ขณะนี้เราได้ยินมามากว่า AI เชิงกำเนิด โดยเฉพาะอย่างยิ่งโมเดลภาษาขนาดใหญ่อย่าง ChatGPT สามารถแทนที่พนักงานที่มีความรู้จริงได้อย่างไร และนายทุนร่วมลงทุน อย่างน้อยที่สุดในงานส่วนใหญ่ของพวกเขา ก็คือคนทำงานด้านความรู้ ส่วนใดของงานของ VC ที่ AI สามารถเข้ามาแทนที่ได้?

เริ่มต้นด้วยข้อสรุป: LLM รุ่นปัจจุบันแทบไม่มีความสามารถเพียงพอที่จะแทนที่ VC (แม้จะเป็นรุ่นเยาว์ก็ตาม) แต่มีข้อสงสัยเล็กน้อยว่าเครื่องมือ AI ได้บรรลุระดับวุฒิภาวะที่สามารถเสริม VCs และอาชีพที่คล้ายคลึงกันในงานประจำวันของพวกเขาได้อย่างมีความหมาย โดยเฉพาะอย่างยิ่งกับงานร่างแรกที่น่าเบื่อ

เพื่อสำรวจสิ่งที่เป็นไปได้ในขณะนี้ (ในเดือนพฤษภาคม 2023) ฉันทำการทดลอง 3 ครั้งเพื่อหาวิธีเพิ่มงาน VC ทั่วไป:

1. การเขียนบันทึกการลงทุน
2. ทำการวิเคราะห์ตลาด
3. กำลังสร้างอินโทร

เมื่อ VC ชอบบริษัทและกำลังพิจารณาการลงทุนอย่างจริงจัง พวกเขาเขียนบันทึกการลงทุน เป็นเอกสารหลายหน้าที่สรุปจุดแข็งและจุดอ่อนของสตาร์ทอัพและให้คำแนะนำแก่คณะกรรมการการลงทุน การเขียนบันทึกดังกล่าวเป็นงานวิเคราะห์ที่สำคัญ แต่ก็น่าเบื่อเช่นกัน เพราะการประกอบจุดข้อมูลที่เกี่ยวข้องทั้งหมดเป็นงานที่ต้องใช้มือค่อนข้างมาก

โปรแกรม Python ขนาดเล็กที่ฉันเขียนขึ้นสำหรับการทดลองนี้สามารถใช้ PDF pitch deck สำหรับการเริ่มต้นตามที่เป็นอยู่ เพื่อสร้างบันทึกการลงทุน 7-8 หน้าโดยอัตโนมัติพร้อมรายละเอียดที่จำเป็นทั้งหมด — ยกเว้นรูปภาพและตาราง ณ จุดนี้ เวอร์ชันก่อนหน้านี้ซึ่งใช้ GPT-3 ทำผิดพลาดมากมาย แต่เวอร์ชัน GPT-4 มีความน่าเชื่อถืออย่างน่าทึ่ง บางครั้งอาจสับสนกับสไลด์ที่ซับซ้อนจริงๆ แต่ได้รับรายละเอียดส่วนใหญ่อย่างถูกต้อง แม้กระทั่งจากตารางตัวเลขที่ซับซ้อน ผลลัพธ์ที่ได้นั้นไม่สมบูรณ์แบบและสมบูรณ์แบบ แต่ดีเกินพอสำหรับร่างแรก

ตัวอย่างเช่น ต่อไปนี้คือผลลัพธ์บางส่วนที่ อ้างอิงจากชุดการเสนอขายเมล็ดพันธุ์เดิมจากEdurinoซึ่งเป็นบริษัทในเครือb2venture ของเรา แบบจำลองได้ข้อสรุปในเชิงบวกอย่างมาก ผู้สปอยเลอร์: พวกเราที่b2ventureลงเอยด้วยการลงทุน ดังนั้นโมเดลจึงถูกต้อง รูปภาพต่อไปนี้เป็นผลลัพธ์ที่ยังไม่ได้แก้ไขซึ่งสร้างโดยโมเดล ปรับปรุงเพื่อการรักษาความลับ

