AI 原生的成长型股权尽职调查：功能迭代速度、留存率与模型依赖

1. 界定投资决策

成长型股权尽职调查应从投资委员会必须作出的决策开始。委托应明确拟议证券、募集资金、所有权、治理权、预期持有期、回报框架和重大条件。宽泛地指示评估一家 AI 公司，可能产生大量活动，却无法解决决定资本配置的价格、结构和风险问题。

决策框架应识别运营论点。管理层可能主张，快速产品发布提高采用率，采用带来经常性客户成果，这些成果支持留存和扩展，规模改善贡献毛利。每个环节都需要定义、来源和观察期。某一环节的强劲结果并不能证明链条的其余部分。

在尽职调查加速之前，委员会应批准证据标准。该标准应区分经核实的记录、管理层陈述、经测试的计算、第三方证据和假设情景。重大缺失信息应保持可见。投资者还应决定哪些发现可以改变估值、证券条款、治理、分阶段融资、条件或停止决策。

2. 构建整合型尽职调查架构

商业、产品、技术、财务和治理工作流应使用同一份主张登记册。单独的报告可能以不同方式描述同一事实、采用不一致的期间，或遗漏跨职能的依赖关系。整合型架构将每项重大主张分配给负责人、来源、测试、复核人和投资后果。

该架构应涵盖产品目的、客户细分、发布历史、任务成功率、采用、留存、定价、收入确认、成本分摊、模型和云依赖、数据权利、安全、监管、组织、预测、资本需求和股权结构表。它还应保留这些要素之间的关系。一项新功能可以提高采用率，同时增加推理成本、实施工作或模型集中度。

NIST 的 AI 风险管理框架将组织实践与 AI 全生命周期内的映射、测量、管理和治理相衔接 [1]。其核心要求开展有记录的测试、评估、验证和确认，并要求在与部署条件相似的环境下进行生产监控 [2]。这些原则可支撑投资证据体系，但投资者必须根据具体交易和公司加以调整。

每个阶段都需要明确界定总体、来源、期间并经过复核，才能支撑下一项结论。

建立证据台账

证据台账是重大陈述的交易记录。每条记录应载明断言、指标定义、总体、期间、源系统、提取方法、计算方式、负责人、复核人、版本、局限性和潜在的投资应对措施。台账应链接至源文件，同时保留访问权限和保密控制。

管理层仪表盘是有用的起点。它们可能更改定义、排除失败活动、合并生产流量与测试流量，或在历史预测旁列示当前快照。尽职调查团队应将选定指标与源系统、合同和会计记录进行核对。重新执行应聚焦于驱动估值、下行保护或资金需求的主张。

台账应保留不利证据。失败的评估、流失的客户群组、成本超支、客户投诉和未解决的权利问题，比经过粉饰的数据室更能解释结果区间。每项例外事项都应明确负责人、财务影响、拟采取的行动和决策日期。在变通处理后将其删除会破坏审计轨迹。

表 1：核心证据台账字段

已填写字段需要来源证据，并需要与其投资重要性相称的审核。

4. 定义 AI 原生产品范围

尽职调查团队应确定公司在运营层面因何具备 AI 原生属性。产品可能训练专有模型、微调第三方模型、编排多个模型、应用检索与工作流逻辑、提供基础设施，或将外部 AI 服务嵌入更广泛的应用中。这些架构会带来不同的知识产权、成本、可靠性和转换风险。

产品图谱应识别每个面向客户的工作流、模型与数据路径、人工干预、生产环境和商业承诺。一家公司可能包含多种架构。一个工作流可能使用专有分类器，另一个可能路由至基础模型提供商，第三个可能需要专家审核。汇总后的利润率和可靠性可能掩盖这些差异。

范围界定也会影响可比性。经济性依赖第三方推理的公司不应仅作为传统软件来评估。服务密集型部署不应在没有证据的情况下被表述为自助式经常性收入。投资者应使用实际运营模式、合同权利和成本驱动因素，而不是一个标签。

