Как венчурные фонды используют ИИ сегодня и что изменится к 2030 году

Три уровня ИИ-стека, экономика собственной разработки и роль институциональной памяти в венчуре

В течение последних трех лет я протестировал около 35 различных ИИ-инструментов для венчурных компаний (VC). В основном это были инструменты для анализа стартапов. Кроме того, я общался с почти двумя десятками инвесторов по всему миру, чтобы предложить им протестировать свой инструмент для скрининга стартапов на ранней стадии.

Что же я выяснил?

Во-первых, практически все институциональные VC уже внедрили или внедряют ИИ в процессы скрининга и анализа стартапов.

Во-вторых, полноценная внутренняя разработка сосредоточена у сравнительно небольшого числа крупных фондов. У большинства небольших и средних по размеру VC доминирует комбинация внешних инструментов с небольшой собственной методологией и контекстом.

Мой опыт сам по себе не позволяет судить обо всем рынке, но он хорошо совпадает с более широкими данными. Они показывают ту же картину: ИИ уже стал стандартной частью работы VC, однако гораздо реже встроен непосредственно в инвестиционное решение.

85% VC используют ИИ, но только 28% доверяют ему инвестиционные решения

По данным исследований, которые я изучил, около 85% участников сделок уже используют ИИ в повседневной работе, но только 28% обращаются к нему при принятии инвестиционного решения.

Причина понятна: ИИ неплохо показал себя там, где нужно ускорить получение информации, обработать документы, найти компании, подготовить исследование или суммировать большой объем данных. Но перейти от ускорения аналитической работы к улучшению инвестиционного решения значительно сложнее.

Поэтому сам по себе ИИ перестает быть источником серьезного конкурентного преимущества — просто потому, что доступ к нему есть у всех. ИИ постепенно становится базовым слоем инвестиционного анализа, к которому добавляются собственный контекст, накопленные данные и оригинальное инвестиционное суждение — то, что действительно отличает сильный фонд от остальных.

Доступ к той же модели может купить любой фонд. А накопленный контекст, историю решений и инвестиционное суждение скопировать невозможно.

Что на самом деле означает “собственный ИИ” фонда: Motherbrain, Beacon и гибридные системы

Одна из причин неправильного понимания собственных VC-систем заключается в самом выражении "собственная система ИИ-анализа".

Оно создает образ команды, которая самостоятельно строит весь технологический стек — от сбора данных до инвестиционных алгоритмов.

Но даже наиболее продвинутые системы устроены иначе.

EQT с Motherbrain, SignalFire с Beacon, Correlation Ventures и другие технологически сильные фонды могут владеть собственной логикой ранжирования компаний, внутренними данными и системой их обработки. Но это не означает, что каждый компонент создается внутри организации.

Современная система почти неизбежно использует внешние модели, API, источники данных и инфраструктурные сервисы. То есть даже "собственный ИИ" становится гибридным.

Это важно, потому что меняет само понимание технологической независимости фонда. Она заключается не в том, чтобы владеть каждым техническим компонентом, а в том, чтобы контролировать ту часть системы, которая определяет качество инвестиционного решения.

Фонд может использовать внешнюю модель и при этом сохранять собственный инвестиционный интеллект. И наоборот: он может написать большое количество собственного кода, но не создать ничего, что действительно отличает его решения от решений конкурентов.

Возьмем, к примеру, Ripple Ventures — небольшой венчурный фонд из Торонто. Его пример показывает, что маленькая команда тоже может получить высокий эффект от ИИ, не пытаясь повторить инфраструктуру крупнейших технологических фондов.

Поэтому размер фонда имеет значение, но куда важнее понять, что именно фонд хочет построить самостоятельно и почему владение именно этой частью системы улучшит его инвестиционные решения.

Три уровня ИИ-стека VC: инфраструктура, спорная зона и инвестиционный интеллект

Если убрать технические детали, формирующийся стек можно свести примерно к трем слоям.

Первый слой: стандартная инфраструктура

Здесь находятся большие языковые модели, поиск в интернете, открытые данные, распознавание и разбор документов, стандартные исследования, значительная часть финансового анализа, CRM-инфраструктура и многие инструменты оркестрации.

