AI.nhorn ist ein KI-gestütztes Startup-Investment-Screening-Tool, das einen europäischen AI-Fonds dabei unterstützt, aus ~22.000 Startup-Datensätzen in Airtable die vielversprechendsten Investmentkandidaten zu identifizieren.
Das System arbeitet in drei Stufen: Ein Regex-basierter Pre-Score bewertet alle Startups sofort über 14 Dimensionen. Danach verfeinert ein 8-Faktor Final Score (Unit Economics, Data, Social Signals, VC-/PE-Perspektive, Holistic LLM, Cross-Validation, Completeness) die besten Kandidaten progressiv. Auf Klick liefert eine Deep Analysis mit Web-Recherche, Meeting-Notizen und vollständiger KI-Bewertung das finale Urteil. Unit Economics (Burn Multiple, NDR, LTV/CAC, Rule of 40) sind ein Kernfokus der aktuellen Matrix v19.
~22.000
Records in Airtable
Bis 50.000 paginiert ladbar (500 Seiten × 100)
▼
~8.000–15.000
Nach Auto-Filtern
"no fit", "rejected", "acquired", "insolvency" automatisch ausgeschlossen + User-Filter
▼
Alle gescored
14-Dimensionen Pre-Score (Regex)
Gewichteter Durchschnitt über 14 Dimensionen, sortiert
▼
Top 10
Web + LLM Enrichment
Web-Recherche, Semantic LLM Scoring, Entity Resolution
▼
1
Deep Analysis on-demand
Alle Quellen + Fireflies + vollständiges Fazit
ELI5 — Kurz erklärt
Stell dir vor, du hast 22.000 Bewerbungen auf dem Tisch. AI.nhorn sortiert sofort alle vor, prüft die Top-10 gründlich, und erstellt für deinen Favoriten ein komplettes Dossier — mit Begründung und Warnsignalen.
Die gesamte Plattform im Überblick — von der Datenquelle bis zum Output:
📊
Airtable
~22K Records
80+ Felder
Auto-Mapping
🌐
Web Search
DDG + Brave
Page Scraping
Entity Resolution
🧠
Multi-LLM
Pollinations → Gemini
→ OpenRouter → HF
→ Heuristik
🎙️
Fireflies
GraphQL API
Meeting-Transkripte
Nur Deep Analysis
▼ ▼ ▼ ▼
⚙️
Scoring Engine
14 Score-Dims + 10 Kontext · 8-Faktor Final Score · Unit Economics · Freshness Decay · Cross-Validation · Confidence Band · Fazit-Engine mit K.O.-Kriterien
🔌
12 API Routes
Serverless (Vercel Pro)
240s Budget (max 300s)
Rate Limiting
▼ ▼
📋
Score + Fazit
0–100 Score
Verdikt (Top/Potenzial/Kein Fit)
Reasoning pro Dimension
📤
Export & Writeback
CSV / JSON
Share-Links
Airtable Writeback
🖥️
Frontend
Next.js 15 / React 19
Dark/Light · DE/EN
Radar-Charts · Animationen
Funktionsumfang auf einen Blick:
ELI5 — Kurz erklärt
4 Datenquellen (Airtable, Web, KI, Meeting-Notizen) fließen in eine Scoring-Engine mit 8-Faktor Final Score, die alles bewertet und in 3 Ausgänge liefert: Score + Fazit, Export, und direkt zurück in Airtable. Die App hat 20 Features von Bulk-Screening über Unit Economics bis Multi-Perspektive.
Der Screening-Prozess läuft in 4 Phasen. Die Architektur ist auf progressive Disclosure optimiert: Sofortige Ergebnisse, die sich schrittweise verfeinern.
Phase 1
User öffnet App / Wählt View
~3–8 Sekunden
Frontend lädt Airtable seitenweise über /api/prefetch (100 Records/Seite, max. 500 Seiten = 50.000). User sieht den Live-Counter und stellt währenddessen Filter + Gewichtungen ein.
Phase 2
User klickt "Analyse starten" — Instant Pre-Score
Sekunden
Server filtert Records (Status-Ausschlüsse + User-Filter), dann bewertet scoreFromAirtable() alle via Regex-Heuristik. Ergebnisse werden sortiert — Top-10 sofort sichtbar.
