I dont share here the email for LP/GPs i sent monthly, however AngelList published the performance for funds in their platform (aggregates) and if you are in the VC industry I believe its a good way to understand the current market. (note: in english since the email I send is in english)

Hi dear friends,
Here’s my take on the trends and concerns reflected in this dataset:

Key Observations
• The 2017 vintage shows the strongest performance:
• Median IRR: 19.7%
• Median TVPI: 3.57x
• Median DPI: 0.29x
• Steady decline across all metrics from 2017 to 2023:
• IRR drops from 19.7% (2017) to -5.5% (2023)
• TVPI declines from 3.57x (2017) to 0.95x (2023)
• DPI remains near zero for recent vintages, indicating a lack of distributions.

Liquidity Concerns: When Did It Become a Problem?
• The 2017-2018 vintages show some DPI, but even after 6+ years, LPs haven’t seen significant cash returns. Ouch!
• 2019 marks the real turning point: DPI collapses to near zero, signaling a breakdown in liquidity. Ouch times 3!
• 2020-2023 vintages are almost entirely illiquid, with DPI stuck at 0.00x, showing that exits have stalled.

Market Reality: Why Are Exits Stalling?
• Post-2021 exit market collapse: The IPO window shut down, M&A slowed, and high-valuation startups are stuck.
• 2019-2021 overvaluation problem: Many startups raised at inflated multiples and can’t exit profitably without major markdowns.
• Structural venture challenges: Even before 2021, DPI was low, suggesting that the industry had already over-relied on paper markups.

J-Curve vs. Broader Concerns: Are 2021-2023 Vintages Just Too Young?
• Venture funds follow a J-curve, where returns start low and improve around years 5-8.
THIS IS KEY:
• However, even adjusting for fund maturity, the early performance of recent vintages is weaker than historical norms:
• 2017 had 3.57x TVPI by year 4, while 2021 is only at 1.04x.
• 2022-2023 vintages have near-flat TVPI (~1.00x), meaning no real appreciation.
• Negative IRRs (-5.5% in 2023) are sharper than usual for early-stage funds.

This suggests that while 2021-2023 funds need more time, they are facing far worse conditions than prior cycles.

Final Takeaway
• Liquidity issues emerged in 2019 and worsened post-2021 as exits dried up.
• Even mature funds (2017-2019) have struggled to distribute capital, suggesting broader structural issues in venture.
• The next 2-3 years will determine whether these vintages recover or remain stuck, shaping the future of venture fundraising.

Si hay algo fundamental en una startup es medir qué tan bien tu producto cumple con las expectativas de los usuarios y si logra mantenerse como parte de su vida: eso se hace midiendo la retención. Punto. Es uno de los indicadores clave de product-market fit, que muestra si las personas no solo prueban tu solución, sino si regresan y la usan de manera recurrente. ¿Y dónde impacta esto? Directamente en los ingresos, sostenibilidad del negocio y tu capacidad de escalar, ya que adquirir nuevos usuarios es mucho más caro que mantener a los existentes.

Pero un problema que veo en varias startups e incluso analistas de fondos es que la retención no se mide en una sola instancia porque el comportamiento de los usuarios cambia con el tiempo. Una sola medición no captura esta evolución ni permite tomar decisiones estratégicas informadas.

Tomar periodos de medición permite identificar patrones de comportamiento, detectar posibles puntos de abandono y optimizar la experiencia de usuario. Por eso la retención se mide a través de timeframes específicos, que podemos estandarizar en los primeros 30, 90 y 365 días.

¿Por qué 30, 90 y 365 días?

• Retencion a 30 días: esto mide el engagement inicial y la adopción de tu producto o servicio. Indica qué tan efectivo es tu on-boarding, la experiencia de usuario y la propuesta de valor inicial para atraer a nuevos clientes.
• Retencion a 90 días: se usa para medir la retención a mediano plazo y el nivel de “stickiness” -o qué tan indispensable se vuelve tu producto para el usuario- que lográs; especialmente si es un modelo de suscripción o una fintech esto es CLAVE, y podés evaluar incluso las estrategias de engagement.
• Retención a 1 año: esto mide la lealtad a largo plazo y la satisfacción del cliente. Indica si tu producto ha logrado ofrecer un valor sostenible para sus usuarios; pero además los clientes a largo plazo tienen más probabilidades de convertirse en defensores y evangelizadores de tu producto.

