Про Data-Driven венчурные фонды или как я пыталась научить ИИ оценивать стартапы

На днях читала интересный отчёт DDVC про применение искусственного интеллекта в венчурных фондах.

И вспомнила свой эксперимент прошлого года, когда в мае меня позвали в жюри конкурса стартапов :) Два выходных, 15 критериев, 100 проектов на оценку. Звучит как идеальная задача для ИИ, да? И я создала GPT-ассистента, чтобы затем сравнить его оценки с моими.

Что получилось: в 70% случаев оценки почти совпадали, но в 30% — кардинально расходились. Некоторые проекты без внятного продукта и бизнес-модели, с явно сгенерированной презентацией, получили у ИИ максимальные оценки, а несколько перспективных он зарубил. Но ассистент оказался суперполезен для саммари материалов, проверки полноты заявки и доработки черновиков моих комментариев.

Этого ассистента я, кстати, сразу доработала до «финаудитора», которого мы затем использовали для первичной оценки материалов и подготовки оффера для новых клиентов в консалтинге.

В целом этот пример показывает:

1. Хорошо работает только подход «человек + ИИ»

75% фондов как раз верят в модель Augmented VC. DDVC выделяет всего 190 data-driven фондов (a16z, QuantumLight, Sequoia и другие). Их число и интерес к теме растут, возможно, из-за спада рынка и стремления к эффективности. ИИ используют для скрининга, поиска стартапов, коммуникаций и документов. Некоторые создают внешние продукты — например, можно потестировать вот такой чат-бот от NFX.

2. Чтобы результат был качественным, ключевое — это данные

Особенно с развитием вайб-кодинга и генерации софта, уникальные данные становятся ключевой ценностью продукта.

P.S. На следующей неделе хочу разобрать в канале кейсы применения ИИ в бизнесе. Отметьте реакцией, что вам интереснее: 🦄 финансы и аналитика, 🔥 операционные процессы или ❤️ личная продуктивность