TechFlowPost 编译的 Venture Curator 分析称，美国独角兽群体里，仍有大批公司停留在 2021 至 2022 年泡沫期形成的账面估值上。对创始人、员工和投资人来说，这些数字未必已经失真，但很多都还没有经过新的市场定价检验。
PitchBook 2026 年第三季度量化展望报告显示，在 964 家活跃的美国独角兽中，312 家最近一次融资发生在 2021 年，225 家发生在 2022 年。合计 537 家公司，约占总数的 56%，仍背着风投历史上最贵时期留下的估值。
537 家美国独角兽仍停留在泡沫期估值
文章提到，创始人和早期员工通常会把上一轮估值视作公司进展的记分牌，这个数字也常被用来估算股权价值。但新的市场数据表明，对美国多数独角兽而言，这个数字已经多年没有被真正验证。
PitchBook 将所有活跃的美国独角兽按最近一次完成定价融资的年份分类后发现，大量公司并未在之后再次接受市场检验。与此同时，风投基金的分配额仅占资产净值的 7.9%，接近长期平均水平 14.5% 的一半。PitchBook 认为，2020 年至 2022 年的虚高估值正在拖累基金回报。
当这些公司真正去面对新的价格测试时，结果往往不理想。文章举例称，公开市场投资者并不愿意为私募市场时期的价格埋单，Chime 上市时的估值较其私募市场峰值明显缩水；而在二级市场，上一轮融资已经过去多年的公司，往往会面对比近期融资公司更大的折价。
分析还指出，不少公司并非经营走到尽头，而是主动选择不融资、不上市。原因很直接：只要不触发新的定价事件，2021 年形成的估值就还能停留在纸面上。于是市场同时出现了创纪录的账面价值和创纪录的被困价值。
文章给出的判断是，一个四年前的估值未必是谎言，但它仍是未经核实的数字。对公司最后一次融资发生在 2021 年或 2022 年的创始人和员工来说，股权结构表上的估值可能只是他们持股历史上最乐观的数字，不一定等于今天能够兑现的实际价格。这会影响下一轮融资谈判、期权行权判断，以及团队如何理解手中期权的真实含义。对基金也是一样，如果账面上显示这类项目带来了可观未实现收益，那仍只是报表数字，不是真正回笼的现金。
分析认为，风险不只在于估值可能更低，而在于公司在融资、招聘或行权决策中，误把 2021 年的价格当作市场今天仍愿意支付的价格。
AI 估值溢价仍在，但市场开始拆分“AI 原生”
文章提出，给创业公司贴上“AI 原生”标签，仍可能带来估值溢价，但投资人的提问已经变了。市场越来越关注的不是公司是否用了 AI，而是其中有多少部分真的因 AI 而具备防御性。
Carta 2026 年上半年数据显示，AI 创业公司在种子轮融到的资金规模与非 AI 公司接近，但估值高出大约 50%。这说明 AI 溢价并未消失。
不过，相同标签下的公司正在被快速分层。分析将“商品化的 AI 外壳公司”定在 3 到 8 倍收入区间；拥有粘性专有数据的垂直 AI 产品在 10 到 20 倍；而同时掌握知识产权与专有数据的公司则可能达到 25 到 40 倍。
公司越往后走，审查越严格。文章称，在种子轮阶段，没有可保护知识产权的公司，相比防御性更强的同类企业，通常会遭遇 20% 到 30% 的折扣；到了 A 轮，这一差距扩大到 30% 到 40%。
这也是为什么“产品里加上 AI”本身越来越不够用了。投资人更想知道的是，把 AI 标签拿掉以后，公司还剩下什么。分析提出了几项核心追问：另一家创业公司能否依靠同样的基础模型 API 快速做出类似产品；每个新增客户是否会带来可沉淀的专有数据；产品是否已经深度嵌入客户工作流，以至于替换成本很高；当推理量扩大 10 倍后，单位经济模型是否依然成立。
这些问题被归纳为创始人在下一轮融资前需要逐项审视的四个方向：技术差异化、专有数据、工作流锁定，以及规模化后的单位经济模型。
