アナリストゼロのVCは成功するのか？DVC が挑むAI × ネットワーク戦略
近年、金融業界、特にベンチャーキャピタル（VC）領域におけるAI利活用の議論が熱を帯びている。その中でも、アナリスト（評価担当者）を一掃し、AIエージェントとネットワーク（LP・外部専門家網）によって案件評価、デューデリジェンス、モニタリングを自動化・代替しようという挑戦が注目を浴びている。最近話題となったDavidovs Venture Collective（DVC） の発表は、その極端なアプローチの象徴と言える。
1. DVCによるアナリスト排除の実践例
1-1. DVCの革新的戦略
米国サンフランシスコ拠点の VC、Davidovs Venture Collective（DVC） は、最近5人いたアナリストを全員解雇し、AIエージェントと170名以上の限定パートナー（LP：技術者、創業者、研究者など）から構成されるネットワークを活用して VC 業務を回すと発表した。
具体的には、以下のような役割分担で運営するという：
LPネットワークが案件発掘（Deal Sourcing）や創業者紹介を担う
AIエージェント（ツール）は、提案書のドラフト、SWOT 分析、リスク指摘、モニタリングの一部を補助
LPが創業者サポート（採用、営業、技術、ネットワーキング支援など）を行い、それに対してキャリー（成功報酬）を受け取る
各投資案件のキャリー配分は、30〜40％がLP ネットワーク、30〜40％がパートナー、残りを共同創業者にというモデルも採用される見込みとされている。
このような構造では、アナリストを置かない代替として、AI+ネットワーク参加者の協働というハイブリッドな戦略を採る点が特徴的だ。
1-2. 意図と背景：効率化・スケール化への志向
なぜDVCはこうした大胆な構えを取るのだろうか。その背景には、以下のような考え方があると推測できる：
コスト最適化／スピード改善
従来、アナリストが担っていたデューデリジェンスや資料レビュー、初期スクリーニングといった定型的業務は、AIによって自動化が可能という判断。これによって時間短縮とコスト削減を同時に狙う。スケーリングの必要性
投資対象の数が増える中、人的リソースだけでは追いきれない。AI を使えば、広く浅くスクリーニングできる上、異なるテーマ・地域をまたがる案件も扱いやすくなる。知識ネットワークの外部化
LP ネットワークを投資判断・支援機構の一部として巻き込むことで、内部人材依存を軽減し、外部知見を柔軟に活用するモデルを目指す。
ただし、DVC自体も「創業者の心情・相性・リーダーシップ・創業者の直感的判断」など、人間性・主観性を完全には、AIが代替できない点を認めており、「AIには限界がある」旨を否定していない。
2. AI活用によるVC業務の改革可能性
DVCの事例だけではない。業界全体で、AIがVC業務を強化・変革しうる余地は多く存在する。
2-1. 案件発掘（Deal Sourcing）の自動化
多くのVCが、「良いスタートアップをいち早くキャッチする」ことに苦心している。従来は人的ネットワーク中心だが、最近では、AIを使って企業情報、特許データ、求人情報、メディア言及、ソーシャルデータ、CI（企業情報）などを横断的にスキャンし、有望なスタートアップを浮かび上がらせる試みが増えている。
例えば、ある VCが社内実験として、LinkedIn、Crunchbase、求人板、プレスリリースなどから数千社をAIにスクリーニングさせ、そこから有望リストを抽出するフローを構築した例が報告されている。
このような “ファーストパスAIフィルタリング” により、人的リソースはより高度な判断／対話／ネットワーク構築に集中できるようになる。
2-2. デューデリジェンス（精査）支援と強化
AIは、膨大な定量・非定量データを高速かつ体系的に分析できる。過去の業績、類似企業の指標、公的データ、契約書、特許、技術文献、業界報告書などを統合してリスク指摘を出すことが可能となる。
実際、CFA Instituteの記事では、複数のAIモデルが人間のアナリストと対抗して、SWOT分析を行ったところ、AIのほうが抜け漏れを少なく指摘できたケースもあったという報告もある。
また、最近の研究「Automating Venture Capital: Founder assessment using LLM-powered segmentation …」では、創業者特性や起業家歴、テキストデータ（創業者の発言、チーム紹介文など）をLLMによって特徴化し、スタートアップ成功確率と紐づけ予測を試みた成果も報告されている。
ただし、AIが提示する分析意見は「説明可能性」「バイアス」「データの網羅性／鮮度」などの制約を抱えるため、人間のレビュー・補正は不可欠だ。
2-3. ポートフォリオモニタリングと支援
投資後のモニタリングや支援業務（KPI 追跡、異変検知、提案支援、アドバイザリー紹介など）にもAIの力は及び得る。例えば、企業の成長ペースや異常変動をスコア化、自動アラートを出す、外部データ（業界指標、競合動向など）と統合して経営支援案を提示する、といった機能を持たせることが可能である。
このように、VC業務の「探索 → 精査 → 監視支援」フェーズ全体にAIを組み込むことで、効率性と精度を高める可能性がある。
3. アナリスト排除モデルの限界とリスク
ただし、AI中心運営・アナリスト排除モデルには重大なリスクと限界も存在する。
