1. 为什么AI公司的估值逻辑和传统行业完全不是一回事1.1 从一张“看不懂”的估值表说起前阵子帮一个做私募的朋友看一份AI创业公司的融资材料估值那一栏写着“投前估值12亿人民币”而这家公司上一轮融资才过去八个月当时的投前估值是4.5亿。八个月翻了两倍多营收呢年化收入大概3000万还在亏损。朋友问我这玩意儿到底怎么算出来的这个问题其实困扰着很多人。传统行业估值有一套相对成熟的锚点——制造业看PE和净资产消费品牌看PS和同店增长SaaS公司看ARR倍数和NDR。但AI公司不一样它同时具备几个让传统估值模型“失灵”的特征前期研发投入巨大且周期长、收入结构里经常混着项目制和技术授权、技术壁垒很难用财务指标量化、团队本身的价值可能远超账面资产。你拿PE去套一家还在烧钱做基础模型的公司算出来的结果没有任何参考意义。所以这篇文章想做的事情很具体把AI公司估值的几套主流方法拆开来讲清楚每种方法在什么阶段用、参数怎么取、有哪些坑以及在实际谈判中这些数字是怎么被“博弈”出来的。不管你是创业者要准备融资材料还是投资经理要做估值建模或者只是对这个话题好奇都能从中找到可以直接用的东西。1.2 AI公司估值的三个底层特殊性在进入具体方法之前有必要先把AI公司区别于其他行业的几个特殊性说清楚因为后面所有的估值方法选择都和这几点有关。第一技术资产的“隐性”特征。一家AI公司的核心资产可能是模型权重、训练数据集、算法架构、工程化能力这些东西在资产负债表上要么体现为研发费用已经费用化了要么根本无法入账。但它们在市场上确实有价值甚至可能是最值钱的部分。这就导致账面净资产和实际价值之间存在巨大的偏离。第二收入的质量差异极大。同样是1000万收入一家AI公司可能是签了一个大客户的定制化项目明年续约不确定另一家可能是标准化API调用收入每月自然增长15%。这两种收入的估值倍数可以差三到五倍。所以看AI公司不能只看收入规模必须拆开看收入的结构和可预测性。第三人才和技术的绑定效应。AI领域顶尖研究员的稀缺性导致“人”本身就是估值的一部分。一个核心算法团队集体出走可能直接让公司估值腰斩。这种风险在传统行业里很少这么极端。理解了这三点你就能明白为什么AI公司估值需要一套专门的框架而不是简单套用某个行业的模板。2. 主流估值方法拆解从早期到成熟期怎么选2.1 早期阶段团队定价法里程碑折现天使轮和Pre-A轮的AI公司通常产品还没成型收入几乎为零这时候用什么方法答案是主要看团队辅以里程碑折现。团队定价法的逻辑很直白——在没有任何财务数据可参考的情况下投资人在赌的是“这帮人能不能做成”。具体怎么量化行业内常见的做法是给几个维度打分核心团队的技术背景顶会论文数量、大厂核心项目经历、过往创业或产业化经验、团队完整性算法、工程、产品、商务是否齐备、所在赛道的天花板。每个维度给一个权重加权算出团队分再对标同阶段同赛道的可比交易。我见过一个比较实用的做法是“对标法调整系数”。比如过去半年内同赛道有5家AI公司完成了天使轮投前估值中位数是8000万那么你的团队如果明显强于中位数水平可以上浮30%-50%如果团队有明显短板比如缺商务合伙人则下调20%-30%。这个方法虽然粗糙但在早期阶段已经足够作为谈判的起点。里程碑折现则是把公司未来的关键节点列出来——比如12个月内完成MVP、24个月内拿到10个付费客户、36个月内实现盈亏平衡——然后给每个里程碑设定一个完成概率用概率加权算出期望价值再折现回当前。这个方法的难点在于概率的设定非常主观但它的好处是让投资人和创业者对“钱花在哪里、要达到什么效果”有一个共同的预期框架。注意早期估值谈判中创始人最容易犯的错误是把“技术领先”等同于“估值高”。技术领先只是必要条件投资人更关心的是技术能不能转化为可持续的收入。如果你的技术很牛但商业化路径不清晰估值很难上去。2.2 成长期收入倍数法的正确打开方式到了A轮、B轮公司开始有收入了这时候收入倍数法PS法成为最常用的方法。但“用PS法”这三个字说起来简单实际操作中有大量细节需要处理。首先是用什么收入。AI公司的收入通常分几类项目制收入一次性交付、订阅制收入SaaS或API调用、技术授权收入IP授权费、硬件销售收入。这四类收入的估值倍数完全不同。项目制收入的质量最低通常给3-5倍订阅制收入质量最高可以给10-20倍甚至更高技术授权收入介于两者之间给5-10倍硬件收入通常给1-3倍。所以第一步是把收入拆开分别乘以不同的倍数再加总。