原文作者为 Venture Curator，原文编译为深潮 TechFlow。这篇文章把几组看似分散的数据放到了一起：美国独角兽的旧估值、AI 公司的估值溢价、软件市场结构变化、种子轮融资定价方式，以及消费类 AI 应用的留存问题。核心问题只有一个——AI 正在重新定义软件公司的价值依据。
537 家美国独角兽仍停留在泡沫期估值上
文章援引 PitchBook 2026 年第三季度量化展望报告称，在 964 家活跃的美国独角兽中，312 家最近一次完成定价融资发生在 2021 年，另外 225 家发生在 2022 年。也就是说，共有 537 家公司，约占整个独角兽群体的 56%，仍背着 2021 至 2022 年这段风投高估值时期形成的价格。
对很多创始人和早期员工来说，上一轮估值往往被当成公司发展的记分牌：它写在股权结构表上，也出现在新闻稿和内部沟通里，甚至被直接拿来估算个人股权价值。但文章指出，这些数字对美国多数独角兽而言，已经多年没有经过市场重新检验。
PitchBook 给出的另一组数据是，风投基金的分配额仅占资产净值的 7.9%，几乎只有长期平均水平 14.5% 的一半。报告认为，2020 年至 2022 年期间的虚高估值，直接拖累了基金回报。
等到这些公司真正去接受价格检验时，结果并不理想。文章提到，公开市场投资者并不愿意为私募市场的高价买单，Chime 上市时的估值就较其私募市场峰值大幅缩水。二级市场买家面对那些距离上一轮融资已经过去多年的公司时，给出的折价，也明显大于近期完成融资的公司。
这里还有一个更隐蔽的趋势：不少公司并不是经营不下去才停滞，而是主动选择不融资、不上市。原因很直接，任何新的定价事件都可能迫使它们承认一个更低的数字。继续保持私有状态、不制造新的定价节点，2021 年的估值就还能停留在纸面上。文章据此指出，市场才会同时出现创纪录的纸面价值和创纪录的被困价值。
因此，问题并不只是“独角兽热潮是真是假”。对不少公司来说，两种说法可能同时成立：部分公司也许已经成长到足以支撑 2021 年的估值，但市场无法确认，因为它们自那之后没有再以真实价格完成融资或出售。四年前的估值不一定是假的，只是没有被重新验证。
文章提醒创始人和员工尤其要注意这一点。如果公司最后一次融资发生在 2021 年或 2022 年，那么股权结构表上的估值，很可能只是你手中股权曾经拥有过的最乐观价格，并不等于今天的实际价值。这会直接影响下一轮融资谈判、期权行权安排，以及公司如何向团队解释期权的含义。
对投资人也是同样的逻辑。一只基金若展示这些公司的未实现收益，展示的只是账面数字，而不是真实回笼的现金。真正的风险并不只在于估值可能比看起来低，而在于融资、招聘和行权决策，仍把 2021 年的价格当成今天市场愿意支付的价格。
AI 公司的估值溢价还在，但市场开始拆解来源
文章随后转向第二条线索：AI 标签还值不值钱。结论不是简单的“有”或“没有”。称自己是 AI 公司，仍然可能拿到估值溢价，但投资人已经开始追问一个更关键的问题：这家公司到底有多少部分，真正因为 AI 而具备防御性。
根据 Carta 2026 年上半年的数据，AI 创业公司在种子轮融到的资金规模与非 AI 公司大体相当，但估值高出约 50%。这说明 AI 溢价仍然存在。
不过，文章强调，这个溢价并不会平均分配给所有打着“AI 原生”标签的公司。分析将它们划分为几个层次：
- 商品化的 AI 外壳公司，估值大致为 3 到 8 倍收入；
- 拥有粘性专有数据的垂直 AI 产品，估值大致为 10 到 20 倍收入；
- 真正拥有知识产权加专有数据的公司，估值大致为 25 到 40 倍收入。
随着公司成熟，投资人的审查也会更严格。文章称，在种子轮阶段，缺乏可保护知识产权的公司，相比防御性更强的同类公司，通常会被打 20% 到 30% 的折扣；到 A 轮，这一差距会扩大到 30% 到 40%。
这也是为什么“在产品里加上 AI”这件事本身，正在失去过去那种直接强化融资故事的作用。投资人现在更想知道，当 AI 这个标签被拿掉之后，公司还剩下什么。
