Венчурный ИИ: чем алгоритмы и инвесторы могут помочь друг другу | Большие Идеи

・ Стартапы
Статья, опубликованная в журнале «Гарвард Бизнес Ревью Россия»

Венчурный ИИ: чем алгоритмы и инвесторы могут помочь
друг другу

Почему неопытные инвесторы ошибаются чаще, чем искусственный интеллект

Авторы: Дитмар Гричник , Иво Блом , Йоаким Винсент , Малин Мальмстрем , Торбен Антреттер , Шарлотта Сирен

Венчурный ИИ: чем алгоритмы и инвесторы могут помочь друг другу
Иллюстрация: Cactus Creative Studio/Stocksy

читайте также

Понять культурные различия лучше всего на практике

Бернард Бэнкс

Самое интересное за 2020 год от Harvard Business Review Россия

«Я загонял себя в могилу»: откровенная история от автора бестселлеров о счастье

Нил Пасрич

Вперед! Наверх! А там…

Бетчер Эрик Ким,  Деспанде Рохит,  Марголис Джошуа,  Пейн Лин

Многие крупные венчурные фонды используют искусственный интеллект (ИИ) как дополнительный инструмент для принятия решений. Билл Марис, бывший управляющий партнер Google Ventures, однажды сказал: «Если у вас есть доступ к самым большим наборам данных в мире, … было бы глупо руководствоваться одной лишь интуицией».

У большинства инвесторов в стартапы нет таких ресурсов, как у Google, и они по-прежнему действуют по-старому и доверяют своим чувствам. Но по мере развития технологий и удешевления разработки мощных алгоритмов машинного обучения инвесторы должны будут решить, стоит ли им для принятия решений использовать ИИ. Сможет ли искусственный интеллект конкурировать с людьми на ранних стадиях инвестирования, и как инвесторы могут его использовать?

Чтобы ответить на эти вопросы, мы разработали свой инвестиционный алгоритм и сравнили его результаты с результатами 255 бизнес-ангелов. Мы обучили алгоритм с помощью передовых технологий, а затем он выбрал самые перспективные стартапы из 623 компаний, в которые вложилась одна из крупнейших европейских сетей ангельских инвестиций. Решения алгоритма были основаны на тех же данных, которые были доступны инвесторам: на питчах, профилях основателей в социальных сетях, сайтах и т. д. На основе этих данных мы постарались предсказать перспективы выживания стартапов (вместо таких любимых инвесторами метрик, как рыночная стоимость), поскольку это позволяло нам обучать алгоритм на куда более крупном и надежном наборе данных.

Мы выбрали инвестиции на основе этой модели, а затем сравнили прибыль портфелей бизнес-ангелов с портфелем нашего алгоритма. Кроме того, мы отдельно сравнили ИИ и инвесторов с разным уровнем опыта — начинающих (совершивших менее 10 инвестиций) и опытных (10 инвестиций или больше). Опытные инвесторы в нашей выборке совершили в среднем вдвое больше инвестиций, чем новички (12,2 против 5,2) и вкладывали в каждый стартап вдвое больше (€10,53 тыс. против €4,5 тыс.).

Результат исследования оказался очень убедительным. Он объясняет, как (и когда) использование алгоритмических инвестиций может принести максимум пользы. В нашем исследовании алгоритм легко опередил новичков: из-за неопытности они допускали намного больше когнитивных ошибок. Но выбор опытных инвесторов оказался куда лучше. Таким образом, наше исследование показывает, как когнитивные искажения влияют на решения инвесторов — и как алгоритмы могут обеспечить лучшие и более справедливые результаты.

Алгоритм против ангелов

Убедительно доказано, что когнитивные искажения — то есть систематические отклонения от рационального поведения — снижают инвестиционные результаты. Мы измерили пять искажений: 1) склонность к локальности — некоторые предпочитают инвестировать в компании, находящиеся близко географически; 2) избегание потерь, то есть большая чувствительность к потенциальным убыткам, чем к потенциальной прибыли, 3) сверхуверенность, то есть склонность слишком сильно вкладываться в один проект и тратить на него намного больше, чем планировалось изначально, 4) гендерные и 5) расовые предрассудки. Наши данные показывают, что среди бизнес-ангелов встречались все эти искажения. Самым распространенным и сильным искажением, влияющим на прибыль, была сверхуверенность: 91% инвесторов поддались ей хотя бы однажды.

