Earlybird在pre-seed阶段见过Lovable却选择放弃，今年8月后者以133亿美元估值完成C轮融资，那张没签的支票潜在回报超50倍。这家欧洲VC由此把近十年的投资流程改造成AI原生系统，可看到欧洲95%以上的融资机会。

8 月 24 日，Earlybird 合伙人 Andre Retterath 发了一篇长文，复盘这家管理约 25 亿资产的欧洲 VC，怎样用了近十年把投资流程改造成一套 AI 原生系统。

原文里最刺眼的部分，并不是他们雇过八名工程师，也不是系统如今能看到欧洲 95% 以上的相关融资机会。Andre 写的是一笔没有发生的投资。

Earlybird 在 Lovable 还处于 pre-seed 阶段时见过这家公司。团队最后放弃，部分原因是当时能拿到的股份约为 8%，低于基金希望持有的 15%。8 月 12 日，Lovable 宣布以 133 亿美元估值完成 4 亿美元 C 轮融资。Andre 回头估算，那张没有签下的支票，潜在回报很可能超过 50 倍，甚至足以单独归还一只基金。

很多基金谈 AI 原生，会从一串工具名字开始。Earlybird 的故事从一次昂贵的错过开始。

Andre Retterath 发布的 AI 原生 VC 主题文章封面

01 最贵的错误

风险投资有一种很别扭的损失函数。投出 100 万欧元，公司失败，账面损失大致就是 100 万欧元。放弃一笔本可上涨 50 倍的投资，基金少掉的潜在收益却是 5000 万欧元。

这两个错误在表格里看着只差一行，对基金回报的影响完全不同。

风险投资的错误并不对称，错过异常赢家的代价可能远高于投错

这种不对称来自风险投资的幂律分布。长期有限合伙人 Horsley Bridge 公布过一组少见的底层数据，约 4.5% 的投入资金贡献了接近 60% 的总回报。欧洲投资基金对自身项目的研究也发现，约 4% 的投资实现五倍以上回报，却贡献了约一半退出收益。

基金当然要控制价格、股份和风险。麻烦在于，一套对普通项目很有用的纪律，也可能把异常赢家挡在门外。

Earlybird 自己有过另一种结果。2015 年，Dan Lupu 在罗马尼亚领投 UiPath 种子轮，当时这家公司融资并不轻松。六年后，UiPath 以每股 56 美元上市。Andre 在复盘中把当时市值写成约 330 亿美元。那笔投资成立的原因，恰好是市场尚未形成共识。

Bessemer 很早就把类似错过公开成一个 Anti-Portfolio，里面放着他们曾经见过又拒绝的成功公司。这类清单看着有些自虐，却比一页漂亮的已投项目 logo 更有用。已投项目只能告诉基金当时相信了什么，错过的项目会暴露规则在哪些地方过于整齐。

AI 原生 VC 的第一个问题因此不该是模型能替代多少分析师。它应该先回答，系统能否减少那些昂贵的漏看和误判。

02 先把世界看全

Andre 在 2017 年加入 Earlybird 后，收到过一份约 400 人的会议名单。一位创始合伙人让他找出最值得见的人。他花了几天，在 Crunchbase、LinkedIn、Xing 和 CRM 之间来回查资料，最后才交出一份排序后的名单。

他当时最直接的疑问是，这件事为什么需要一个人手工完成。

最初是简单自动化，随后是表示关系网络的知识图谱，再往后变成项目发现、推荐和尽调系统。Earlybird 给这套平台起名 EagleEye。

在建设系统前，团队用约 200 家相关基金的已投项目，反推自己究竟看到了多少欧洲机会。覆盖率只有约 70% 到 72%。这意味着每四个相关项目里，大约有一个从未进入 Earlybird 的视野。

EagleEye 上线后，覆盖率提高到 95% 以上。Andre 称，系统通常能在一轮融资结束至少六周前发现项目。Earlybird 官网目前给出的公司口径更大，平台已经评估超过 1000 万家公司和 2000 万名创始人，团队效率提高 200%，主动发现的项目占活跃交易流约一半。

