Polski rynek venture capital zmienił się w ciągu ostatnich dwóch lat bardziej, niż większość inwestorów chce przyznać. Tickety stają się większe, runda zamykają się szybciej, a fundusze, które jeszcze trzy lata temu spokojnie prowadziły due diligence przez miesiąc, dziś tracą najlepsze deale na rzecz konkurencji, która zamknęła analizę w tydzień.
Wbrew obiegowej opinii nie chodzi o tempo dla samego tempa. Chodzi o coś znacznie poważniejszego: o jakość analizy w warunkach, w których czas przestał być zasobem, którym można dowolnie dysponować. A jednocześnie liczba branż, technologii i modeli biznesowych, w jakie polskie fundusze inwestują, rośnie szybciej niż kompetencje analityków, których zatrudniają.
Ten artykuł nie jest manifestem przeciw klasycznemu due diligence. Klasyczne DD nadal ma sens - w określonych warunkach, dla określonych funduszy, w określonych transakcjach. Ten artykuł jest opisem realnego zlecenia, które otrzymałem jako ekspert od wdrożeń AI, oraz lekcjami, które wyciągnąłem z prowadzenia analizy inwestycyjnej dla funduszu VC z wykorzystaniem sztucznej inteligencji jako warstwy wspierającej zespół.
Pokazuję, jak to wygląda od środka. Co AI zrobiło lepiej niż klasyczny analityk. Czego nie zrobiło. I co znaleźliśmy w jednej z analizowanych spółek - czego klasyczne DD najprawdopodobniej by nie wykryło.
Skąd wzięło się zlecenie - fundusz, który chciał inwestować szerzej niż umie
Fundusz, który zgłosił się ze zleceniem, to polski VC operujący w segmencie ticketów od seed do serii A. Klasyczna struktura: zespół inwestycyjny z głębokim doświadczeniem branżowym, ale wąsko wyspecjalizowany. W tym przypadku - fintech. Lata pracy w tym obszarze, sieć kontaktów, zrozumienie regulacji, intuicja co do tego, które modele biznesowe się skalują, a które są ślepą uliczką.
Problem zaczął się w momencie, w którym fundusz podjął strategiczną decyzję o rozszerzeniu spectrum inwestycyjnego. Healthtech, B2B SaaS w nietypowych niszach, deeptech, automatyzacja procesów biznesowych w branżach, w których nikt z zespołu wcześniej nie pracował. Decyzja sensowna z perspektywy alokacji kapitału. Bardzo trudna z perspektywy operacyjnej.
W rozmowie wstępnej padło zdanie, które zostało mi w pamięci: „Nie potrzebujemy głównego analityka. Potrzebujemy trzeciego oka.". Zespół funduszu wiedział, że nie zastąpi własnego osądu inwestycyjnego żadnym narzędziem. Wiedział też, że jego osąd w nowych branżach nie ma jeszcze ugruntowania. Potrzebował dodatkowej warstwy analizy - neutralnej, szerokiej, niezawężonej do fintechowej perspektywy, w której zespół miał dotąd przewagę.
Zlecenie brzmiało: przygotować proces due diligence wspartego AI dla kilku spółek z różnych branż, w trybie pre-investment, jako uzupełnienie klasycznej analizy zespołu inwestycyjnego. Cel - nie skrócenie czasu DD do absurdu, ale rozszerzenie zakresu analizy bez konieczności zatrudniania ekspertów branżowych do każdej transakcji.
Trzy obszary, w których AI realnie pracowało jako trzecie oko
Wbrew temu, co sugerują nagłówki o rewolucji AI w inwestycjach, sztuczna inteligencja w due diligence nie polega na tym, że model „decyduje", w co fundusz powinien zainwestować. Polega na tym, że pewne warstwy analizy, które klasyczny analityk wykonuje wolno, niepełnie albo wcale, dają się przeprowadzić w trybie, który zmienia poziom kompletności decyzji.
W zleceniu, o którym piszę, AI realnie pracowało w trzech obszarach.
Analiza biznesu - odróżnienie modelu od narracji
Każdy founder przychodzący do funduszu po kapitał ma przygotowaną historię. To nie jest nic złego - to nawet pożądane, bo umiejętność opowiadania o swoim biznesie jest jedną z kompetencji, których inwestor szuka. Problem zaczyna się wtedy, gdy historia zaczyna zastępować model biznesowy zamiast go opisywać.
W klasycznym DD weryfikacja modelu biznesowego polega na rozmowach z founderem, analizie wskaźników, czytaniu pitch decku i porównywaniu go z rzeczywistymi danymi finansowymi. Trwa to dni, czasem tygodnie, a wynik zależy od tego, ile czasu analityk fizycznie poświęci na siedzenie w danych.
