AI startups are attracting record investment—global AI venture funding exceeded $100 billion in 2024—but the relationship between investment and value creation is less straightforward than the funding figures suggest. Many AI startups report rapid ARR (Annual Recurring Revenue) growth that drives valuation, but the composition and sustainability of that revenue is often unclear. Recent research examines the metrics, networks, and decision frameworks that shape AI venture capital—and identifies both opportunities and fragilities.

The Research Landscape

ARR Metrics Under Scrutiny

Ratnatunga (2025) raises pointed questions about the reliability of ARR metrics reported by VC-backed AI startups. Companies like Midjourney and ElevenLabs reported dramatic ARR growth in short periods, but the paper argues that ARR figures can be inflated by:

• Annual prepayment incentives: Offering discounts for annual subscriptions inflates ARR relative to actual monthly usage.
• Usage-based revenue attribution: Classifying variable, usage-based revenue as "recurring" when it may not recur.
• Gross vs. net revenue: Reporting gross revenue without deducting cloud computing costs, which are substantial for AI companies.

The paper proposes a "circular startup ecosystem" framework where ARR growth is evaluated in context—considering customer retention rates, unit economics, and the sustainability of the revenue model rather than just the headline number.

Network Effects in AI Venture

Zhao (2026) examines revenue composition and network effects in AI startups using graph-based analysis. The finding: AI startups exhibit weaker network effects than platform companies (social media, marketplaces) because AI capabilities are often commoditizing—what one AI company offers, another can replicate using similar foundation models. This suggests that many AI startups' competitive advantages are less durable than their valuations assume.

Kim and Lee (2024), with 1 citation, take a complementary approach, examining how AI venture companies' positions in investment networks affect their returns. Using network analysis of Korean AI startup investments, they find that startups with more diverse investor networks (investors from different industries and geographies) perform better than those with concentrated networks—suggesting that social capital in the form of diverse connections matters more than the amount of capital raised.

VC Decision-Making in Emerging Markets

Nwangele, Oladuji, and Ajuwon (2024), with 1 citation, propose a framework for venture capital decision-making in Africa that leverages AI and Big Data to address the information asymmetries that make African VC particularly challenging. In mature VC markets, investors have extensive data on comparable companies, industry benchmarks, and founder track records. In Africa, this data is sparse, making investment decisions more reliant on relationships and judgment.

The proposed framework uses AI tools (predictive analytics for startup success probability, NLP for analyzing business plans, network analysis for assessing team strength) to partially compensate for the information gap—potentially democratizing VC by making investment decisions less dependent on personal networks and more dependent on verifiable metrics.

Critical Analysis: Claims and Evidence

<

Claim	Evidence	Verdict
AI startup ARR metrics may overstate sustainable revenue	Ratnatunga's analysis of reporting practices	✅ Supported — specific inflation mechanisms identified
AI startups have weaker network effects than platform companies	Zhao's graph-based analysis	⚠️ Uncertain — plausible but early-stage analysis
Diverse investor networks improve startup performance	Kim & Lee's Korean VC network analysis	✅ Supported — 1 citation; network diversity correlated with returns
AI can partially address information asymmetries in African VC	Nwangele et al.'s conceptual framework	⚠️ Uncertain — framework proposed; not yet empirically validated

What This Means for Your Research

For VC practitioners, Ratnatunga's ARR analysis is a caution: dig beneath headline metrics to understand revenue quality. For entrepreneurship researchers, the network effects question—are AI companies truly defensible?—is the defining investment thesis question of the current cycle.

Explore related work through ORAA ResearchBrain.

면책 조항: 이 게시물은 정보 제공 목적의 연구 동향 개요이다. 학술 저작물에서 인용하기 전에 구체적인 연구 결과, 통계 및 주장을 원문 논문과 대조하여 검증해야 한다.

AI 스타트업과 벤처 캐피털: 네트워크 효과, ARR 지표, 그리고 가치평가 문제

AI 스타트업은 기록적인 투자를 유치하고 있다—2024년 글로벌 AI 벤처 펀딩은 1,000억 달러를 초과했다—그러나 투자와 가치 창출 사이의 관계는 펀딩 수치가 시사하는 것만큼 단순하지 않다. 많은 AI 스타트업들이 가치평가를 견인하는 빠른 ARR(연간 반복 매출) 성장을 보고하고 있지만, 그 매출의 구성과 지속 가능성은 종종 불분명하다. 최근 연구들은 AI 벤처 캐피털을 형성하는 지표, 네트워크, 의사결정 프레임워크를 검토하고, 기회와 취약성을 동시에 규명하고 있다.

