حقیقت سخت صنعت سرمایه‌گذاری خطرپذیر: چرا بیشتر صندوق‌ها پس از نه سال اصل سرمایه را بازنگردانده‌اند؟

نویسنده: Venture Curator

تهیه شده توسط: Deep Tide TechFlow

معرفی Deep Tide: این مقاله از دو مجموعه داده سخت برای افشای دو واقعیت استفاده می‌کند: اینکه شرکت‌های بزرگ سرمایه‌گذاری خطرپذیر در حال تجمع برای سرمایه‌گذاری در پروژه‌های همگن هوش مصنوعی هستند، در حالی که مدیران نوظهور بیشتر تمایل دارند روی استثنائات شرط‌بندی کنند؛ و اینکه بیشتر صندوق‌های سرمایه‌گذاری خطرپذیر حتی پس از نه سال از تأسیس خود، اصل سرمایه را به LPها بازنگردانده‌اند. برای بنیان‌گذاران که در حال حاضر در حال جمع‌آوری سرمایه هستند، درک فشارهای مالی پشت صندوق‌ها بسیار مهم‌تر از جذابیت برند آن‌ها است.

سرمایه‌گذاران نوظهور در حال سرمایه‌گذاری در استارتاپ‌های غیرمعمول بیشتری هستند، در حالی که هزینه‌های هوش مصنوعی در میان بیش از 70,000 شرکت به شدت متفاوت است.

چه کسی در سرمایه‌گذاری خطرپذیر استثنایی سرمایه‌گذاری می‌کند؟ داده‌ها چه چیزی را نشان می‌دهند؟

سرمایه‌گذاران خطرپذیر اغلب آموزش می‌بینند که این یک کسب‌وکار درباره استثنائات است. چند شرکت غیرمنتظره بیشتر بازده‌ها را تأمین می‌کنند، بنابراین مؤسسات با بزرگترین تیم‌ها، وسیع‌ترین شبکه‌ها و بیشترین سرمایه باید بهترین موقعیت را برای یافتن آن‌ها داشته باشند.

با این حال، تحقیقات جدیدی که توسط دن گری از اودین، بر اساس داده‌های Dealroom انجام شده، نشان می‌دهد که بزرگترین مؤسسات اکنون کمترین احتمال را برای سرمایه‌گذاری در شرکتی دارند که از همه شرکت‌های تأمین مالی شده دیگر متفاوت به نظر می‌رسد.

گری هر شرکت را در پرتفوی‌های سرمایه‌گذاری بذر پنج صندوق غول‌پیکر (a16z، General Catalyst، Lightspeed، NEA و Accel) از 2023 تا 2025، همراه با یک گروه منتخب از مدیران نوظهور بر اساس نادر بودن امتیازدهی کرد. نادر بودن از دو بعد اندازه‌گیری شد: کسب‌وکار (صنعت، مدل، مشتریان، جغرافیا) و فناوری، در مقایسه با تمام شرکت‌هایی که از 2018 تا 2025 تأمین مالی بذر دریافت کرده‌اند. پنجم نادرترین به عنوان استثنائات طبقه‌بندی شد.

مدیران نوظهور 24.7% از سرمایه‌گذاری‌های بذر ارزیابی شده خود را به سمت پروفایل‌های استثنایی هدایت کردند (49 از 198). صندوق‌های غول‌پیکر تنها 11.5% (32 از 278) سرمایه‌گذاری کردند. این نشان‌دهنده یک شکاف نزدیک به دو برابر است.

این شکاف به این دلیل ایجاد نمی‌شود که هر صندوق کوچک یک سرمایه‌گذار مخالف است. بسیاری از مدیران نوظهور به شدت در هوش مصنوعی سرمایه‌گذاری کرده‌اند، درست مانند صندوق‌های غول‌پیکر: Conviction 100% هوش مصنوعی است و South Park Commons 93.5% است. تفاوت از صندوق‌های تخصصی با مأموریت‌های مختلف ناشی می‌شود، مانند Lowercarbon که تنها 18.8% در هوش مصنوعی سرمایه‌گذاری کرده و Multicoin که تنها 15.4% سرمایه‌گذاری کرده است.

