AI-агенты в венчуре: как фонды автоматизируют скрининг стартапов

В 2023–2024 годах крупные фонды перестали относиться к обработке входящего потока сделок как к ручной работе младших аналитиков. Sequoia открыла внутренний инструмент Sequoia Compass для отслеживания портфельных метрик, EQT Ventures годами развивает платформу Motherbrain, а SignalFire строит собственную систему Beacon на данных о десятках миллионов компаний и специалистов. Общий вектор один: первичный скрининг стартапов — парсинг питч-дека, сбор данных о команде и рынке, отсев явно нерелевантного — уходит к программным агентам*, а человек включается позже.

Что именно автоматизируют

Скрининг — это не «инвестиционное решение», а воронка перед ним. Фонд с заметным брендом получает сотни, иногда тысячи входящих обращений в год, и большинство отсеивается по формальным признакам: не та стадия, не та география, не тот чек, нерелевантный сектор. Именно этот слой первым отдают моделям.

Типичный конвейер выглядит так:

1. Извлечение данных. Агент читает питч-дек в PDF, письмо основателя, ссылку на сайт и собирает структурированный профиль: сектор, стадия, метрики, состав команды, запрашиваемая сумма.
2. Обогащение. Профиль дополняется данными из внешних источников — базы компаний, профили основателей, упоминания в прессе, открытые данные о выручке и найме.
3. Скоринг и отсев. По критериям фонда (тезис, стадия, чек) кандидат получает оценку и попадает либо в очередь на живой разговор, либо в вежливый отказ.
4. Черновик записи в CRM. Агент оформляет карточку сделки, чтобы аналитик не переписывал вручную.

Ключевое ограничение: ни одна из этих систем не даёт финального вердикта «инвестировать». Она сокращает время на рутину и уменьшает шанс, что перспективный стартап утонет в непрочитанной почте.

Из чего собирают такие агенты

Крупные фонды с in-house командами строят закрытые платформы. Всем остальным доступна сборка из готовых кубиков: языковая модель + слой поиска по данным + внешние базы. Здесь чаще всего применяют RAG*, чтобы модель отвечала не из общих знаний, а из конкретных документов сделки и данных фонда.

Агент хорош там, где решение — это фильтр по чётким правилам. Он плох там, где решение — это ставка на человека, которого база данных ещё не заметила.

Отсюда и главный риск скоринга: модель систематически недооценивает нестандартных основателей и новые категории, потому что учится на прошлых успешных сделках. Стартап, который не похож ни на что в обучающей выборке, легко получает низкий балл — а именно такие иногда и приносят фонду основную доходность.

Сравнение подходов

Готового «продукта для скрининга с полки» с публичной ценой почти нет — рынок делится на закрытые внутренние платформы, горизонтальные data-провайдеры и самосбор. Ниже — обобщённое сравнение подходов, а не конкретных тарифов: цены у корпоративных data-платформ договорные и публично не раскрываются.

Стоимость самосбора упирается в вызовы модели: обработка одного питч-дека через API уровня GPT-4-класса или Claude — это обычно центы за документ, но объёмы и обогащение внешними базами меняют картину. Актуальные тарифы на токены смотрите на страницах цен OpenAI и Anthropic — они пересматриваются несколько раз в год.

Кому это пригодится и кому нет

Где даёт эффект

• Фонд с большим входящим потоком. Если через почту проходит 1000+ обращений в год, автоматический отсев по стадии и тезису экономит десятки часов аналитиков.
• Синдикаты и скауты. Небольшая команда без штата аналитиков получает быстрый первичный профиль по каждой сделке.
• Обогащение данных. Даже там, где решение принимает человек, агент собирает справку о рынке и команде за минуты вместо часа ручного гуглинга.

Где скорее навредит

• Ранняя стадия и pre-seed. На этом этапе метрик почти нет, а решение — это оценка людей. Модели тут нечего скорить, кроме шаблонов.
• Нишевые и новые категории. Если рынок ещё не описан в базах, обогащение выдаёт пустоту, а скоринг — заниженный балл.
• Финальное решение. Делегировать агенту вердикт «инвестировать/нет» — способ систематически повторять прошлые ошибки выборки и упускать нестандартных основателей.

Что проверить перед внедрением

• Откуда берутся данные для обогащения и насколько они свежие — устаревшая база выдаёт уверенно неверный профиль.
• Кто видит загруженные питч-деки: конфиденциальность материалов основателей — отдельная ответственность фонда, а не облачного провайдера.
• Прозрачность скоринга: можно ли понять, почему сделка получила низкий балл, или это чёрный ящик.
• Точка входа человека: на каком шаге аналитик обязан посмотреть карточку до отказа.

* Агент — программа на базе языковой модели, которая не просто отвечает на запрос, а выполняет цепочку действий: читает документы, обращается к внешним источникам, заполняет карточки. В отличие от чат-бота работает по заданному сценарию с несколькими шагами.

* RAG (retrieval-augmented generation) — подход, при котором модель перед ответом подтягивает релевантные документы из базы и опирается на них, а не только на знания из обучения. Снижает выдумывание фактов и позволяет работать с закрытыми данными фонда.