本文档属于类型a，即报告了一项单一原创研究。以下是对该研究的学术报告：
本研究由Umberto Ronco和Roberto Barontini共同完成，两人均来自Sant’Anna School of Advanced Studies。该研究发表于Sant’Anna School of Advanced Studies, Institute of Management Paper Series的2025年冬季刊。
本研究的主要科学领域是风险投资（Venture Capital, VC）与人工智能（Artificial Intelligence, AI）的交叉领域。随着AI在金融服务中的广泛应用，其在VC公司内部的应用却鲜有研究，尤其是在业务运营中的应用。因此，本研究旨在探索AI在VC公司中的采用情况及其感知影响，特别是AI在VC运营中的应用及其对长期效益的影响。
本研究的主要目标包括：1）了解VC公司是否在其内部运营中采用AI工具；2）探讨这些技术的使用情况，扩展现有文献；3）通过定量数据分析，识别导致AI采用的因素，并评估AI是否影响VC基金的效率。
本研究分为以下几个步骤：
问卷设计与数据收集
研究设计了一份问卷，发送给458位欧洲风险投资家，最终收到31份有效回复，回复率为6.8%。问卷包含八个部分，涵盖基金基本信息、投资阶段、投资领域、AI使用情况、AI对运营效率的影响等内容。
数据整合
由于问卷仅包含内部信息，研究还整合了公开数据，如VC员工的学术和专业背景，特别是ICT（信息与通信技术）背景。这些数据用于分析AI采用的预测因素。
定性分析
研究首先对问卷数据进行了定性分析，探讨了投资阶段、投资领域、投资地域分布等。结果显示，大多数VC公司集中在种子期和A轮投资，AI技术是VC公司最常投资的领域之一。
AI采用情况分析
定性分析显示，71%的受访者目前使用AI工具，其中自然语言处理（Natural Language Processing, NLP）和生成式AI（Generative AI）是最常用的AI技术。大多数公司在2022年或之后开始采用AI。
AI在VC运营中的应用
研究进一步分析了AI在VC运营中的具体应用阶段。结果显示，AI最常用于筛选（Screening）阶段，其次是尽职调查（Due Diligence）、内部组织和数据分析。
AI对运营效率的影响
研究通过问卷探讨了AI对VC运营效率的影响，特别是对尽职调查时间和年度投资数量的影响。结果显示，76%的AI采用者认为AI有助于缩短尽职调查时间，35%的受访者认为AI增加了年度投资数量。
定量分析
研究使用逻辑回归（Logistic Regression）、Probit模型、朴素贝叶斯（Naive Bayes）和K近邻（K-Nearest Neighbors, KNN）等方法，分析了AI采用的预测因素。结果显示，员工的ICT背景是AI采用的重要预测因素。
AI对VC运营的定量影响
研究通过线性回归模型，分析了AI采用对尽职调查时间和年度投资数量的影响。结果显示，AI采用者对年度投资数量的增加有显著影响，但对尽职调查时间的影响不显著。
AI采用率显著上升
71%的受访者表示已采用AI工具，尤其是2022年后，AI采用率大幅上升。
AI在筛选阶段应用最广泛
86%的AI采用者在筛选阶段使用AI，其次是尽职调查（73%）、内部组织（68%）和数据分析（64%）。
ICT背景是AI采用的重要预测因素
统计分析显示，拥有ICT背景的员工比例越高，VC公司采用AI的可能性越大。
AI对运营效率的影响
定性数据显示，AI有助于缩短尽职调查时间并增加年度投资数量，但定量分析仅显示AI对年度投资数量的显著影响。
本研究填补了AI在VC运营中应用的文献空白，证实了AI在VC公司中的采用率显著上升，尤其是在筛选阶段的应用最为广泛。此外，员工的ICT背景是AI采用的重要预测因素。尽管AI对VC运营效率的长期影响尚不明确，但其在缩短尽职调查时间和增加投资数量方面的潜力已初步显现。
填补文献空白
本研究首次系统地探讨了AI在VC公司内部运营中的应用及其影响。
多方法结合
研究结合了定性和定量分析方法，全面评估了AI的采用及其对VC运营的影响。
实证数据支持
研究基于欧洲VC公司的实证数据，提供了AI在VC领域应用的现实证据。
本研究的科学价值在于揭示了AI在VC运营中的应用现状及其潜在影响，为未来研究提供了基础。其应用价值在于为VC公司提供了AI应用的参考，帮助其优化运营流程，提高投资效率。
研究还指出了数据收集的局限性，如样本量较小和潜在的自我选择偏差，这为未来研究提供了改进方向。此外，研究建议未来研究应开发更高效的数据收集方法，并进一步探索AI在VC运营中的长期影响。