其次是用哪一段收入。是用过去12个月的实际收入TTM还是用未来12个月的预测收入NTM成长期公司通常用NTM因为增长速度快用历史数据会严重低估。但用预测收入的风险在于预测可能不准所以精明的投资人会要求看“收入预测的实现历史”——你上一轮融资时预测的收入实际完成了多少如果历史完成率只有60%那这次的预测就要打个折。第三是倍数的选取依据。同样是订阅制AI公司为什么有的给15倍有的给8倍核心看三个指标收入增速、毛利率、净留存率NDR。收入增速超过100%的倍数可以到20倍以上增速50%-100%的15倍左右增速低于50%的可能只有8-10倍。毛利率方面纯软件订阅的毛利率应该在70%以上如果低于60%说明交付成本太高倍数要下调。NDR超过120%说明客户在持续增购这是最强的估值支撑信号NDR低于100%说明客户在流失倍数要大幅下调。我整理了一个简化的对照表可以作为快速参考指标优秀良好一般需警惕收入增速YoY100%60%-100%30%-60%30%毛利率75%60%-75%45%-60%45%NDR120%105%-120%95%-105%95%PS倍数参考15-25x10-15x6-10x3-6x这张表不是万能公式但它能帮你在谈判中快速定位一个合理的区间。2.3 成熟期DCF的适配性改造当AI公司进入C轮以后收入规模上来了现金流开始可预测这时候DCF现金流折现就有了用武之地。但直接套用教科书上的DCF模型会出问题因为AI公司的现金流特征和传统企业不同。第一个改造点是研发费用的处理。传统DCF里研发费用是当期支出直接扣减现金流。但AI公司的研发投入有很大一部分是在构建长期技术资产类似于制造业的资本开支。所以更合理的做法是把研发费用拆成两部分维持性研发保持现有产品竞争力和扩张性研发构建新技术能力。维持性研发作为当期费用扣减扩张性研发则资本化在后续年份摊销。第二个改造点是增长率的设定。AI公司的增长曲线往往不是线性的而是S型的——前期慢中间爆发后期放缓。所以不能用单一的永续增长率而要分阶段设定。通常的做法是前3年用高增长30%-50%中间3年用中等增长15%-25%第7年以后用永续增长率2%-3%。第三个改造点是折现率的选取。AI公司的风险高于传统企业所以折现率也要相应提高。实践中成长期AI公司的WACC通常在15%-25%之间具体取决于公司的收入稳定性、客户集中度、技术迭代风险等因素。如果公司收入主要来自一两个大客户折现率要往上限靠如果收入分散在几百个客户可以适当下调。2.4 特殊场景技术资产单独定价有些AI公司的情况比较特殊——主营业务还没起来但手里有一个很有价值的技术资产比如一个在特定领域达到顶尖水平的模型或者一组高质量的标注数据集。这时候整体估值法不太适用需要把技术资产单独拿出来定价。技术资产定价通常参考三个维度替代成本法重新构建这个技术资产需要花多少钱、市场比较法类似技术资产在市场上的交易价格、收益法这个技术资产未来能带来多少收益。三个维度算出来的结果取加权平均权重根据数据的可靠程度来定。替代成本法相对客观但容易低估技术资产的战略价值。市场比较法需要找到可比交易但AI领域的技术交易披露信息很少可比性也有限。收益法的弹性最大需要对技术资产的商业化路径有清晰的判断。实际操作中通常是三个方法都算一遍然后根据具体情况调整权重。3. 实操手把手搭建一个AI公司估值模型3.1 数据准备你需要收集哪些信息在开始建模之前先把需要的数据列一个清单。这些东西有些来自公司提供的材料有些需要你自己做行业研究来补充。公司层面的数据包括过去三年的财务报表利润表、资产负债表、现金流量表、收入明细按产品线、按客户、按收费模式拆分、客户数据数量、集中度、续约率、增购率、研发投入明细人员、算力、数据采购、团队信息核心成员背景、股权结构、期权池。行业层面的数据包括可比公司的估值倍数上市公司和最近融资的一级市场公司、行业平均增速、赛道天花板测算、技术迭代周期。把这些数据整理到一个Excel里分Sheet管理。我通常会用这几个SheetAssumptions假设页、Revenue_Build收入拆解、Cost_Model成本模型、Valuation估值汇总、Comps可比公司。假设页是最重要的所有关键假设都放在这里方便调整和做敏感性分析。3.2 收入预测自下而上vs自上而下收入预测是估值模型里最核心也最容易出问题的部分。