Erik Salazar, grundlægger og administrerende direktør for Iconic – Interviewserie

Erik Salazar, grundlægger og administrerende direktør for Iconic, er en serieiværksætter og teknologiekspert med mere end to årtiers erfaring inden for fusioner og opkøb, virksomhedsinfrastruktur, sundhedsteknologi og ledelse af startups. Før han lancerede Iconic i 2023, var han COO og medstifter af Kit.com, en sundhedstestplatform, der senere blev opkøbt af Ro Health Ventures. Tidligere i sin karriere var Salazar medstifter af Unitas Global, hvor han hjalp med at skalere virksomheden til en stor leverandør af cloud- og infrastrukturservices før den blev opkøbt af Digital Alpha. Han har også haft ledelsesroller hos CoreSite og startede sin karriere i finans med The Carlyle (CG ) Group, hvor han fokuserede på underwriting, modellering og opkøb. Med denne kombination af finansiel ekspertise, operationelt lederskab og startup‑eksekvering grundlagde Salazar Iconic for at modernisere den traditionelt fragmenterede M&A‑industri gennem teknologidrevne rådgivningstjenester, AI‑baseret købermatching og forretningsvurderinger.

Iconic er en AI‑drevet M&A‑platform, der er designet til at hjælpe virksomhedsejere med at sælge deres virksomheder mere effektivt, samtidig med at resultaterne forbedres for både sælgere og købere. Virksomheden kombinerer proprietær software med erfarne rådgivere for at strømline hver fase af transaktionsprocessen, fra værdiansættelse og køberopdagelse til aftalestyring og afslutning. Ved at udnytte kunstig intelligens, automatisering og dataanalyse sigter Iconic mod at bringe større gennemsigtighed, hastighed og præcision til lavere‑midtermarkedets M&A‑transaktioner, en branche der historisk har været afhængig af manuelle processer og fragmenterede netværk. Platformens fokus på teknologidrevne rådgivningstjenester placerer den i krydsfeltet mellem fintech, AI og forretningsmægling, med målet at modernisere, hvordan private virksomheder købes og sælges.

Din fars erfaring som lille virksomhedsejer, som ikke var i stand til fuldt ud at realisere værdien af det, han brugte årtier på at opbygge, blev inspirationen til Iconic. Kan du dele den historie og forklare, hvordan den påvirkede din beslutning om at modernisere M&A‑processen for små virksomheder?

Min far tilbragte årtier med at drive et rejsebureau. Han byggede noget ægte med kunder, der stolede på ham, medarbejdere, der var afhængige af ham, og en forretning, der fungerede. Så blev han syg. Der kom et tidspunkt, hvor han ikke længere kunne drive den, og han havde ingen idé om, hvad han skulle gøre derefter. Han vidste ikke, at der fandtes en proces for at sælge en lille virksomhed. Han vidste ikke, at der var et marked for den. Han antog, at hvis han ikke kunne drive den, og ingen af hans børn kunne træde ind, så var det bare slut.

Sådan gik det til. Virksomheden blev nedlukket, og det var ikke fordi den fejlede. Det var fordi ingen vidste, hvordan man skulle redde den.

Det blev hængende hos mig. Da min medstifter Roberto og jeg begyndte at grave i M&A‑markedet for små virksomheder, var den professionelle mulighed åbenlys. Men under markedsanalysen var der altid noget mere personligt – mindet om at se min fars forretning forsvinde, fordi den rette infrastruktur ikke eksisterede for nogen som ham. Iconic er på nogle måder resultatet af det, han aldrig fik mulighed for at opleve.

Næsten seks millioner små virksomheder forventes at skifte ejer i løbet af det kommende årti. Hvorfor mener du, at den nuværende M&A‑infrastruktur er uforberedt på denne bølge af ejerskifte?

Infrastrukturen blev aldrig bygget til M&A‑markedet for små virksomheder. Investeringsbanker, M&A‑rådgivere og institutionel transaktionsstøtte har traditionelt været designet til handler over en vis størrelse. Små virksomheder på hovedgaden er blevet udeladt fra ligningen.