#STARTUPSCORESTATUS
1.DeepMed AIPre-Score: 82⏳ Regex
2.NeocomPre-Score: 80⏳ Regex
...
47.SomeHiddenGemPre-Score: 31⏳ Regex
Phase 3
Progressive Enrichment (Top-N im Hintergrund)
~5–25s pro Startup (240s Budget)
Für die Top 10 läuft automatisch Web-Enrichment + Unit Economics + Social Signals + Multi-Perspektive LLM (VC/PE/Holistic) + Cross-Validation im Hintergrund. Scores updaten live, Startups re-ranken sich. "Hidden Gems" (≥2 starke Signale trotz ≥3 fehlenden Metriken) werden erkannt.
1.DeepMed AIScore: 91✓ Web+LLM
2.SomeHiddenGemScore: 87🔎 Hidden Gem — war: 31
3.NeocomScore: 84✓ Web+LLM
Phase 4
Deep Analysis + Investment Report (on-demand)
~15–60 Sekunden
User klickt auf ein Startup. Ein Request bündelt: Web-Recherche + Fireflies-Check + Unit Economics + Social Signals + Multi-Perspektive LLM (VC + PE + Holistic) + Cross-Validation. Ergebnis: Vollständiges Fazit mit These, Risiken, offenen Fragen, Dimensionen-Breakdown und Quellen. NEU: Per Klick auf "Full Report" öffnet sich ein professioneller, druckoptimierter Investment Report mit SVG-Radar-Charts, Score-Gauge, Waterfall-Visualisierungen und 11 Analyse-Sektionen.
DeepMed AI Score: 91/100
💡 THESE
AI-native Medizinprodukt mit FDA-Clearance,
50+ zahlende Kliniken und 3x YoY Growth.
⚠ RISIKEN
• CE-Markierung fehlt • Single-Product-Risk
📊 DIMENSIONEN
AI-Tiefe: 95 ███████████████████▄
Traktion: 88 █████████████████▄
Team: 78 ███████████████▄
ELI5 — Kurz erklärt
Phase 1: Daten vorladen (wie YouTube-Puffer). Phase 2: Blitzschneller Vorab-Check — wie ein Recruiter der Lebensläufe überfliegt. Phase 3: Top-Kandidaten werden im Hintergrund gründlich geprüft — Rankings ändern sich live. Phase 4: Komplett-Dossier für den Favoriten.
Die Scoring-Engine kombiniert zwei Ebenen: 14 Einzeldimensionen (gewichteter Durchschnitt, nur Dimensionen mit Daten) und einen Final Score (v20), der LLM-Perspektiven, Social Signals und Cross-Validation synthetisiert:
EBENE 1 — Category Average (14 Dimensionen)
CatAvg = Σ(Scorei × Wi) / Σ(Wi)
Nur Dimensionen mit Score >0 · Gewichtung anpassbar · Default Σ = 100
EBENE 2 — Final Score (v20)
LLMblend = Holistic×0.50 + VC×0.30 + PE×0.20
Raw = CatAvg × 0.75 + LLMblend × 0.25
Final = Raw + SocialBoost(0–10) + CVPenalty(0–-30)
Ohne LLM: Final = CatAvg + SocialBoost + CVPenalty · Critical Warnings: −5
Score-Zusammensetzung (mit LLM):
Category Average 75%
LLM Blend 25%
14-Dimensionen ScoreHolistic 50% + VC 30% + PE 20%
Score-Zusammensetzung (ohne LLM / Fallback):
Nur strukturierte Daten (kein LLM verfügbar)
Rechenbeispiel — Ebene 1: Category Average (nur Dims mit Score >0):
Rechenbeispiel — Ebene 2: Final Score (mit LLM):
Jedes Signal beinhaltet
Score (0–100) · Gewicht (0–12%) · Quelle (Airtable/Web/LLM) · Reasoning (warum genau dieser Score) · Nachvollziehbar für jeden einzelnen Datenpunkt.
Confidence Band
Jeder Score bekommt ein Unsicherheitsband: Score 78 ±5 (hoch) vs. Score 52 ±20 (niedrig). Mehr Datenlücken = breiteres Band. Margin ≤8 = "hoch", ≤15 = "mittel", >15 = "niedrig".
