ChatGPT vs Muhasebeci, girişim değerlemesinde yapay zeka yanıtlarının gerçek zamanlı doğrulanması
(youtube.com)ChatGPT vs Muhasebeci, girişim değerlemesinde yapay zeka yanıtlarının gerçek zamanlı doğrulanması
Merhaba, biz Changui Muhasebe Kurumuyuz. Son dönemde ChatGPT başta olmak üzere yapay zeka araçları, startup şirket değerlemesi hakkında tavsiyeler sunuyor. Ancak saha deneyimi zengin uzman muhasebecilerin bakış açısından değerlendirildiğinde, yapay zeka yanıtlarında eksik kalan bazı noktalar bulunuyor; bu nedenle bunları tamamlamak istiyoruz.
Yapay zeka, yanlış karar verdirtecek kadar hatalı görüşler sunmadı; ancak karar almak için gerekli yeterli bilgiyi edinmek adına uzmanların tamamlayıcı tavsiyesine ihtiyaç duyulduğu, bu doğrulamanın temel sonucuydu. Bu nedenle daha ayrıntılı içeriği aşağıdaki YouTube videosunda derledik.
ChatGPT’nin güçlü yanı, genel değerleme teorilerini ve metodolojilerini sistemli biçimde sunması, farklı değerleme yöntemlerine dair kapsamlı açıklamalar vermesi ve bilgiyi erişilmesi kolay bir biçimde düzenlemesidir. Buna karşılık, uzmanların tamamlamak istediği noktalar arasında gerçek yatırım sahasındaki ince nüanslar ve müzakere noktaları, sektör ve aşama bazlı özellikleri yansıtan somut uygulama yöntemleri ve güncel yatırım trendleri ile piyasa koşullarını dikkate alan gerçekçi tavsiyeler yer alıyor.
ChatGPT’nin sunduğu teorik çerçeve çok faydalı olsa da, gerçek VC toplantılarında veya M&A müzakerelerinde aşağıdaki gibi pratik hususlar çok daha önemli rol oynar. Benchmark şirketleri belirlerken yapay zeka genel metodolojiyi sunsa da, gerçekte her yatırımcının tercih ettiği benchmark yaklaşımı farklıdır ve bazen yatırımcılar, kurucunun aklına gelmeyen açılardan karşılaştırma şirketleri önerebilir. Çarpan uygulamasında da teorik aralıklar doğru olsa bile, pratikte ekibin deneyimi, pazara giriş bariyerleri ve rakiplerin durumu gibi niteliksel unsurlar çarpanın belirlenmesinde daha büyük etkiye sahip olabilir.
Bir uygulama uzmanı ChatGPT ile gerçekten soru-cevap yürüttüğünde, yapay zekanın genel olarak yanlış bilgi uydurmadığı ve temel teori ile metodolojileri doğru sunduğu görüldü. Özellikle Scorecard yöntemi, Berkus yöntemi gibi değerleme metodolojileri ve VC’lerin dikkat ettiği temel unsurlara ilişkin açıklamalar oldukça faydalıydı. Ancak yapay zeka fazla ayrıntılı açıklama yapmaya çalıştığı için, yanlış anlaşılmaya açık bazı içerikler de vardı. Örneğin mobil uygulama hizmetleri için çarpanı 5x ile 15x arasında verip somut fiyat aralıklarından söz etti; ancak bu tür sayılar yalnızca referans niteliğinde değerlendirilmelidir.
Yapay zeka yanıtlarında özellikle eksik kalan bölüm, gerçek dünyadaki kısıtların dikkate alınmasıydı. Örneğin şahıs işletmelerinde, sermaye şirketlerinden farklı olarak hisse devri değil işletme devri yöntemi izlenmesi gerektiği için M&A sürecinin çok daha karmaşık olması ve erken aşama startup’larda M&A yerine önce yatırım alma seçeneğinin daha gerçekçi olması gibi noktalar, yapay zekanın yeterince ele alamadığı konular arasındaydı.
ChatGPT gibi yapay zeka araçları, ilk bilgi toplama ve temel kavramları düzenleme açısından son derece yararlıdır. Ancak gerçek bir yatırım turu ya da M&A süreci yürütülürken, ilgili alandaki uzmanların deneyimi ve sezgisine de ihtiyaç olduğu düşünülmektedir.
Bu doğrulama çalışmasıyla, yapay zeka yanıtlarının faydasını kabul ederken aynı zamanda sahadaki karmaşıklığı ve değişkenleri tamamlayabilecek uzman rolünün hâlâ önemli olduğunu vurgulamak istiyoruz. Yapay zekanın sunduğu temel çerçevenin üzerine pratik deneyim eklendiğinde, daha doğru ve daha gerçekçi bir şirket değerlemesi yapılabileceğini düşünüyoruz.