Z AI ten proces wygląda inaczej. Wczytuję pełną dokumentację spółki - pitch deck, financials, prognozy, kontrakty, raporty miesięczne, ankiety klienckie jeśli są dostępne - i proszę model o rekonstrukcję modelu biznesowego wyłącznie na podstawie danych, ignorując narrację foundera. Następnie porównuję wynik z tym, co founder mówi o swojej firmie.
W jednej z analizowanych spółek różnica między narracją a rzeczywistością okazała się znaczna. Founder przedstawiał spółkę jako produktową, skalującą się przez SaaS-owe subskrypcje. Model finansowy odtworzony przez AI z umów i faktur pokazał coś innego: 70% przychodów pochodziło z customizacji i wdrożeń, które wymagały intensywnej pracy zespołu. To nie była spółka produktowa. To była spółka usługowa udająca produktową - co radykalnie zmienia wycenę i ryzyko inwestycji.
Analiza marzeń sprzedawanych przez pomysłodawców
Drugi obszar to weryfikacja prognoz. Każdy pitch deck zawiera wykres hokejowy. Każdy founder uzasadnia go w sposób, który dla człowieka z branżowym kontekstem brzmi przekonująco, a dla człowieka spoza branży brzmi niesprawdzalnie.
AI w tym kontekście pełni rolę brutalnego komparatora. Wczytuję prognozy spółki i proszę o porównanie z benchmarkami sektorowymi z publicznie dostępnych źródeł: tempa wzrostu spółek na podobnym etapie w tej samej niszy, średnich CAC i LTV, typowych krzywych skalowania. Następnie proszę o ocenę, które założenia prognoz są realistyczne, a które wymagają cudu.
To nie jest analiza, której nie da się zrobić ręcznie. To jest analiza, której nikt ręcznie nie robi, bo zbieranie benchmarków z dziesięciu źródeł, ich agregacja i porównanie z prognozami spółki zajmuje analitykowi tydzień. AI robi to w godzinę i pokazuje wyraźne sygnały: w której części prognozy founder po prostu skopiował życzenia rynku, a w której opiera się na realnej trakcji.
Dla funduszu, który wszedł w obszar poza swoim głównym sektorem, to było szczególnie cenne. Bez branżowych benchmarków w głowie zespół inwestycyjny nie wiedziałby, że prognoza wzrostu 300% rocznie w danej niszy jest niemożliwa do osiągnięcia w żadnej spółce w historii tej niszy. Z AI to było widać po dziesięciu minutach.
Weryfikacja konkurencji rynkowej
Trzeci obszar to mapowanie konkurencji. W klasycznym DD analityk pyta foundera o konkurencję, founder wymienia trzy-cztery podmioty, analityk je sprawdza i kończy temat. To wystarcza w branżach, w których zespół funduszu zna rynek. Nie wystarcza w branżach, w których nie zna.
Z AI mapowanie konkurencji jest znacznie głębsze. Wrzucam opis produktu spółki i proszę model o wskazanie wszystkich podmiotów, które oferują substytut lub komplement - globalnie, nie tylko lokalnie. Następnie weryfikuję każdego z nich z publicznych źródeł: stronę produktową, model cenowy, etap rozwoju, historię finansowania, zatrudnienie, niedawne ruchy strategiczne.
Wynik tego procesu w jednym z DD okazał się szczególnie zaskakujący. Founder wymienił trzy podmioty konkurencyjne, wszystkie w Polsce. AI zidentyfikowało jedenaście, z których trzy były globalne i agresywnie wchodziły na rynek europejski w segmencie, w który spółka chciała się skalować. Decyzja inwestycyjna nie polegała na tym, że konkurencja była problemem - polegała na tym, że founder albo nie wiedział o tej konkurencji, albo świadomie ją przemilczał. Każda z tych odpowiedzi miała dla funduszu inną wagę.
Co konkretnie znaleźliśmy - case study, którego klasyczne DD by nie wychwyciło
Najmocniejszy moment całego zlecenia dotyczył jednej ze spółek technologicznych analizowanych w ramach procesu. Spółka wyglądała atrakcyjnie z perspektywy finansowej: stabilne przychody rosnące rok do roku, dodatni wynik, zespół rozwijający się w przewidywalnym tempie, technologiczny CTO traktowany przez foundera jak filar organizacji.
W klasycznym DD ten obraz wystarczyłby do przejścia do kolejnych etapów. Liczby się zgadzały. Założenia były spójne. Rekomendacje z rynku - pozytywne.
