Als das Gebäude, in dem er aufgewachsen war, abgerissen werden sollte, lernte der Gründer von Safe Sign Technologies eine Lektion in Beharrlichkeit, die später seinen Ansatz beim Aufbau eines KI-Unternehmens prägen sollte — eines Unternehmens, das Thomson Reuters übernahm, bevor es auch nur einen einzigen Dollar Umsatz erzielt hatte.

Rollins House, eine heruntergekommene ehemalige Art-déco-Fabrik im Südosten Londons, war das Zuhause seiner Mutter und der Ort, an dem er aufwuchs. Als ein Projektentwickler das Grundstück für Wohnungen nutzen wollte, stand die Familie vor einem Rechtsstreit, den sie sich nicht leisten konnte. Als Teenager brachte er sich zwischen Schulprüfungen das Planungsrecht bei, durchforstete bislang unberührte Archive und stellte ein Dossier mit rechtlichen Präzedenzfällen zusammen. Vor einem Gemeinderatsausschuss, einer erfahrenen Kanzlei gegenüber, präsentierte er den Fall — und gewann. Die Episode festigte seine Überzeugung, dass sorgfältige Recherche und die Bereitschaft, sich scheinbar übermächtigen Chancen zu stellen, den Ausschlag geben können.

Ein Jahrzehnt später wurde dieselbe Haltung erneut auf die Probe gestellt, diesmal in Verhandlungen mit Thomson Reuters, dem globalen Informations- und Technologiekonzern, dessen Rechts-, Steuer- und Buchhaltungsdienste ihn zu einem der größten Anbieter professioneller Informationen weltweit machen — und der sein KI-Forschungs-Start-up Safe Sign Technologies übernehmen wollte.

Der Weg dorthin war mühsam. Während seiner Ausbildung zum Solicitor bei Allen & Overy baute er Safe Sign nebenbei auf — er stand um 4:30 Uhr auf, um vor ganzen Tagen juristischer Ausbildung am Unternehmen zu arbeiten, und kehrte abends zur Start-up-Arbeit zurück. Allen & Overy, merkt er an, sei bemerkenswert tolerant gewesen, auch wenn der Zeitplan nicht nachhaltig war.

Bei zahlreichen Gelegenheiten ging Safe Sign praktisch über Nacht das Geld aus und benötigte bis zum Morgen frische Finanzierung. Der ursprüngliche Plan des Unternehmens — ein juristisches Verbraucherprodukt — konnte keine Investoren überzeugen. Nach wiederholten Absagen lokaler Geldgeber flog er mit £200 auf dem Konto nach New York. Letztlich stammte nahezu das gesamte Kapital des Unternehmens von nordamerikanischen Investoren statt aus dem UK. Er beobachtete dabei einen kulturellen Unterschied im Ansatz: Amerikanische Investoren fragten tendenziell „how can I help?“, während britische Investoren fragten „how will this fail?“

Nachdem Safe Sign genug Kapital eingesammelt hatte, um den Betrieb fortzuführen, gab das Unternehmen die Umsatzsuche vollständig auf und richtete seine Anstrengungen stattdessen auf den Aufbau eines proprietären KI-Modells. Die Entscheidung bedeutete, alles in ein kleines Team zu investieren, das von Cambridge, MIT und Harvard rekrutiert worden war, und Investoren wiederholt zu erklären, dass nennenswerte Umsätze in weiter Ferne lägen. Die meisten Geldgeber verloren das Interesse.

Die Forschung des Unternehmens konzentrierte sich auf Sicherheit, Robustheit und Verlässlichkeit — Eigenschaften, die in juristischen Anwendungen besonderes Gewicht haben, da ein KI-System, das Fallzitate erfindet oder Gesetzestexte falsch interpretiert, unmittelbaren beruflichen Schaden verursachen kann. Mit einem Modell, das bei minimalem Budget eine differenzierte Leistung erzielte, zielte Safe Sign auf die Lücke zwischen allgemeinen Sprachmodellen und der Verlässlichkeitsschwelle, die die juristische Praxis verlangt. Als Safe Sign starke interne Ergebnisse teilte, antwortete der Venture-Arm von Thomson Reuters binnen Minuten.

