L'AI nella valutazione startup per fondi VC analizza metriche finanziarie, comparables, team e mercato in ore invece che giorni. Produce report standardizzati con scoring automatico e flag sui rischi. Riduce il tempo di due diligence iniziale del 50-70% permettendo di valutare 3-5x più deal.
Il problema reale: 200 pitch al mese, 20 minuti a pitch per separare il segnale
Un fondo VC italiano attivo, con tesi chiara e buona visibilita sul mercato, riceve nell'ordine di 150-250 pitch al mese. Alcuni arrivano da inbound (form sul sito, mail dirette, LinkedIn), altri da network (altri fondi che passano il deal, acceleratori, scouting interno). Il primo filtro, fatto manualmente dal team di investimento, porta via un'enorme quantita di tempo e la qualita del filtro dipende fortemente da quanto il singolo investment manager ha caffeina, tempo e pazienza quel giorno.
Il punto non e sostituire il giudizio umano con l'AI nella decisione di investimento. Quella decisione e e resta umana, complessa, fatta di istinto, network check, reference call e gut feeling. Il punto e automatizzare i 5-10 controlli meccanici che ogni pitch merita, in modo da portare l'investment manager a dedicare i 20 minuti buoni di attenzione ai 20 pitch su 200 che meritano davvero, senza rischiare di scartare per fretta un deck promettente.
Questo articolo descrive un workflow concreto, applicabile da un fondo italiano la prossima settimana, costruito su strumenti disponibili (Claude, GPT, Gemini, piu qualche integrazione con fonti dati pubbliche). Non e teoria di valutazione, e un metodo di pre-filtro AI-assisted.
Cinque controlli AI da fare su ogni pitch deck in meno di 5 minuti
Il primo passo e definire i 5 controlli meccanici che un agente AI puo fare su ogni pitch deck in arrivo, prima che un umano lo apra. Questi 5 controlli devono essere veloci, deterministici e ad alto valore informativo.
Uno, estrazione strutturata dei dati chiave. L'agente legge il deck (PDF, PPT, Google Slides) ed estrae in un record strutturato: nome startup, stage, round richiesto, valutazione proposta, sede legale, founder, settore, mercato target, descrizione prodotto in una frase, revenue attuali se dichiarati, metriche chiave se presenti (MRR, ARR, churn, CAC, LTV, crescita MoM), principali competitor dichiarati. Questo record finisce direttamente in CRM (HubSpot, Affinity, Airtable). Risparmia 10-15 minuti per deck.
Due, controllo di coerenza interna del deck. L'agente verifica che i numeri dichiarati siano coerenti tra slide diverse. Esempi tipici: market size dichiarata in una slide e smentita in un'altra, tasso di crescita che implica revenue passate che non tornano, CAC e LTV che implicano un payback period diverso da quello scritto. Questi errori sono sorprendentemente comuni e sono spesso un segnale che il fondatore non ha il controllo dei numeri.
Tre, confronto con deck simili visti prima. L'agente, avendo in memoria i deck gia processati dal fondo, identifica startup simili (stesso settore, stesso stage) viste negli ultimi 12-24 mesi e restituisce un contesto: "questa startup e simile a X, Y, Z che avete visto in passato, con valutazioni comprese tra A e B". Questo da all'investment manager un ancoraggio immediato.
Quattro, estrazione delle red flag ovvie. Ci sono segnali di rischio che sono meccanicamente rilevabili e che spesso si annidano nei deck: assenza di co-founder tecnico in una startup tech, founder senza esperienza rilevante nel settore, TAM/SAM/SOM calcolato male, metriche "vanity" (download, registrati) al posto di metriche di revenue, proiezioni a 5 anni con crescita costante del 200%. Un prompt ben costruito estrae queste red flag e le mette in evidenza.
Cinque, generazione del brief di 1 pagina. Alla fine dei 4 controlli precedenti, l'agente genera un brief di 1 pagina per l'investment manager: cosa fa la startup in 3 righe, cosa dichiarano di mercato e traction, quali sono le 3 cose da verificare in una eventuale prima call, quali red flag sono emerse dal pre-filtro AI. L'investment manager puo decidere in 2 minuti se andare avanti o archiviare, anziche in 20.