3-1. 人間的判断・非定量情報の取りこぼし
創業者の情熱、信念、チームのケミストリー、説得力、直感的判断など、数値化しにくい「人間性／感性」は、AIにとって最も克服が難しい領域だ。AIは、過去データや類似ケースに基づく推論は得意だが、「この創業者は今後困難を乗り越える粘り強さを持つか？」のような問いには限界がある。
DVCもこの点を認めており、「創業者メンタル状態や質感の評価は、AIだけでは難しい」と発言している。
3-2. バイアス・データ歪み・フェアネス問題
AIモデルは、トレーニングデータにおける偏り（例：過去に投資された企業、地域偏重、性別・人種バイアスなど）を継承・増幅する危険性を持つ。また、データ取得できない情報（非公開データ、創業者のプライベート事情など）は、AIの目の外にある。
さらに、AIが提示する「ブラックボックス」判断には説明責任問題もある。投資判断の根拠を説明できないと、投資家やLPへの説明責任を果たせないリスクがある。
3-3. 過度の過信・システム障害リスク
AIシステムの誤動作、モデル劣化、データ不整合、サイバー攻撃など、技術的トラブルは常に起こり得る。当該モデルを過度に信用しすぎると、システム障害が組織全体をリスクにさらす。
また、すべてを自動化すれば、組織として「人材育成」「ノウハウ蓄積」の機会を失う恐れもある。
4. 実現に向けた技術・組織条件
アナリスト排除・AI 中核型 VC を成立させるには、単にAIを導入するだけでは不十分で、技術設計・組織設計・ガバナンス設計が不可欠である。
4-1. モジュール設計 vs エンド対話設計
VC業務をAIに任せる際、「モジュール化設計（案件発掘モジュール、評価モジュール、モニタリングモジュールなどを個別設計）」と、「エンドツーエンド設計（データ入力から意思決定まで一気通貫）」のどちらを採るかという選択がある。モジュール型は調整性が高いが部分最適に陥る危険もあり、エンド型は流動性が高い反面ブラックボックス化が進みやすい。実運用にはハイブリッド設計も現実解となろう。
4-2. フィードバック・ヒューマンループ設計
AIモデルは必ず「人間のレビュー・修正フィードバック」を伴うループ構造を持つべきだ。特に、創業者面談やリーガルチェック、業界動向確認といった判断部分には人間が介在する段階を残し、AI出力を鵜呑みにしない仕組みが必須である。
4-3. 説明性・透明性・倫理設計
投資判断根拠の説明性 (Explainable AI) を備えること、バイアス制御と公平性 (Fairness) をモニタリングする体制を持つこと、モデルの定期検証・更新を行うこと──こうしたガバナンス設計が組織信頼性を支える要件となる。
4-4. ネットワーク設計と報酬スキーム
DVCのように、LPネットワークを評価・支援参加者として巻き込むモデルは、単なる外注ではなく「協働者」として関与させる報酬設計（キャリー配分、資源アクセス許可、意思決定参加権など）が鍵となる。これにより、外部知見を投資運営に統合できる構造が可能になる。
5. 将来展望と示唆
5-1. VC業界全体への波及可能性
DVCのような先鋭的例は極端だが、より現実的な「アナリスト削減／役割転換」や「AI補助強化型VC」は今後広がる可能性が高い。実際、VCにおける情報非効率性が縮小し、ほとんどのVCが似たデータにアクセスできるようになると、差別化は識見・支援力・コミュニティ力にシフトすると言われており、VC3.0という概念も提唱されている。
また、AI化が進むと、スタートアップ側にも「デジタルな足跡・公開情報整備」がより重要になる。つまり、創業者・企業が自らの情報を開示・発信する戦略も投資判断に影響を与える時代が来るだろう。
5-2. 均衡模型／専門 VC の役割強化
一方で、すべてを AI任せにすることはリスクも大きいため、ハイブリッド運営や専門性強化型VC（特定領域に深い知見を有するVC）が生き残る力を持つだろう。例えば、バイオ、深層 AI、量子技術などでは、専門知見と経験の積み重ねが重要であり、単なるデータ駆動型判断を超えた判断力が求められる。
また、AIモデルを内製する能力を持つVC（AI + 投資ノウハウを統合できる組織）が競争優位を持つ可能性がある。
5-3. 倫理・法規制・説明責任の重視
AIを使った投資判断が拡大すれば、説明責任、責任帰属、誤判断補償、透明性確保などの制度設計も強く求められる。たとえば、AIが誤った判断を下し損失を出した場合、誰が責任を取るのか、モデルの検証責任は誰にあるのかなどの法制度整備が不可避となる。
また、AIが扱うデータ（創業者情報、企業データ、予測モデル）のプライバシー・セキュリティリスクにも注意が必要である。
結語
DVCが提示した「アナリストゼロ、AI＋ネットワーク型VC」は、一種の実験かつ先鋭的挑戦であり、全てのVCにそのまま適用できる万能モデルではない。しかし、この動きはVC業務の変革可能性を切り拓く象徴ともなり得る。
AIがVCにおける「スクリーニング・精査・モニタリング」というバックオフィス機能を効率化し、人間は「判断・関係構築・支援ネットワーク」へとフォーカスを移す方向性は、将来のスタンダードになり得る。だが、その道を進むには、説明性、フェアネス、ヒューマンループ設計、技術・組織統合能力といった要件が不可欠である。
投資家、創業者、技術者、それぞれの立場からこの潮流を注視し、適切な形式を選び取ることが、次代のベンチャー・エコシステムにおける勝負になるだろう。