5. 定义受控发布

功能交付速度需要一个稳定的分析单元。一次发布应代表一项生产变更，该变更触达符合条件的客户群体，并且能够与既定行为或结果相关联。代码提交、实验、内部演示和营销公告属于不同事件。将它们合并计算会奖励活动量，却未检验客户价值。

发布记录应包括目标用户、问题、负责人、审批、部署日期、符合条件的人群、触达逻辑、回滚计划、评估结果、事故历史和商业假设。重大模型、提示词、检索、数据和策略变更也应纳入，因为即使界面没有可见变化，它们也可能改变产品行为。

速度应与质量和可逆性一并评估。当遥测、测试和回滚能力较强时，频繁发布可以体现学习能力。它们也可能造成碎片化、支持负担和可靠性风险。投资者应衡量达到稳定生产、达到验收阈值并在观察窗口结束后仍获得支持的发布占比。

6. 衡量功能交付速度

有用的速度指标包括从问题获批到投入生产的前置时间、部署频率、发布验收率、回滚率、缺陷逃逸率、评估覆盖率和修复时间。分母应明确。已验收发布的中位前置时间，可能比被少数已放弃举措扭曲的平均值更能说明问题。

团队应按产品领域、客户类型和变更类别对速度进行细分。用户界面调整、模型迁移和受监管工作流需要不同的测试和风险容忍度。跨期比较应解释团队规模、架构、客户构成和发布政策的变化。

速度可与投资计划进行比较。如果增长需要一系列明确的企业控制、集成或工作流能力，尽职调查应检验历史吞吐量是否支持该序列。预测应包括探索、安全审查、客户验收和部署工作。仅凭工程估算并不能确立商业可用性。

7. 将版本发布与采用队列关联

每个重要版本发布都应有一个合格队列和一个暴露队列。资格界定谁可以使用该功能；暴露界定谁实际收到或发现了该功能。采用应区分首次使用、有意义使用、重复使用和成功使用。合格人群规模大但暴露有限，可能表明分发摩擦，而非产品被拒绝。

队列应保留开始日期、账户特征、合同、细分、地域和相关基线。团队应在可行时将暴露用户与合适的发布前基线或对照组进行比较。产品分析可以显示关联；因果主张需要更强的设计和明确说明的局限。

采用曲线应跟踪足够长时间，以区分新奇性和重复性工作流。在入职引导期间使用一次的功能可能缩短实施时间，但并未成为日常工作流。这种结果仍可创造价值，但应通过正确的机制进入收入和留存论点。

8. 定义任务成功和客户验收

AI 产品需要针对具体工作流的成功定义。响应可以在延迟目标内交付，但仍可能不准确、不安全或不可用。该定义可结合完成度、质量、可靠性、延迟、升级处理、审核工作量和客户验收。投资者应了解谁设定阈值以及该阈值与合同承诺的关系。

评估证据应覆盖与生产相似的条件，与 NIST 强调的文档化测试和生产监控一致 [2]。样本应代表重要客户群体和故障模式。精心策划的演示结果应与实际运行表现分开。人工评估应记录说明、评审人员、分歧和升级处理。

团队应追溯故障至客户和经济后果。低严重度错误可能产生有限成本；高风险工作流中的罕见故障可能限制市场准入或需要昂贵审核。总体准确率可能掩盖该分布。投资模型应反映实际用例和剩余控制措施。

9. 构建客户成果桥接

客户成果桥接将产品活动与买方所看重的结果连接起来。它从合同约定或预期的工作流程开始，跟踪符合条件的用户从接触到成功使用的过程，然后检验时间、成本、收入、风险或质量方面的结果。该桥接应识别新的定价、实施支持或客户人员配置等混杂性变化。

证据可以包括客户系统数据、已验收的可交付成果、服务水平、续约决定以及有记录案例研究。没有基线的客户证言可提供背景，但无法说明效果大小。投资者应区分公司计算、客户确认的结果和独立复现的证据。

结果持久性很重要。通过密集供应商支持实现的节省可能在规模化后无法持续。桥接应显示支持工时、实施投入和例外情况。即使 AI 功能的直接采用率较低，客户也可能因更广泛的产品组合而续约。归因应与证据保持相称。