به همین دلیل است که پیکربندی پرتفوی مهم است. وقتی دفاتر پنج مدیر نوظهور مختلف را ترکیب می‌کنید، تمرکز معمولاً 22.6% کاهش می‌یابد. وقتی پنج صندوق غول‌پیکر را ترکیب می‌کنید، تنها 2.0% کاهش می‌یابد، زیرا هر پنج صندوق در حال حاضر بین 82.7% و 89.5% در موقعیت‌های هوش مصنوعی هستند. از میان 462 ترکیب ممکن از مدیران نوظهور، تنها 2 مورد نتوانستند از گروه صندوق‌های غول‌پیکر بهتر عمل کنند.

اهمیت این موضوع فراتر از آمار پرتفوی است. تحقیقات در مورد ریسک‌های تأمین مالی مدت‌هاست که نشان داده است که آیا سرمایه‌گذاران انتظار دسترسی به تأمین مالی بعدی را دارند، تعیین می‌کند که کدام آزمایش‌ها می‌توانند اولین چک را تأمین کنند. اودین با احتیاط بیان می‌کند که داده‌های آن این مکانیزم را اثبات نمی‌کند. اما اگر بزرگترین منابع سرمایه تنها در پروژه‌هایی سرمایه‌گذاری کنند که به طور گسترده قابل تأمین مالی در نظر گرفته می‌شوند، آنگاه شرکت‌های خارج از این اجماع تنها می‌توانند به دیگران تکیه کنند تا اولین شرط را بگذارند.

آیا این به این معنی است که مدیران نوظهور در انتخاب برندگان بهتر هستند؟

ضروری نیست. "استثنائات" در اینجا به آن‌هایی اشاره دارد که در میان شرکت‌های تأمین مالی شده نادر هستند، نه لزوماً نوآورتر یا بیشتر احتمال موفقیت. وقتی زمینه‌های بنیان‌گذاران در امتیازدهی گنجانده می‌شود، شکاف به 19.8% برای مدیران نوظهور در مقابل 14.4% برای صندوق‌های غول‌پیکر کاهش می‌یابد. گروه مدیران نوظهور یک نمونه انتخاب شده است و نماینده کل بازار نیست. علاوه بر این، صندوق‌های کوچک نیز لحظات خود را دارند: بلاک‌چین 46.7% از دورهای اولیه آن‌ها را تشکیل می‌دهد و سپس به 20.9% کاهش می‌یابد.

این دقیقاً جایی است که سرمایه‌گذاران باید محتاط باشند.

اگر استدلال شما این است که بازده‌ها از استثنائات می‌آید، پس همکاری با یک صندوق معتبر عمدتاً فقط شرط‌های یکسانی را اضافه می‌کند. یک سبد واقعی از صندوق‌های مأموریت‌محور متفاوت می‌تواند دامنه را گسترش دهد. اما صرفاً داشتن دامنه وسیع توجیهی برای نوشتن چک‌ها نیست. آزمایش خود اودین این است: یک صندوق چه چیزی می‌تواند به پرتفوی موجود شما اضافه کند که در حال حاضر وجود ندارد، با چه هزینه‌ای و با چه حقوق جانبی، درصد مالکیت رقیق شده چیست و ریسک‌های تأمین مالی بعدی چیست؟

سؤال واقعی این نیست که کدام صندوق بزرگترین است. سؤال این است که کدام صندوق‌ها واقعاً به جایی نگاه می‌کنند که دیگران نمی‌کنند، زیرا داده‌ها نشان می‌دهد که این لیست به طور فزاینده‌ای همان گروه از افراد نیست.

نه سال بعد، بیشتر صندوق‌های سرمایه‌گذاری خطرپذیر هنوز پولی به سرمایه‌گذاران بازنگردانده‌اند. در آینده چه خواهد شد؟

بنیان‌گذاران اغلب آموزش می‌بینند که سرمایه‌گذاران خطرپذیر خود را به عنوان سرمایه صبور ببینند. سرمایه‌گذاری خطرپذیر یک بازی طولانی است؛ صندوق‌ها برای انتظار نتایج بزرگ راه‌اندازی می‌شوند و هیچ‌کس در جدول سرمایه‌گذاری عجله‌ای برای نقدینگی ندارد.