技术、数据、工作流与成本结构正在决定 AI 公司的分层
文章给出的技术差异化测试很直接：替换底层模型。如果公司把主要模型供应商换成另一个同水平模型后，产品几乎没有变化，投资人往往就很难认定其技术护城河真实存在。
在专有数据方面，单纯拥有大量用户并不够。更强的信号是，使用规模扩大后是否会持续产生数据，并让产品随时间变得可衡量地更好，例如准确率提升、解决时间缩短或匹配质量改善。
工作流深度是另一个观察点。如果整合更深的客户始终表现出更高留存和更强扩张，创始人就能拿出切换成本的证据，而不只是停留在“产品粘性强”的说法上。
至于经济模型，文章强调，一个 AI 产品在当前使用量下可能利润率不错，但推理量放大 10 倍后，成本结构可能完全不同。在投资人先算这笔账之前，公司自己先算清楚，才能知道业务扩张到底是在增强竞争力，还是在放大脆弱性。
分析回顾称，18 个月前，只要与 AI 有关，就足以明显强化融资叙事；现在随着越来越多创业公司使用同样的话术，投资人正在往下看更深一层。AI 标签可以帮公司进入融资讨论，但更有价值的部分，是证明你的产品为什么会随着增长变得更难复制。
软件可能走向“杠铃化”
文章还讨论了 AI 对软件行业结构的影响。Conviction 的 Mike Vernal 提出一个类比：软件市场可能正在走向类似互联网改造报纸行业后形成的“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。等到发行几乎免费后，中间层大幅消失，留下的是少数全球性大型出版物，以及大量独立通讯和利基出版物。
Vernal 认为，AI 可能在软件行业制造类似局面。传统软件公司的护城河通常来自三件事：构建产品成本高、切换系统代价高、集成能力构成强生态。但 AI 正在削弱这三点。竞争对手复制功能的速度更快，迁移过程可能更自动化，AI 也会让系统集成更容易完成。
文章据此描绘出一个两端更强、中间承压的市场结构。
- 巨型平台：少数公司可能占据整个采购品类，例如销售、营销、财务、人力资源、法务或医疗，并不断向外扩张，最终成为客户完成大部分工作的核心系统。
- 微型软件企业：AI 编程工具可能让数百万人面向自己、公司或少量客户构建高度定制的软件，其中一部分会成长为盈利的利基业务。
- 承压的中间层：中型单点解决方案可能最难受。如果大型平台可以持续补齐其功能，小团队又能低成本重建窄产品，独立工具的防守空间就会收缩。
文章用亚马逊举例说明新护城河可能如何形成。亚马逊最初做的是相对容易复制的在线卖书业务，但它的防御性来自数十年持续投入物流、基础设施、技术和发行体系。对应到软件行业，AI 可能推动公司采用类似策略：更快构建、不断扩张、持续再投资，让整体产品体系越来越难被复制。
这也引出了一个面向风投支持型软件公司的问题：如果构建软件本身几乎免费，真正的护城河究竟还是一个好产品，还是围绕产品建立起来的整套体系。
种子轮估值的另一面：先看基金数学
文章认为，很多创始人习惯把估值理解为 traction、市场规模和路演能力的结果，但还有一项经常被忽略的约束：对面 VC 基金自身的经济模型。
分析举了一个具体例子：如果一家创始团队向一只 2800 万美元的种子基金融资，该基金通常开出约 60 万美元支票，希望拿到 6% 到 8% 的股份。若按 7% 计算，60 万美元对应约 860 万美元投后估值；若按 6% 计算，则对应约 1000 万美元投后估值。也就是说，如果公司以 1800 万美元估值融资，这只基金可能根本无法在自己的组合模型里完成投资。
文章把这个逻辑链条概括为：基金规模 → 支票大小 → 目标持股 → 可行估值上限。
在当前环境下，这套逻辑更关键，因为种子轮估值已经抬升。分析引用的 Carta 数据显示，种子轮投后估值中位数为 2400 万美元。一只 5000 万美元的基金如果按这个估值投入 150 万美元，只能拿到 6.2% 的股份，这可能低于其目标仓位。