客户价值应以基线、同期群、验收证据、交付投入和明示的局限性作为支撑。

10. 按同期群分析留存率

留存率应基于明确界定的人群和经济基础进行计算。客户数留存率、毛收入留存率、净收入留存率、产品留存率和工作负载留存率回答的是不同问题。团队应酌情将所选指标与合同以及已确认或已开票收入进行核对。

发布到留存分析会跟踪接触过重要功能的同期群，并比较续约、收缩、扩展和流失。观察窗口必须与合同和用量周期相匹配。近期同期群可能看起来健康，因为它们尚未进入续约期。成熟同期群可能反映的是较旧的产品和客户画像。两者都应展示。

公开文件表明，公司会谨慎定义和讨论留存率。DigitalOcean 在其 2025 年业绩中报告了净美元留存率，并同时披露了 AI 原生功能发布 [15]。Atlassian 将满意度、发布、支持、定价、套餐设计和 AI 产品与服务列为可能影响留存和扩展的因素 [16]。这些披露说明了相关变量；但它们并未为其他公司确立基准。

表 2. 发布到留存同期群结构

这些数值为假设值，仅用于说明尽职调查计算结构。

11. 诊断客户流失与收缩

流失复盘应采用有证据支持的账户层面原因。类别可包括产品契合度、质量、可靠性、安全性、采购、集成、支持、定价、预算、竞争对手、客户经营失败或战略变化。单一主要原因虽然方便，却可能掩盖相互交织的成因。

团队应比较所述原因、使用历史、支持记录、产品敞口、定价变化和账户备注。流失客户应按收入、利润率、行业、产品和依赖度细分。少数集中流失对预测的影响可能大于一批广泛但低价值的实验。

收缩值得单独分析。客户可能保留合同，同时减少席位、工作负载或高级功能。一项 AI 功能可以提高参与度，却无法阻止其他方面的预算削减。收入桥应按一致期间展示期初价值、流失、收缩、扩展、价格和汇率影响。

12. 检验扩展质量

扩展应与可重复的驱动因素挂钩。其可能来自更多用户、更高工作负载、新产品、价格、实施、收购实体或临时消费。投资者应将合同承诺与可变使用区分开，并识别支持采用的同一批发布是否也支持付费扩展。

消费型业务需要额外审慎。产品优化可能降低客户消费量，同时提升价值。使用量下降并不自动构成不利影响，由低效 Token 或算力使用驱动的增长也并不自动有利。分析应将使用单位与客户成果、价格和直接成本关联起来。

应检验扩展集中度。少数大客户可以创造有吸引力的净留存，同时增强其议价能力并提高预测波动性。模型应按同期群、细分市场和客户展示扩展，并列出销售管道假设和合同证据。缺乏支持的交叉销售假设仍应作为情景输入。

13. 核对收入质量

收入质量分析应将合同、账单、已确认收入、现金回款和产品证据核对一致。IFRS 15 确立了客户合同收入确认原则 [5]。尽职调查团队应获取针对具体交易的会计建议，并在相关情况下理解履约义务、可变对价、合同修改、主要责任人-代理人问题以及重大融资成分。

经常性标签需要审查。收入可能包括实施、定制开发、专家评审、培训、支持、市场平台代收代付或云转售。这些收入流可能具有商业价值，但具有不同的利润率、营运资金和可扩展性特征。模型应保留该收入组合。

团队应依据已签署条款和起始日期检验预订量、年化价值和销售管道主张。合同在手订单可能包含终止权、消费波动性、验收条件或部署延迟。现金回款应与已确认收入并列分析。客户成果可能强劲，而采购或验收延迟会造成流动性压力。

14. 分摊经常性交付成本

AI 原生利润率分析应包括交付合同成果所需的资源。直接成本可能包括模型推理、云计算、存储、数据获取、可观测性、编排、人工复核、实施、支持、服务抵扣和第三方许可。分类应与会计记录核对一致，同时支持经济视角。