با این حال، داده‌های جدید از گزارش عملکرد صندوق‌های سرمایه‌گذاری خطرپذیر Q2 2026 کارتا نشان می‌دهد که صبر بسیاری از صندوق‌ها در حال کاهش است، زیرا بیشتر آن‌ها پول سرمایه‌گذاران خود را بازنگردانده‌اند.

کارتا DPI خالص را پیگیری می‌کند، که نسبت پولی است که واقعاً به LPها بازگردانده می‌شود به هر دلار سرمایه‌گذاری شده توسط LPها، که حدود 3,000 صندوق سرمایه‌گذاری خطرپذیر ایالات متحده را که بین 2017 و 2026 شروع به سرمایه‌گذاری کرده‌اند، پوشش می‌دهد.

صندوق‌هایی که در سال 2017 شروع به سرمایه‌گذاری کردند اکنون حدود نه ساله هستند و به پایان یک چرخه معمولی ده ساله صندوق نزدیک می‌شوند. میانگین صندوق تنها 0.37 برابر پول را بازگردانده است. حتی صندوق‌های ربع بالایی تنها 0.70 برابر بازگردانده‌اند. تنها 10% برتر بیش از مبلغ سرمایه‌گذاری شده توسط LPها بازگردانده‌اند و به 1.37 برابر رسیده‌اند.

صندوق‌های جوان‌تر در وضعیت بدتری هستند. بازده میانگین برای صندوق‌های 2018 برابر 0.15 برابر است و برای صندوق‌های 2019 برابر 0.04 برابر است، به این معنی که پس از هفت سال، تنها 4 سنت برای هر دلار بازگردانده می‌شود.

ارزش‌ها فقط روی کاغذ وجود دارند. ارزش دفتری میانگین برای صندوق‌های 2017 برابر 1.72 برابر است، اما تنها حدود یک‌پنجم آن به صورت نقدی بازگردانده شده است. بقیه در شرکت‌های خصوصی قفل شده‌اند که هنوز فروخته نشده‌اند یا عمومی نشده‌اند.

جزئیات دیگری توضیح می‌دهد که چرا دیدن این موضوع از بیرون دشوار است. بیشتر این صندوق‌ها واقعاً مقداری پول بازگردانده‌اند: 86% از صندوق‌های 2017 و 70.4% از صندوق‌های 2018 حداقل مقداری نقدی بازگردانده‌اند. بنابراین تقریباً هر صندوق می‌تواند به LPهای خود بگوید که توزیع‌ها آغاز شده است. اما بسیار کم صندوق می‌تواند بگوید که پولی بازگردانده است.

پس چرا بنیان‌گذاران باید به کتاب‌های صندوق سرمایه‌گذاران خود اهمیت دهند؟

زیرا ساعت صندوق‌های سرمایه‌گذاران شما با ساعت شرکت شما هم‌راستا نیست. صندوقی که به انقضا نزدیک است، هنوز به LPها پول واقعی بدهکار است و در حال جمع‌آوری صندوق بعدی است، انگیزه قوی برای دستیابی به نقدینگی سریع دارد. این فشار ممکن است به شکل فشار به شما برای فروش زودتر، فروش سهام در بازار ثانویه، یا احتیاط بیشتر در مورد ادامه سرمایه‌گذاری در دور تأمین مالی بعدی شما بروز کند.

و اینجاست که بنیان‌گذاران باید محتاط باشند.

هیچ‌یک از این‌ها به این معنی نیست که سرمایه‌گذاران شما کاری مضر برای شما انجام خواهند داد. صندوق‌ها می‌توانند عمر خود را تمدید کنند و بسیاری از مؤسسات برتر دلایل کافی برای ادامه حمایت از برندگان خود دارند. داده‌های کارتا تنها شکاف نقدی را نشان می‌دهد، نه اینکه هر صندوق چگونه عمل خواهد کرد. اما سال صندوقی که به شما چک می‌نویسد اکنون یک متغیر واقعی است، نه یک یادداشت حاشیه‌ای. یک شریک که از یک صندوق 2017 یا 2018 می‌آید در وضعیت کاملاً متفاوتی نسبت به کسی که از یک صندوق جدید 2025 می‌آید قرار دارد.