¿Podés medir en otros períodos?

Claro, pero para eso hay otras formas de lograr mejores insights; ej: el "bounce rate" te ayuda a entender cuán efectivo es tu punto de entrada -sea una app o lo que sea- o la medición a 7 días que te ayuda a entender si el nuevo usuario que descargó tu app o entró en tu comunidad, pasó el punto de registro y empezás a ser un hábito en su vida.

Honestamente, hoy podés medir lo que quieras, pero 30, 90 y 365 días te permiten tener un benchmark con la industria que te ayude no sólo a entender tus puntos débiles sino también tener mejores charlas con tus inversores y podés reflejar diferentes etapas del ciclo de vida del cliente, desde la adopción inicial hasta el compromiso a largo plazo.

¿Buena retención implica crecimiento eterno?

No, ni de cerca. La retención es solo una parte del ciclo de vida de una startup. Si bien es un indicador clave para medir el éxito inicial y la adopción del producto, no es un resultado permanente. En la mayoría de los productos, incluso aquellos con buenas curvas de retención, esta métrica eventualmente tiende a disminuir e incluso a llegar a cero debido a la disrupción de la competencia, cambios en las necesidades de los usuarios y factores externos impredecibles. Por eso, es fundamental que las startups no solo se enfoquen en mantener la retención, sino también en evolucionar su adquisición de usuarios constantemente.

En 1957, ocho jóvenes ingenieros, conocidos más tarde como los “Traitorous Eight”, tomaron la decisión que dio origen a Silicon Valley: abandonaron Shockley Semiconductor por desacuerdos con su fundador, fundaron Fairchild Semiconductor y no solo marcó el nacimiento de la industria de los semiconductores, sino que también sentó las bases de una nueva era con empresas como Intel y AMD.

Hoy, los investigadores en inteligencia artificial generativa tienen una oportunidad similar; si uno mira las 50 startups de AI con más funding por parte de inversores, o las 10 más conocidas, vas a ver que seguramente todos están fundados o co-fundados por un investigador; y cuando lean que equipos de empresas grandes (ej: Google u OpenAI) van a abrir un startup seguro son investigadores y tiene lógica porque el mercado de GenAI está todavía naciendo y nadie conoce cómo van a evolucionar los modelos de negocio.

Por eso con cada release de los gigantes, léase OpenAI, mueren decenas de startups; un poco repitiendome:

"... la velocidad de despliegue de infraestructura es tal que se está pisando con el lanzamiento de muchos modelos de negocio no probados o ni siquiera pensados, por el pico de expectativas exageradas de varios VCs que no dejan de saltar de una moda a otra, y tienen miles de millones en dry-powder". (¿Hay una burbuja?, agosto 2024).

¿Cómo impacta esto en la industria? De muchas maneras, pero algunas son más claras de ver que en otras:

• A nivel emprendedor, es un gran momento para arrancar una startup donde AI sea parte core de tus procesos... pero si vas a ser un "pure AI" tendrías que ir a mercados donde puedas tener una diferenciación clara.
  • Tooling: como los llamabamos en MS, toda herramienta que ayude al mercado a implementar o manejar herramientas de AI es clave.
  • Enterprise: si sos capaz de trabajar con sets propietarios de datos (aunque la ventana se esté cerrando) en mercados donde los hyperscalers no estén atacando directamente tenés una oportunidad. (Nota: no lo confundas con hacer "consulting/implementation" porque tu exit es un aquihire a un Globant y está bien, pero a un VC eso no le interesa).
  • O, como decía arriba, usá AI para tus procesos... ej: el on-boarding de usuarios, la creación del contenido (ej: no entiendo que MercadoLibre no tenga un "Copilot de publicación" o que las apps de Citas no te ayuden a editar tus imágenes con GenAI!)
• A nivel Inversor, si no entendés como funcionan los stacks de AI y como están avanzando los gigantes (más allá de los comunicados) creo que vas a tener un problema en encontrar un AI startup que la rompa.
  • Consejo: si estás en un mercado marginal sin un fundador o co-fundador técnico realmente fuerte, deberías repensar cómo pueden competir tus invertidos contra un ecosistema cada día más concentrado.
• A nivel Big Tech: los hyperscalers van a seguir siendo los ganadores porque nadie tiene sus recursos, pero el talento que están perdiendo es increíble porque NO ofrecen oportunidades de crear internamente; para tener una idea: ninguno de los 8 creadores de "Attention is all you Need", el paper que creó este mercado, sigue en Google, y de las 50 empresas top de AI a nivel global... 14 fueron fundadas por ex Googlers (ej: Anthropic, Perplexity AI y Mistral AI).
• A nivel academia: sigo sosteniendo como hace 8 años que el "la pérdida de talento en la academia va a ser un problema a largo plazo". Eso se ve en las posiciones que ni siquiera Stanford o Caltech pueden cubrir, cuando antes era una meca.
  • ¿Que haría? encontrar mejores mecanismos de transferencia de tecnología donde los investigadores sean debidamente recompensados (ej: Israel Tech).

