クライアント背景

クライアントは、B2B ソフトウェアおよびディープテクノロジー企業に投資するシード期特化のベンチャーキャピタルファームです。10 名未満のチームがアーリーステージ投資のポートフォリオを管理し、年間数百件のインバウンド案件を審査しています。

既存のワークフローは一般的なパターンに沿っていました。ピッチ資料がメールで届き、パートナーが初回レビューを行い、有望な案件がアナリストに割り当てられて詳細なリサーチが実施されます。アナリストはその後、LinkedIn、Crunchbase、Product Hunt、Reddit、求人サイト、業界メディアなどを横断して 1〜2 日かけて手作業で情報を収集し、社内メモを作成していました。

ファームに欠けていたのは判断力やディールフローではなく、パイプライン全体にその判断力を一貫して適用するためのリサーチ帯域でした。

課題

中核的な緊張関係は、ボリュームと深度の間にありました。シード期では企業の公開実績が限られるため、入念な評価には多数のソースからシグナルを組み合わせる必要があります。ファームは 3 つの複合的な制約に直面していました。

リサーチが遅く、分散していた。 1 件の案件を評価するために 10 以上のプラットフォームを横断参照する必要がありました。チーム背景には LinkedIn、プロダクトのトラクションには Product Hunt や Y Combinator、市場センチメントには Reddit や開発者フォーラム、採用シグナルには求人サイト、資金調達の文脈にはニュースメディア。それぞれ別々の検索、異なるインターフェース、手作業での統合が必要でした。アナリスト 1 名が現実的にこなせるのは、週に 2〜3 件の詳細評価が限界でした。

スクリーニングのボトルネックがサイレントロスを生んでいた。 年間数百件のインバウンド案件に対しリサーチキャパシティが限られるため、ファームは積極的な初期フィルターを適用していました。既知の投資テーゼにすぐに合致しない案件は、調査されることなく見送られていました。チームは非自明な機会を逃している可能性を疑っていましたが、それを定量化する手段も、体系的にカバレッジを広げる方法もありませんでした。

このワークフローには既成の AI ツールが不十分だった。 チームは汎用 LLM をリサーチ補助に活用する実験を行っていました。当時利用可能な構成では、ドキュメントの要約や事実に関する質問への回答は可能でしたが、複数の外部プラットフォームにまたがる検索をまとめて自動実行することが難しく、出力も非構造化で、社内プロセスに組み込む前に大幅な再フォーマットが必要でした。不足していたのはインテリジェンスではなく、統合とワークフローの信頼性でした。

Yodo Labs のソリューション

Yodo Labs は 3 フェーズで構成された 6 週間のパイロットエンゲージメントとしてプラットフォームを構築しました。要件定義とシステム設計（第 1〜2 週）、コアパイプラインの開発と統合（第 3〜5 週）、実際のディールフローを用いた本番環境の安定化（第 6 週）です。

システムは 4 つのステージでディールを処理します。各ステージは独立したレイヤーとして設計されており、他に影響を与えることなく個別に更新・拡張が可能です。

1. ピッチ資料の取り込みと構造化抽出

ピッチ資料がアップロードされると、ドキュメント処理パイプラインが主要フィールドを標準化されたディールプロファイルに抽出します。プロダクト説明、ターゲット市場、チーム構成、ビジネスモデル、トラクション指標、競合ポジショニング、資金調達希望額などです。このプロファイルが、すべての下流リサーチの入力仕様となります。

抽出処理は、洗練された投資家向けデッキから最小限の構造しかないシード期の粗いスライドまで、ピッチ資料フォーマットの幅広いバリエーションに対応します。固定テンプレートに依存する代わりに、構造化出力制約を持つ言語モデルを使用して、多様な入力を一貫したスキーマに正規化します。