خطر واقعی این نیست که سرمایه‌گذاران شما به نقدینگی نیاز دارند. این است که شما نمی‌دانید پول شما از کدام صندوق می‌آید، چقدر پول هنوز به سرمایه‌گذاران خود بدهکار است و این چگونه بر مشاوره آن‌ها در دور تأمین مالی بعدی یا خروج شما تأثیر خواهد گذاشت.

بزرگترین پول در هوش مصنوعی کجاست: مدل‌های پیشرفته یا بازار میانه؟

بیشتر گزارش‌های هوش مصنوعی بر لبه پیشرفته تمرکز دارند: جدیدترین، هوشمندترین و گران‌ترین مدل‌ها از هر آزمایشگاه. اما توماسز تونگوز از Theory Ventures استدلال می‌کند: بازار واقعاً مهم، سطح میانه است و داده‌های هزینه‌ها از این حمایت می‌کند.

سطح میانه حدود 40% از هزینه‌های هوش مصنوعی و 30% از استفاده از توکن‌ها را به خود اختصاص داده است.

در مقابل، سهم مدل‌های پیشرفته کم است. قوی‌ترین مدل انترپیک، Fable 5.1، تنها 3.7% از هزینه‌های دروازه‌ای را در 12 روز اول پس از انتشار خود به خود اختصاص داد. پیشینی آن به 13.2% رسید و سپس یک ماه پس از انتشار Opus 5 با نصف قیمت به 4.9% کاهش یافت. در میان حساب‌های بزرگ شرکتی، سهم مصرف توکن مدل‌های پیشرفته از 53% در اوایل اوت به 45% در سپتامبر کاهش یافت.

جنگ‌های قیمتی نیز در این سطح در حال وقوع است. در سپتامبر، زمانی که انترپیک قیمت‌های مدل جدید خود را کاهش داد، OpenAI حدود 90 دقیقه بعد به همین ترتیب عمل کرد. قبل از آن کاهش قیمت، سری Opus قیمت‌گذاری را در 5 دلار به ازای هر میلیون توکن ورودی و 25 دلار خروجی برای چهار نسخه متوالی حفظ کرده بود. در پایین‌ترین سطح، OpenAI قیمت Luna را در جولای 80% و سپس در سپتامبر 50% کاهش داد.

سه نیروی ادامه‌دار قیمت‌ها را در سطح میانه پایین می‌آورند:

رقابت بین آزمایشگاه‌ها. آزمایشگاه‌ها اکنون در عرض چند ساعت پس از کاهش قیمت یکدیگر، اقدام می‌کنند، نه در طول چند فصل.

مدل‌های وزن باز. مدل‌های باز بیشتر حجم توکن را در دروازه‌ها با قیمت‌هایی 86% کمتر از قیمت‌های ترکیبی مدل‌های منبع بسته اجرا می‌کنند.

تنظیم دقیق. Cursor Composer 2، که بر اساس مدل وزن باز Kimi K2.5 تنظیم دقیق شده است، هزینه‌های کل را نسبت به مدل‌های قبلی خود به میزان 86% کاهش داد. هاروی هزینه هر سلول را نسبت به Sonnet 5 به میزان 55% کاهش داد، در حالی که امتیاز بالاتری نسبت به Fable 5 کسب کرد.

این وضعیت به طور ساختاری پایدار است. وظایفی که شرکت‌ها نیاز دارند هوش مصنوعی انجام دهد، مانند خلاصه‌سازی یک قرارداد یا طبقه‌بندی یک سفارش کاری، تقریباً سال به سال تغییر نمی‌کند. با این حال، هزینه هوش که این آستانه را برآورده می‌کند به سرعت در حال کاهش است. بنابراین، سطحی که می‌تواند یک نیاز ثابت را برآورده کند، هر فصل ارزان‌تر می‌شود، در حالی که بیشتر کارهای واقعی در این سطح قرار دارد نه در لبه پیشرفته.

تقاضا به صورت یک هرم با لبه پیشرفته در بالا ظاهر نمی‌شود، بلکه به صورت یک منحنی زنگی است که در میانه ضخیم است. خریداران به این اهمیت می‌دهند که چقدر هوش می‌توانند برای هر دلار دریافت کنند، نه توانایی اوج. سؤال حل‌نشده این است که آیا این بازار میانه در نهایت به کالایی تبدیل خواهد شد. اگر چنین باشد، اقتصاد کل بازار هوش مصنوعی به تبع آن تغییر خواهد کرد.