W procesie z AI postanowiłem przeanalizować coś, co rzadko trafia do due diligence: stosunek wycen ofertowych do realnych roboczogodzin przepracowanych przy każdym projekcie. Spółka działała w modelu, w którym sprzedawała projekty z wyceną stałą - klasyczny model project-based dla software house'u. Wczytałem do analizy faktury, umowy, ewidencję czasu pracy zespołu z systemu projektowego oraz korespondencję z klientami w sprawach rozliczeń.
Wynik był spójny - i niepokojący. Wzorzec powtarzał się w każdym projekcie z ostatnich osiemnastu miesięcy.
Scenariusz pierwszy: spółka wyceniała projekt, w trakcie realizacji okazywało się, że zakres został niedoszacowany, klient nie zgadzał się na zwiększenie budżetu, a spółka dodawała godziny pracy zespołu nieujęte w wycenie, żeby projekt zakończyć. Marża schodziła do zera albo poniżej. Klient kończył projekt formalnie zadowolony, ale spółka traciła kapitał.
Scenariusz drugi: w sytuacjach, w których spółka dopisywała klientowi dodatkowe godziny do faktury w trakcie realizacji, średnie przekroczenie wynosiło około 30% wyceny pierwotnej. Klient płacił, ale nie wracał z kolejnymi zleceniami. Historia kontraktów pokazywała, że spółka miała wysoki wskaźnik pozyskania klienta i niski wskaźnik powtarzalności współpracy.
Te dwa scenariusze, ujawnione razem, dawały obraz, którego klasyczne DD nie wyciągnęłoby z dokumentów finansowych. Spółka technicznie wychodziła na plus. Strukturalnie była w sytuacji, w której każdy nowy projekt był loterią: albo zjadał marżę, albo zjadał relację z klientem. Skalowanie tej spółki bez gruntownej zmiany procesu wyceny i zarządzania zakresem oznaczałoby dokładnie taką samą utratę marży lub klientów, tylko w większej skali.
Drugim wątkiem, który ujawnił się w analizie, była dominacja CTO. W mailach, w decyzjach o zakresie projektów, w korespondencji z klientami, w wewnętrznych dyskusjach o wycenach. CTO był de facto operacyjnym CEO spółki, a formalny founder pełnił rolę handlowca. Z perspektywy inwestycyjnej oznaczało to ryzyko jednoosobowej zależności: odejście CTO oznaczałoby kryzys, którego spółka mogłaby nie przetrwać.
Fundusz na podstawie tych ustaleń nie odrzucił inwestycji - ale renegocjował warunki, wprowadził strukturalne wymagania dotyczące zmiany procesu wycen i zażądał klauzul zabezpieczających przed odejściem CTO. To była decyzja, na którą bez warstwy analizy AI fundusz po prostu nie miałby danych.
Trzy ograniczenia AI w due diligence, o których trzeba mówić wprost
Nie chcę pisać tego artykułu w tonie ewangelizacji. AI nie zastąpiło zespołu funduszu - i nie miało zastąpić. Trzy obszary, w których wsparcie AI okazało się niewystarczające, są dla mnie równie istotne jak te, w których się sprawdziło.
Co więcej, w trakcie zlecenia pojawiły się trzy ryzyka operacyjne, o których powinien wiedzieć każdy fundusz rozważający wprowadzenie AI do swojego procesu inwestycyjnego.
Poufność danych. Pre-investment DD oznacza dostęp do danych objętych umowami NDA - financials spółki, kontrakty, wewnętrzne strategie, dane klienckie. Wprowadzenie tych danych do publicznych modeli AI bez właściwej konfiguracji to nie tylko naruszenie NDA, ale potencjalny problem regulacyjny. W zleceniu, o którym piszę, cały proces analityczny był prowadzony w środowisku spełniającym wymogi poufności - z modelami w trybie zero retention, bez logowania danych do procesu trenowania, z umową przetwarzania danych podpisaną pomiędzy mną a funduszem.
Halucynacje. Modele językowe potrafią generować analizy, które brzmią profesjonalnie i są jednocześnie nieprawdziwe. W kontekście DD, w którym decyzja inwestycyjna może oznaczać kilka milionów złotych, każda wygenerowana przez AI teza wymaga niezależnej weryfikacji w źródłach pierwotnych. To nie jest narzędzie, które zwalnia analityka z myślenia. To jest narzędzie, które przyspiesza fazę zbierania hipotez. Faza weryfikacji pozostaje człowiecza.