2. マルチエージェントリサーチパイプライン

ディールプロファイルをトリガーとして、専門化されたエージェントが複数の次元で並列に投資機会を調査する、協調的なリサーチフェーズが開始されます。

市場検証エージェントは、Reddit、開発者フォーラム、ソーシャルメディア、Q&A プラットフォームで、ピッチで主張されているペインポイントに関する実際の議論を検索します。問題が存在するか、人々が現在どのように回避策を講じているか、ソリューションをどれほど切実に求めているかの証拠を探します。出力はセンチメントスコアではなく、直接引用とソースリンクを含む構造化アセスメントです。

競合環境エージェントは、Product Hunt、Y Combinator、Crunchbase、業界メディアをスキャンして直接競合および隣接競合を特定します。発見された各競合について、ポジショニング、価格シグナル、資金調達履歴、評価対象案件との差別化要因を抽出します。

チーム・トラクションエージェントは、LinkedIn プロファイル、求人サイトでの採用活動、ソーシャルメディアでのプレゼンスを調査し、創業チームの関連経験、現在の採用モメンタム、市場へのパブリックエンゲージメントを評価します。

資金調達コンテキストエージェントは、同一セクター・地域における直近の資金調達ラウンドを調査し、同様のステージにある類似企業を特定し、関連する投資家の動向を抽出します。これにより、手作業での検索なしに最新の市場マップがディールレビュアーに提供されます。

各リサーチ次元は、独自の並行性制御と障害処理により独立して実行されます。特定のデータソースが一時的に利用不可の場合、システムは残りのリサーチを完了し、レポート全体をブロックするのではなくギャップをフラグします。

3. 分析・検証レイヤー

異なるデータソースで動作する複数のエージェントからの生のリサーチ出力には、矛盾、冗長性、低確信度の主張が含まれる可能性があります。専用の分析レイヤーが、3 層のエージェントアーキテクチャを通じてこれに対処します。

スカウトエージェント（上述）が生データの収集を担当します。アナリストエージェントがスカウトの出力を受け取り、次元ごとに一貫性のあるアセスメントに統合し、矛盾を解決して証拠が厚い箇所と薄い箇所を明示します。ジャッジエージェントがすべての次元を横断する最終検証パスを実行し、内部一貫性をチェックし、裏付けのない主張にフラグを立て、レポートの各セクションに確信度指標を付与します。

このレイヤードアプローチは意図的なアーキテクチャ上の選択でした。以下のセクションで、よりシンプルな代替案よりもこのパターンを選択した理由を説明します。

4. 構造化レポートと継続的モニタリング

最終出力は、クライアントの既存の投資委員会プロセスに合わせた構造化デューデリジェンスレポートです。各セクションにはアセスメント、根拠となる証拠、ソース引用、確信度指標が含まれます。レポートは Web ベースのインターフェースを通じて配信され、投資チームが案件を共同でレビュー、注釈、議論できます。

ワンタイムレポートに加え、プラットフォームはアクティブパイプラインに入った案件の継続的モニタリングをサポートします。市場シグナル、競合の動き、採用動向の変化が設定可能なスケジュールで追跡され、重要な更新がディールオーナーに通知されます。これにより、ツールはある時点のスナップショットから、ファームのディールフロー全体にわたるリビングインテリジェンスレイヤーへと進化します。

マルチエージェントパイプラインを単一モデルよりも選択した理由

上述のマルチエージェントアーキテクチャの構築に先立ち、Yodo Labs はよりシンプルなアプローチを評価しました。幅広いツールアクセスを持つ単一エージェントが、抽出されたディールプロファイルを受け取り、外部データソースを逐次的に呼び出し、1 パスで統一レポートを生成する方式です。これは構築が速く、保守も容易でした。このユースケースに固有の 3 つの理由から、マルチエージェントパターンを選択しました。