Earlybird 称 EagleEye 把相关机会覆盖率从约 70% 提高到 95% 以上

这些数字证明了一件事。机器非常适合扩大视野、去重、补资料和排列优先级。一个人不可能每天跟踪上千万家公司，系统可以。

它解决的是项目有没有被看见。项目值不值得投，仍然是另一个问题。

03 模型人人都有

David Weisburd 在访谈里问了一个很好的问题。如果每家 VC 都能使用 Claude、ChatGPT 和 Gemini，新的超额回报从哪里来。

基础模型会快速普及，PitchBook、Dealroom、Harmonic 之类的商业数据库也可以买到。相同的公开新闻、招聘数据、融资记录和网站流量，最后会流进很多机构的屏幕。

Earlybird 给出的答案是机构自己的历史。

这家公司积累了近三十年投资记录，包括 250 多家被投公司的报告与董事会材料、超过 1000 份投资备忘录、10 万多条 CRM 记录，以及大量项目介绍、会议笔记、投委会决定和后续结果。公开数据库告诉你一家公司发生了什么，私有记录会补上基金当时为什么相信、谁反对、哪项风险后来真的发生。

一家基金能长期积累的私有材料，远多于公开数据库里的公司字段

这条路并非 Earlybird 独有。EQT 在 2016 年组建 Motherbrain 团队，2019 年已经披露五家被投公司由系统发现，如今平台覆盖项目发现、尽调和投后经营。SignalFire 的 Beacon 则宣称跟踪 8000 万家公司、6.5 亿名员工和约 4960 亿个数据点，并对全部潜在投资做研究。

这些庞大的数字容易让人产生错觉，好像数据越多，投资答案就越确定。公开数据的规模会逐渐变成行业门票。机构之间的差距，藏在各自如何记录选择。

04 把判断留下

Earlybird 从 2018 年开始，在每次投委会后做结构化问卷。参与者要分别评价市场、产品和团队，还要记录自己是否愿意投资。

这些记录单独看很普通。和几年后的结果连在一起，问题就开始变得具体。

哪位合伙人判断团队更准。基金在哪些市场上总是过度悲观。什么特征经常出现在最好的项目里。哪些拒绝理由后来反复造成错过。一个所谓的 Earlybird 项目，究竟有哪些可以被复核的共同点。

Andre 设想给项目同时标出两个维度，成功概率和它与 Earlybird 的匹配度。随后，每次会面转写、拒绝原因、合伙人评分和投后表现都进入系统，让下一轮推荐能够参考过去发生过什么。

大模型不必成为世界上最好的投资人。投资系统需要做的，是让机构知识一天天累积。

数据库只是容器，反馈才会改变下一次判断。备忘录记录当时的判断，结果负责检验它是否有效。拒绝理由写下为什么没投，Anti-Portfolio 继续追踪被拒项目后来去了哪里。

一家公司错过 Lovable 后，最有价值的动作也不是删掉 15% 的持股目标。系统应该回看所有因为持股比例被拒绝的项目，计算这条规则帮助基金避开过什么，又挡住过什么。纪律由此从口号变成可以检查的假设。

05 没有标准创始人

把判断力写进系统，还有一个容易踩到的坑。投资人喜欢把优秀创始人总结成一张固定清单，聪明、坚韧、有野心、行动快。Andre 认为，这张清单漏掉了公司正在建设什么。

一家火箭公司的 CEO，需要在技术尚未完全证明时不断吸引资本。一个基础模型团队的负责人，需要说服全球少数关键研究员加入。一个 AI 应用团队可能用一个周末做出原型，它最早的瓶颈会落到客户和分发。