Iluzja kompletności. Najbardziej podstępne ryzyko. AI generuje raporty wyglądające na wyczerpujące - i właśnie ta wyczerpujący wygląd potrafi uśpić czujność. W rzeczywistości każda analiza wspartego AI DD jest tak dobra, jak dane, na których pracuje. Spółka, która ukryje przed funduszem część dokumentów, ukryje je tak samo skutecznie przed AI. Trzeba zadawać sobie pytanie: czego nie ma w dokumentach, które dostałem? - i to pytanie nadal zadaje człowiek, nie model.
Trzy obszary, w których AI w DD nie wystarczyło
Po pierwsze, ocena foundera jako człowieka. Żaden model językowy nie powie funduszowi, czy ten konkretny człowiek jest zdolny do prowadzenia spółki przez kolejne trzy lata, czy poradzi sobie z presją, czy nie złamie się przy pierwszym kryzysie. To pozostaje domeną rozmów, intuicji, rekomendacji od osób, które founder znają od lat. AI może wskazać niespójności w CV, weryfikować historię wcześniejszych projektów, sygnalizować podejrzane wzorce w komunikacji. Nie zastąpi godziny rozmowy w cztery oczy.
Po drugie, lokalny kontekst rynkowy, którego nie ma w publicznych danych. AI nie wie, że konkretny duży klient właśnie szykuje przetarg, w którym spółka mogłaby wystartować. Nie wie, że na rynku krąży plotka o kłopotach jednego z konkurentów. Nie wie, że regulator szykuje zmianę przepisów, która zmieni układ sił w branży. Te informacje pochodzą z sieci kontaktów, a sieć kontaktów to kompetencja zespołu funduszu, nie modelu.
Po trzecie, decyzja inwestycyjna sama w sobie. AI w due diligence to analiza, nie wybór. Wybór, w co zainwestować, pozostaje funkcją apetytu na ryzyko, strategii portfela, alokacji kapitału i osądu inwestycyjnego, którego nie da się zalgorytmizować. AI tę decyzję lepiej przygotowuje. Nie podejmuje.
Co z tego wynika dla polskich funduszy w 2026
Wracam do tezy, która stoi w tytule tego artykułu. Klasyczne due diligence w 2026 roku to luksus, na który polskie fundusze nie mogą sobie pozwolić. Nie dlatego, że jest złe. Dlatego, że jego koszt operacyjny i czasowy jest niezgodny z tempem rynku, na którym konkurują.
Fundusz, który robi DD trzy tygodnie, dziś przegrywa z funduszem, który robi je tydzień przy porównywalnej jakości. Fundusz, który specjalizuje się wąsko branżowo, dziś przegrywa z funduszem, który ma szerszą perspektywę dzięki warstwie analitycznej. Fundusz, który polega wyłącznie na zespole inwestycyjnym, dziś przegrywa z funduszem, który ten zespół wspiera narzędziami pozwalającymi na analizę wykraczającą poza fizyczne możliwości człowieka w określonym czasie.
Trzy rzeczy, które bym dziś wprowadził, gdybym był decydentem w polskim funduszu VC i jeszcze nie miał AI w procesie due diligence.
Po pierwsze, wdrożyłbym analizę modelu biznesowego z dokumentów spółki przed pierwszą rozmową z founderem. To zmienia dynamikę rozmowy: zespół przychodzi z pytaniami, które wynikają z danych, a nie z prezentacji.
Po drugie, wprowadziłbym systematyczne mapowanie konkurencji w skali szerszej niż polski rynek. Większość polskich funduszy ma to opanowane w swojej głównej niszy. Większość ma to słabo opanowane w niszach, w które wchodzi okazjonalnie.
Po trzecie, wprowadziłbym regularną analizę „trzeciego oka" - niezależnej warstwy analitycznej dla każdej transakcji, niezależnie od tego, jak dobrze zespół zna branżę. Pewność branżowa to największy wróg dobrego DD, bo prowadzi do filtrowania danych przez znane wzorce zamiast szukania anomalii.
Luksus klasycznego DD polegał na tym, że fundusz mógł sobie pozwolić na to, żeby na każdą transakcję poświęcić czas zespołu w wymiarze, który dziś jest niemożliwy. Świat, w którym fundusze konkurowały o deale w trzytygodniowym tempie, się skończył. Świat, w którym wystarczy znać dobrze jedną branżę, kończy się właśnie teraz.
Pozostaje pytanie, które każdy partner zarządzający funduszem VC powinien sobie dziś zadać uczciwie:
Czy mój fundusz jest w stanie konkurować z funduszami, które do każdej transakcji wchodzą z trzecim okiem AI - czy nadal liczy na to, że klasyczne DD wystarczy?
W świecie złożonych decyzji technologicznych, pomagam układać właściwe puzzle.