異種データソースには専門化されたアクセスパターンが必要。 システムがクエリする各プラットフォームは、インターフェース、レート制限、認証要件、データフォーマットがそれぞれ異なります。Reddit の検索と LinkedIn プロファイルの参照は本質的に異なる操作です。各データソースを専用エージェントにカプセル化することで、すべてのプラットフォームインタラクションを単一エージェントのツール選択ループにルーティングするのではなく、ソースごとにアクセスロジック、リトライ動作、出力パースを最適化できました。これは推論と行動を結合する ReAct パラダイム [1] と整合しており、単一のジェネラリストではなく専門化されたエージェントのレベルで適用しています。

リサーチ品質は関心の分離から恩恵を受ける。 初期プロトタイピングにおいて、データ収集、知見の統合、一貫性の検証を同時に担う単一エージェントは、焦点を絞った役割で動作する専用エージェントと比較して、出力品質が低下する傾向が見られました。スカウト、アナリスト、ジャッジエージェントに明確な責務を割り当てることで、各エージェントは焦点を絞ったコンテキストウィンドウと明確な目的の中で動作します。特にジャッジエージェントは、シングルパスアーキテクチャには存在し得ない品質ゲートとして機能します。個々のエージェントがその部分的な視野からは検出できない、次元間の矛盾を捕捉します。AutoGen [2] で記述されているマルチエージェント会話パターンが、これらのエージェント間インタラクションの構造化における当社のアプローチに示唆を与えました。

障害の分離がグレースフルデグラデーションを実現する。 単一エージェントアーキテクチャでは、あるデータソースからのタイムアウトやエラーがエージェントの推論ループを停止させ、リサーチプロセス全体を遅延または失敗させる可能性があります。マルチエージェントパターンは自然な障害境界を提供します。Product Hunt エージェントに問題が発生しても、他のソースからの競合リサーチは並列で完了し、レポートはレポートなしではなく明示的なギャップ表記付きで配信されます。パイロット期間中、この特性は重要であることが証明されました。どの日にも少なくとも 1 つの外部ソースで断続的な可用性の問題が発生していましたが、システムは手動介入なしにこれを処理しました。

トレードオフは、単一エージェントアプローチと比較したシステム複雑性とエンドツーエンドレイテンシの増加です。このユースケースでは、信頼性と出力品質の向上がそのコストを正当化しました。完全なディールリサーチパイプラインの実行時間は約 10〜15 分であり、以前は丸 1 営業日を要していたワークフローに対して十分に許容可能な範囲です。

成果

プラットフォームは 6 週間のパイロット終了時に、クライアントのパイプラインからの実際のディールフローを処理する稼働システムとして納品されました。

• リサーチ時間の圧縮： 案件あたり約 8 アナリスト時間を要していた初期スクリーニングリサーチが、15 分未満の自動処理と構造化レポートの簡潔なアナリストレビューに短縮されました。
• ディールカバレッジの拡大： 同じチームで、パイロット期間中に過去のペースと比較して約 3 倍のディールを意味のある深度で評価しました。
• 非自明な案件の発掘： 初期スクリーニング段階で見送られるはずだった 3 件の案件（馴染みのない市場や非標準的なピッチフォーマットによる）が、システムの市場検証エージェントによって強い潜在需要シグナルがあるとフラグされ、深掘り評価に進みました。
• アナリスト役割の高度化： アナリストは反復的な検索・要約タスクに費やす時間が減少し、創業者との対話、リファレンスコール、戦略的評価など、人間の判断力が最も活きる業務に多くの時間を充てられるようになりました。
• 本番運用への移行： パイロット終了後、クライアントはエンゲージメントを継続的な本番運用契約に移行しました。プラットフォームは現在、標準的なディールレビュープロセスに統合されています。

References

1. Yao, S. et al., ReAct: Synergizing Reasoning and Acting in Language Models. Princeton / Google Research. arxiv.org/abs/2210.03629

2. Wu, Q. et al., AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. Microsoft Research. arxiv.org/abs/2308.08155