利用人工智能预测商业天使的早期阶段决策

外部融资对于早期阶段的风险企业至关重要，尤其是需要大量研发投入的科技初创公司。商业天使提供了关键的资金来源，但其决策过程往往具有主观性，且对投资者和企业家而言都耗费大量资源。许多研究已探究这一投资过程，以寻找天使投资者考虑的关键因素。其中一种工具——关键因素评估（CFA），已被加拿大创新中心部署超过 20,000 次，并在决策后评估中发现其准确率显著高于投资者自身的决策。然而，单次 CFA 分析需要三名受过培训的人员和数天时间，限制了其采用。本研究基于先前验证 CFA 的工作，探讨是否可以利用训练有素的 AI 模型克服阻碍其采用的限制。在本研究中，我们提示多个大型语言模型（LLM）将八个 CFA 因素分配给一个包含 600 个转录的、非结构化的、寻求商业天使投资的初创公司推介数据集，这些推介具有已知的投资结果。然后，我们使用 LLM 生成的 CFA 分数作为输入特征，训练并评估了机器学习分类模型。我们表现最佳的模型显示出高预测准确率（预测商业天使交易/无交易结果的准确率为 85.0%），并与传统人工评分表现出显著相关性（Spearman r = 0.896，p 值 < 0.001）。将基于 AI 的特征提取与结构化的、经过验证的决策框架相结合，产生了一个可扩展、可靠且偏差较小的初创公司推介评估模型，消除了先前限制其采用的约束。