ภาพถัดไปคือคำแนะนำสำหรับแบบจำลองที่อธิบายรายละเอียดว่าบันทึกการลงทุนคืออะไรและแต่ละส่วนทำหน้าที่อะไร เพื่อให้ได้ผลลัพธ์ที่เป็นประโยชน์จาก GPT-4 คุณต้องสร้างข้อความแจ้งเหล่านี้อย่างระมัดระวัง อันนี้น่าจะเป็นเวอร์ชั่น 20 หรือมากกว่านั้น

เนื่องจาก GPT-4 ยังค่อนข้างช้าและมีราคาแพง จึงใช้เวลาประมาณ 5 นาทีและมีค่าใช้จ่ายสูงถึง 1.50 ดอลลาร์สหรัฐฯ ไม่น่ากลัวเกินไปสำหรับบางสิ่งที่ต้องใช้เวลาหลายชั่วโมงในการทำด้วยตนเอง

วิเคราะห์การตลาด

การวิเคราะห์ภาคส่วนตลาดและผู้เล่นรายต่างๆ ในนั้นถือเป็นหนึ่งในงานที่สำคัญที่สุด แต่ก็ใช้เวลามากที่สุดในเงินร่วมลงทุนด้วย ตลาดส่วนใหญ่ในปัจจุบันมีความเคลื่อนไหวและเสียงดังมาก ดังนั้นคุณมักจะต้องพิจารณาบริษัทหลายสิบแห่ง (ทั้งที่เพิ่งเริ่มต้นและผู้ครอบครองตลาด) เพื่อทำความเข้าใจว่าเกิดอะไรขึ้น การค้นหาบริษัทเหล่านี้อาจใช้เวลาหลายวัน

แล้ว AI จะช่วยได้อย่างไร? ได้รับแรงบันดาลใจจากการพัฒนาล่าสุดใน AI อัตโนมัติ (เช่น กรอบงาน AutoGPT ) ฉันได้รวบรวมต้นแบบที่สามารถสร้างร่างแรกของการวิเคราะห์ตลาดโดยอิงจากชื่อบริษัท ซึ่งโดยปกติแล้วจะเป็นการเริ่มต้นที่คุณกำลังพิจารณาที่จะลงทุน — และคำหลักระดับสูงสองสามคำที่อธิบายภาคส่วนนี้ จากนั้นต้นแบบจะทำการวิเคราะห์ตลาดอย่างอิสระ

ผลลัพธ์ที่ได้นั้นค่อนข้างน่าทึ่ง ผมใช้Decentriq ซึ่งเป็น บริษัทในเครือb2venture ที่มีอยู่ของเรา เป็นตัวอย่าง เนื่องจากตลาดของบริษัทมีความเคลื่อนไหวมาก ไม่ใช่เรื่องง่ายที่จะเข้าใจสำหรับคนนอก และประกอบด้วยการผสมผสานระหว่างบริษัทสตาร์ทอัพและผู้ครอบครองตลาดรายใหญ่

ต้นแบบที่ใช้ GPT-4 สามารถระบุบริษัทที่เกี่ยวข้องหลายสิบแห่งได้โดยอัตโนมัติ ทั้งคู่แข่งทางตรงและทางอ้อม สามารถเขียนสรุปตลาดสั้นเป็นบทนำ และที่น่าแปลกใจที่สุดคือสามารถเกิดปัจจัยสร้างความแตกต่างที่เกี่ยวข้องและจัดอันดับบริษัทตามลำดับเพื่อสร้างเมทริกซ์การแข่งขันแบบ 2x2 ทั่วไป ทั้งหมดนี้ใช้เวลาประมาณครึ่งชั่วโมงและมีค่าใช้จ่ายประมาณ $2–3 ในค่าธรรมเนียม API

แน่นอนว่านี่เป็นเพียงจุดเริ่มต้นสำหรับการวิเคราะห์ตลาดจริงเท่านั้น ผู้เชี่ยวชาญจะมีความคิดเห็นมากมายและมุมมองที่แตกต่างกันเกี่ยวกับผลลัพธ์เหล่านี้