Значительная часть этого слоя быстро превращается в товар.

И этот товар может быть разной стоимости, качества и релевантности для фонда. Но суть в другом — собственный OCR, поисковик или даже языковая модель в большинстве случаев вряд ли станут рациональным вложением ресурсов.

Эти элементы нужны системе, но это не означает, что их нужно создавать самим: использование компонента и владение им — разные вещи.

Второй слой: спорная территория

Здесь ситуация интереснее.

К этому слою относятся:

- информация об отношениях фонда;
   - логика первичного отбора;
   - организация инвестиционного процесса;
   - граф знаний;
   - системы оценки качества и контроля ИИ.

Простая покупка стороннего решения не решит всех задач фонда, потому что данные, правила и контекст, накопленные внутри системы, начинают иметь самостоятельную ценность.

Особенно хорошо это видно на информации об отношениях. Например, вы можете легко заменить CRM, но не можете позволить исчезнуть данным, накопленным в старой системе: кто пять лет назад встречался с основателем, что тогда обсуждалось, почему фонд отказал, кто из партнеров приводил лучшие сделки и так далее.

Поэтому куда важнее не владение софтом, а контроль над данными, логикой и возможностью перенести их в другую систему.

Третий слой: собственный инвестиционный интеллект

Здесь находятся вещи, которые конкурент не может получить, даже если будет использовать такой же инструмент, как и вы:

- инвестиционный тезис фонда;
   - история решений;
   - причины прошлых инвестиций и отказов;
   - накопленный контекст по компаниям и людям;
   - структура внутренних знаний;
   - ошибки и последующие корректировки;
   - собственная логика оценки;
   - инвестиционное суждение.

Именно этот уровень имеет одновременно высокую ценность для фонда и низкую вероятность быстрой стандартизации.

И именно поэтому самая интересная граница нового ИИ-стека венчурного фонда проходит между заменяемой инфраструктурой и незаменимым институциональным контекстом.

Сколько стоит своя ИИ-команда фонду: $500 тыс -1,5 млн в год — и когда это невыгодно

Владение полным ИИ-стеком для системы венчурного анализа нецелесообразно. 

И вот почему.

Согласно приведенным в исследовании оценкам, полноценная внутренняя ИИ-команда из четырех-пяти инженеров может стоить фонду примерно от $500 тысяч до $1,5 млн уже в первый год. Более узкая оценка одного из источников находится в диапазоне $520-840 тысяч.

Для крупного фонда такая сумма может быть приемлемой, а для небольшого фонда или фонда среднего размера целесообразность инвестиций в создание такой команды уже под вопросом.

Если команда повторно создает поиск, разбор PDF, инфраструктуру языковых моделей, стандартные исследования или CRM-функции, она конкурирует с рынком программных продуктов, который распределяет расходы на разработку между множеством клиентов.

Экономика здесь вряд ли будет в пользу фонда.

При этом важность функции никто не отрицает. CRM критически важна для инвестиционной организации, однако из этого не следует, что фонд должен писать собственную CRM. Большая языковая модель может быть центральным компонентом аналитической системы, но это не означает, что фонду нужно заниматься обучением собственной модели.

Поэтому я бы начинал с простого вопроса: создает ли владение этим компонентом отличительную инвестиционную способность фонда?

Если нет, самостоятельная разработка требует очень сильного дополнительного обоснования.

Почему преимущество в VC смещается от моделей к институциональной памяти

Еще десять лет назад собственная команда аналитиков данных действительно могла быть отличительной особенностью венчурной компании. В первую очередь потому, что доступ к данным был сложнее, а для создания работающей аналитической системы требовались компетенции, которыми обладали немногие фонды.

Сейчас преимущество от наличия доступа к модели быстро уменьшается.

Поэтому особенно интересны системы, которые постепенно выходят за пределы анализа одной сделки.

Motherbrain, например, движется в сторону роли сквозной системы инвестиционного процесса EQT. В анализ могут включаться предыдущие обсуждения компании, старые контакты и информация о том, кто из команды уже взаимодействовал с основателем.

Похожая логика лежит в основе систем вроде Voyager, которые пытаются превращать разговоры и исследования фонда в накапливаемый интеллектуальный актив.