这也会反过来影响创始人设计融资轮的方式。如果公司计划融资 300 万美元，而领投方想拿 15%，那在没有人直接讨论估值之前，实际上已经隐含出 2000 万美元投后估值。
轮次规模、稀释与期权池会一起影响创始人结果
文章给出的更实用顺序是：
- 先计算公司需要多少资金，才能换来 18 到 24 个月跑道并达到下一个里程碑；
- 再加入缓冲；
- 由此确定轮次规模；
- 再用这个金额除以可接受的稀释比例；
- 最后去找支票大小和目标持股模型能够支持该估值的基金。
分析还提醒，创始人常常忽略另一个关键数字：期权池。领投方可能要求在投资前建立 10% 到 15% 的期权池，这会在交易落地前先稀释现有股东。文章认为，围绕真实招聘计划去谈判期权池，有时对创始人持股的影响，比在 headline 估值上多争取 100 万或 200 万美元更大。
为了避免在不匹配的基金身上浪费数周时间，文章建议创始人在第一次通话时直接提问：这家基金典型的首笔支票是多少，通常希望拿到多少股权。只要拿到这两个数字，就可以迅速判断对方的基金数学是否支持自己的融资轮。
文章最后在这一部分指出，估值谈判中出现的阻力，并不一定代表公司本身有问题。有时候问题只是融资轮设计与基金模型不匹配。
消费级 AI 应用的难题：ChatGPT 免费做到的事，用户为何还付费
分析称，这已成为消费类应用创始人面临的核心问题之一。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，他们为什么还要每月为一个独立应用支付 10 或 20 美元。
RevenueCat 的 Daphne Tideman 给出的答案不是简单“加更多 AI”。她提到，AI 驱动应用的变现表现确实更强：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 AI 应用的 12 个月留存率只有 21.1%，低于非 AI 应用的 30.7%。
这组数字给出的结论很直接：AI 也许更容易把用户吸引进来，但未必能提供让用户持续留下的理由。
文章拿 Chegg 与 Duolingo 的对比来说明差异，关键不只是答案本身，而是答案之外还构建了什么。RevenueCat 提出，应用可以围绕六类更难被空白 LLM 对话复制的能力建立价值：
- 结构：把一个答案组织成完整工作流或完整体验；
- 记忆：随着时间了解用户，让产品越来越有用；
- 习惯：通过连续打卡、提醒、监督和游戏化把用户带回来；
- 精准：依靠专业数据或专长给出更好的结果；
- 连接：建立社区、身份、个性或情感依附；
- 实体与数字结合：把软件和传感器、设备或真实世界数据连接起来。
Duolingo 被视为一个典型例子。文章称，ChatGPT 可以教语言，但 Duolingo 多年构建了连续打卡、排行榜、进度系统、提醒和游戏化机制。据报道，在引入排行榜后，Duolingo 的学习时间增加了 17%，高参与度学习者数量增长了三倍。
分析还给创始人提供了一个“空白对话框测试”。做法很简单：打开 ChatGPT 或其他大语言模型，准确描述用户在你应用中要解决的问题，再把模型给出的回答与你产品实际交付的内容作比较。如果产品的大部分价值都能被一次提示和一次回答复现，那么差异化就存在问题。反过来，如果产品已经加入结构、累积数据、习惯、精准、连接或真实世界组件，这些部分就可能构成真正的护城河。
文章在结尾部分的看法是，AI 本身未必是护城河。对创始人来说，更关键的问题是，你的产品究竟提供了什么，是空白对话框给不了的。RevenueCat 的判断是，最后的赢家会在底层使用 AI，而在围绕 AI 构建的体验上竞争。