Поскольку из-за когнитивных искажений инвесторы часто принимали нерациональные решения, неудивительно, что прибыль нашего алгоритма оказалась выше средней прибыли участников. Средняя внутренняя норма доходности (IRR) алгоритма составила 7,26%, а для 255 бизнес-ангелов этот показатель составил в среднем 2,56%. Иными словами, в среднем алгоритм выступил на 184% лучше человека.

Однако не на всех инвесторов одинаково влияли когнитивные искажения. Бизнес-ангелы, которые вели себя рациональнее, составили более эффективные портфели, чем их иррациональные коллеги. Наименее предвзятые новички заработали в среднем 3,51%, а в группе с максимальным влиянием когнитивных искажений зафиксировали убытки — в среднем –– 20,52% (по IRR).

Нас заинтересовали эти результаты, и мы постарались понять, сможет ли алгоритм опередить и более опытных бизнес-ангелов. Но опытные инвесторы допускали куда меньше когнитивных искажений и, следовательно, достигали существенно лучших инвестиционных результатов. Средняя норма доходности IRR лучшей группы опытных инвесторов составила 22,75%. Однако одного опыта здесь недостаточно: инвесторы, которые, несмотря на опыт, все равно были подвержены когнитивным искажениям, в среднем заработали только 2,87%. Таким образом, наши данные показывают, что только опытные инвесторы, способные преодолеть силу предубеждений, могут опередить ИИ в выборе стартапов на ранних стадиях.

На ситуацию влияет еще один фактор, который, как мы предполагаем, может объяснить преимущество алгоритмов. Чтобы сделать венчурный портфель более прибыльным, нужно защищаться от убытков и увеличивать прибыль. Основная идея и цель венчурного инвестирования заключается в том, чтобы искать статистически уникальные стартапы (так называемых «единорогов»). Но наше исследование ставит эту идею под сомнение. Предсказывая вероятность выживания стартапов, ИИ смог составить намного более прибыльный портфель, чем абсолютное большинство из 255 бизнес-ангелов. Таким образом, наши данные показывают: лучше избегать плохих инвестиций, чем пытаться попасть в яблочко. Средства инвесторов ограничены, они могут вложиться только в конечное число проектов, и, таким образом, каждый из них нужно выбирать как можно тщательнее. Поэтому, чтобы сделать портфель прибыльным, полезнее не искать иголку в стоге сена, а задуматься, задав вопрос: «Насколько разумна идея этой компании? Высоки ли ее шансы на выживание?»

Более прибыльные инвестиции — это более справедливые инвестиции?

Сейчас много рассуждают о том, передают ли разработчики свою предвзятость алгоритмам. Но наш набор данных не обрабатывался людьми напрямую (в отличие, например, от обучения алгоритмов для найма на работу, где люди писали, кто из ранее нанятых сотрудников оказался лучше других) — для обучения использовались только фактические данные о выживаемости и прибыли нескольких сотен стартапов. Благодаря такой высокой объективности алгоритм был менее подвержен типичным когнитивным искажениям (например, избеганию потерь или сверхуверенности), чем средний инвестор. Но это не значит, что он не проявлял дискриминации: мы с удивлением обнаружили, что алгоритм предпочитал инвестировать в стартапы белых предпринимателей и в стартапы, основанные мужчинами.

С учетом этих конкретных результатов мы можем сказать, что обвинять алгоритмы в предвзятости — значит слишком упрощать ситуацию и не учитывать более глубокой проблемы завышенных ожиданий. Как правило, алгоритмы учат просто выбирать одно из нескольких решений (например, отличать хорошие инвестиции на ранней стадии от плохих). Сам по себе ИИ не иррационален и не предвзят — он просто ищет паттерны в реальных данных, которые мы предоставляем ему для обучения, и использует эти паттерны, чтобы различать разные возможные варианты.