8 Faktoren im Final Score
Unit Economics (Burn Multiple, NDR, Rule of 40) · Data Score (14 Dims) · Social Signals · VC-Perspektive · PE-Perspektive · Holistic LLM · Cross-Validation · Data Completeness
5-stufiges Verdict
≥75 + 2+ Quellen = Unicorn · ≥60 = Strong Potential · ≥40 = Potential · ≥20 = Watchlist · <20 = Rejected. Critical Warnings blockieren Unicorn-Verdict.
Multi-Perspektive LLM (VC + PE + Holistic): Die LLM-Analyse bewertet jedes Startup aus 3 Blickwinkeln: VC Seed/A (Deal-Attraktivität, Timing, Team-Market Fit, Wettbewerbs-Moat, Exit-Potenzial), PE/Growth (EBITDA-Potenzial, Operational Leverage, Add-on-Potenzial, Cash Flow, Markt-Konsolidierung) und Holistisch (Gesamtbewertung mit Stärken, Risiken, Empfehlung). Je 5 Sub-Dimensionen pro Perspektive.
🔍 WARUM KEIN MULTIPLIKATIVES MODELL?
Bei einem multiplikativen Ansatz würde eine fehlende Dimension den Score auf 0 setzen. Bei ~22.000 Records mit oft lückenhafter Datenlage wäre das fatal. Das gewichtete Mittel ist robuster. Nachteil: echte K.O.-Kriterien (z.B. "nicht AI-first") fließen nur als niedriger Teilscore ein. Kompensiert durch die Fazit-Engine, die separat auf K.O.-Kriterien prüft.
ELI5 — Kurz erklärt
Ebene 1: Wie eine Schulnote — 14 Fächer, jedes mit eigener Gewichtung. Revenue (16%), Traction (14%), Team (14%), Produkt (14%) sind die Top-4 "Hauptfächer". Ebene 2: 75% kommt aus dem Daten-Score, 25% aus der KI-Jury (Holistic + VC + PE). Social Signals können bis +10 Bonuspunkte geben, Cross-Validation bis -30 abziehen. Eine 0 killt nicht den Schnitt, aber der Lehrer (Fazit-Engine) schreibt daneben: "Achtung, Problem!"
Default-Gewichtung (Summe = 100%), anpassbar durch den User. Basiert auf a16z, Sequoia, Bessemer Cloud 100, YC Metrics. Unit Economics + Traction Fokus in v19. Revenue, Traction, Team und Produkt dominieren mit zusammen 58%.
Kern-Dimensionen — 58% ──────────────
🔄
NDR / Retention / LTV
14%
Growth & Efficiency — 25% ───────
⚡
Kapitaleffizienz / Rule of 40
6%
🔥
Burn Multiple / Runway
5%
Markt & Moat — 17% ─────
⚔️
Wettbewerb / Positioning
3%
10 weitere Dimensionen (weight=0): Teamgröße, Execution Speed, Sektor, Europa-Fit, Regulatory/EU AI Act, Kontext-Fit, Co-Investoren, Pipeline Stage, RPA Investierbarkeit, RPA Attraktivität — fließen als informative Signale ins Fazit ein (K.O.-Prüfung), nicht in den numerischen Score.
Gewichtsverteilung (14 aktive Dimensionen):
Rev 16
Trac 14
Team 14
Prod 14
Grw 8
AI 6
KE 6
Brn 5
Rest 17
Top 4 = 58% des Scores6 weitere = 42%
Beispiel: Wie Revenue/ARR (12%) bewertet wird
NEU: Burn Multiple / Runway (7%) — Bessemer Benchmark
🦄 UNICORN
≥ 75
+ 3 Quellen, keine Warnings
🚀 STRONG POT.