Vuoi applicare questo nella tua azienda?
In IL DOGE DI VENEZIA affianchiamo le PMI italiane in ogni fase della trasformazione AI. La prima conversazione è gratuita.
Parlaci del tuo progettoVerifica della market size: come l'AI smonta (o conferma) i claim del fondatore
La market size dichiarata nei pitch deck e uno degli aspetti piu frequentemente gonfiati. "Il mercato globale vale 300 miliardi" e quasi sempre vero per qualcosa, ma quasi mai e il mercato che la startup puo davvero servire. Un agente AI ben configurato puo aiutare a smontare questi claim in modo sistematico.
Il metodo e: partire dalla descrizione concreta del prodotto nel deck, ricavarne il vero target (per esempio: "non B2B SaaS in generale, ma software HR per PMI italiane da 50-200 dipendenti"), e ricostruire bottom-up il TAM plausibile. Per farlo, l'agente usa fonti pubbliche: Istat e Eurostat per dati demografici, Registro Imprese per il numero di aziende in una fascia specifica, report di settore indicizzati (Mediobanca Ricerche, CERVED, Statista). Combinando queste fonti e moltiplicando per stime di willingness to pay ricavate da confronti con prodotti simili sul mercato, si arriva a un TAM plausibile che puo essere confrontato con quello dichiarato dal fondatore.
Il risultato e una delle tre possibilita. Il TAM dichiarato e realistico: passa e si va avanti. Il TAM dichiarato e gonfiato ma l'opportunita reale e comunque interessante: si segnala al team di investimento il vero TAM plausibile e si procede con la valutazione basata su quello. Il TAM dichiarato e gonfiato e anche quello reale e troppo piccolo per un ritorno da VC: si archivia, risparmiando all'investment manager 2 ore di due diligence inutile.
Questo controllo, fatto manualmente, richiede 1-3 ore per startup e per questo non viene fatto sistematicamente. Automatizzato con un agente AI ben costruito, scende a 5-10 minuti. Il guadagno di tempo e sostanziale su 200 pitch al mese. La nostra esperienza su questo tipo di analisi automatizzate e descritta anche nella pagina dedicata all'AI per holding industriale, dove il controllo di claim di mercato e centrale anche nelle analisi M&A.
Analisi competitiva automatizzata: mappare l'arena reale
Il terzo controllo sistematico e la mappatura dell'arena competitiva. Nei pitch deck, i fondatori tipicamente mostrano una slide con 4-6 competitor scelti con cura (spesso quelli piu grandi o piu grossolani, proprio per far sembrare la startup meglio posizionata). La realta e quasi sempre diversa: ci sono 20-50 competitor reali, tra cui player indiretti, tool adiacenti, soluzioni in-house e startup early-stage che il fondatore non conosce o non cita.
Un agente AI puo costruire una mappa competitiva piu onesta in modo abbastanza diretto. Partendo dalla descrizione del prodotto e dalla value proposition, genera 5-10 query di ricerca e le lancia su fonti come Crunchbase, Dealroom, Product Hunt, G2, Capterra e Google. I risultati vengono raggruppati, deduplicati e classificati per stage, sede, funding ricevuto, traction pubblica. L'agente produce una mappa con 3 fasce: competitor diretti, competitor indiretti, soluzioni adiacenti.
Per ogni competitor identificato, l'agente estrae: anno fondazione, funding totale, ultimo round, numero dipendenti stimato via LinkedIn, traction pubblica se disponibile. Questi dati finiscono in una tabella che l'investment manager puo scansionare in 2 minuti. Se la startup pitchata risulta posizionata contro 3 unicorni gia affermati e 15 startup early-stage ben finanziate in verticali simili, questo cambia radicalmente la conversazione di valutazione. Se invece risulta che la startup e genuinamente in uno spazio meno affollato, questo e un segnale positivo forte.
