几乎每家 VC 机构都会说自己在使用人工智能，目前看 使用是很容易的、也确实很多人在用，但真要围绕人工智能打造一家 AI 原生的VC投资机构却并不容易，甚至需要走很多弯路。
最近欧洲知名投资机构 Earlybird 合伙人 Andre Retterath （我经常关注的一个 vc博主，创办了 DDVC ）发表了一篇长文，复盘这家管理 25亿美元的 投资机构、是如何花了10年时间不断升级 投资流程，过去是 数据+技术，如今叫 AI 原生改造。
这篇文章的背景是 Andre Retterath 最近在知名播客节目《How I Invest with David Weisburd》的一场对话，讨论了 回报和幂律、创始人筛选、投资组合构建、来源自动化、专有数据，以及所有人都能访问到相同的 AI大模型、超额收益来自何处 等多个问题。
如果需要看播客全文，可以看这里：https://howiinvestpodcast.com/episodes/qynh0dRwzTG 。
如果想了解这场播客的对话要点，可以往下继续阅读：
1、VC 最大的错过，往往是你没有投资的公司
VC 不可避免的总是会错过一些公司，Earlybird 也是如此。Andre Retterath 就介绍了一个错过的公司：Earlybird 曾在 Lovable 还处于 pre-seed 阶段见过这家公司、却没有投资，部分原因是因为当时能够拿到的股权太少，不到 8%、低于 基金所希望持有的 15%。到了今年8月， Lovable 完成4亿美元C 轮融资、估值达到 133亿美元。
Andre 对此苦笑，当初那张没有签下的支票、目前潜在回报超过50倍，但终归是错过了。这就涉及到 风险投资圈有个很特别的：误差函数（error function）。
如果你向一家初创公司投资100万欧元，最后它失败了，你就损失了100万欧元。
如果你不向一家回报率为50倍的公司投资100万欧元，你实际上错失了5000万欧元的潜在上行空间。
这个反差很重要，因为 VC 遵循幂分布定律：极少数公司创造了绝大多数的回报。
它的意思是假阴性非常昂贵。
这也有助于解释 VC 行业最大的矛盾之一：创投是为了投资传统资本提供者无法触及的非常规业务而创建的；然而VC 投资者 却越来越多地聚集在同一家公司周围。
为什么？
每个人都知道他们无法忽视这个异常值。
因此，当VC 基金A看一家公司时，基金 B 突然也想看。当一位著名投资人加入某一轮时，大家都会关注。这下连FOMO 都变得理性了。
但遵循共识也是危险的，因为一些最好的投资最初看起来一点也不明显。
Earlybird 于2015年在罗马尼亚投资了 UiPath。我们的合伙人丹·卢普（Dan Lupu）在当时 UiPath 募集资金困难时领投了种子轮融资。六年后，UiPath 以大约330亿美元的市值上市。
这个机会之所以非同寻常，正是因为当时还没有达成共识。
因此，挑战在于同时做两件事：不要错过显而易见的赢家。在其他人之前找到那些不显而易见的赢家。
这也意味着要研究你的非投资组合（anti-portfolio，那些你拒绝的项目）。
我们曾经错过的一个项目是：Lovable 。我们很早见到了这家公司，但错过了，部分原因是其大约 8% 的持股比例低于我们约15%的基金目标。
事后看来，这真是一个昂贵的错过。按照其最近达到的 130 亿美元的估值计算，这笔投资很可能将带来超过 50 倍的回报。
教训不是忽视估值或所有权。就是不断地问：你的投资规则是否在帮助你发现异常，或系统地将它们过滤掉。
2、没有普世的 “伟大创始人”
VC 喜欢列出 他们欣赏的创始人的特征：坚持不懈、聪明、雄心勃勃、有韧性、强迫症……
这些很有用，但是忽略了一些更重要的东西：理想的创始人在很大程度上取决于他们正在建设什么。
在 Earlybird，我们主要看如下三个方向的技术栈：
- 深科技与硬件
- 软件基础架构与前沿模型
- 应用程序。
在深科技层面，技术可信度至关重要。创始人能把研究带入生产吗？他们了解制造、供应链和过程工程吗？
在前沿人工智能模型层面，有一点变得尤为重要：人才引力。 如果你正在构建世界模型、基础模型或专用人工智能基础设施，全球范围内可能仅有几十位杰出的研究人员从事相关工作。你的 CEO 或 CTO 能否说服这些人加入？