≥ 60
oder ≥75 mit Warnings
⭐ POTENZIAL
40 – 59
Genauer anschauen
👁 WATCHLIST
20 – 39
Beobachten
✗ REJECTED
< 20
Nicht weiterverfolgen
ELI5 — Kurz erklärt
14 Dimensionen in 3 Gruppen: Kern (58%: Revenue 16%, Traction 14%, Team 14%, Produkt 14%), Growth&Efficiency (25%: Growth 8%, AI-First 6%, KapEff 6%, Burn 5%), Markt&Moat (17%: Funding 4%, TAM 3%, Wettbewerb 3%, Valuation 3%, Skalierbarkeit 2%, Moat 2%). 5 Verdikt-Stufen: Unicorn ≥75, Strong Potential ≥60, Potential ≥40, Watchlist ≥20, Rejected <20.
Nicht jedes Startup bekommt die gleiche Analyse-Tiefe:
Stufe 1: Pre-Score
Regex + Heuristik
Alle Records · Nur Airtable-Felder · Kein Web/LLM · Sofort · Final Score Fallback: UE(35%) + Data(30%)
Stufe 2: Enriched Score
8-Faktor Final Score
Top 10 · + Web + Multi-LLM + VC/PE-Perspektive + Social Signals · 3–15s pro Startup
Stufe 3: Deep Analysis
Alles + Fireflies
1 Startup · + Meeting-Transkripte + Cross-Validation · 10–25s · Vollständiges Fazit
Final Score — Synthese (v20)
Mit LLM (Stufe 2 + 3): Raw = CatAvg × 0.75 + LLMblend × 0.25
Category Average 75%
Holistic 12.5%
VC 7.5%
PE 5%
14 Dimensionen (gewichteter Ø)LLM Blend: H×0.50 + VC×0.30 + PE×0.20
Ohne LLM (Stufe 1 / Fallback):
Rein datengetrieben — kein LLM verfügbar
+0–10
SOCIAL BOOST
LinkedIn ≥10K: +4
5+ Plattformen: +3
Social Score ≥60: +3
-0–30
CV PENALTY
Cross-Validation
Widersprüche
Entity-Mismatch
-5
CRITICAL WARN
Blockiert Unicorn
z.B. kein AI-First
oder Zombie-Verdacht
Web-Score-Einfluss — steigt mit Airtable-Datenlücken:
▲ Wenig Lücken
▲ Viele Lücken (Web max. 50%)
ELI5 — Kurz erklärt
Stufe 1: Alle schnell überfliegen (nur Dimensionen-Score). Stufe 2: Top-10 gründlich — Google + KI + VC/PE-Perspektive + Social Signals — LLM macht 25% des Scores aus. Stufe 3: Einen komplett durchleuchten. Ohne KI = 100% Daten. Social Signals können bis +10 Punkte geben, Cross-Validation bis -30 abziehen.
Jede Dimension nutzt eine Fallback-Kette — die Engine versucht zuerst die beste Quelle und fällt zurück wenn leer:
1
📊
Airtable-Felder (direkt)
~22K Records, 80+ Felder, auto-erkannt via 80 Feld-Mappings mit ~95 Regex-Patterns
▼ leer? Fallback ▼
2
🤖
RPA-Voranalyse
rpa.header.kpi.revenue, rpa.fit.investability, rpa.header.kpi.growth
▼ leer? Fallback ▼
3
📝
Freitextfelder
Deck Summary, AI Description, Tracxn Description — Keyword-Matching + Betrag-Parsing
▼ leer? Fallback ▼
4
🌐
Web-Recherche
DDG/Brave Scraping + Website-Scraping (OG-Tags, Body-Text bis 3.000 Zeichen) + Entity Resolution
▼ zusätzlich ▼
5
🧠
Multi-Provider LLM + Multi-Perspektive
Pollinations → Gemini → OpenRouter → HF → Heuristik · VC-Perspektive (5 Dims) + PE-Perspektive (5 Dims) + Holistic · 30min Cache
▼ zusätzlich ▼
6
📡
Social Signals (8 Plattformen)
LinkedIn · Crunchbase · GitHub · ProductHunt · Twitter/X · Dealroom · Glassdoor · Tracxn
Temporale Interpolation: Wenn ein Feld "Revenue: 1M (2022) → 5M (2025)" enthält, berechnet die Engine die CAGR und interpoliert auf 2026: €8.55M. So werden Prognosen und Zeitreihen automatisch berücksichtigt.
