: projekt badawczy częściej trafia do wielkiego gracza technologicznego lub inwestora strategicznego niż do funduszu szukającego gotowego przychodu.
- Czas pracuje inaczej dla każdego z nich: spółka z przychodem może poczekać na lepszy moment, projekt badawczy traci na wartości, gdy kończy się gotówka albo gdy rynek dogania jego pomysł.
- Jak ułożyć cały ten proces krok po kroku, opisujemy szerzej w naszym pełnym przewodniku po sprzedaży spółki technologicznej - tu skupiliśmy się na tym, co specyficzne dla AI.
Sprzedaż startupu AI wygrywa się przygotowaniem, nie prezentacją: zanim usiądziecie do rozmów, uporządkujcie to, co naprawdę jest wasze - dane, prawa do modelu, zespół i powtarzalny przychód - i nazwijcie uczciwie, czy jesteście spółką z przychodem, czy projektem badawczym. Wtedy due diligence przestaje być zagrożeniem, a staje się miejscem, w którym wasza wartość się potwierdza, a nie rozpada.
Pytania i odpowiedzi
Jak sprzedać startup AI, zanim skończą nam się pieniądze?
Zacznijcie od uczciwej oceny, czy macie powtarzalny przychód, czy raczej obiecujący projekt badawczy, bo to decyduje o tym, kogo szukać i ile czasu realnie macie. Jeśli gotówka się kończy, lepiej wcześnie zacząć rozmowy z kilkoma typami kupujących naraz niż negocjować pod presją z jednym. Przygotowanie dokumentacji i praw do danych warto zrobić zawczasu, bo to ono najczęściej decyduje o tym, czy proces idzie szybko.
Co kupujący sprawdzi najpierw w mojej firmie AI?
Najpierw sprawdzi, co naprawdę jest wasze: czy macie prawa do kodu i modelu, skąd pochodzą dane treningowe i na jakiej podstawie je przetwarzacie. Zaraz potem patrzy, czy "AI" jest w produkcie, którego klienci używają codziennie, czy tylko w prezentacji. Trzeci punkt to powtarzalność przychodu i to, ile z marży zostaje po opłaceniu zewnętrznych dostawców.
Czy moja spółka AI jest coś warta, jeśli nie mamy jeszcze przychodu?
Tak, ale wycenia się ją inaczej - przez zespół, unikalne dane, patenty i przewagę naukową, a nie przez wyniki finansowe. Taki profil częściej trafia do inwestora strategicznego albo do dużego gracza technologicznego, który kupuje głównie ludzi i wiedzę. Wycena opiera się wtedy bardziej na potencjale, więc jest bardziej zmienna; orientacyjne widełki najlepiej sprawdzić w kalkulatorze wyceny VEA.
Jak obronić się przed zarzutem, że robimy tylko AI-washing?
Najlepsza obrona to samemu wcześniej rozdzielić, co zbudowaliście, a co wynajmujecie z zewnątrz, i pokazać, jak mierzycie jakość modelu. Kupujący i tak to sprawdzi, więc uczciwa mapa tego, co wasze, buduje zaufanie szybciej niż zapewnienia. Najgorzej działają obietnice funkcji, których jeszcze nie ma - jedna taka wpadka podważa wiarygodność całej reszty.
Kto kupi moją firmę AI w Polsce i czy kupujący będzie z kraju?
Często kupujący jest spoza Polski - inwestor strategiczny z DACH, fundusz private equity z regionu albo globalny gracz technologiczny - bo to tam jest najwięcej kapitału na technologię. Dlatego dokumentacja i argumentacja muszą działać po angielsku i według ich standardów, a przychód w złotych trzeba umieć pokazać w euro. Szeroka sieć relacji, jak baza ponad 800 inwestorów VEA, pozwala zestawić kilku różnych kupujących, zamiast polegać na jednym.
Czy mogę sprzedać firmę AI, która opiera się na cudzym modelu?
Można, ale kupujący obniży wycenę proporcjonalnie do tego, jak bardzo zależycie od jednego zewnętrznego dostawcy modelu lub chmury. Kluczowe pytanie brzmi: co z waszej przewagi zostanie, jeśli odetniemy tego dostawcę. Jeśli pod spodem macie własne dane, relacje z klientami i dopracowany produkt, zależność da się obronić; jeśli nie, jest to główne ryzyko transakcji.