คอขวดหลักสองประการ: AI สามารถวิเคราะห์ข้อมูลสาธารณะเท่านั้น ซึ่งอาจถูกต้องหรือไม่ก็ได้ และในตลาดที่ซับซ้อน มักจะไม่ง่ายนักที่จะเข้าใจความแตกต่างเล็กน้อยระหว่างบริษัทและภาคส่วนย่อย (จริงอยู่ นั่นเป็นความท้าทายสำหรับนักวิเคราะห์ที่เป็นมนุษย์ด้วย)

แล้ววิธีนี้ทำงานอย่างไร? ต้นแบบใช้ GPT-4 เป็นแบ็กเอนด์การวิเคราะห์ แต่ยังมีกลอุบายของ Python ค่อนข้างมากในการรับและประมวลผลข้อมูลดิบ

1. ระบบจะทำการค้นหาเว็บหลายครั้งเพื่อระบุเว็บเพจที่มีประโยชน์ซึ่งอธิบายถึงอุตสาหกรรม GPT-4 คาดการณ์ความเกี่ยวข้องของแต่ละหน้า เพื่อให้กระบวนการต่อไปมุ่งเน้นไปที่เนื้อหาที่มีประโยชน์มากที่สุด
2. จากนั้น GPT-4 จะวิเคราะห์หน้าเหล่านี้และระบุบริษัทที่เกี่ยวข้องจากเนื้อหา พร้อมด้วยคำอธิบายและการจัดอันดับความเกี่ยวข้องสำหรับแต่ละบริษัท
3. ระบบจะค้นหาสถานะเงินทุนสำหรับแต่ละบริษัทจากคลังข้อมูลที่มีข้อมูล Crunchbase (จาก Crunchbase API ที่ชำระเงินแล้ว)
4. จากนั้นระบบจะขอให้ GPT-4 เขียนสรุปตลาดและจัดทำข้อมูลดิบสำหรับเมทริกซ์ 2x2

นอกจากนี้ยังเป็นการดีที่จะติดต่อกับบริษัทสตาร์ทอัพที่มีความเข้าใจอย่างถ่องแท้ก่อนว่าสภาพตลาดในปัจจุบันเป็นอย่างไร — สร้างขึ้นโดยผู้ช่วยวิจัยตลาดในไม่กี่นาทีในเบื้องหลัง แง่มุมที่สำคัญที่สุดที่ VC ต้องการทำความเข้าใจตั้งแต่เนิ่นๆ ก็คือ สตาร์ทอัพที่กำหนดสร้างความแตกต่างในตัวเองอย่างไร ข้อมูลเชิงลึกเพิ่มเติมใด ๆ ในตลาดจึงมีประโยชน์มากสำหรับการสนทนานี้

การขุดเครือข่าย

VCs แนะนำตัวมากมาย บ่อยครั้งที่บริษัทพอร์ตโฟลิโอต้องการแนะนำให้รู้จักกับลูกค้าที่มีศักยภาพ ที่ปรึกษาหรือนักลงทุนที่มีศักยภาพสำหรับรอบการระดมทุนในอนาคต การสร้างคำแนะนำเหล่านี้เป็นวิธีที่ดีที่สุดวิธีหนึ่งที่ VC สามารถช่วยได้

ฟังดูง่ายพอ แต่ในความเป็นจริงไม่ใช่เรื่องเล็กน้อย ถ้าคุณเป็นเหมือนฉัน คุณมีผู้ติดต่อนับพันบน LinkedIn และที่อื่นๆ ตั้งแต่เพื่อนสนิทไปจนถึงคนที่ฉันเคยคุยด้วยเป็นเวลาสองนาทีในการประชุมในปี 2548 และแน่นอนว่าผู้คนยังคงเปลี่ยนงาน ดังนั้นการค้นหาว่าใครอาจ อยู่ในตำแหน่งที่เกี่ยวข้องในขณะนี้ไม่ใช่เรื่องง่าย