Det, der findes for dem, er for det meste manuelt og omfatter regneark, e‑mailtråde, lokale mæglere, der arbejder isoleret uden delt data, og ingen standardiserede processer. Denne opsætning vil ikke holde, når millioner af transaktioner flyder igennem samtidigt.

Du har en baggrund, der spænder over private equity hos Carlyle, datacenterinfrastruktur, sundheds‑startups og nu M&A‑teknologi. Hvilke læringer fra disse brancher har vist sig mest værdifulde i opbygningen af Iconic?

Det mest ærlige svar, jeg kan give, kommer fra personlig erfaring. Da Kit blev opkøbt, var jeg på sælgersiden af en transaktion med en hær af advokater og professionelle M&A‑executives, der sad på den anden side af bordet. Jeg kan fortælle dig, at hvis jeg ikke havde haft det rette team omkring mig, folk der faktisk vidste, hvad de lavede i M&A, så ville resultatet have været meget anderledes.

Den oplevelse gjorde én ting klar: folk med den rette infrastruktur og adgang vinder. Folk uden den efterlader penge på bordet, eller værre, bliver udnyttet i det vigtigste finansielle øjeblik i deres liv.

Jeg så det samme mønster i private equity. De firmaer med den bedste deal‑flow og de bedste data forstærker deres fordele over tid. Alle andre udfylder de huller, de har lov til at udfylde. Den asymmetri findes lige så tydeligt på hovedgaden som på Wall Street. Forskellen er, at på hovedgaden har vi blot normaliseret det.

Små virksomhedsejere har brugt årtier på at bygge noget ægte. De har tjent deres kunder og lokalsamfund med egne hænder. Og når tiden kommer til at sælge, navigerer de i en fremmed proces uden nogen køreplan. Det er problemet, som Iconic er bygget til at løse.

Små virksomhedstransaktioner er ofte afhængige af regneark, e‑mails og manuelle processer. Hvad er de største ineffektiviteter, som AI realistisk kan eliminere i løbet af de næste fem år?

Deal‑forberedelse er den første egentlige flaskehals. At gøre en virksomhed klar til markedet tager uger, og det meste af arbejdet består i at organisere regnskaber, bygge en CIM og etablere en køberprofil. Dette er alt struktureret, gentageligt arbejde, som AI virkelig er god til.

Købermatching er også afgørende for at sikre gode resultater. Lige nu er processen grundlæggende en mæglers kontaktliste. AI kan trække signaler, som ingen individuel mægler har adgang til, herunder opkøbshistorik, angivne investeringskriterier, roll‑up‑mønstre i en sektor og søgeadfærd, der indikerer aktivt deal‑jagt. Og due diligence er grundlæggende et dokumenthåndterings‑ og krydsreferencningsproblem. Det er præcis den type arbejde, hvor AI kan hjælpe med at halvere afslutningstiden.

Om fem år vil front‑enden (forberedelse) og back‑enden (diligence) af en transaktion se meget anderledes ud end i dag. Den del i midten, hvor en sælger beslutter, om de skal stole på nogen med det, de har bygget, vil stadig være menneskelig. At udnytte AI til det kedelige arbejde vil frigøre rådgivere til at udføre den mest indflydelsesrige del af jobbet.

Mange AI‑startups fokuserer på at erstatte menneskelig ekspertise. Iconic ser ud til at forstærke rådgivere snarere end at eliminere dem. Hvorfor mener du, at fremtiden for M&A er menneske‑plus‑AI frem for kun AI?

M&A er i sin kerne en tillidstransaktion. En sælger overdrager det, de har brugt deres liv på at bygge. Det øjeblik kan ikke automatiseres. Så snart en sælger føler, at de har med et system at gøre i stedet for en person, der faktisk forstår, hvad der er på spil, har du mistet handlen.