我推荐用自下而上的方法因为AI公司的收入驱动因素比较具体自上而下拍一个大数很容易脱离实际。自下而上的逻辑是先拆客户群再拆每个客户群的获取成本和转化率最后算出收入。举个例子假设一家AI公司做的是智能客服SaaS客户群分三类中小企业年费2万、中型企业年费15万、大型企业年费80万。你需要分别预测每类客户的获取数量、转化周期、续约率然后算出总收入。这个过程中有几个关键假设需要特别注意获客成本CAC和客户生命周期价值LTV的比值。健康的SaaS公司LTV/CAC应该在3以上如果低于2说明获客效率有问题收入增长是靠烧钱换来的这种增长在估值时要打折扣。回款周期也很重要AI公司面对大客户时账期可能长达6-12个月这会严重影响现金流在DCF模型里必须体现。自上而下的方法可以作为交叉验证。比如你知道整个智能客服市场规模是200亿公司目前市占率2%如果预测三年后市占率达到5%那收入就是10亿。把这个结果和自下而上的预测对比如果差距很大就要回去检查哪个假设出了问题。3.3 参数选取折现率、永续增长率、倍数区间参数选取是估值中最需要经验判断的环节。我把自己常用的参数区间整理一下供参考。折现率WACC早期AI公司20%-30%成长期15%-25%成熟期10%-18%。具体取值看收入稳定性、客户集中度、技术风险。如果公司收入100%来自一个客户折现率直接取上限。永续增长率通常取2%-3%不要超过GDP增速。有些创业者喜欢把永续增长率设到5%甚至更高这等于假设公司永远跑赢经济大盘在模型里是不合理的。PS倍数前面已经给了对照表这里补充一点——倍数还受市场情绪影响。资本市场热的时候同赛道同指标的倍数可能上浮20%-30%市场冷的时候下调20%-30%也很正常。所以做估值的时候要标注清楚“基于当前市场环境”。敏感性分析这是必须做的。至少要对收入增速、毛利率、折现率三个变量做±10%的浮动看估值结果的变化范围。如果估值对某个变量特别敏感说明这个假设需要重点验证。3.4 从模型到谈判估值区间的呈现方式模型算出来的通常是一个具体数字但在实际谈判中你应该呈现的是一个区间而不是一个点。比如“基于我们的模型公司的合理估值区间是8-12亿”然后解释为什么下限是8亿保守假设下的结果为什么上限是12亿乐观假设下的结果。这种区间呈现方式有几个好处一是给自己留了谈判空间二是展示了你对不确定性的认知三是引导对方讨论假设而不是直接砍价。如果对方觉得12亿太高你可以问“你觉得哪个假设太乐观了”把讨论引向具体问题而不是陷入“你报高了”“你砍狠了”的拉锯。4. 估值谈判中的博弈与常见陷阱4.1 对赌条款估值的“隐形调整器”很多AI公司在融资时会签对赌条款比如承诺未来三年达到某个收入或利润目标达不到的话创始人要回购股份或补偿。这种条款本质上是对估值的调整——如果公司没达到目标实际估值就下降了。从投资人的角度对赌条款是保护自己的手段从创始人的角度签对赌要非常谨慎。我见过不少案例创始人为了拿到高估值签了激进的对赌结果市场环境变化没完成目标最后被迫回购股份个人财务陷入困境。如果一定要签对赌建议注意几点一是目标要留有余地不要按最乐观的预测来设二是补偿方式优先选股份补偿而不是现金回购三是设置不可抗力条款比如行业政策重大变化时可以重新协商。4.2 可比公司选择的艺术可比公司选择是估值中最容易被操纵的环节。想抬高估值就找倍数最高的可比公司想压低估值就找倍数最低的。所以专业的投资人会要求看一组可比公司而不是一个。选择可比公司时要关注这几个维度的相似性业务模式订阅制还是项目制、客户类型大B还是小B还是C端、收入规模、增长阶段、技术路线。如果找不到完全可比的可以放宽到“相邻赛道”但要说明差异并做相应调整。我通常建议创业者自己准备两套可比公司一套是“最可比”的通常倍数偏低但说服力强一套是“参照系”的包括一些更头部但业务有差异的公司用来展示行业天花板。两套都摆出来让投资人自己判断。4.3 常见问题速查表问题可能原因应对思路投资人说估值太高可比公司选择差异、增长假设分歧展示多套可比公司、做敏感性分析收入预测被质疑历史完成率低、假设过于乐观提供自下而上的拆解、引用第三方数据技术价值不被认可缺乏量化指标、商业化路径不清用替代成本法量化、展示付费客户案例团队价值被低估核心成员背景未充分展示准备团队履历、过往成果的详细材料对赌条款谈不拢双方风险偏好差异引入分阶段对赌、设置调整机制4.4 几个我踩过的坑第一个坑是过度依赖单一方法。