Zwanzig Monate nach der Gründung wurde Safe Sign zur ersten Pre-Revenue-Übernahme in der 174-jährigen Geschichte von Thomson Reuters und zählte zu den bedeutenderen europäischen Deals des Jahres 2024. Thomson Reuters, das stark in KI für seine Rechts- und Steuerplattformen investiert, sah in Safe Sign ein Forschungsteam und eine Modellarchitektur, die seine Position stärken konnten, während etablierte Legal-Tech-Anbieter darum konkurrieren, generative KI in professionelle Arbeitsabläufe zu integrieren. Die Übernahmesumme war für ein Unternehmen, das nie Umsatz verbucht hatte, lebensverändernd.

Der Gründer weist darauf hin, dass dieses Ergebnis einem Großteil der konventionellen Weisheit in der Start-up-Branche widerspricht, die sichtbare Kennzahlen wie steigende Umsätze, eingeworbenes Kapital und die öffentliche Präsenz von Gründern betont. Aus seiner Sicht belohnen institutionelle Käufer die Tiefe der Arbeit — Substanz, die erst bei genauer Prüfung sichtbar wird.

Heute ist er als Investor aktiv und beschreibt seine wichtigste Aufgabe darin, zwischen Stil und echtem Wert zu unterscheiden. Er benennt einen wiederkehrenden Marktfehler — denselben, den frühe britische Investoren bei Safe Sign machten — nämlich Start-ups nach ihren Pitch Decks statt nach ihrer grundlegenden Verteidigungsfähigkeit zu beurteilen.

Zwar sei der Markt besser darin geworden, Wissenschaft zu bewerten, doch gelte dies aus seiner Sicht vor allem für prominente Bereiche: große Modelle, bekannte Labore und namhafte Wissenschaftler. Die größere Chance, argumentiert er, liege in der darunterliegenden Ebene — Technologien, die schwierige Probleme für Frontier-AI-Labore selbst lösen.

Er verweist auf mehrere Bereiche, in denen bedeutende Herausforderungen weiterhin unterfinanziert sind. Einer davon ist Infrastruktur zum Testen der Fähigkeiten von KI-Systemen: Jede Aussage darüber, dass ein Modell eine Prüfung besteht oder einen Profi übertrifft, hängt davon ab, dass jemand diese Bewertung entwickelt hat; und Evaluierungen zu entwerfen, die nicht ausgetrickst werden können, gehört zu den schwierigsten Problemen des Feldes. Ein weiterer Bereich ist Gedächtnis — heutige KI-Systeme beginnen jedes Gespräch von null, während menschliche Expertise auf angesammeltem Wissen beruht. Die Lösung wird häufig als Datenbank-Addon für einen Chatbot abgetan, doch kontinuierliches Lernen bleibt ein grundlegend ungelöstes Problem des maschinellen Lernens. Ein dritter Bereich ist das, was er als „neolab enablement“ bezeichnet: spezialisierte Werkzeuge, die frühe AI-for-Science-Labore benötigen, aber nicht selbst bauen können, und die dieselbe fachliche Tiefe erfordern wie die Wissenschaft, die sie unterstützen.

Diese Kategorien — Werkzeuge, Speicher und Dienstleistungen — werden vom Markt häufig als gewöhnliche Infrastruktur abgetan. Er argumentiert, dass sie einige der schwierigeren Probleme des Feldes darstellen, von denen jedes die Frontier-Labore im Stillen bremst, und dass nahezu keines der in KI strömenden Kapitals in diese Richtung fließt.

Der Gründer zieht den Vergleich zurück zu Rollins House: das ungelesene Dossier, der Fall, den alle für verloren hielten, der Wert, der lange existiert, bevor ihn jemand genau genug prüft. Seine Mutter lebt noch immer in dem Gebäude, das im Wesentlichen so dasteht wie immer — auf den ersten Blick unscheinbar, aber weit mehr wert, als der äußere Eindruck vermuten lässt.

Die in Kommentarbeiträgen auf Fortune.com geäußerten Meinungen sind ausschließlich die Ansichten ihrer Autoren und spiegeln nicht notwendigerweise die Meinungen und Überzeugungen von Fortune wider.

Diese Geschichte erschien ursprünglich auf Fortune.com.