มืออาชีพส่วนใหญ่มีโปรไฟล์ LinkedIn ปัจจุบันพอสมควรแล้ว นั่นคือจุดเริ่มต้น แต่น่าเสียดายที่ฟีเจอร์การค้นหาของ LinkedIn นั้นค่อนข้างน่าผิดหวัง ซึ่งทำให้การค้นหาคนที่ใช่ยังคงเป็นเรื่องยาก

เพื่อให้ผู้ติดต่อ LinkedIn ของฉันสามารถค้นหาได้มากขึ้น ฉันใช้ AI เชิงกำเนิดและการค้นหาเชิงความหมาย ฉันทำสิ่งต่อไปนี้:

1. ขูดข้อมูลผู้ติดต่อ LinkedIn ของฉันด้วยเครื่องขูดที่พร้อมใช้งานที่มีอยู่มากมาย นี่ยังคงเป็นกระบวนการที่น่าเบื่อ (น่าเสียดายสำหรับ LinkedIn ที่ไม่มี API) แต่ก็ใช้งานได้
2. ขยายโปรไฟล์ที่สำคัญที่สุดด้วยข้อมูลสรุปที่สร้างโดย GPT-4 ของโปรไฟล์ทั้งหมด วิธีนี้ค่อนข้างแพงและช้า ดังนั้นฉันจึงทำสิ่งนี้กับโปรไฟล์ที่สำคัญที่สุดเท่านั้น ส่วนที่เหลือฉันใช้แค่ชื่องาน บริษัท และพาดหัวข่าว
3. สร้างการฝัง (การแสดง เวกเตอร์ของข้อความโปรไฟล์) โดยใช้API การฝังของ OpenAI
4. เขียนการฝังโปรไฟล์ลงในฐานข้อมูลเวกเตอร์ ฉันลองใช้PineconeและFAISSซึ่งให้ผลลัพธ์ที่เปรียบเทียบได้ สิ่งนี้ทำให้สามารถค้นหาโปรไฟล์ได้ทันทีด้วยความหมาย กล่าวคือ ไม่จำเป็นต้องตรงกับคำหลักทั้งหมด แต่ฐานข้อมูลสามารถระบุแนวคิดที่คล้ายกับสิ่งที่คุณขอได้
5. จากนั้นฉันจึงเขียน (หรือขอให้ GPT-4 เขียน ซึ่งทำในไม่กี่วินาที) เว็บแอปขนาดเล็กที่ช่วยให้ฉันค้นหาฐานข้อมูลได้

นี้ยังไม่สมบูรณ์แบบโดยไกล บ่อยครั้งที่ไม่ชัดเจนว่าทำไมเครื่องมือค้นหาจึงแสดงผลลัพธ์ที่ดูเหมือนจะไม่เกี่ยวข้องกับข้อความค้นหาดั้งเดิมมากนัก แต่การกรองสิ่งรบกวนนี้ออกไปนั้นง่ายกว่าการหาคนที่ใช่ตั้งแต่แรก ดังนั้นมันจึงยังช่วยประหยัดเวลาได้มาก และในด้านบวก คุณยังคงเห็นโปรไฟล์ของผู้คนที่คุณอาจไม่เคยนึกถึง แต่จริงๆ แล้วอาจมีความเกี่ยวข้องในทางอ้อมและสร้างสรรค์มากขึ้น

แน่นอนว่า AI เชิงกำเนิดสามารถช่วยคุณเขียนข้อความแนะนำตัวให้กับคนที่คุณต้องการติดต่อได้ ฉันใช้เครื่องมือของบริษัทTextCorte x สำหรับสิ่งนี้ ผลิตภัณฑ์รุ่นต่อไปของพวกเขาจะสามารถเลียนแบบสไตล์ของฉันได้ดียิ่งขึ้น แต่มันน่าทึ่งมากที่ผู้ช่วย Zeno ของ TextCortex ได้รับข้อเท็จจริงที่ฉันยังไม่ได้พูดถึง