在应用层面，权重再次发生变化。构建软件已经变得非常便宜，越来越多的人可以在周末制作产品原型。因此，初期资本的重要性较低，而产品速度、客户理解和分销更重要。
我喜欢的一个框架是：你在技术栈里坐得越深，资本就变得越重要。你在技术栈的位置越高，分布就越重要。
一家火箭公司需要大量的资金才能证明这项技术是有效的。一家人工智能应用可能在筹集有意义的外部资金之前，就实现首百万美元的年度经常性收入（ARR）。
相同的资产类别。完全不同的创始人要求。
3、融资和创始人品牌成为硬技能
创业公司一个特别有趣的模式是：在早期轮融资中以较高估值和较低稀释度筹集资金的公司通常会在后续轮融资中继续这样做。
一个简单的解释是：融资是一种技能，甚至是底层技能。
伟大的CEO们会推销一个愿景：他们把它卖给投资者以吸引资金；他们把它卖给优秀的员工来吸引人才；他们把它卖给顾客；他们把它卖给合伙人。
这对于资本密集型公司尤为重要，因为获得资金本身就可能成为一种竞争优势。
但同样的基本能力越来越多地出现在其他地方：创始人品牌。
五年前，创始人品牌在我们的研究中并不是很受关注。今天，看看许多发展最快的科技公司，他们的创始人往往具有强烈的公众身份。
这不一定是虚荣心。我认为创始人的品牌是可扩展的视觉销售。你不是单独向每个候选人、投资者和客户解释你的使命，而是将愿景打包并分发给成千上万的人。
随着开发成本的降低，这一点变得更加重要。如果 50 支团队都能开发出技术相似的人工智能产品，那么差异化将越来越取决于渠道分发、人才储备、执行速度和品牌影响力。
在这种环境下，创始人品牌成为公司基础设施的一部分。
4、AI 原生VC机构从第一性原理出发，而非从 AI 出发
当我在2017年加入 Earlybird 时，我遇到了一件让我感到惊讶的事情：我遇到的一些最聪明的人花费大量时间做重复的手工工作。
我们的一位创始合伙人曾给我一份约400人的会议与会者名单，并问：我该见谁？那时候我花了几天时间搜索Crunchbase、LinkedIn、Xing和我们的CRM，然后制作了一个优先级列表。
我记得当时在想：为什么人类要这么做？同样的问题适用于所有地方：研究公司、寻找介绍、更新CRM系统、准备会议、撰写投资备忘录等等。
于是我开始为自己制作工具：首先是简单的自动化，然后是代表我们网络的知识图表，再然后是采购系统和推荐引擎。
后来我们雇佣了第一位全职工程师。在高峰期，Earlybird 有 8 名工程师，约占我们团队的20%，负责构建基本的基础设施。今天，三位高级工程师继续在此基础上发展。
但重要的教训是，我们一开始并没有问:“我们可以在哪里使用人工智能？”
我们问：“如果我们今天从零开始建立一家投资机构，它应该如何运作？” 这是一个非常不同的起点。
今天，人工智能几乎触及我们工作流程的方方面面。
投资组合公司会发送业绩表吗？将其与历史年份表进行基准比较。
15分钟内召开创始人会议？自动生成简报，包含我们之前的互动、公司背景、影响力、竞争格局、最近的新闻和相关问题。
需要一份投资备忘录吗？基于我们现有的知识和 1000 多份历史备忘录的结构，生成第一个版本。
需要演示文稿吗？获取一份成绩单，并在 Earlybird 的 CI 中生成一个表格。
界面本身也在改变。多年来，数据驱动的风险投资意味着建立仪表盘。我越来越相信仪表盘快没电了。未来的界面是对话式的，是：人→软件→数据库
我们越来越多地走向：人类 → 人工智能 → 一切。
5、专有数据是 Alpha 将发挥作用的地方
有一个很重要的问题：如果所有风险投资机构都能访问相同的 AI 模型，那么超额收益（alpha）从何而来？
每个人都可以使用 ChatGPT、Claude、Gemini，每个人都可以购买 PitchBook、Dealroom 或Harmonic。公共信息和基金会模型日益商品化。
这时候，差异化转移到了别的地方：专有数据。
而我所说的专有数据，并不一定是指某个秘密的外部数据集。我指的是你自己的机构数据，包括：会议记录、投资备忘录、IC 决定、合作伙伴评级、拒绝理由、创始人互动、投资组合表现等等。
例如在 Earlybird，我们在2018年引入了一项结构化的投资委员会后调查，包括参与者评估市场、产品和团队等维度，并记录他们是否会进行投资。随着时间的推移，你可以将这些判断与实际结果联系起来。
突然间你就可以问：
- 哪些合作伙伴特别擅长评估团队？
- 我们系统性地过于悲观在哪里？
