Эволюция data-driven VC: от скрапинга до AI-агентов

пару месяцев назад я выступал на онлайн-конфе, посвященной использованию AI в VC. два года смотрел её краем уха как зритель, а недавно позвали выступить. тема доклада была не столь важна, как наблюдение за тем, что вообще обсуждают. 2023 — построение инфраструктуры скрапинга, мониторинг хитрых сигналов, модели для скоринга стартапов. 2024 — как использовать llm для личного перформанса (чтение деков, подготовка market research, сорсинг). 2026 — агенты, агенты, агенты. в 2022 умение скрапить линкедин в поисках фаундеров в стелсе делало тебя одним из самых прошаренных VC, но в 2026 это базовый минимум. данные по твиттеру и линкедину сегодня доступны любому фонду. куча вендоров продают сигналы типа «ex-databricks founder in stealth». как выглядят дата-продукты, которые обычно продаются инвесторам. всё зависит от типа инвестора. 1/ для сида и пре-сида сейчас куча агрегаторов сигналов. в основном это разного рода манёвры вокруг поиска фаундеров в stealth-режиме. понятно, самая простая эвристика это глянуть в линкедине, что многие инвесторы и делают. но многие пытаются найти и заэгеджиться когда фаундер еще где-то работает. еще тут локация (ну то есть ты можешь ногами дойти, пиво матчу попить с фаундером) решает. 2/ отдельная задача — искать по сигналам типа роста загрузок, выручки, трафика. это требует большого ресурса скрапинга или закупки дата-сурсов с последующей агрегацией, но в целом тема интересная. я сам пользовался подобными тулами. видел, еще и более продвинутые вещи, которые делают внутренние команды. например, делают агентов, которые мониторят тикток, чтобы ловить консюмерские продукты. или мониторят гитхаб-профили сильных инженеров: какие oss-проекты те начинают замечать и так пересобирают граф звёзд гитхаба каждые шесть часов. 3/ если вы имели дело с инвесторами класса «who else is investing», для них тоже есть продукт это сталкеринг интереса tier-1 vc. мониторинг, что лайкает и на кого подписывается партнёр большого фонда, чтобы можно было быстро зайти со-инвестором. 4/ отдельный сегмент, продукты для корпоративного скаутинга. это что-то на стыке прокьюрмента, поиска инноваций, корп-дева и тд. этим, например, занимается cb insights. нужно ли вам покупать продукты? это может быть полезно, тем более прайс не такой уж большой даже для маленького фонда. больше вопрос в том, что именно вы покупаете. в общем, и правда куча задач стала проще с агентами. тот же NFX (одни из адоптеров data-driven vc) сократил инженерную команду, а не инвестиционную: дата-инфраструктура сама стала коммодити (ну или читай - аналитик может сам запромтить пайплайн, держать инженера, кто не сорсчит сделки - непрактично). AI обрушил стоимость и время создания market maps и базовых тезисов. но будем честны: для og vc это никогда не было дифференциатором. vc выигрывают не потому, что у них есть данные, а потому, что они по-разному их интерпретируют. два человека смотрят на один и тот же набор метрик и приходят к противоположным выводам. цена вообще неверная метрика тут (NFX подсчитали, что скрининг агентами на выборке 61 814 стартапов оказался в ~1000 раз дешевле аналитика: $0.07 против $70 при том же качестве). данные для оригинации сделок это базовая гигиена, которая продумывается на этапе фандрейза фонда. нашел даже статут под это: качество пула бьёт качество отбора. улучшение пула сделок на 1.5% поднимает успешность портфеля до ~9%, улучшение навыка отбора на 10%, только до ~7%. наверное, сама идея, что алгоритмический vc даёт тебе альфу, пока не сильно подтверждается, даже несмотря на все прорывы в доступности информации. помогает сорсить, но не факт, что этот tech даёт какое-то преимущество, чтобы в хорошую сделку зайти. перформанс достигается старыми методами. из всей этой затеи я верю больше в research-driven сорсинг. есть фонды, которые мониторят цитирования научных статей и спящих красавиц в академ-литературе: работы, которые годами лежали незамеченными, а потом резко набирают цитирования. у одного фонда compound есть хорошая статья (2023 год) про то, как они познакомились с фаундерами ещё в лаборатории и рано зашли в голосовые модели (deepgram, 2016), автономное вождение (wayve, 2017) и world models (runway, 2018). думаю, что самая верная тема сегодня поднять под это фонд с data-driven флёром.