برای هر کسی که محصولات را بر اساس این مدل‌ها می‌سازد، ارزش دارد بپرسید: محصول شما واقعاً به کدام سطح نیاز دارد؟ پرداخت قیمت‌های مدل پیشرفته برای کارهای سطح میانه اکنون بدترین راه برای از دست دادن سود است.

استارتاپ شما باید چقدر برای هوش مصنوعی هزینه کند؟ داده‌ها این را می‌گویند.

از بیشتر بنیان‌گذاران بپرسید که چقدر برای هوش مصنوعی هزینه می‌کنند و عددی مطمئن خواهید گرفت: صندلی‌های ChatGPT و Claude، صورتحساب‌های Cursor و هزینه‌های API در حال افزایش، که به هزاران دلار در ماه می‌رسد. این به نظر دقیق می‌رسد، اما این‌گونه نیست. زیرا این هزینه‌ها سه هزینه کاملاً نامربوط را ترکیب می‌کند، با تنها وجه مشترک دسته تأمین‌کننده.

داده‌های پرداخت Ramp که بیش از 70,000 شرکت ایالات متحده را پوشش می‌دهد نشان می‌دهد که "استفاده از هوش مصنوعی" به شدت تکه‌تکه شده است.

شرکت میانگین 11.38 دلار به ازای هر کارمند در ماه هزینه می‌کند. 10% برتر 611 دلار هزینه می‌کنند.

1% برتر 7,449 دلار هزینه می‌کنند که تقریباً 650 برابر میانگین است. زمانی که Ramp این هزینه‌ها را با سوابق نیروی کار 21,559 شرکت از Revelio Labs همبسته کرد، دریافت که شرکت‌های با هزینه‌های بالا در دو سال گذشته 10.2% افزایش در تعداد کارکنان را تجربه کرده‌اند، با 12% افزایش در استخدام سطح ورودی.

کاربران با شدت پایین تغییرات قابل توجهی در داده‌ها نشان ندادند.

پس بیشتر هزینه کنید. اما کجا هزینه کنید؟

بیشتر بنیان‌گذاران هزینه‌های هوش مصنوعی را با بودجه نرم‌افزار خود مقایسه می‌کنند زیرا این هزینه‌ها در همان صورتحساب در کنار Figma و Notion ظاهر می‌شوند. این مخرج اشتباه است. به طور فزاینده، هزینه‌های هوش مصنوعی جایگزین نرم‌افزار نمی‌شود بلکه افراد را جایگزین می‌کند. همتای یک نماینده خدمات مشتری، موقعیت خدمات مشتری است، نه مجموعه SaaS شما.

یک شرکت معمولی در مرحله بذر را در نظر بگیرید: 12 نفر، با هزینه ماهانه حقوق حدود 180,000 دلار و هزینه هوش مصنوعی 4,000 دلار در ماه. در مقایسه با بودجه نرم‌افزار، 4,000 دلار به نظر قابل توجه می‌رسد. در مقایسه با هزینه‌های حقوق، تنها 2.2% است. همان عدد به نتایج کاملاً متضاد منجر می‌شود.

راه‌حل این است که بودجه هوش مصنوعی را به سه بخش تقسیم کنید، هر کدام با معیار خود ارزیابی شود:

• هوش مصنوعی خط دستمزد (نمایندگان خدمات مشتری، SDR و برنامه‌نویسان) با حقوق شخصی که برای آن موقعیت استخدام نکرده‌اید مقایسه می‌شود. اگر نمی‌توانید آن موقعیت را نام ببرید، نباید در این دسته قرار گیرد.
• هوش مصنوعی خط بهره‌وری (صندلی‌ها، یادداشت‌برداری و ابزارهای نوشتن) به نرخ‌های استفاده نگاه می‌کند. اگر استفاده در ماه دوم کاهش یابد، آن را حذف کنید.
• هوش مصنوعی خط هزینه (توکن‌ها و تماس‌های API درون محصول) حاشیه‌های ناخالص را در مقیاس 10 برابری بررسی می‌کند و باید در COGS شما گنجانده شود.