- 哪些特征与我们的最佳投资相关？
- “早鸟公司”到底是什么样子的？
最终，你可以开始规范投资机构的口味。
想象一下从两个维度给每个初创公司打分：成功概率 × 与Earlybird相符。现在添加一个反馈回路。
投资者拒绝一家公司，并标明原因。会议被转录了。新的信息进入系统。投资组合的表现提供了另一个信号。推荐引擎不断改进。
最终状态可能看起来出奇地简单：我醒来时，最相关的创始人会议已经在我的日程表上。每次发言前十五分钟，我都会收到简报。会议会被自动记录下来。我的反馈回流到系统中。明天的建议再次改善。
这正是我认为人工智能能够创造真实投资超额收益的地方。不是因为一个 LLM 能神奇地成为世界上最好的投资者。因为投资系统开始加深机构知识。
6、最难的部分不是技术，更是需要改变行为
我此前最大的误解之一是认为数据是最难的问题。
创业数据很混乱、消息来源相互矛盾、定性信息需要量化、实体需要匹配和去重复……这些都是难题。
但它们是可解的。更难的问题是变更管理。我们通过内部平台 EagleEye 直接体验到了这一点。
在构建它之前，我们试图量化我们的实际覆盖范围。我们根据大约 200 家相关基金的投资定义了一个宇宙，并检查了 Earlybird 之前看到了多少机会。
我们当时认为我们的欧洲覆盖范围是全面的，数据显示大致如下70–72%。换句话说，我们错失了大约四分之一的相关机会。
在建造 Earlybird 之后，我们将其扩展到大约95%+，这意味着我们现在能看到大约每20个相关机会中的19个，通常至少在融资回合结束前6周看到项目。
我想大家肯定会立刻使用它吧？事实上，团队中的大多数人最初没有这样做。现有习惯比客观上更好的工具更强。
后来我们改变了激励机制。我们没有要求人们使用 EagleEye ，而是开始衡量结果：覆盖面。
如果你覆盖了法国，那么你在法国的命中率将成为绩效评估的一部分。你是怎么做到的，那是你的选择。但当 Earlybird 拥有95%的相关机会时，通往期望结果的最简单路径就变得显而易见了。
这教会了我一个重要的教训：不要强迫人们使用新工具。衡量你想要的结果，并给他们更好的工具来实现它。
7、人工智能应让投资者减少工作，而非增加负担
这可能是最违背直觉的结论：如果人工智能使投资者的效率提高十倍，我们是否应该评估十倍数量的公司？
答案是：不。
Earlybird 每年收录超过1万个入门机会。但是我们的早期基金最终每年可能只进行 10-12笔 投资。
历史上，人类投资者花费了大量时间筛选那1万家公司：错误的地理位置、错误的阶段、错误的行业、错误的头寸、错误的时间等等。
人工智能正日益能够处理这类顶层漏斗工作。我们的目标不应该是用更多的工作来取代它。它应该是为了转移投资者在漏斗的下方。
与其进行四次相对浅薄的创始人会议，不如进行五次经过深思熟虑的对话。
与其花一个小时收集信息，不如花那个小时思考这些信息。
与其评估成千上万个明显无关的公司，不如花更多时间与少数可能成为例外的公司打交道。
这也是经验改变方程式的地方。
在职业生涯早期，数量非常重要。你需要经历：成千上万的公司、成千上万的决定、成千上万个反馈回路。这样你才能知道什么是好的。
但一旦你积累了这些经验，更多的信息就会变成噪音。那么稀缺资源就变成了认知能力。你需要有准备的头脑，才能在某个异常之物出现时识别它。
我围绕这个原则安排了我一周的部分时间：周一到周四通常会有很多会议，周五的部分时间阅读论文、通讯和研究。周五提供输入。周末提供了处理时间。周一恢复执行。
执行→学习→思考→执行。
人工智能应为这一循环留出更多空间，而不是用新任务填满每一个刚刚可用的分钟。
小结
在从事数据驱动型风险投资工作近十年后，我越来越相信一个乍听起来矛盾的东西: 我们在风险投资中引入的技术越多，投资中的人力部分就越有价值。
人工智能可以筛选公司、准备会议、分析市场、构建具有竞争力的模型、生成投资备忘录、基准条款清单、检索机构知识、从历史决策中学习。并最终将围绕投资决策的几乎所有事情自动化。
但风险投资的回报仍然来自极少数的例外。
因此，VC 最终的工作仍然非常人性化：认可这家卓越的公司。做出正确的决定。赢得交易。帮助创始人。
这家人工智能原生VC 机构并非没有投资者。在这种情况下，投资者终于将大部分时间花在真正重要的事情上。
如果我们做对了，未来的风险投资机构看起来可能远不像传统金融机构，而更像是一家科技公司。