文章提出了几个具体问题：另一家创业公司是否也能通过调用同样的基础模型 API，快速做出类似产品；每增加一个新客户，是否会形成能够反过来改进产品的专有数据；软件是否已经深度嵌入用户工作流，以至于更换它会非常痛苦；当推理量扩大 10 倍后，单位经济模型是否仍成立。
围绕这些问题，文章把创始人在下一轮融资前需要审视的内容归纳为四个方向：
- 技术差异化；
- 专有数据；
- 工作流锁定；
- 规模化下的单位经济模型。
在技术差异化方面，文章给出了一个很直接的测试方法：替换底层模型。如果主要模型供应商换成另一个同等水平的模型后，产品几乎没有变化，投资者就很难看到真正的技术护城河。
专有数据的判断标准也不只是用户数量。更强的信号是，随着使用量上升，是否会持续产生数据，让产品在准确率、解决时间或匹配质量等指标上可衡量地变好。
工作流深度则体现在客户留存和扩张上。如果那些更深度集成产品的客户，持续表现出更高的留存和更好的扩张，创始人就拥有了切换成本的实际证据，而不是只在路演里强调产品粘性。
最后是经济模型。一个 AI 产品在当前用量下可能利润率不错，但推理量扩大 10 倍后，成本结构和盈利能力可能完全不同。文章建议，在投资人发问之前，先把这部分账算清楚，才能知道业务在放大之后究竟会更强，还是会暴露问题。
文章对“AI 原生”溢价的总结是，18 个月前，只要和 AI 沾边，就足以显著强化融资叙事；随着越来越多公司使用类似表述，投资人开始更深入地看标签下面的结构。AI 标签可以帮公司进入谈判桌，但真正更有价值的部分，是证明你的产品为什么会随着增长而变得更难被复制。
AI 可能把软件行业推向“杠铃化”
文章接着讨论软件市场结构本身。随着 AI 让软件开发变得更便宜、更快，传统软件行业多年来赖以防守的一些护城河正在被削弱。
Conviction 的 Mike Vernal 做了一个类比：软件行业可能正在走向类似互联网冲击报纸行业后形成的“杠铃”结构。
在互联网出现之前，区域性报纸受益于高昂的发行成本。发行成本接近于零之后，中间层大幅消失，少数全球性出版物变得更大，同时又出现了成千上万的独立通讯和利基出版物。
Vernal 认为，AI 可能在软件行业催生相似结构。传统软件护城河主要来自三件事：
- 构建产品成本高；
- 切换系统代价高；
- 集成能力能形成强生态。
而 AI 正在削弱这三点。竞争对手复制功能的速度可能更快，迁移流程可能更自动化，AI 也可能让集成变得容易得多。
文章给出的可能结果，是一个两端都很强的市场。
一端是巨型平台。少数公司可能掌握整个采购品类，例如销售、营销、财务、人力资源、法务或医疗，不再只卖一个狭窄工具，而是持续扩张，直到成为客户几乎所有事情都依赖的系统。
另一端是微型软件企业。AI 编程工具可能让数百万人为自己、自己的公司，或者某个很小的客户群体构建高度具体的软件产品，其中一部分还能成长为盈利的利基业务。
被挤压的是中间层，也就是中型单点解决方案。文章认为，这类公司可能面临最大压力：如果大型平台能不断加入它们的功能，小团队又能以很低成本重建狭窄产品，那么独立工具的防守就会越来越难。
文中还给出一个亚马逊的类比。亚马逊起步时做的是一件相对容易复制的事——在线卖书。它后来的防御性并不是来自“卖书”这个点子本身，而是来自数十年里对物流、基础设施、技术和分发的持续再投资。
文章据此认为，AI 可能推动软件公司走向类似路径：更快构建产品、持续扩张边界、不断再投资，让整体系统越来越难被复制。对风投支持的软件初创公司来说，这会带来一个新的战略问题：如果构建软件本身几乎免费，你的护城河究竟还是一个好产品，还是围绕它建立起来的整套能力。
种子轮估值很多时候先由基金数学决定
创始人往往会把估值理解为 traction、市场空间或者路演表现的结果，但文章指出，还有一个常被忽略的约束，来自对面 VC 基金自身的经济模型。
文中举例，一只规模为 2800 万美元的种子基金，通常会开出约 60 万美元的支票，希望拿到大约 6% 到 8% 的股份。按照 7% 持股计算，60 万美元投资对应约 860 万美元的投后估值；按照 6% 持股计算，对应约 1000 万美元的投后估值。也就是说，如果一家公司以 1800 万美元的估值融资，这只基金可能根本无法把该项目装进自己的投资组合模型。
文章把这条逻辑归纳成一条简单链条：