ترکیب سه دسته باعث می‌شود هر سیگنال یکدیگر را خنثی کند. هزینه بیش از حد برای صندلی‌ها باعث می‌شود کل هزینه بزرگ به نظر برسد، که منجر به محدود کردن هزینه‌های نمایندگان می‌شود، که دقیقاً جایی است که بازده‌ها قرار دارند. 1% برتر برندگان بیشتر هزینه نمی‌کنند؛ آن‌ها هزینه‌های خود را به خوبی دسته‌بندی می‌کنند: آن‌ها در جایی که هوش مصنوعی جایگزین کار انسانی می‌شود، دو برابر می‌شوند، در جایی که فقط کار انسانی را تسریع می‌کند، هزینه را به شدت کنترل می‌کنند و بر حاشیه‌های ناخالص در زمینه‌های داخلی محصول تمرکز می‌کنند.

ما یک روش کامل رتبه‌بندی را تجزیه و تحلیل کرده‌ایم، از جمله یک فرآیند حسابرسی 30 دقیقه‌ای که می‌توانید این هفته برای تأیید صورتحساب‌های خود استفاده کنید. به "معیار هزینه‌های هوش مصنوعی شما چه باید باشد؟" مراجعه کنید.

چرا دقت لازم در سرمایه‌گذاری خطرپذیر در فناوری عمیق کاهش یافته است؟

شما ممکن است فکر کنید که سخت‌ترین فناوری‌ها باید تحت سخت‌ترین بررسی‌ها قرار گیرند. یک کامپیوتر کوانتومی، یک راکتور همجوشی هسته‌ای یا یک معماری چیپ جدید باید یا با قوانین فیزیک مطابقت داشته باشد و عمل کند یا نه، و تأیید این نیاز به تخصص واقعی دارد.

اما مارین ایوزیچ از PostQuantum معتقد است که واقعیت کاملاً برعکس است: هرچه معامله بزرگتر و محتوای فناوری بالاتر باشد، احتمال اینکه یک شخص مستقل بتواند تأیید کند که آیا علم معتبر است، کمتر است.

این به این دلیل نیست که سرمایه‌گذاران تنبل شده‌اند. چندین تغییر ساختاری این مشکل را تشدید کرده است.

لایه کارشناسی ناپدید شده است.

در گذشته، سرمایه‌گذاران می‌توانستند نظرات فنی مستقل را از تیم‌های تحقیقاتی بانک‌ها که تحلیلگران حرفه‌ای را استخدام می‌کردند، به دست آورند. مقررات MiFID II اروپا در سال 2018 نیاز به پرداخت هزینه‌های تحقیق به طور جداگانه از هزینه‌های معاملاتی داشت، که منجر به کاهش این مدل شد. گزارش‌ها نشان می‌دهند که مقیاس تحقیقات سهام اروپا حدود 20% کاهش یافته و تعداد تحلیلگران حرفه‌ای در بانک‌های بزرگ نیز کاهش یافته است.

شبکه‌های کارشناسی اکنون یک کسب‌وکار 2.5 میلیارد دلاری هستند که برخی از شکاف‌ها را پر می‌کنند. با این حال، آن‌ها تنها در صورتی مؤثر هستند که بدانید باید از کدام کارشناس بپرسید و چه سؤالاتی بپرسید. در زمینه‌های پیشرفته، این دقیقاً دانشی است که سرمایه‌گذاران عمومی فاقد آن هستند.

سرمایه‌گذاری به سمت عمومی‌ها سرازیر شده است.

در سال 2025، سرمایه‌گذاری‌های خصوصی کوانتومی به 4.9 میلیارد دلار رسید که 192% افزایش داشته است. بزرگترین سرمایه‌گذاران بلک‌راک و انویدیا هستند، نه صندوق‌های تخصصی کوانتومی. صندوق‌های ثروت ملی و بازنشستگی نیز به طور فزاینده‌ای در این دورها شرکت می‌کنند؛ یک نظرسنجی از صندوق‌های ملی نشان داد که 58% از مؤسسات منابع لازم برای رهبری یک معامله را ندارند. سرمایه‌ای که نمی‌تواند بررسی‌های فنی خود را انجام دهد، در نهایت باید به قضاوت‌های دیگران تکیه کند.

نام سرمایه‌گذار اصلی جایگزین بررسی شده است.