В результате формула возможного преимущества выглядит примерно так:

Модель ≠ преимущество

Контекст + память + суждение = потенциальное преимущество

Слово “потенциальное” здесь принципиально, потому что публичных данных, доказывающих, что накопление истории решений само по себе приводит к улучшению решений инвестиционных комитетов, пока немного.

Мы пока не можем уверенно утверждать, что институциональная память уже является сильным конкурентным преимуществом. Но направление развития таких систем достаточно понятно.

По мере того как производство нового анализа дешевеет, ценность смещается к способности связать этот анализ с тем, что организация видела раньше, что тогда решила, почему решила именно так и чем все закончилось.

Один отдельный инвестиционный меморандум можно сгенерировать за минуты. А вот историю того, почему фонд на протяжении десяти лет ошибался в одних типах компаний и правильно распознавал другие, за минуту не создашь.

Архитектура ИИ для VC: где заканчивается инструмент и начинается собственный актив фонда

Если собрать эту логику в одну систему, архитектура оказывается сравнительно простой.

В нижней части находится заменяемая внешняя инфраструктура:

- модели;
   - поиск;
   - внешние данные;
   - разбор документов;
   - CRM;
   - большая часть стандартных агентов и автоматизации.

Выше проходит граница, за которой начинается зона контроля фонда:

- инвестиционный тезис;
   - собственная логика оценки;
   - история решений;
   - контекст отношений;
   - структура внутренних знаний;
   - правила проверки;
   - человеческое инвестиционное суждение.

То есть рациональная система для большинства фондов может оказаться не большим собственным технологическим стеком, а относительно тонким, но очень ценным внутренним слоем поверх стандартной инфраструктуры.

И у этого имеется важное следствие: фонду не обязательно владеть инструментом, чтобы владеть собственным инвестиционным интеллектом. Но он должен понимать, где заканчивается внешний инструмент и начинается его собственный актив. Если смена поставщика приводит к потере инвестиционной памяти, значит граница была проведена неправильно. Если же новый поставщик можно подключить к тому же фонду знаний, истории решений и внутренней логике, значит инфраструктура действительно остается заменяемой.

Пять продуктовых направлений для ИИ-стартапов, которые делают инструменты для VC

Для компаний, которые продают ИИ венчурным фондам, этот сдвиг может оказаться не менее важным, чем для самих инвесторов.

Сегодня многие продукты фактически продают одну идею: наш ИИ лучше анализирует стартапы.

Я склонен полагать, что со временем такое позиционирование перестанет работать.

По мере развития моделей разница между основанными на них инструментами сокращается. Каждый новый игрок может предложить рынку ту же базовую модель и сравнительно быстро повторить многие аналитические функции. И мы уже видим, как на рынке одновременно появляется множество продуктов, каждый из которых утверждает, что лучше читает питчдеки.

Более перспективные возможности находятся там, где вендор помогает фонду использовать его собственный институциональный контекст, не пытаясь забрать контроль над этим контекстом себе.

Из этого следуют как минимум пять продуктовых направлений.

1. Активация памяти.

Система должна уметь превращать прошлые сделки, заметки, инвестиционные меморандумы, встречи и решения в доступную для нового анализа институциональную память.

2. Настройка под конкретный фонд.

Универсальный скоринг неизбежно ограничен. Два фонда могут рационально прийти к разным решениям по одной компании из-за разных стратегий, размера фонда, портфеля, географии и допустимого риска. Поэтому система должна позволять фонду использовать собственный инвестиционный тезис и собственную логику решений.

3. Переносимость данных.

Чем ценнее становится институциональный контекст, тем опаснее зависимость от одного поставщика. Фонд должен иметь возможность сменить технологическую платформу, не потеряв историю решений и отношений.

4. Проверяемость и оценка качества.

Система должна показывать, на каких данных основан вывод, какие предположения были сделаны и где остается неопределенность. Фонду нужен механизм проверки ИИ, а не только красивый ответ.

5. Интеграция вместо замены инвестиционного суждения.

Наиболее устойчивые продукты, скорее всего, будут встраиваться в инвестиционный процесс и усиливать его, а не обещать заменить партнера или инвестиционный комитет.