促销抵扣、最低承诺和预留容量应清晰可见。抵扣期内的报告成本可能不代表可持续的经济效益。承诺可能降低单价，同时产生照付不议或利用率不足的风险敞口。尽职调查模型应在相关利用率情景下展示合同成本和经济成本。

微软 2025 年申报文件指出，与 AI 模型、服务、平台和基础设施相关的重大开发和运营成本 [17]。Alphabet 2025 年申报文件描述了 AI 产品不断上升的技术基础设施投资和运营成本 [18]。这些发行人特定披露支持检验成本架构的必要性；它们并非关于目标公司的直接证据。

15. 计算经常性边际贡献

经常性贡献毛利应使用明确的收入基数和完整的直接成本边界。团队应在数据允许的情况下计算账户、工作流和同期群视图。公司报告的毛利率可能掩盖一个不盈利的 AI 工作流，而该工作流由盈利的遗留产品或服务线支撑。

桥接分析应区分价格、数量、结构、供应商费率、模型选择、token 或工作负载强度、缓存、人工干预、支持和服务抵扣。改善应与已部署的变更和持续观察挂钩。如果一项预测同时假设更低的模型成本和更低的支持投入，就应说明两者的运营证据。

利润率质量还取决于客户价值。降低模型质量、上下文或审核可以降低成本，同时损害结果和留存。投资者应测试效果、延迟、可靠性和直接成本之间的有效前沿。单一优化指标无法体现全部四项。

16. 梳理依赖架构

依赖架构识别交付每项重大工作流所需的系统、权利和交易对手。它应涵盖基础模型、专有模型、云服务、加速器、数据、检索、向量存储、可观测性、安全、评估工具、集成、专家和授权内容。每项依赖都应关联客户承诺和成本。

对于每项依赖，尽职调查应记录供应商、合同、期限、续约、定价机制、用量承诺、服务水平、数据使用、知识产权分配、责任、终止、可移植性、替代方案、切换工作量及剩余限制。技术可替代性和合同可移植性是两个独立问题。

NIST 的生成式 AI 概况强调了生成式 AI 生命周期中的风险，并鼓励采取与组织目标和风险容忍度相一致的行动 [3]。依赖关系图将这些关切转化为投资证据。它应在工作流层面维护，因为一家公司可能在一个产品中具有很强的可移植性，而在另一个产品中存在重大集中度。

每一层都应针对权利、集中度、可替代性、切换时间和经济敞口进行测试。

17. 评估基础模型依赖

基础模型依赖应按工作流评估，而不仅是按供应商数量评估。一个产品可能调用多个模型，但在质量、延迟、企业条款或关键能力上依赖同一家供应商。团队应识别默认路由、回退行为、微调、提示词和评估资产、供应商特定功能以及故障模式。

合同审查应涵盖访问权限、定价、速率限制、服务承诺、数据处理、训练权利、输出条款、赔偿、地域限制、变更权和终止。技术测试应在可行替代方案下衡量效果和成本。一个未达到验收阈值的名义回退方案并不能提供同等韧性。

Atlassian 的申报文件指出，其依赖某些第三方 AI 模型、产品和集成提供商，并将可用性、司法管辖区和价格列为可能的风险敞口 [16]。这一公开披露说明了与依赖尽职调查相关的问题。目标公司的风险必须根据其自身架构、合同和测试来确定。

18. 测试模型可替代性

可替代性测试应使用具有代表性的生产工作流和经批准的验收标准。团队应比较结果质量、延迟、可靠性、安全性、上下文处理、工具使用、成本、集成工作量和运营控制。基准分数可以支持分析，但仍无法解决工作流性能问题。

切换时间应涵盖采购、安全审查、数据处理条款、实施、评估、客户批准、部署和监控。还应包括重建特定于供应商的提示词、微调、检索或防护措施所需的时间。公司应确定切换后哪些资产仍可使用。

投资模型可采用离散的依赖情景。基准情景可假设当前商业条款；下行情景可施加涨价、容量限制或质量下降；迁移情景可包含重复运行成本和延迟发布。假设应可追溯，并应避免在没有连贯原因的情况下暗示所有依赖同时失效。