Udfordringen med M&A for små virksomheder i dag er, at mæglere er blevet bedt om at gøre alt manuelt, hvilket begrænser, hvor mange handler de kan håndtere, og hvor meget tid de faktisk kan bruge på hver sælger. Det er den reelle omkostning. Disse ejere navigerer den største finansielle beslutning i deres liv, ofte for første gang, uden en køreplan og med begrænsninger i kvaliteten af repræsentationen. I større transaktioner løser investeringsbanker dette ved at kaste et team af analytikere på problemet. På hovedgaden er dette ikke muligt, men hvad der er muligt, er hvad den nuværende teknologi nu tillader os at gøre. Vi kan lukke kløften nu. Når en mægler er begravet i regneark og køber‑e‑mails, er det tid, de ikke bruger i rummet med den person, der har mest brug for dem.

Det, vi bygger, fjerner den loft. AI håndterer den operationelle belastning. Mægleren håndterer relationen, tilliden, den menneskelige dømmekraft, som ingen model kan efterligne.

Der er også en praktisk realitet. Disse transaktioner medfører reel juridisk, finansiel og skattemæssig kompleksitet, som kræver ansvarlige fagfolk. Men ud over mekanikken har en sælger, der skal beslutte, om de skal overlade deres livsværk til en fremmed, brug for at føle sig ægte set og guidet gennem processen. Det er ikke et softwareproblem. Det er et menneskeproblem. Og det vil det altid være.

Et af Iconics kerneløfter er at reducere den tid, der kræves for at afslutte en transaktion. Hvad er de specifikke flaskehalse, der oftest forsinker handler, og hvordan hjælper AI med at løse dem?

Sælgere kommer ofte til markedet underforberedte. At få regnskaber organiseret, bygge præsentationsmateriale og fastlægge et realistisk værdiansættelsesinterval kan tilføje uger, før den egentlige proces overhovedet starter. Så er køberudreach for bred, fordi målrettedataene er for tynde. Mæglere kompenserer for dårlig matching ved at køre bredt, hvilket betyder, at de bruger tid på købere, der aldrig var de rette for handlen. Når nogen er under LOI, bliver due diligence til en e‑mailkæde med delte drev og versionsforvirring. Langsomt og manuelt, hver gang.

AI komprimerer hver af disse faser. Forberedelsen går hurtigere, når værktøjer kan trække og organisere finansielle data automatisk, udreach bliver skarpere, når du arbejder ud fra adfærdssignaler og transaktionshistorik i stedet for en kontaktliste, og diligence bevæger sig, når dokumenter er organiseret og krydsrefereret i realtid i stedet for at blive gennemgået sekventielt manuelt.

Forretningsvurdering forbliver et af de mest omdiskuterede aspekter ved enhver opkøb. Hvordan ser du AI ændre værdiansættelsesmetoder, især for mindre virksomheder, der ofte mangler omfattende sammenlignelige transaktionsdata?

Udfordringen her handler virkelig om data. De sammenlignelige transaktionsdata, som investeringsbankere bruger til mid-market handler, findes ikke i skala her. Handler bliver ikke rapporteret, vilkår bliver ikke offentliggjort, og stikprøvestørrelser er små. Så vurderinger ender med at være inkonsistente, og den inkonsistens skaber friktion på begge sider af hver handel.

AI hjælper ved at mønster‑matche på tværs af input, som manuel analyse ikke kan behandle effektivt. Dette inkluderer branchebenchmark, lokale markedsforhold, ejerafhængighed, kundekoncentration og tilbagevendende indtægter. Du får et mere forsvarligt udgangspunkt for forhandlingen, hvilket er virkelig nyttigt, selvom det ikke løser alt. Modellerne bliver også bedre, efterhånden som flere transaktionsdata indsamles over tid.

AI vil have størst problemer med virksomheder, hvor størstedelen af værdien ligger i ejerens relationer. Hvordan kompenserer du for det? Du kan stort set ikke, og en algoritme, der foregiver andet, vil vildlede folk.

Købermatching er et andet område, hvor Iconic anvender AI. Hvilke signaler eller datapunkter kan maskinlæring afdække, som traditionelle mæglere måske overser, når de identificerer den bedste strategiske eller finansielle køber?

