Stephanie Song 此前在 Coinbase 的企业发展和风投团队任职，她经常对自己和团队每天必须完成的大量尽职调查任务感到沮丧。
Song 在电子邮件采访中对 TechCrunch 表示：“分析师们熬夜工作数百小时，做着那些没人愿意做的枯燥工作。”“与此同时，基金正在减少资本部署，并寻求提高团队效率、降低运营成本的方法。”
为了找到更好的解决方案，Song 与两位前 Coinbase 同事 Brian Fernandez 和 Anand Chaturvedi 合作，推出了 Dili（不要与东帝汶的首都混淆），这是一个利用人工智能为私募股权和风险投资（VC）公司自动化关键投资尽职调查和投资组合管理步骤的平台。
Dili 是 Y Combinator 的毕业生，迄今为止已从包括 Allianz Strategic Investments、Rebel Fund、Singularity Capital、CoreNest、Decacorn、Pioneer Fund、NVO Capital、Amino Capital、Rocketship VC、Hi2 Ventures、Gaingels 和 Hyper Ventures 在内的投资者那里筹集了 360 万美元的风险投资资金。
Song 说：“[人工智能]影响投资基金的所有部分，从分析师到合伙人再到后台职能部门。”“基金的投资专业人士正在寻求决策方面的差异化优势，现在可以利用他们丰富的数据，将他们对交易的理解与这些交易如何融入基金……结合起来。Dili 有一个独特的机会，能够在严峻的宏观环境中成为基金的解决方案。”
Song 关于基金寻求竞争优势的说法并非没有道理——或者更准确地说，寻找任何新的有希望的方法来降低投资风险。风险投资机构据报道拥有 3110 亿美元的未动用现金，去年募集的资金总额创下七年来的最低水平——仅为 670 亿美元，因为它们对早期初创企业的态度日益谨慎。
Dili 并不是第一个将人工智能应用于尽职调查流程的公司。Gartner 预测到 2025 年，超过 75% 的风险投资和早期阶段投资者的高管审查将借助人工智能和数据进行分析。
几家初创公司和现有企业已经在利用人工智能来审阅财务文档和海量数据，以制作市场比较和报告——其中包括 Wokelo（其客户是像 Dili 一样的私募股权和风险投资基金）、Ansarada、AlphaSense 和 Thomson Reuters（通过其 Clear Adverse Media 部门）。
但 Song 坚持认为 Dili 使用的是“首创”技术。
她补充道：“[我们]可以在特定任务上提供极高的准确性，例如从大型非结构化文档中提取财务指标。”“我们构建了定制的索引和检索管道，针对特定文档进行了调整，以便为 [我们的 AI] 模型提供高质量的上下文。”
Dili 利用生成式人工智能，特别是类似于 OpenAI 的 ChatGPT 的大型语言模型，来简化投资者工作流程。
该平台首先在一个知识库中目录化基金的历史财务数据和投资决策，然后应用上述模型来自动化诸如解析私人公司数据库、处理尽职调查请求列表以及在网上挖掘鲜为人知的数据等任务。
Dili 最近增加了对公司积压交易组合的自动可比分析和行业基准测试的支持。一旦基金上传其交易数据，他们就可以在一个地方比较历史和当前的投资机会。
Song 说：“想象一下，能够收到一封包含新投资机会或投资组合公司更新的电子邮件，并立即让平台生成由 AI 生成的交易红旗警告、竞争分析、行业基准测试，并利用您基金的历史投资模式生成初步摘要或备忘录。”
AI 在尽职调查中的信任挑战
问题是，在管理投资组合时，Dili 的 AI——或者任何 AI——真的值得信任吗？
毕竟，AI 并不以坚持事实而闻名。Fast Company 测试了 ChatGPT 总结文章的能力，发现该模型倾向于出错、遗漏部分内容，甚至 outright 发明所总结文章中未提及的细节。不难想象这如何在尽职调查工作中成为一个真正的问题，在那里准确性至关重要。
AI 也可能将偏见带入决策过程。《哈佛商业评论》几年前进行的一项实验发现，一个被训练用于提供初创企业投资建议的算法倾向于选择白人企业家而非有色人种企业家，并更偏好投资由男性创始人领导的初创企业。这是因为该算法所训练的公开数据反映了这样一个事实：女性以及来自代表性不足群体的创始人在融资过程中往往处于不利地位——并最终筹集到较少的风险资本。
此外，有些公司可能不愿意将其私密、敏感的数据通过第三方模型进行处理。
Dili 的应对策略与未来展望
为了试图缓解所有这些担忧，Song 表示 Dili 正在继续微调其模型——其中许多是开源的——以减少幻觉现象并提高整体准确性。她还强调，Dili 不使用私人客户数据来训练其模型，并且 Dili 计划提供一种方式，让基金能够创建基于专有、离线基金数据训练的自有模型。
去年，Dili 在不同类型的基金和银行中，对 400 名分析师和用户进行了初步试点。但随着该公司扩大团队并增加新功能，它正瞄准拓展至新的应用场景——最终目标是成为投资者尽职调查和投资组合管理的“端到端”解决方案，Song 表示。
她补充道：“我们最终相信，我们正在构建的核心技术可以应用于资产配置流程的所有部分。”