연구 현황

면밀한 검토 아래 놓인 ARR 지표

Ratnatunga(2025)는 VC의 투자를 받은 AI 스타트업들이 보고하는 ARR 지표의 신뢰성에 대해 날카로운 의문을 제기한다. Midjourney와 ElevenLabs 같은 기업들은 단기간에 극적인 ARR 성장을 보고했지만, 이 논문은 ARR 수치가 다음과 같은 방식으로 부풀려질 수 있다고 주장한다:

• 연간 선납 인센티브: 연간 구독에 대한 할인 제공이 실제 월별 사용량 대비 ARR을 부풀린다.
• 사용량 기반 매출 귀속: 실제로는 반복되지 않을 수 있는 변동적·사용량 기반 매출을 "반복적" 매출로 분류한다.
• 총매출 대 순매출: AI 기업에 상당한 비중을 차지하는 클라우드 컴퓨팅 비용을 공제하지 않고 총매출을 보고한다.

이 논문은 ARR 성장을 맥락 속에서 평가하는 "순환적 스타트업 생태계" 프레임워크를 제안한다—단순히 표면적인 수치만이 아니라 고객 유지율, 단위 경제성, 그리고 매출 모델의 지속 가능성을 고려하는 방식이다.

AI 벤처의 네트워크 효과

Zhao(2026)는 그래프 기반 분석을 사용하여 AI 스타트업의 매출 구성과 네트워크 효과를 검토한다. 연구 결과에 따르면, AI 스타트업은 플랫폼 기업(소셜 미디어, 마켓플레이스)에 비해 더 약한 네트워크 효과를 보인다. 이는 AI 역량이 종종 범용화되고 있기 때문이다—한 AI 기업이 제공하는 것을 다른 기업이 유사한 파운데이션 모델을 활용하여 복제할 수 있다. 이는 많은 AI 스타트업의 경쟁 우위가 그들의 가치평가가 가정하는 것보다 덜 내구적임을 시사한다.

피인용 1회를 기록한 Kim과 Lee(2024)는 보완적인 접근 방식을 취하여, AI 벤처 기업들의 투자 네트워크 내 위치가 수익에 어떠한 영향을 미치는지 검토한다. 한국 AI 스타트업 투자에 대한 네트워크 분석을 사용하여, 이들은 더 다양한 투자자 네트워크(다양한 산업과 지역 출신의 투자자)를 보유한 스타트업이 집중된 네트워크를 가진 스타트업보다 더 나은 성과를 보인다는 것을 발견했다—이는 다양한 연결고리 형태의 사회적 자본이 조달된 자본의 규모보다 더 중요함을 시사한다.

신흥 시장에서의 VC 의사결정

피인용 1회를 기록한 Nwangele, Oladuji, 그리고 Ajuwon(2024)은 아프리카 VC를 특히 어렵게 만드는 정보 비대칭 문제를 해결하기 위해 AI와 빅데이터를 활용하는 아프리카의 벤처 캐피털 의사결정 프레임워크를 제안한다. 성숙한 VC 시장에서 투자자들은 비교 기업, 업계 벤치마크, 창업자 실적에 관한 방대한 데이터를 보유하고 있다. 아프리카에서는 이 데이터가 희소하여, 투자 결정이 관계와 판단에 더 의존하게 된다.

제안된 프레임워크는 AI 도구(스타트업 성공 확률에 대한 예측 분석, 사업 계획 분석을 위한 NLP, 팀 역량 평가를 위한 네트워크 분석)를 활용하여 정보 격차를 부분적으로 보완한다—잠재적으로 투자 결정을 개인 네트워크에 덜 의존하고 검증 가능한 지표에 더 의존하게 함으로써 VC를 민주화할 수 있다.

비판적 분석: 주장과 근거

<

주장	근거	판정
AI 스타트업 ARR 지표가 지속 가능한 매출을 과대평가할 수 있다	보고 관행에 대한 Ratnatunga의 분석	✅ 지지됨 — 구체적인 부풀리기 메커니즘이 규명됨
AI 스타트업은 플랫폼 기업보다 약한 네트워크 효과를 가진다	Zhao의 그래프 기반 분석	⚠️ 불확실 — 타당하나 초기 단계 분석
다양한 투자자 네트워크는 스타트업 성과를 향상시킨다	Kim & Lee의 한국 VC 네트워크 분석	✅ 지지됨 — 인용 1건; 네트워크 다양성이 수익률과 상관관계를 보임
AI는 아프리카 VC의 정보 비대칭성을 부분적으로 해소할 수 있다	Nwangele et al.의 개념적 프레임워크	⚠️ 불확실 — 프레임워크가 제안되었으나 아직 실증적으로 검증되지 않음

연구에 주는 시사점

VC 실무자에게 Ratnatunga의 ARR 분석은 하나의 경고이다: 수익의 질을 이해하기 위해 표면적인 지표 너머를 살펴야 한다. 창업 연구자에게 네트워크 효과에 관한 질문—AI 기업은 진정한 방어적 해자(moat)를 갖추고 있는가?—은 현재 사이클의 핵심 투자 논제이다.

ORAA ResearchBrain을 통해 관련 연구를 탐색하라.