ELI5 — Kurz erklärt
6 Quellen in absteigender Priorität — wie bei einer Telefonliste: erst Handy, dann Festnetz, dann E-Mail. Wenn die beste Quelle leer ist, wird die nächste versucht. NEU: Social Signals (8 Plattformen) und Multi-Perspektive LLM (VC + PE + Holistic) als zusätzliche Quellen.
1. Freshness Decay — ältere Daten zählen weniger
Lineare Interpolation 1.0 → 0.4 über 3–36 Monate. Kein Timestamp = Default 0.85. Completeness und Kontext-Fit sind vom Decay ausgenommen.
2. Cross-Signal-Validierung
💵+👥
Revenue $2M + 2 MA
⚠ unplausibel
💰+👥
Funding $50M + 5 MA
⚠ unplausibel
💎<💰
Valuation < Funding
⚠ prüfen
🕐+🌱
10 Jahre + noch Seed
⚠ Zombie
Automatische Widerspruchserkennung zwischen Datenpunkten erzeugt Warnings im Fazit.
3. Web Cross-Validation + Entity Resolution
>10x
Score → 20 (gedeckelt)
Web-Daten werden mit Airtable verglichen. Entity-Resolution filtert falsche Unternehmen raus.
4. Fazit-Engine — K.O.-Kriterien
⚠ AI-First <50 → "KRITISCH: Kein AI-First"
⚠ Standort außerhalb EU/IL → "Außerhalb Mandatsgebiet"
⚠ Series B+ → "Zu späte Phase"
Unabhängig vom Score — verhindert, dass ein Startup mit hohem Score aber grundlegendem Mismatch durchrutscht.
ELI5 — Kurz erklärt
4 Netze: (1) Alte Daten zählen weniger. (2) Widersprüche werden erkannt. (3) Web-Ergebnisse werden gegengeprüft. (4) K.O.-Kriterien fangen Fehlmatches ab. Jeder Score sagt ehrlich, wie sicher er sich ist (±5 oder ±20).
GET
/api/prefetch
Paginierter Airtable-Fetch (100/Seite, max 500 Seiten)
~2s
POST
/api/screen
Haupt-Engine v10: Bulk-Scoring + UE + Social + Multi-Perspektive + LLM + CrossVal
~240s
POST
/api/enrich
Deep Analysis für ein Startup + Fireflies
~60s
POST
/api/search
Fuzzy-Suche nach Startup-Namen
~1s
POST
/api/startup
Einzelstartup-Detail + Scoring
~3s
POST
/api/writeback
Scores in Airtable zurückschreiben
~5s
POST
/api/share
Ergebnisse per Share-Link teilen
~1s
POST
/api/backtest
Scoring-Backtest gegen historische Daten
22s
POST
/api/airtable
Schema + Records laden (legacy)
~2s
*
/api/setup
Integration-Status (Fireflies, Dev)
~1s
POST
/api/stripe/*
Stripe Checkout + Verify
~2s
Sicherheit: IP-Rate-Limiting (30/IP Enrich, 120 Prefetch) · AbortController mit Deadline · Airtable-Token nur serverseitig · Enrichment-Cache · LLM-Cache 30min · Vercel Pro 300s max Timeout (240s Budget) · BudgetManager für Zeitsteuerung
Frontend
Next.js 15 + React 19
App Router, Framer Motion, Tailwind v4, Lucide Icons, Dark/Light, DE/EN (260+ Keys), 8 spezialisierte Komponenten
Backend
Serverless (Vercel Pro)
12 API Routes, 240s Budget (max 300s), TypeScript, Rate Limiting, BudgetManager
Datenbank
Airtable
~22K Records (max. 50K via 500 Seiten), 80+ Felder, Schema-API, Auto-Mapping
KI / LLM
Multi-Provider + Multi-Perspektive
Pollinations → Gemini → OpenRouter → HF → Heuristik. VC/PE/Holistic-Perspektive. 30min Cache.
