融资B轮从来都不容易，而过去一年风险投资的资金水龙头逐渐收紧，使得这一过程变得异常艰难。但如果你是一家人工智能初创公司，情况是否就不同了？毕竟，风险投资商正在向人工智能领域大量投入资金。
别急。
目前，因生成式AI公司而备受瞩目的融资轮次已开始放缓，而且几乎每家初创企业都自称是“AI公司”，这使得真正的AI初创企业更难脱颖而出。
对于未来六到十二个月内试图为其AI初创企业筹集B轮融资的创始人来说，他们可能将面临一个更具挑战性的融资环境。
那么，在人工智能无处不在的背景下，AI创始人该如何完成B轮融资呢？作为一名在去年8月从顶级投资者那里成功筹集到4000万美元B轮融资的创始人，我可以分享一些对我们行之有效的策略。
阐明AI背后的“为什么”
你可能觉得你的初创企业完全是关于AI的，但事实真的如此吗？无数初创企业都在寻找将AI融入其产品的方法。增加AI功能本身并无不妥，但如果这只是你唯一在做的事，那么仅仅为了贴标签而声称自己是AI初创企业，反而会削弱你的可信度。
如果AI对你的解决方案至关重要，你应该准备好解释它对产品带来的可衡量影响。你的模型是否仅比现有最佳基线提升了几个百分点，还是代表了相对于现状的重大飞跃？
你可以通过多种方式展示AI对你初创企业的影响，包括量化指标（如模型性能）、业务价值指标（如投资回报率ROI和总拥有成本TCO），以及定性证明点（如案例研究和成功故事）。
但仅有影响力是不够的。OpenAI在AI领域的主导地位对无数初创企业构成了威胁，尤其是那些作为GPT-4等公共模型包装器的初创企业。在当今竞争激烈的环境中，重要的是要阐明你的初创企业如何与主要玩家区分开来。
例如，你的业务有哪些护城河？你是否拥有有价值的数据集？独特的工作流程？领域专业知识？这些都是传达初创企业竞争优势的关键方式。
建立坚不可摧的投资人信任
在被大量AI初创企业淹没后，投资者已变得更加精明，能够识别什么是真正的AI，什么不是。随着大型语言模型（LLM）的普及，构建“AI初创企业”变得更容易、更便宜。
收集和标注海量训练数据不再是强制性的先决条件。现在，随着预训练LLM的出现，这些任务可以越来越轻松地完成。这意味着许多初创企业推出了AI功能以迎合市场趋势，并寻求提升估值。
区分你的初创企业的最佳方式是通过展示你的可信度，并在投资过程的早期阶段处理技术尽职调查。
你应该准备好回答以下问题：
- 你的团队成员在模型开发和部署方面具备哪些AI专业知识？
- 你能描述你的模型架构吗？如果适用，你使用了哪些预训练模型，采用了哪些技术来增强这些模型？
- 你们使用哪些数据集进行训练和微调？这些数据集是如何扩充的？你们如何对待客户隐私问题？
- 你们如何衡量模型的性能或准确性？是否有可分享的指标或基准？目前最佳基线模型的性能表现如何？
- 你们的准确性要求有多严格？例如，如果模型准确率达到80%，是否还能为客户创造价值，还是必须达到95%以上？
- 你的模型在哪些任务上表现最准确？模型的局限性是什么？
最后一个问题至关重要。了解你的模型在哪些方面表现出色、在哪些方面存在不足，不仅能展示技术深度，还能体现诚信。
明确你的GTM（Go-to-Market）策略公式
在市场过热时，你可以筹集资金以充实资产负债表，而不一定需要明确的扩张计划或对资金使用方式的清晰认知。
然而，在当前环境下，假设你正在构建AI应用（而非从事AI研究），你需要提供有力的业务指标来证明产品与市场契合度，并制定一份规划未来增长路径的计划。
首先，确保你对自己的各项指标了如指掌。这不言而喻。数据是“展示”而非仅仅“讲述”为何你的初创企业是一项优秀投资的绝佳方式。仔细研究当前的SaaS基准数据，评估自身与之相比的表现。
这将帮助你判断业务的竞争力和投资吸引力，以及融资过程的难度。
准备好指标后，至关重要的是要有清晰的计划，说明投资者的资金将如何转化为负责任且高效的增长。你会采取哪些措施来开发新产品、增加销售额或建立合作伙伴关系？你对GTM（Go-to-Market）策略的描述越具体，就越能增强潜在投资者的信心。
除了上述内容外，AI初创企业还面临一些独特的考量。例如，全栈AI初创企业可能在销售涉及劳动力替代、优化和自动化的“工作”。
如果你在进行工作自动化，请准备好详细解释其经济逻辑。此外，构建和训练AI模型可能成本高昂；收集训练数据、标注数据、部署模型等都需要大量的计算和人力资源。
当前的风险投资市场青睐资本效率，因此请确保你深入理解扩展规模所需的成本结构和资源，以及扩展对初创企业毛利率的影响。
众所周知，人工智能目前是风险投资界的宠儿，但风向变化迅速，人工智能融资热潮已现放缓迹象。未来几个月内寻求B轮融资的创始人应专注于基本面。毕竟，真正创造客户价值的是扎实的努力，而非炒作。