De nuevo, estos son pensamientos sueltos sobre el gran gran momento en el que estamos metidos todos los del ecosistema emprendedor, y creo que Hispam/Brasil tienen grandes oportunidades para este momento, pero deberíamos entender bien que estamos en la génesis de algo como fue 1957 para Silicon Valley y que, además, pese a que estamos en un mercado lejano... el talento es global pero el capital no todavía

En un mundo, casi tiktokero, dominado por soluciones rápidas y frases llamativas, los mejores líderes logran dominar la complejidad y hacer que parezca sencilla; los malos lideres sobre-simplifican sin entender siquiera las bases del problema. Hay una frase de Steve Jobs que captura la escencia de esto: la capacidad de simplificar soluciones complejas sin reducirlas a respuestas ineficaces y excesivamente simplificadas es realmente complejo.

“Simple can be harder than complex: You have to work hard to get your thinking clean to make it simple. But it’s worth it in the end because once you get there, you can move mountains.” Steve Jobs

Y cuando sos un emprendedor la simplicidad es una ventaja competitiva SIEMPRE. La gente ansía la simplicidad de manera natural; y lo vas a ver sea un cliente eligiendo entre productos o un equipo alineándose con una estrategia, la claridad inspira confianza y seguridad.

Hace 2 días Microsoft y Google decidieron incluir gratuitamente sus versiones de AI en sus aplicaciones de productividad, léase Microsft 365 y Google Wokspace, mientras aumentaron el precio base en menos del 10%... esta es, literalmente, una carrera hacia el abismo donde cada uno busca entrar al mercado de otro solo con precio.

• Google: "A customer using the Workspace Business Standard plan with a Gemini Business add-on previously paid $32 per user, per month. Now, that same customer will pay just $14 per user, per month — only $2 more than they were paying for Workspace without Gemini."
• Microsoft: "bringing Microsoft Copilot and Microsoft Designer to Microsoft 365 Personal and Family subscribers in most markets worldwide" ... "the prices of Microsoft 365 Personal and Family in the US for the first time since its release by $3 USD per month"

La primer lectura es que; sacaron del juego a cualquier otro jugador del mercado de "software de productividad" que quiera agregar funciones de AI porque los únicos con la espalda financiera para atender un par de centenas de millones de usuarios son Microsoft, Google, Amazon y Meta... y estos últimos dos no cuentan aca.

Si de Paypal salieron varios emprendedores que se convirtieron en estrellas en Internet (desde Elon Musk hasta Roelof Bohta o Dave Mclure, Peter Thiel y tantos otros) creo que de OpenAI están saliendo tantos empleados que fundan empresas que están dominando nichos que recien arrancan en este landgrab que va a dejar atrás a los de Paypal.

Solo estas 15 empresas fundadas por ex empleados de OpenAI ya levantaron casi 15.000 millones de dólares de fondos de inversión y estan tomando verticales tan específicos que con sus backgrounds de research y el capital que reciben... van a sacudir a algunos de los grandes que conocemos hoy.

Me pareció interesante leer este paper de los investigadores de Apollo Research donde evaluaron diferentes modelos de IA para ver si participarían en "maquinaciones" más simple si intentarían engañar o manipular a sus desarrolladores para lograr un objetivo específico.

Pero más allá de los resultados me pareció un paper interesante porque muestra los desafíos que existen al momento de entrenar un modelo de AI, encontrar los patrones para crear "guardas" de seguridad y/o entender como suceden estas cosas en lo que para muchos es una gran caja negra donde no se sabe con seguridad que es lo que pasa dentro.