自身が育った建物が取り壊しの危機に直面したとき、Safe Sign Technologiesの創業者は粘り強さの重要性を学んだ。その経験は後に、Thomson Reutersが売上を1ドルも上げる前に買収することになるAI企業を築くうえでの姿勢を形作った。

ロンドン南東部にある老朽化したアールデコ様式の元工場、Rollins Houseは、彼の母親が暮らし、彼自身が育った場所だった。開発業者がその敷地を集合住宅用に取得しようとしたとき、家族は費用を賄えない法的な争いに直面した。10代だった彼は、学校の試験勉強の合間に都市計画法を独学し、誰も手をつけていなかった記録を調べ、法的先例の資料をまとめた。経験豊富な法律事務所を相手に自治体の委員会の前に立ち、主張を展開し、そして勝利した。この出来事は、緻密な調査と大きな不利に立ち向かう意志が結果を左右し得るという確信を植え付けた。

その10年後、同じ考え方は再び試されることになった。法律、税務、会計サービスを提供し、世界最大級の専門情報企業の一つであるグローバルな情報・テクノロジー企業Thomson Reutersとの交渉で、同社は彼のAI研究スタートアップ、Safe Sign Technologiesの買収を望んでいた。

そこに至る道のりは厳しかった。Allen & Overyで事務弁護士として研修を受けながら、彼は並行してSafe Signを築いた。午前4時30分に起きて会社に取り組み、日中は法律研修に費やし、夜には再びスタートアップの仕事に戻った。Allen & Overyは非常に寛容だったと彼は述べるが、その生活は持続可能ではなかった。

Safe Signは何度も、夜のうちに実質的に資金が尽き、翌朝までに新たな資金が必要になる状況に陥った。同社の当初の計画である消費者向け法律プロダクトは、投資家の関心を集められなかった。地元の支援者から繰り返し断られた後、彼は所持金£200でニューヨーク行きの飛行機に乗った。最終的に、同社の資本のほぼすべては英国ではなく北米の投資家からもたらされた。彼はアプローチの文化的な違いを感じたという。米国の投資家は「how can I help?」と尋ねる傾向があった一方、英国の投資家は「how will this fail?」と尋ねた。

事業を継続するのに十分な資金を調達した後、Safe Signは収益を追うことを完全にやめ、独自AIモデルの構築へと取り組みを転換した。この判断は、Cambridge、MIT、Harvardから採用した小規模チームにすべてを投じ、意味のある収益はかなり先になると投資家に繰り返し説明することを意味した。多くの支援者は関心を失った。

同社の研究は、安全性、堅牢性、信頼性に重点を置いた。これらは法律用途で特に重要な属性であり、AIシステムが判例引用を捏造したり、法令文を読み誤ったりすれば、専門職に直接的な損害をもたらし得る。限られた予算で差別化された性能を持つモデルを生み出したSafe Signは、汎用言語モデルと法律実務が求める信頼性の水準との間にあるギャップに狙いを定めた。Safe Signが強力な社内結果を共有すると、Thomson Reutersのベンチャー部門は数分以内に反応した。

創業から20カ月後、Safe SignはThomson Reutersにとって174年の歴史で初のプレレベニュー買収案件となり、2024年の欧州における比較的重要な取引の一つに数えられた。法律・税務プラットフォーム全体でAIに多額の投資を行ってきたThomson Reutersは、既存のリーガルテック企業が生成AIを専門家の業務フローに組み込もうと競うなか、Safe Signの研究チームとモデルアーキテクチャが自社の立場を強化し得ると見た。買収額は、売上を一度も計上したことのない会社にとって人生を変える規模だった。

創業者は、この結果がスタートアップ業界の従来の常識の多くに反していると指摘する。その常識は、伸びる売上、調達資本、創業者の露出といった目に見える指標を重視する。彼の見方では、機関投資家や買収者が評価するのは仕事の深さであり、詳細に精査されて初めて明らかになる実質である。

現在は投資家として活動する彼は、自身の主な責任を、見せ方と真の価値を見分けることだと説明する。彼は市場で繰り返される誤りとして、初期の英国投資家がSafe Signに対して犯したのと同じように、スタートアップを中核的な防御力ではなくピッチデックで判断することを挙げる。

市場は科学を評価する能力を高めてきたものの、それは主に注目度の高い領域に限られると彼は主張する。大規模モデル、有名な研究所、評価額を動かす著名な科学者たちである。より大きな機会は、その下の層、すなわちフロンティアAI研究所自身の難題を解決する技術にあるという。

彼は、資本が十分に向かっていない重要な課題領域をいくつか挙げる。一つは、AIシステムの能力をテストするためのインフラだ。モデルが試験に合格した、あるいは専門家を上回ったというあらゆる主張は、誰かがその評価を作ったことに依存しており、不正攻略できない評価を設計することは、この分野で最も難しい問題の一つである。もう一つはメモリーだ。現在のAIシステムは会話のたびにゼロから始まるが、人間の専門性における価値のほとんどは蓄積された知識に基づいている。その解決策はチャットボットにデータベースを追加するだけだと見なされがちだが、継続学習は機械学習において根本的に未解決の問題であり続けている。三つ目は、彼が「neolab enablement」と呼ぶ領域である。初期のAI-for-science研究所が必要としながら自前では構築できない専門ツールであり、それらが支える科学と同じだけの領域の深さを必要とする。

これらのカテゴリー、つまりツール、ストレージ、サービスは、市場から日常的なインフラとして片付けられがちである。彼は、それらがこの分野でより難しい問題の一部であり、それぞれがフロンティア研究所の前進を静かに妨げているにもかかわらず、AIに流入する資本のほとんどがそこに向かっていないと主張する。

創業者は再びRollins Houseとの比較に戻る。誰にも読まれていなかった資料、誰もが負けると思っていた案件、そして誰かが十分に詳しく調べるずっと前から存在していた価値である。彼の母親はいまもその建物に住んでおり、建物は以前とほとんど変わらず立っている。一見すると目立たないが、外観が示すよりもはるかに大きな価値を持っている。

Fortune.comの論説記事で表明される意見は著者個人の見解であり、必ずしもFortuneの意見や信念を反映するものではありません。

この記事は当初、Fortune.comに掲載されました。