บางสิ่งที่ฉันได้เรียนรู้

พวกเราส่วนใหญ่ได้เล่นกับ ChatGPT และเครื่องมือที่คล้ายกันแล้ว และคุณเกือบจะได้สัมผัสกับช่วงเวลามหัศจรรย์เมื่อเครื่องทำสิ่งที่คุณไม่คาดคิด

แต่ใครก็ตามที่อยู่ในแวดวงเทคโนโลยีมานานพอจะทราบดีว่า ยังมีหนทางอีกยาวไกลจากการสาธิตเจ๋งๆ ไปสู่สิ่งที่ผู้คนจะใช้เป็นประจำ และนั่นจะช่วยขับเคลื่อนธุรกิจอย่างแท้จริง

การทดลองของฉันแสดงให้เห็นว่า GPT-4 (ซึ่งเป็นรูปแบบภาษาที่ก้าวหน้าที่สุดในปัจจุบัน) นั้นดีมากในบางสิ่ง:

• การสรุปข้อความด้วยวิธีที่ชาญฉลาดและแม่นยำเป็นส่วนใหญ่
• การแยกข้อมูลจากข้อความที่ไม่มีโครงสร้าง
• มาพร้อมกับร่างแรกของการส่งมอบ
• หารูปแบบ

• ปัญหาที่รู้จักกันดีของภาพหลอน - แบบจำลองที่สร้างบางสิ่งจากอากาศ - เป็นปัญหาในหลายระดับ แม้ว่าคุณจะบอก GPT-4 ให้ยึดตามข้อเท็จจริงที่คุณให้ไว้ แต่บางครั้งก็ยังสร้างสิ่งอื่นขึ้นมา และแม้แต่คำแนะนำที่ชัดเจน เช่น “อย่านับจำนวนบริษัทที่คุณดึงข้อมูลจากข้อความนี้” จะถูกมองข้ามประมาณ 5% ของเวลาทั้งหมด ยังไม่ชัดเจนว่าจะสามารถควบคุมได้อย่างสมบูรณ์ได้อย่างไร
• รุ่นปัจจุบันมี "ขีดจำกัดของโทเค็น" ที่ค่อนข้างเข้มงวด ซึ่งจำกัดขนาดของอินพุตและเอาต์พุต ตัวอย่างเช่น ปัจจุบัน GPT-4 มีขีดจำกัดโทเค็น 8k ซึ่งแปลเป็นประมาณ 4–5k คำสำหรับทั้งอินพุตและเอาต์พุต ไม่เลว แต่หมายความว่าคุณไม่สามารถป้อนเอกสารขนาดใหญ่ได้ ในทางปฏิบัติ หมายความว่าคุณมักจะต้องแบ่งอินพุตออกเป็นส่วนย่อยๆ ซึ่งสร้างปัญหาจากการสูญเสียบริบท
• ขยะเข้า ขยะออก: เป็นเรื่องจริงสำหรับโมเดลภาษาเช่นกัน เมื่อคุณใช้แหล่งข้อมูลภายนอก เช่น การค้นเว็บ สิ่งสำคัญคือต้องควบคุมอย่างรอบคอบถึงสิ่งที่คุณระบุเป็นอินพุต มีการปรับแต่งโดยมนุษย์จำนวนมากซึ่งจำเป็นเพื่อให้ได้ผลลัพธ์ที่ถูกต้อง
• กระแสโฆษณาล่าสุดเกี่ยวกับเฟรมเวิร์ก "อิงตามตัวแทน" เช่น AutoGPT อาจแนะนำว่าโมเดล AI สามารถทำงานได้อย่างอิสระอยู่แล้ว จากประสบการณ์ของฉัน นั่นยังห่างไกลจากความจริง งานที่ซับซ้อนเช่นการวิเคราะห์ตลาดยังคงต้องเขียนสคริปต์อย่างระมัดระวังเพื่อให้ได้ผลลัพธ์ที่ใช้งานได้ อย่างไรก็ตาม มีเส้นทางสู่ระบบอัตโนมัติมากกว่านี้อย่างแน่นอน