En traditionel mægler arbejder ud fra et netværk, de har opbygget gennem årene. Det netværk kan være fremragende. Det er også lokalt og begrænset. En mægler i Midtvesten, der håndterer en produktionsaftale, kender køberne i deres region. De ved sandsynligvis ikke om PE‑firmaet, der foretager en stille roll‑up i den sektor, eller familie‑kontoret, der for seks måneder siden har solgt en lignende forretning og aktivt leder.

Maskinlæring kører på et helt andet signal‑sæt, med aktive opkøbssøgninger, historiske transaktionsmønstre, angivne investeringsmandater, webadfærd, der indikerer deal‑jagt, og branche‑adjacencies, som et menneske måske ikke tænker på at tjekke. Det bringer købere frem, som ingen individuel mægler finder gennem deres kontaktliste.

Det gør også noget mere subtilt, nemlig vægtning. Ikke hver kvalificeret køber er den rette køber. Det bedste match er typisk det, hvor synergier er reelle, kulturel alignment er til stede, og sælgerens folk og arv sandsynligvis bevares. Disse signaler findes i data. De bliver bare ikke brugt endnu.

Det lavere mellemmarked har historisk set været underforsynet af investeringsbanker. Hvorfor har dette segment været overset så længe, og hvilken økonomisk mulighed skaber det for teknologidrevne platforme?

Ren enhedøkonomi. Investeringsbanker er bygget omkring honorarstrukturer, der fungerer på store handler. En transaktion på 500 millioner dollars genererer den indtægt, der retfærdiggør teamet og tidsrammen. En transaktion på 3 millioner dollars gør det ikke, i hvert fald ikke uden en helt anden omkostningsstruktur. Så bankerne gik opad i markedet, og hovedgaden fik den lokale mæglingsinfrastruktur, der allerede eksisterede, som var fragmenteret og mest underkapitaliseret.

Det er ikke en fejl fra bankernes side. Det er bare matematik. Og teknologi ændrer matematikken. Når AI håndterer det arbejde, der tidligere krævede betydelige arbejdstimer, bliver økonomien i en mindre handel levedygtig. Du kan gennemføre flere transaktioner med bedre resultater til en brøkdel af de tidligere omkostninger. Det er det, der faktisk åbner dette marked.

Indsatserne er reelle. Der er billioner af dollars i småvirksomhedskapital i dette segment. De fleste af disse ejere har aldrig haft adgang til reel transaktionsinfrastruktur. Det er den mulighed, vi jagter.

Ser du fremad, forestiller du dig en fremtid, hvor AI‑agenter kan håndtere betydelige dele af M&A‑processen uafhængigt, fra sourcing og diligence til forhandlinger, eller vil menneskelig dømmekraft forblive den afgørende faktor i store transaktioner?

AI‑agenter vil håndtere mere af denne proces, end de fleste forventer, og hurtigere. Sourcing, deal‑forberedelse, data‑room‑styring, diligence‑gennemgang og tidlig term‑strukturering. De underliggende kapaciteter udvikler sig hurtigt nok til, at betydelig AI‑involvering i alle disse områder er en nærmest realitet.

Hvor menneskelig dømmekraft forbliver, er i de øjeblikke, der faktisk afgør, om en handel sker. En sælger, der beslutter, om de stoler på denne køber med det, de har bygget. En forhandling, der ender i noget, som ingen model vil kunne fange, som om den nye ejer vil beholde de 30 personer, der har været der i 15 år. Disse er dømmekald foretaget af mennesker med reelle interesser.

Den version, jeg bygger hen imod, er ikke AI, der kører processen, mens mennesker observerer. Det er AI, der absorberer den operationelle slitage, så rådgivere kan bruge deres tid på den del af jobbet, som kun de kan udføre. Dette er den største transaktion i en virksomhedsejers liv, typisk. At have en troværdig menneske, der guider dem gennem hele processen og hjælper med at afdække nuancer i tilbud, som AI ikke kan opfange, er grunden til, at dette altid fundamentalt vil være en menneskelig bestræbelse, suppleret af AI.

Tak for det fantastiske interview, læsere, der ønsker at lære mere, bør besøge Iconic.