早期我做估值时喜欢用PS法一把梭后来发现不同方法算出来的结果差异很大只用一个方法容易偏。现在我的习惯是至少用两种方法交叉验证如果差异超过30%就回去检查假设。第二个坑是忽略市场情绪。估值不只是数学题还是市场供需的反映。2021年AI赛道热的时候很多公司估值翻倍涨2022年市场冷了同样的公司估值腰斩。做估值时要对市场温度有感知不能只看模型。第三个坑是把预测当承诺。收入预测是估值的核心输入但预测就是预测不是承诺。有些创始人为了支撑高估值把预测做得特别激进结果给自己挖了坑。我的建议是预测可以乐观但要标注清楚关键假设和风险因素给自己留退路。5. 不同阶段AI公司的估值策略差异5.1 种子期故事团队赛道种子期的AI公司基本没有财务数据可看估值主要靠“故事”驱动。但这个故事不是随便编的它需要回答几个问题你看到了什么别人没看到的机会为什么你的团队能抓住这个机会你打算怎么把这个机会变成生意这个阶段估值谈判的焦点通常不在数字本身而在“里程碑设定”。投资人会给一个估值但分期打款每期对应一个里程碑。比如完成产品原型给30%拿到第一个付费客户给30%实现正向现金流给40%。这种结构对双方都相对公平。5.2 成长期数据增速单位经济模型到了成长期估值就要用数据说话了。这个阶段最核心的指标是单位经济模型——每获取一个客户花多少钱能赚回多少钱多久回本。如果单位经济模型是正的说明商业模式成立估值有支撑如果是负的说明还在烧钱换增长估值就要打问号。单位经济模型里最关键的指标是CAC回收期。健康的SaaS公司CAC回收期应该在12-18个月超过24个月说明获客效率太低。AI公司因为技术门槛高CAC可能比传统SaaS更高但回收期不应该超过24个月。5.3 成熟期现金流利润率护城河成熟期的AI公司估值回归到现金流和利润。这个阶段投资人关心的是公司能不能持续产生自由现金流利润率能不能维持或提升护城河够不够深能不能抵御竞争这个阶段的估值方法以DCF为主辅以PE和EV/EBITDA。AI公司的利润率结构通常和传统软件公司不同——研发费用占比更高但边际成本更低。所以看利润率时要区分毛利率和净利率毛利率应该向软件公司看齐70%净利率则取决于研发投入的强度。护城河的评估在这个阶段特别重要。AI公司的护城河可能来自数据积累、客户切换成本、技术专利、生态网络效应等。护城河越深估值溢价越高。我通常会用“如果竞争对手拿10亿来挖你的客户能挖走多少”这个问题来测试护城河的深度。6. 一个完整的估值案例复盘6.1 案例背景与数据去年我参与了一个AI医疗影像公司的估值项目。公司成立三年做的是肺结节AI辅助诊断主要客户是二甲以上医院。上一轮融资是两年前投前估值2亿。现在准备B轮融资年化收入约4000万毛利率65%NDR 110%收入增速80%。6.2 估值过程拆解第一步拆收入。4000万里软件授权收入2800万毛利率80%实施服务收入800万毛利率40%硬件配套收入400万毛利率20%。加权毛利率65%。第二步选方法。公司有收入有增速适合用PS法。但收入结构里有一部分是低质量的硬件和服务收入需要分开处理。第三步定倍数。软件授权收入2800万增速80%NDR 110%给12-15倍PS对应3.36-4.2亿。实施服务收入800万给4-5倍对应0.32-0.4亿。硬件收入400万给1.5-2倍对应0.06-0.08亿。加总估值区间3.74-4.68亿。第四步交叉验证。用DCF法算了一遍假设未来五年收入增速分别为70%、50%、35%、25%、15%折现率18%永续增长率2.5%算出来估值约4.2亿。和PS法的结果基本吻合。第五步调整。考虑到公司客户集中度较高前五大客户占收入60%估值取区间下限最终建议投前估值3.8-4.2亿。6.3 谈判结果与复盘最终这轮融资的投前估值定在4亿融了1亿。谈判过程中投资人主要质疑两点一是客户集中度二是收入增速的可持续性。我们准备了详细的客户 pipeline 和续约数据来回应同时接受了一个温和的对赌条款——如果明年收入低于6000万估值下调10%。复盘下来我觉得这个案例里最关键的是把收入拆开处理。如果直接拿4000万乘以一个统一的PS倍数算出来的结果要么高估要么低估。拆开之后每一块收入都有对应的估值逻辑谈判时也更有说服力。另外一点体会是估值模型算出来的数字只是起点最终成交价是双方博弈的结果。模型的作用是给你一个锚点和一套论据让你在谈判中知道自己的底线在哪里哪些地方可以让步哪些地方必须坚持。