2 yorum
Veriler soğukkanlıdır, insan ise hararetli.
Changui Muhasebe Kurumu'nun savunduğu "uzmanın deneyimi ve sezgisi" gerçekten şirket değerlemesinin doğruluğunu artırıyor mu? Yoksa nesnel verilere öznel gürültü mü karıştırıyor?
Matematik yalan söylemez ama matematiği yorumlayan insan yalan söyleyebilir.
Doğrulama yanlılığı (Confirmation Bias): Uzmanlar, kendi geçmiş deneyimleriyle örtüşen verileri seçici biçimde öne çıkarma eğilimindedir. "Şimdiye kadar gördüğümüz vakalara bakarsak..." türü bir yaklaşım, sonuçta sınırlı bir örnekleme dayanarak genelleme yapma hatasıdır.
Anchoring etkisi: İlk karşılaşılan benzer vaka, sonraki tüm yargıların referans noktası hâline gelir. Veriler 5-15x multiple önerse bile uzman, "Deneyimlerimize göre 8-12x uygundur" diyerek bunu kendi anchor noktasına göre ayarlar.
Hayatta kalan yanlılığı: Başarılı vakalar akılda kalır, başarısız olanlar ise "istisnai durum" diye geçiştirilir. Bu da örüntü tanımayı çarpıtır.
Uzmanların gizli teşvikleri vardır:
Ücreti maksimize etme: Daha yüksek bir valuation önerildikçe işlemin büyüklüğü artar
İlişkiyi sürdürme: Müşterinin duymak istediği cevabı verme cazibesi
Uzmanlık gösterisi: Kendi değerini kanıtlamak için karmaşık düzeltme unsurları üretme eğilimi
AI ücret almaz, çevre yönetmek zorunda değildir ve egosu da yoktur.
"20 yıllık saha deneyimi" ifadesinin gerçekte karşılığı nedir?
Belki de 1 yıllık deneyim 20 kez tekrar edilmiştir. Özellikle hızla değişen startup ekosisteminde 5 yıl önceki deneyim bile artık eski olabilir. Buna karşılık AI, dünya genelindeki verileri gerçek zamanlı günceller ve örüntüleri öğrenir.
"Ekip deneyimi, pazara giriş bariyerleri" gibi nitel unsurları gerçekten yalnızca uzmanlar mı değerlendirebilir?
Ekip deneyimi: Kurucuların geçmişi, önceki şirket performansı, eğitim bilgileri — bunların hepsi nicelleştirilebilir veriler
Pazara giriş bariyerleri: Patent sayısı, düzenleyici durum, rakip analizi — bunlar da nesnel göstergeler
Rakip eğilimleri: Hatta AI bunları gerçek zamanlı olarak daha doğru izleyebilir
Uzmanların "nitel" diye paketlediği şeylerin önemli bir kısmı, aslında nicelleştirilebilir unsurların tembelce analiz edilmesinin sonucu olabilir.
Eğer uzmanların yaptığı ayarlamalar gerçekten değerli olsaydı, uzmanların yönettiği fonlar neden piyasa ortalamasını sürekli olarak aşamıyor?
Warren Buffett bile "yatırımcıların çoğu için en iyisi sadece endeks fonuna yatırım yapmaktır" dedi. Bu, uzmanın "sezgisinin" piyasanın kolektif zekâsından üstün olmadığının karşı kanıtıdır.
Sonuç: Soğuk verinin sıcaklığı
Uzmanın rolünü tamamen reddetmekten söz etmiyorum. Ancak nesnel verilerin üzerine öznel yorum eklemenin her zaman iyileştirme anlamına gelip gelmediği şüphelidir.
Bazen soğuk veri, sıcak sezgiden daha doğru olabilir. Özellikle duygu ve çıkar ilişkilerinin karmaşık biçimde iç içe geçtiği şirket değerlemesinde bu daha da geçerlidir.
"Uzman desteği" diye sunulan şeyin aslında "nesnelliğin zedelenmesi" olabileceği ihtimalini gözden kaçırmamak gerekir.
Buna karşı bir yazı yazmasını AI'dan istedim. Benim çalıştığım alanda da AI gerçekten çok gündemde; nasıl kullanılacağı ise neredeyse her gün değişiyor.
Show, GN'ye uygun olmadığı için taşındı.
Lütfen yüklemeden önce Show kullanım yöntemine göz atın.