Scoring-Libs (12 Module)
Spezialisierte Engine
scoring-engine · semantic-scorer · unit-economics · social-signals · cross-validation · freshness · entity-resolver · web-search · data-aggregator · local-data-parser · backtesting · airtable
UI-Komponenten
9 spezialisierte Views
ScoreBreakdown · UnitEconomicsCard · MultiPerspectiveView · CrossValidationReport · SocialSignalsBadges · DataSourceHeatmap · InvestmentReport (NEU: Full-Screen Profi-Report mit SVG-Visualisierungen) · Card · Button
Next.js 15React 19TypeScriptTailwind v4Framer MotionAirtable APIMulti-LLMDDG / BraveFireflies.aiVercel ProStripe
✓ STÄRKEN
- Geschwindigkeit: Bis zu 22.000 Records laden und scoren
- Progressive Disclosure: Sofortige Ergebnisse, die sich verfeinern
- Transparenz: Jedes Signal hat ein
reasoning-Feld
- Auto-Mapping: 80 Feld-Mappings mit ~95 Regex-Patterns
- Fallback-Kette: Funktioniert auch ohne API-Key
- Hidden-Gem-Detection: Erkennt unterschätzte Startups
- Unit Economics: Burn Multiple, NDR, LTV/CAC, Rule of 40 integriert
- Multi-Perspektive: VC- und PE-Sicht unabhängig bewertet
- 8-Faktor-Synthese: Robuster als Single-Score-Modelle
⚠ SCHWÄCHEN
- Datenqualität: Garbage In, Garbage Out
- Schwellwert-Sprünge: €999K = 65, €1M = 85 (20-Punkte-Sprung)
- LLM-Inkonsistenz: 4 Provider liefern unterschiedliche Scores
- Web-Fragilität: DDG/Brave können Scraping blocken
- Keine Kalibrierung: Schwellwerte nicht gegen Outcomes getestet
- Latenz: 240s Budget — längere Wartezeiten als bei Netlify (22s)
- Komplexität: 8-Faktor-Formel schwerer nachvollziehbar als einfacher Durchschnitt
🔎 SCORE-VERTEILUNGS-PROBLEM
Bei 14 Dimensionen, von denen oft 3–5 leer sind (Score 0), tendieren Ergebnisse zur Mitte (40–60). Startups mit wenig Daten können nie "Unicorn" werden — selbst wenn das Vorhandene exzellent ist. Bei ~22.000 Records mit oft lückenhafter Datenlage ist das real. Die Hidden-Gem-Erkennung (mightBeUnderscored) kompensiert teilweise. Das 5-stufige Verdict (statt 3) differenziert besser: "Watchlist" (25–39) fängt Grenzfälle auf.
🔎 FINANCIALS-DOMINANZ (48%)
Die Unit Economics: Financials-Gruppe macht 48% des Data Scores aus (Revenue 12%, Growth 10%, KapEff 9%, Burn 7%, Funding 5%, Valuation 5%). Ein pre-revenue Startup mit bahnbrechendem Foundation Model wird trotz AI-First: 100 systematisch unterbewertet. Gegenargument: Revenue ist der beste PMF-Proxy, und Matrix-Presets erlauben Umgewichtung. Der 8-Faktor Final Score kann über die VC-/PE-/Holistic-Perspektive korrigieren.
Was gut gelöst ist: Confidence-Bands (78 ±5 vs. 52 ±20) kommunizieren Zuverlässigkeit ehrlich. Plausibilitäts-Checks fangen Datenfehler ab. Die Fazit-Engine als separates K.O.-Sicherheitsnetz ist architektonisch sauber. Der 8-Faktor Final Score mit Cross-Validation und Multi-Perspektive (VC vs. PE) reduziert Single-Point-of-Failure-Risiken.
ELI5
Schnell, transparent, funktioniert ohne KI. Aber: schlechte Daten = schlechter Score. Wenig Daten = systematisch unterschätzt. Der 8-Faktor Final Score gleicht Perspektiven aus. Das System sagt ehrlich, wenn es unsicher ist.
Per Klick auf "Full Report" öffnet sich ein vollständiger, druckoptimierter Investment Report für jeden Kandidaten. Der Report generiert sich live aus den Scoring-Daten und bietet institutionelle Qualität.
