评估尚未盈利的新型 AI 初创公司的 3 种方法

Ryan E. Long贡献者

自 2006 年以来，Ryan E. Long 一直担任Long & Associates的首席律师。总部位于圣莫尼卡的律师事务所为技术/媒体客户解决棘手的知识产权相关问题，以便他们可以安全地扩大规模或被收购。

如今，对尚未盈利的科技初创企业进行估值是一个既定的过程，但所采用的方法是否同样适用于使用新型人工智能的尚未盈利的公司？当您将它们应用于正在开发可以快速扩展到数百万用户的 AI 的初创公司时，会出现什么样的问题？这些问题不再是学术性的。

本文简要介绍了用于对尚未盈利的初创公司进行估值的传统方法，研究了将这些方法用于新型 AI 初创公司时出现的一些局限性，并提出了降低风险的方法建议。

让我们首先看看三种普遍接受的对未盈利或早期公司进行估值的方法：记分卡估值、风险投资和伯克斯方法。稍后我们将深入探讨将这些方法应用于具有新颖 AI 应用程序的早期公司的一些挑战。

记分卡估值法

AI 的扩展速度比其他技术快得多，因此当 AI 产品扩展到数百万用户时，在 beta 或最小可行产品阶段有效的方法可能不起作用。

这种估值方法旨在将一家初创公司与市场上的其他公司进行比较。

首先，确定同一市场中其他初创公司的投资前估值中值。然后，这个价值基准被用来比较有问题的初创公司，同时考虑管理团队的实力、机会的大小、产品/技术、竞争环境和营销/销售渠道等因素。

虽然非常主观，但这些因素中的每一个都被分配了一个值——类似于记分卡。如果市场上初创公司的投前估值中位数为 100 万美元，一家初创公司的各种因素合计为 1.125，则将这两个数字相乘得到投前估值。

风险投资方法试图通过推断其投后估值来确定初创公司的投前估值。与记分卡估值一样，您需要通过将初创公司与同一市场中的基准公司进行比较来做出假设。