- 基金规模；
- 支票大小；
- 目标持股；
- 可行估值上限。
在今天，这一点更重要，因为种子轮估值已经上升。文章援引的 Carta 数据显示，种子轮投后估值中位数为 2400 万美元。一只 5000 万美元基金如果按这一估值投资 150 万美元，只能拿到 6.2% 股份，这可能低于它的目标持股。
这也会影响创始人对融资轮规模的理解。文章举例，如果创始人告诉基金自己要融 300 万美元，而领投方希望拿到 15% 股份，那么在双方明确讨论估值之前，实际上已经隐含了一个 2000 万美元的投后估值。
文章建议的顺序不是先拍脑袋定估值，而是：
- 先算出为了在 18 到 24 个月跑道内达到下一个里程碑，需要多少资金；
- 再加上缓冲；
- 这就是轮次规模；
- 再用轮次规模除以自己愿意接受的稀释比例；
- 最后去找支票大小和目标持股模型能支持这一估值的基金。
还有一个被创始人经常忽略的数字是期权池。文章提到，领投方可能要求在投资前设立 10% 到 15% 的期权池，而这部分稀释会在投资完成前由现有股东承担。分析认为，基于实际招聘计划去谈判期权池，有时对创始人持股比例的影响，比在 headline valuation 上多争取 100 万或 200 万美元更大。
为了避免把数周时间耗在不匹配的基金身上，文章给出一个很简单的问题，建议创始人在第一次通话时就问清楚：「这家基金的典型首笔支票是多少，你们通常希望拿到多少股权？」
只要知道这两个数字，就能快速判断这家基金的经济模型是否支持你的融资轮。文章也提醒创始人，不要把所有估值阻力都理解为对公司本身的否定。有时候问题不在公司，而在于融资轮结构不符合基金的数学逻辑。
消费类 AI 应用的难题不是获客，而是留下用户
文章最后讨论的是消费类 AI 应用的一个核心问题：如果用户打开 ChatGPT、Claude 或 Gemini，几秒钟内就能得到大致相同的结果，为什么还要每月花 10 美元或 20 美元，去订阅一个独立应用。
RevenueCat 的 Daphne Tideman 认为，答案不是继续往产品里加更多 AI。她给出的一组数据是，AI 驱动应用的变现表现已经不错：每个付费用户带来的收入比非 AI 应用高 41%，试用转化率高 52%。但它们 12 个月留存率只有 21.1%，而非 AI 应用为 30.7%。
这组数字说明，AI 可以把用户吸引进来，却不一定能给他们长期留下来的理由。
文章拿 Chegg 与 Duolingo 的对比来说明区别，关键不只在于“答案”本身，而在于答案之外还有什么。
RevenueCat 认为，应用需要构建六类更难被通用大模型聊天界面复制的能力：
- 结构：把一个答案组织成完整工作流或体验；
- 记忆：随着时间推移持续了解用户，让产品越来越有用；
- 习惯：通过连续打卡、提醒、监督和游戏化，促使用户回来；
- 精准：依靠专业数据或专长，提供更好的结果；
- 连接：建立社区、身份认同、个性或情感依附；
- 实体与数字结合：把软件与传感器、设备或真实世界数据结合起来。
Duolingo 被文中视为一个典型案例，因为它叠加了其中多项能力。ChatGPT 也可以教语言，但 Duolingo 花了很多年去建立连续打卡、排行榜、进度系统、提醒和游戏化机制。文章提到，据报道，Duolingo 在引入排行榜后，学习时间增加了 17%，高参与度学习者人数增长了三倍。
针对创始人如何判断自己产品是否真正具备差异化，文章给出一个很实用的办法——「空白对话框测试」。具体做法是，打开 ChatGPT 或其他大模型，把用户来你应用里要解决的问题准确描述出来，再把模型的回答与自己产品实际交付的内容进行比较。
如果产品的大部分价值都能被一次提示和一次回答复现，那么差异化就存在明显问题。相反，如果应用中叠加了结构、累积数据、习惯、精准、连接或真实世界组件，那些部分更可能构成真正的护城河。
文章最后的判断是，AI 本身未必是护城河。对创始人来说，更关键的问题是：你的产品究竟给了用户什么，是一个空白对话框给不了的。
按照 RevenueCat 的说法，最终的赢家会在产品底层使用 AI，但竞争焦点会落在围绕 AI 搭建出来的完整体验上。