编者按：Zetta Venture 基金合伙人 Ivy Nguyen，近日在外媒 TechCrunch 上发表了文章，阐述如何用正确的标尺去衡量AI创业公司，根据原文编译如下：
人工智能公司，很多时候更像是服务或咨询公司，二者都需要根据 客户的具体需求，量身定制 解决方案，但从投资层面来看，其实是有很大差别的。
服务收入一直是风险投资增长的对立面，因为它产生的利润率较低，缺乏可重复性和可扩展性。随着公司服务业务带来更多客户，公司需要相应地扩大员工人数进行支持，导致持续较低的利润率。Palantir是一家大数据分析独角兽，就是一家陷入服务需求的公司。
与服务提供商不同，人工智能企业有可能实现大规模的目标和更高的投资回报率。如何判断一家人工智能公司是否值得投资，以下是一些参考指标：
人为干涉比例
随着AI在业务中的应用，应该会替代很多人工工作，并且只有当AI低于预定的准确度或置信度阈值时，人工才进行干涉。这使得企业能够以数量有限的员工，为越来越多的客户提供服务。
Lilt 为企业提供机器翻译，翻译AI自动将文本从一种语言翻译成另一种语言，再由翻译专家更正错误。随着翻译AI的改进，人工翻译的更正比例必须持续减少。更一般地说， 人为干涉与自动化任务的比率应该在下降。
ROI曲线
选择正确的人工智能应用以实现长期收益是关键。通常情况下， 改善客户能力下线的应用面临着有限的改进机会，而改善客户收入的应用对增长机会没有任何限制。
例如，一旦AI将生产线的运行效率提高到受原料化学反应所需时间限制的程度，AI就无法再为该特定应用提供更大的价值。但是 帮助客户找到新的收入机会则不同，例如 Constructor.io ，它提供基于人工智能的网站搜索服务，并帮助Jet.com等客户增加购物车购买转化，不会有天花板。
AI公司应该密切跟踪每个客户的累计ROI，以确保曲线随时间增加而不是平稳或逐渐减少。
升级成本
部署AI产品是一个复杂的过程，AI需要数据进行训练，因此AI产品可能比SaaS产品花费更多时间来提供价值。
许多行业最近才开始数字化，有价值的数据可能是难以提取的格式，例如手写笔记，非结构化观察日志或PDF。为了捕获这些数据，在部署AI系统之前，公司可能不得不花费大量人力，在低利润的数据准备服务上。
数据结构的方式也可能因客户而异，要求AI工程师花费额外的时间来规范数据或将其转换为标准化模式，以便可以应用AI模型。
与典型的SaaS产品推出相比，AI产品的升级成本更高，并且可能会对客户获取成本(CAC)产生的利润产生同样大的影响。公司应该仔细跟踪这些升级的时间，以及每个新客户的成本。如果存在真正的数据网络效应，这些数字会随着时间的推移而减少。
数据护城河
与竞争新功能的SaaS企业不同，AI初创公司有机会建立长期壁垒。可扩展的AI初创公司将开启一个良性循环，产品表现越好，客户就越多地贡献并生成数据，从而提高产品的性能。这种强化循环构建了复合壁垒，这在以前是SaaS业务中是没有的。
仅仅是大量的数据太简单了，还需要问自己关于数据的这些问题，以在以下方面判断数据壁垒：
- 可访问性：它是多么容易获得?
- 时间：数据在模型中积累和使用的速度有多快?
- 成本：获取和标记此数据需要多少钱?
- 唯一性：是否可以为其他人建立模型并获得相同结果的类似数据?
- 维度：数据集中描述了多少个不同的属性?
- 广度：属性值的变化有多大，以至于它们可以解释边缘情况和罕见的例外情况?
- 时效性：数据长期有用吗?
AI模型在更多数据的情况下表现更好，但随着时间的推移，性能可能会趋于稳定。公司应该注意跟踪，为客户实现增量价值所需数据的时间和数量，以确保数据护城河继续增长。简而言之， 模仿者需要多少时间和多少数据才能与你的性能水平相匹配?