Эволюция Affinity, DealCloud и Harmonic уже показывает движение от отдельных функций к более широкому слою инвестиционной информации и аналитики.

Поэтому одна из наиболее интересных возможностей для разработчиков VC AI заключается в том, чтобы стать инфраструктурой для собственного инвестиционного интеллекта фонда, не пытаясь владеть этим интеллектом вместо него.

Тест на 5 вопросов: создает ли ваш ИИ инвестиционный интеллект или просто автоматизирует задачи

ИИ-система может быть технически сложной и при этом не создавать для фонда никакого долговременного преимущества.

Проверить это можно несколькими вопросами:

1. Использует ли система историю предыдущих инвестиционных решений?

2. Становится ли она полезнее после каждой рассмотренной сделки?

3. Понимает ли она не только то, во что фонд инвестировал, но и почему он инвестировал или отказал?

4. Может ли фонд сменить поставщика ИИ или CRM, сохранив собственную память и историю отношений?

5. Есть ли внутри системы что-то, чего другой фонд не сможет получить, просто купив те же программные продукты?

Если ответы в основном отрицательные, система, скорее всего, не создает собственного инвестиционного интеллекта фонда. В лучшем случае она автоматизирует часть аналитической работы и инвестиционных процессов.

Это тоже может иметь огромную операционную ценность, но операционная эффективность и конкурентное инвестиционное преимущество — не одно и то же.

Если ИИ ускоряет исследовательскую работу с трех часов до двадцати минут, это очень полезно.

Если он позволяет одному аналитику рассматривать в пять раз больше компаний, это тоже полезно.

Но система начинает становиться институциональным активом только тогда, когда новые решения обогащают будущие решения, а накопленный опыт организации не исчезает после смены модели, интерфейса или поставщика.

Именно накопление отличает автоматизированный процесс от обучающейся инвестиционной системы.

Рынок ИИ для VC в 2027-2030: куда движется индустрия

Некоторые направления уже выглядят достаточно предсказуемыми.

С высокой вероятностью ежедневное использование ИИ станет практически универсальным среди инвестиционных команд.

Также достаточно уверенно можно предположить, что большие языковые модели, стандартный поиск, исследования и анализ документов перестанут быть серьезным источником дифференциации.

Фонд без таких инструментов будет просто менее эффективен. Но их наличие само по себе не сделает фонд лучше конкурентов.

С меньшей, но все еще существенной уверенностью можно ожидать роста стратегической ценности истории решений.

По мере накопления данных фонды смогут связывать первоначальные инвестиционные гипотезы с последующими результатами: где они переоценили трекшн, где недооценили основателя, какие типы рисков систематически оценивали неправильно и какие ранние сигналы действительно предсказывали сильные компании.

Если эта связь станет рабочей, история решений превратится из архива в самостоятельный актив.

Одновременно CRM- и workflow-платформы будут пытаться двигаться вверх по стеку, превращаясь из систем хранения информации в более полноценные системы инвестиционной аналитики.

Специализированные ИИ-компании, в свою очередь, будут постепенно забирать у фондов среднего размера все больше технической оркестрации.

Полный собственный стек, вероятно, останется уделом нескольких крупнейших или изначально технологически ориентированных организаций.

И это нормально.

Большинству фондов не нужен собственный аналог Motherbrain. Им нужна архитектура, в которой технология может меняться, а накопленный инвестиционный интеллект остается у фонда.

Что фонду действительно нужно от ИИ: не еще одна модель, а институциональная память

Почти все фонды будут работать с ИИ: что-то создавать самостоятельно, что-то покупать у внешних поставщиков. Большинство, скорее всего, будет покупать.

Поэтому важно сразу определить, что фонд не может позволить себе отдать наружу.

Поставщики могут меняться. Но история того, какие компании фонд видел, во что верил, кому доверял, почему отказывал, где ошибался и как после этих ошибок менялось его инвестиционное суждение, принадлежит только ему.

Сегодня эта информация часто разбросана между CRM, документами, электронной почтой, заметками партнеров и памятью людей.

ИИ впервые делает технически реалистичным превращение всего этого массива в работающую институциональную память.

И видимо, именно она, а не очередная собственная модель, станет самым ценным уникальным набором данных венчурного фонда.