Segnali di rischio estratti da founder interview e materiale pubblico
Il quarto controllo riguarda i segnali di rischio estratti dal materiale pubblico sui fondatori. Non si tratta di background check formali (quelli restano a una fase piu avanzata di due diligence), si tratta di segnali morbidi che un umano coglierebbe dopo aver letto 50 articoli e guardato 10 interviste, ma che in pratica non viene fatto perche nessuno ha il tempo.
L'agente AI puo fare tre cose concrete. Primo, raccogliere e sintetizzare tutto il materiale pubblico disponibile su ciascun fondatore: post LinkedIn, interviste su Startupbusiness o Economyup, episodi di podcast, articoli firmati, commenti pubblici su Twitter/X. Secondo, estrarre da questo corpus i temi ricorrenti, i segnali di coerenza o incoerenza tra cio che il fondatore dice in pubblico e cio che mette nel deck, e le eventuali red flag comunicative (tono eccessivamente promozionale, attacchi pubblici a competitor, cambi di narrativa frequenti sulla vision).
Terzo, verificare le esperienze dichiarate nel deck: le aziende in cui il fondatore dice di aver lavorato esistono davvero, i ruoli dichiarati sono coerenti con quelli visibili su LinkedIn e su fonti terze, le exit dichiarate sono verificabili. Questo non sostituisce la reference call, che resta il gold standard, ma evita di arrivare alla reference call con la sensazione che qualcosa non torni e di aver gia investito 3 ore nel deal.
Il tono qui e importante. L'agente non deve "giudicare" il fondatore, deve solo raccogliere segnali e metterli in evidenza. La decisione su come interpretarli resta all'investment manager che fara la call. L'AI come strumento di amplificazione dell'attenzione umana, non come sostituto del giudizio.
Come integrare questi controlli nel tuo processo di investimento senza stravolgerlo
Il successo di un progetto come questo dipende soprattutto dall'integrazione con il processo esistente del fondo. Tre pratiche che funzionano.
Prima pratica: i controlli AI girano automaticamente sui pitch che arrivano via form sul sito e via mail dedicata ([email protected]). Quando un pitch arriva, l'agente lo processa, genera il brief di 1 pagina, crea il record in CRM (tipicamente Affinity, HubSpot o Salesforce), e manda una notifica all'investment manager di turno. Zero doppio lavoro umano. Il flusso entry-level del fondo diventa quasi completamente automatico fino al primo screening umano vero.
Seconda pratica: tutti i pitch ricevuti via network (passaggi da altri fondi, mail dirette di founder noti) seguono un path leggermente diverso. L'investment manager forward il deck all'agente (via mail o dropbox dedicato) e riceve il brief entro 10 minuti. Usa il brief per preparare la prima call. Anche qui, zero duplicazione di lavoro.
Terza pratica: ogni investment manager puo "chiedere" all'agente controlli aggiuntivi in linguaggio naturale. "Sul deal X, fammi una mappa competitiva piu approfondita e verifica se sono davvero pochi player in EU". Oppure "Sul deal Y, verifica che il CAC dichiarato sia plausibile confrontato con benchmark del settore". L'agente diventa un assistente analytical che fa il lavoro meccanico. L'investment manager resta il decisore. Il tempo totale speso su ogni deal scende del 30-50%, ma la qualita del filtro iniziale sale, e i deal davvero promettenti ricevono piu attenzione umana anziche meno.
Implementare un sistema del genere per un fondo VC italiano richiede tipicamente 8-12 settimane di lavoro, con un investimento iniziale tra 30 e 70 mila euro, piu un retainer mensile per manutenzione e iterazioni. La maggior parte del valore emerge nei primi 3-6 mesi di uso, quando l'agente impara le preferenze specifiche del fondo e il team di investimento si abitua ad appoggiarsi ad esso. Se siete un fondo italiano e volete discutere come adattare questo approccio al vostro processo specifico, potete contattarci per un primo incontro senza impegno. Per approfondire come affrontiamo progetti di AI applicati al mondo degli investimenti, trovate utile la nostra pagina sull'AI per private equity e la guida per lanciare un pilota AI in 6 settimane, i cui principi si applicano anche ai fondi di investimento.