Таким образом, ИИ может исправлять ошибки в мышлении неопытных начинающих инвесторов — например, поправить инвестора, если он слишком самоуверенно оценивает рискованность определенного решения. Но использовать ИИ для борьбы с неравенством в обществе сложнее. Несмотря на то, что наш набор данных был объективен и свободен от человеческих суждений (и алгоритму не сообщали данные о расе и гендере предпринимателей), его решения все равно были предвзяты. При этом сам по себе алгоритм не был предвзят — он просто воспроизводил общественное неравенство, отраженное в данных для обучения. Например, один из главных факторов, на которых были основаны предсказания алгоритма, — это сумма финансирования, которое стартапу уже удалось собрать. А недавнее исследование показало, что женщинам приходится сложнее уже на стадии сбора средств и они зачастую получают меньшие суммы капитала, что может повлиять на общую успешность их стартапов. Иными словами, ИИ просто поддерживает порочный круг общественных механизмов, из-за которых стартапы женщин и представителей этнических меньшинств часто разоряются на ранних стадиях.

Важно, что наши результаты показывают: если исключить дискриминацию по расе и гендеру, это может улучшить не только справедливость, но и прибыльность инвестиций на ранних стадиях. Например, мы заметили, что опытные инвесторы, которые вкладывались в проекты с небелыми основателями, систематически опережали наш ИИ. Иными словами, эти инвесторы добивались успеха, избегая паттернов общественной дискриминации, которые вредили алгоритму. При распределении ресурсов всегда приходится идти на компромисс между справедливостью и эффективностью — это касается и алгоритмов. Не стоит ожидать, что ИИ автоматически решит общественные проблемы, если они проявляются уже в самих данных, которые мы в него загружаем.

Гибридный подход

Наше исследование показывает, какую пользу ИИ может принести на ранних стадиях инвестиций. Он может обрабатывать большие объемы данных, исправлять когнитивные искажения в отдельных случаях — и вообще выступает в среднем лучше человека. Но самые лучшие результаты показывают опытные инвесторы, способные победить свои когнитивные искажения: они опережают алгоритмы и по эффективности, и по справедливости.

Конечно, не обязательно выбирать что-то одно — или алгоритмы, или интуицию. Менеджеры и инвесторы должны понять, что алгоритмы не столько принимают решения, сколько предсказывают вероятные будущие результаты. Эти предсказания можно использовать по-разному — в зависимости от человеческих решений, которые могут привести к более эффективному принятию решений и действий (а могут не привести). В сложных, неопределенных условиях главный вопрос заключается не в том, стоит ли заменять человеческий интеллект, а скорее в том, как дополнить наше мышление силой ИИ (это иногда называют гибридным интеллектом).

Роль ИИ. Согласно нашему исследованию, алгоритмы могут помочь инвесторам в принятии инвестиционных решениях на ранних стадиях. Если начинающие инвесторы будут пользоваться алгоритмами, это поможет им избежать ошибок в принятии решений, а значит, быстрее начать получать большую прибыль. Это, в свою очередь, подстегнет их продолжать инвестиции — и тем самым обеспечивать необходимые ресурсы для экосистемы, поддерживающие занятость и инновации. Таким образом, мы видим большой потенциал в использовании алгоритмов для обучения неопытных инвесторов, чтобы те принимали более качественные решения и больше зарабатывали.

Роль человеческого интеллекта. Интуиция опытных бизнес-ангелов, которые научились разбираться со своими когнитивными искажениями, по-прежнему остается самым эффективным инструментом. А значит, алгоритмы нужно обучать не только на «объективных» прошлых данных, которые воспроизводят существующую в обществе дискриминацию, но и на решениях и действиях лучших инвесторов. Иными словами, мы также видим потенциал в том, чтобы опытные инвесторы обучали инвестиционные алгоритмы принимать лучшие и более справедливые решения.

В конце концов, хотя ИИ стремительно выходит на финансовые рынки, лучших результатов при инвестициях на ранних стадиях по-прежнему добиваются опытные бизнес-ангелы. Чтобы построить алгоритм, который когда-то сможет заменить самого опытного человека, нужно не просто бороться с искажениями человеческого мышления, но и моделировать интуицию экспертов, стараясь найти самые многообещающие инвестиционные возможности.