1
Hero & Score Gauge
SVG Arc-Gauge 0–100, Verdict, Confidence, Company-Profil
2
Key Metrics Strip
Funding, Valuation, Revenue, Location, Sector, Investors
3
Score Composition
Airtable vs. Web vs. Final Score, Waterfall-Balken, LLM Blend
4
SVG Radar-Chart
14 Dimensionen auf einen Blick, animierte Polygone
5
Investment Thesis
KI-Fazit, Empfehlung, Stärken/Risiken, Audit-Notizen
6
Kategorie-Analyse
6 Gruppen, jedes Signal mit Score, Reasoning, Quelle
7
Multi-Perspektive
VC, PE, Holistic — je 5 Sub-Dimensionen mit Score-Balken
8
Unit Economics
Burn Multiple, NDR, Rule of 40, LTV/CAC, Payback
9
Data Quality & Confidence
Completeness, Signal-Heatmap, Plausibility Warnings
10
Social & Methodik
Social Signal Badges, Datenquellen, Scoring-Methodik, Disclaimer
───── INVESTMENT REPORT PREVIEW ─────
DeepMed AI ◉ 91 🦄 UNICORN
┌─────────────── RADAR CHART ──────────────┐
│ Revenue ████████████████ 85 │
│ Traction ███████████████████ 95 │
│ Team ██████████████ 72 │
│ Product ██████████████████ 90 │
│ AI-First ███████████████████ 98 │
└───────────────────────────────────────────┘
💡 THESE: AI-native Medizinprodukt, FDA-Clearance, 3x YoY
⚠ RISIKEN: CE-Markierung fehlt, Single-Product-Risk
✓ EMPFEHLUNG: Stark investierbar, VC-Perspektive 88/100
Technologie
SVG-Visualisierungen: ScoreArcGauge (240°-Bogen), RadarChartFull (14-Achsen-Polygon), MiniGauge, WaterfallBar — alle vektor-basiert, druckoptimiert, skalierbar.
Trigger & Daten
Vollständig live: Kein Pre-Rendering — der Report generiert sich aus dem Candidate-Objekt mit allen Enrichment-Daten, Signals, Fazit und Multi-Perspektive.
ELI5 — Kurz erklärt
Ein Klick → ein kompletter Investment-Report wie vom Analysten, mit Radar-Chart, Score-Gauge, detaillierter Kategorie-Analyse und Investment-These. Druckfertig, bilingual, live generiert.
22K+
Startups analysierbar
14+10
Score + Kontext Dims
- Phase 1: Airtable paginiert vorladen (bis 50.000 Records — 500 Seiten × 100)
- Phase 2: Instant Pre-Score via Regex-Heuristik — sofortige Ergebnisliste
- Phase 3: Top-10 progressiv mit Web + LLM anreichern — live Re-Ranking mit 8-Faktor Final Score
- Phase 4: Deep Analysis on-demand — alle Quellen, vollständiges Fazit
- Scoring Matrix v19: Unit Economics Fokus (Burn Multiple, NDR, Rule of 40, LTV/CAC)
- Final Score v20: CatAvg × 0.75 + LLMblend × 0.25 + Social Boost (0–10) + CV Penalty (0–-30)
- 5-stufiges Verdict: Unicorn ≥75 (+2 Quellen), Strong Potential ≥60, Potential ≥40, Watchlist ≥20, Rejected <20
- Transparentes Scoring: Reasoning + Confidence-Band pro Dimension
- 4 Sicherheitsnetze: Freshness Decay, Cross-Validation, Plausibilität, K.O.-Kriterien
- Adaptiv: Gewichtung anpassbar, Auto-Mapping, Heuristik-Fallback ohne API-Key
- Bidirektional: Lesen → Analysieren → Zurückschreiben (mit Dry-Run)
- Investment Report: Profi-Analyse per Knopfdruck — 10 Sektionen, SVG-Charts, druckoptimiert
ELI5 — Das Ganze in einem Satz
AI.nhorn liest bis zu 22.000 Startup-Datenblätter, bewertet jedes in 14 Dimensionen (Revenue 16%, Traction 14%, Team 14%, Produkt 14% = Top 4), blendet KI-Perspektiven ein (Holistic 50% + VC 30% + PE 20%), prüft die besten 10 im Internet, und sagt: "Dieses Startup solltest du dir ansehen — hier ist warum, hier sind die Risiken, und so sicher bin ich mir." Per Klick gibt's einen druckfertigen Investment Report.