同一个创始人评分，放在三类公司上会得到三个不同答案。

Andre 还提到，融资能力与创始人品牌正在变成硬技能。能向投资人讲清愿景的人，往往也在向员工、客户和合作伙伴出售同一幅图景。公开表达把这种能力放大到更多人面前。对资本密集型公司，它影响融资连续性。对应用公司，它可能直接变成获客和招人渠道。

所以，所谓机构品味不能被压成一串永远不变的权重。系统至少要知道行业位置、阶段、资金需求和人才结构，再理解一项能力为什么重要。

06 历史也会骗人

AI 当然能把筛选做得很快。2026 年发表在《国际金融分析评论》的一项研究，让大模型处理 61814 家早期公司。模型代理的速度达到人工分析师的 537 倍，聚类轮廓系数为 0.35，人工是 0.37。它在另一项衡量类别分离度的指标上高出 70%。

这很适合整理交易流。数万家公司先被正确分类，投资人不用再把时间花在地域、阶段和赛道明显不匹配的项目上。

但速度和异常发现并不是同一种能力。

大模型擅长高速整理已知类型，异常赢家往往来自历史样本之外

2025 年发表于《金融研究评论》的论文《数据驱动的投资人》，给出了很重要的反证。研究发现，采用数据技术的 VC 更擅长筛选与历史样本相似的公司，资金也更容易流向这些公司。与此同时，它们投资高度创新、后来取得罕见重大成功项目的概率下降。

原因并不神秘。机器学习擅长从过去找规律，风险投资的最大回报却经常来自过去没有清楚出现过的组合。训练数据里的成功公司越整齐，系统越可能把整齐当成成功本身。

Earlybird 的案例恰好把矛盾摆在桌上。EagleEye 可以把覆盖率提高到 95%，让更多非熟人网络里的公司获得一次被看见的机会。进入评分环节以后，如果模型只寻找最像历史赢家的项目，它又可能把陌生的新公司压回队尾。

一套更稳妥的设计，需要把发现和判断分开。发现系统追求高召回，尽量少漏。判断系统保留反对意见、置信度和未知项。基金还需要留出一部分探索空间，专门研究那些评分不高、却在某个维度极端突出的项目。

AI 可以让投资人的偏见更容易被发现，也可以把偏见复制到每一张新项目卡片上。差别在于系统有没有保存异议，并在几年后回来对账。

07 工具没人用

Andre 原先以为最难的是数据。创业公司名称混乱，来源互相矛盾，非结构化材料需要提取，实体还要去重。这些工程问题很麻烦，最终都能被逐项处理。

团队习惯更顽固。

Earlybird 的内部工程团队高峰时有八人，约占全公司 20%。即使 EagleEye 已经明显提高覆盖率，多数投资人起初仍然没有使用。旧流程熟悉，老联系人顺手，新平台再好也需要人改变每天的动作。

后来，管理层不再考核员工有没有打开 EagleEye，而是考核他负责地区的项目覆盖率。怎么达到目标由个人决定。当平台已经收录 95% 的相关机会时，使用它自然成了最省力的路径。

不要强迫人们使用新工具。衡量你想要的结果，再给他们更好的工具。

这段经历比任何 AI 工具清单都重要。很多公司买完账号，办两场培训，就开始等生产率自动出现。流程要发生变化，团队需要知道谁对结果负责、什么指标会被看见，以及模型出错以后谁来修正。

自建的经济账也要算。Andre 在另一篇文章里给过一个经验线，大约 2 亿到 3 亿规模以下的基金，管理费通常很难长期支撑完整工程团队。更现实的组合是一名懂投资流程的 AI 原生运营者，加上成熟的商业工具。公开数据、CRM 和通用研究能力能买就买，机构自己的判断记录、评分规则和反馈系统再投入自建。

AI 原生并不等于每家基金都要养八名工程师。它意味着基金知道什么属于行业标配，什么才值得自己写代码。

08 少做一点

Earlybird 每年收到超过一万个项目，早期基金最终只会投资约 10 到 12 家。过去，投资人大量时间消耗在漏斗顶部，排除错误地区、错误阶段、错误赛道、票面不匹配或已经太晚的公司。