یک سرمایه‌گذار اصلی معتبر اعتبارنامه‌ای برای همه سرمایه‌گذاران همکار فراهم می‌کند. سرمایه‌گذاران همکار فرض می‌کنند که سرمایه‌گذار اصلی قابلیت فیزیکی را تأیید کرده است، اما آن‌ها این بررسی را نمی‌بینند و نمی‌توانند تأیید کنند که واقعاً انجام شده است. برخی دورها حتی این را ندارند: تأمین مالی 600 میلیون دلاری Quantinuum هیچ سرمایه‌گذار اصلی نام‌گذاری شده‌ای نداشت.

موعدها و ذهنیت گله‌ای سرعت را بر بررسی اولویت می‌دهند.

تا پایان سال 2023، صندوق‌های ایالات متحده رکورد 311.6 میلیارد دلار سرمایه غیرسرمایه‌گذاری شده داشتند. یک مدیر صندوق تحت فشار تخصیص، پیوستن به یک معامله داغ را سودآورتر از کند کردن آن می‌داند. علاوه بر این، اشتباه کردن در کنار همتایان آسیب شهرتی کمتری نسبت به اشتباه کردن به تنهایی دارد.

فناوری عمیق نقاط بازرسی اجباری ندارد.

زیست‌فناوری به عنوان یک تضاد خوب عمل می‌کند. فرآیند تأیید FDA افشای داده‌ها را در هر مرحله اجباری می‌کند و به صنعت اجازه می‌دهد مجموعه‌ای جامع از استانداردهای دقت لازم را ایجاد کند: هیئت‌های مشاوره علمی، بازبینی‌کنندگان حرفه‌ای و بررسی‌های مرحله‌ای.

زمینه کوانتومی نقاط بازرسی معادل ندارد. سخت‌ترین بررسی فنی که برای شرکت‌های بزرگ کوانتومی در این مقاله یافت شده، از سوی دولت استرالیا است که از طریق درخواست آزادی اطلاعات افشا شده است، نه از سوی هر سرمایه‌گذاری.

نتایج به وضوح در اعداد منعکس شده است.

در سال 2025، سرمایه‌گذاری‌های خصوصی کوانتومی به 4.9 میلیارد دلار خواهد رسید، در حالی که کل درآمد صنعت کامپیوتر کوانتومی حدود 1.4 میلیارد دلار است. سه شرکت کوانتومی که در سال 2021 از طریق SPAC عمومی شدند، پیش‌بینی کرده بودند که درآمدهای ترکیبی حدود 1.2 میلیارد دلار تا سال 2025 داشته باشند، اما تنها حدود 138 میلیون دلار ارائه کردند. علاوه بر این، کسانی که سخت‌ترین کارهای تأیید را انجام دادند، فروشندگان کوتاه بودند، نه سرمایه‌گذاران.

چگونه این به پایان خواهد رسید، پیشینه‌هایی دارد. بین سال‌های 2006 و 2011، سرمایه‌گذاری خطرپذیر بیش از 25 میلیارد دلار در فناوری‌های پاک سرمایه‌گذاری کرد، با زیان‌هایی که بیش از نیمی از آن‌ها بود. محققانی که این دوره را مطالعه کردند در آن زمان هشدار دادند که صندوق‌های بازنشستگی و ملی بدون تجربه سخت‌افزاری، بعدی خواهند بود که چنین شرکت‌هایی را تأمین مالی کنند.

راه‌حل پیشنهادی ساده است: قبل از سرمایه‌گذاری مشترک در یک دور فناوری عمیق که از یک مقیاس خاص فراتر می‌رود، LPها باید یک بررسی فنی مستقل از قابلیت فیزیکی را که نمی‌تواند توسط صندوق یا بنیان‌گذاران انتخاب شود، درخواست کنند. باید توجه داشت که نویسنده خود در استارتاپ‌های کوانتومی سرمایه‌گذاری می‌کند و شرکتی را برای ارائه چنین خدمات بررسی اداره می‌کند. با این حال، نکته اصلی همچنان معتبر است: در زمینه فناوری عمیق، یک علامت در جدول سهام به آرامی جایگزین تأیید فنی شده است و در برابر چنین مقادیر چک، هزینه‌های چند هفته‌ای بررسی مستقل ناچیز است.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.