La sélection de startups propulsée par l’IA générative

ParPhil MAJ

Peut-on faire confiance à une intelligence artificielle pour choisir les investissements de demain ? C’est la question centrale de cet article de recherche. En comparant des analystes humains à des agents autonomes basés sur l’IA, les auteurs révèlent des résultats surprenants : l’IA ne se contente pas d’être plus rapide, elle structure le deal-flow avec une précision qui remet en question les pratiques traditionnelles du Venture Capital

« Generative AI-powered venture screening » (2025) de Silvio Vismara et ses collègues.

Cette étude explore comment l’Intelligence Artificielle Générative (GenAI) peut transformer la première étape cruciale du capital-risque : le tri des startups (screening).

1. Le Problème Central : L’Aiguille dans la Botte de Foin

Le défi majeur pour les investisseurs en capital-risque (VC) est le volume.

  • Surcharge d’information : Chaque année, des millions de nouvelles entreprises sont créées. Un fonds de VC ne peut en financer qu’une infime fraction (moins de 1 %).
  • Limites humaines : Les analystes humains sont lents, coûtent cher et doivent souvent se fier à leur « intuition » ou à des réseaux limités pour filtrer cette masse, ce qui introduit des biais.
  • La Question : Une IA peut-elle effectuer ce tri initial (« Quantitative Sourcing ») mieux et plus vite qu’un humain ?

2. La Solution : L’Agent LLM (Cadre ReAct)

Les chercheurs n’ont pas simplement utilisé ChatGPT pour « discuter ». Ils ont construit un Agent Autonome basé sur le framework ReAct (Reasoning and Acting).

Contrairement à un chatbot classique qui se contente de répondre, cet Agent agit comme un analyste virtuel :

  1. Raisonnement (Reasoning) : Il analyse une thèse d’investissement (ex: « Trouver des startups de robotique modulaire »).
  2. Action (Acting) : Il utilise des outils externes pour chercher des preuves. Il peut interroger des bases de données SQL, consulter Crunchbase, Pitchbook ou lire des articles scientifiques sur arXiv.
  3. Embeddings (Vecteurs) : Il transforme les descriptions textuelles des startups en vecteurs mathématiques. Cela lui permet de calculer la « distance sémantique » entre une startup et la thèse de l’investisseur (est-ce que cette entreprise correspond vraiment à ce que je cherche ?).

3. Les Résultats : Humain vs IA

L’étude a comparé la performance de cet Agent IA face à une équipe d’analystes humains (du fonds allemand Freigeist Capital) sur une base de données de plus de 61 000 entreprises.

Voici le bilan sur trois critères clés :

A. Vitesse (L’IA écrase l’humain)

  • Humain : Environ 120 minutes pour analyser et trier un dossier complet.
  • Agent LLM : Environ 13,4 secondes.
  • Bilan : L’IA est 537 fois plus rapide. Elle résout le problème du volume instantanément.

B. Coût (Réduction massive)

  • Le coût de l’analyse par l’IA est négligeable comparé au salaire horaire d’un analyste VC qualifié. L’efficacité économique est multipliée par un facteur proche de 1000.

C. Qualité du Tri (La surprise)

C’est le point le plus important. Être rapide ne sert à rien si le tri est mauvais. Les chercheurs ont utilisé deux mesures mathématiques pour juger la qualité du regroupement (clustering) des startups :

  1. Score Silhouette (Cohésion) : Mesure à quel point les startups d’un même groupe se ressemblent.
    • Résultat : L’IA fait jeu égal avec les humains (scores de 0.35 vs 0.37). Elle est capable de comprendre les nuances sectorielles aussi bien qu’un expert.
  2. Indice Calinski-Harabasz (Séparation) : Mesure à quel point les groupes sont distincts les uns des autres et compacts.
    • Résultat : L’IA surpasse largement les humains (+70 %). Elle crée des catégories d’investissement plus nettes et mieux définies, là où les humains ont tendance à être plus flous.

4. Conclusion et Implications

  • Démocratisation du VC : Cette technologie permet à de petits fonds d’analyser autant de données que des géants du secteur, abaissant les barrières à l’entrée.
  • Changement de rôle : L’IA ne remplace pas la décision finale d’investissement (qui reste humaine), mais elle remplace le travail fastidieux de « première passe ». L’analyste humain ne passe plus son temps à chercher des aiguilles dans la botte de foin, mais à examiner les aiguilles que l’IA a déjà trouvées.
  • Réduction des biais : En se basant sur des données et non sur des réseaux personnels (le « who you know »), l’IA pourrait aider à identifier des fondateurs talentueux qui sont habituellement ignorés par le système classique.

Publications similaires