一万个年度项目最终收敛成约 10 到 12 笔投资，AI 的价值在于压缩前端筛选

如果 AI 把筛选效率提高十倍，最直觉的做法是再看十倍项目。Andre 的选择相反。机器接管明显不匹配的筛选和资料准备，投资人应该把时间移到漏斗更深处。

少开几场准备不足的会，多做几场带着完整背景的交流。少花一小时收集信息，多花一小时判断信息。备忘录初稿可以参考一千份历史文件自动生成，合伙人的时间应该留给那些文件无法回答的问题。

Andre Retterath 与 How I Invest 主持人 David Weisburd 讨论 AI 原生 VC

Andre 把自己的周安排成一个循环。周一到周四以会议为主，周五留出一部分时间读论文、newsletter 和研究材料，周末给大脑留出处理空间，周一再回到执行。

这个安排听起来很普通，甚至不像一个 AI 故事。它却指出了自动化最容易被忽视的结果。省下来的时间如果立刻被另一批提醒、会议和项目填满，系统只会让人更忙。投资判断需要输入，也需要空白。

09 系统与判断

我们把 Andre 的文章、Earlybird 的公开材料、另外几家数据型基金和两篇最新研究放在一起看，结论比“VC 会不会被 AI 替代”具体得多。

AI 已经能高速搜索公司、补齐资料、生成会前简报、整理市场、起草备忘录和比较条款。它还会继续进入基金每天的工作。行业差距会更多地出现在这些自动化背后的记录方式。

一家基金有没有保存每次拒绝的原因。合伙人的评分能不能和多年后的结果连接。系统会不会追踪没有投的公司。不同意见是被平均掉，还是被留到未来复盘。AI 推荐错了以后，谁负责写回修正。

这些动作都不神秘，也没有一键完成的产品演示。它们要花几年，甚至要等一家公司完成下一轮融资、上市或失败，反馈才会回来。

Andre 说，未来的 VC 会更像一家部署资本的科技公司。这个判断大概是对的。基金开始写软件只是外观，更深的变化发生在判断本身。投资判断终于有机会离开明星合伙人的脑子，成为一套可以积累、质疑和修正的共同记忆。

把判断力写进系统，目标是让每一次判断留下证据，让下一次判断有机会改正它。

资料来源：

Andre Retterath 的 AI 原生 VC 长文，2026 年 8 月 24 日原文 https://www.newsletter.datadrivenvc.io/p/how-i-invest-the-ai-native-vc-firm

Andre Retterath 关于 AI 原生 VC 的原始帖子，2026 年 8 月 24 日原文 https://x.com/AndreRetterath/status/2091602037729276342

Earlybird EagleEye 官方页面原文 https://earlybird.com/eagle-eye

Earlybird 关于错过 Lovable 的复盘原文 https://app.dealroom.co/news/note/the-50x-that-got-away-earlybird-s-andre-retterath-on-discipline-data-and-the-lovable-miss

Lovable C 轮融资公告，2026 年 8 月 12 日原文 https://lovable.dev/blog/series-c

UiPath 美国证监会上市文件，2021 年 4 月原文 https://www.sec.gov/Archives/edgar/data/1734722/000119312521125014/d98556d424b4.htm

《数据驱动的投资人》研究论文原文 https://academic.oup.com/rfs/article/39/7/1909/8285007

《生成式 AI 驱动的风险投资筛选》研究论文原文 https://www.sciencedirect.com/science/article/pii/S105752192500835X

EQT Motherbrain 官方资料原文 https://eqtgroup.com/about/motherbrain

SignalFire Beacon 官方资料原文 https://www.signalfire.com/beacon-ai

Bessemer Anti-Portfolio原文 https://www.bvp.com/anti-portfolio

欧洲投资基金风险投资回报研究原文 https://www.fi-compass.eu/sites/default/files/publications/eif_wp_41.pdf