表3. 依赖性与可移植性评分卡

评分应依据有据可查的证据以及特定工作流程的阈值。

19. 审查专有模型相关主张

关于专有模型优势的主张应予以拆解。公司可能拥有训练代码、权重、微调模型、合成数据、评估集、路由、检索、领域本体或工作流反馈。每项资产在权利、可复现性和商业相关性方面各不相同。仅笼统声称拥有所有权是不够的。

团队应审查开发记录、许可证、员工与承包商的转让协议、数据来源、训练许可、安全及模型文档。性能应在生产条件下对照相关基准进行测试。分析应包括复现所声称优势所需的成本和时间。

持久性取决于客户价值和竞争反应。如果供应商改进，或客户接受更便宜的替代方案，可衡量的性能领先优势可能会被侵蚀。专有资产还可以降低依赖性，同时提高训练、人才和算力要求。估值模型应同时纳入收益和义务。

20. 审查数据权利与来源

数据尽职调查应梳理来源、所有权、许可、同意、允许用途、地域、保留、转换、共享和删除。该梳理应覆盖训练、微调、检索、评估、监控和客户生成的反馈。支持某一用途的权利可能不支持另一用途。

团队应测试公司能否复现关键数据集，以及数据谱系能否在转换后保留。合成数据应保留生成方法和质量控制。客户数据应根据合同和政策进行隔离。公开可得本身并不构成不受限制的商业权利。

欧盟委员会的 AI 监管框架描述了因 AI 系统风险和角色而异的义务 [6]。OECD AI 原则为负责任的管理提供了国际参考 [7]。适用法律和合同要求取得合格的专业建议；投资记录应说明审查了哪些事项、由谁审查以及存在哪些限制。

21. 测试评估治理

评估治理应界定由谁批准指标、数据集、阈值、发布和例外。开发团队可以准备证据，而重大产品声明应受益于与风险相称的独立审查。记录应保留失败的测试，并解释任何阈值变更。

团队应审查离线评估、红队测试、人工审查、生产监控和客户验收。测试集应代表重要总体和已知故障模式。应评估训练与评估之间的泄漏。版本管理应关联模型、提示词、数据、代码和结果。

NIST 的 AI RMF 核心指出，评估期间使用的测试集、指标和工具应被记录，且应对生产功能和行为进行监控 [2]。投资者应检验公司证据是否支持其实际商业承诺，而不是仅支持通用合规检查清单。

22. 审查安全与韧性

安全尽职调查应涵盖产品、模型、数据、基础设施、身份、访问、密钥、软件供应链、客户集成、监控、事件响应和业务连续性。团队应识别哪些控制由公司管理，哪些依赖供应商。认证可以为证据提供支持，但认证范围与运行有效性仍需测试。

AI 特定场景可能包括提示注入、数据泄漏、不安全工具使用、模型提取、受污染的知识来源、不安全自动化和滥用。分析应聚焦产品架构和威胁模型。可能风险的目录并不构成暴露或控制的证据。

事件、未遂事件、漏洞和例外应关联到补救、客户影响、合同通知和成本。韧性测试应包括依赖中断和模型性能下降。重大发现可能影响条件、赔偿、准备金、投资时机或停止决定。

23. 评估云与算力集中度

算力集中度应从供应商、区域、加速器、容量承诺和工作负载维度进行评估。公司可能使用多项云服务，但关键产品却依赖单一区域或硬件类别。该图谱应包括部署、评估、训练、数据和业务连续性工作负载。

合同审查应涵盖价格、折扣、抵扣额度、承诺、容量、服务水平、数据位置、安全、终止和迁移支持。技术审查应测试可观测性、工作负载可移植性和恢复能力。财务模型应分别列示已使用成本和承诺成本。

CoreWeave 的 2025 年申报文件讨论了客户采用、性能、效率、剩余履约义务以及 AI 基础设施的融资 [19]。Oracle 的 2026 年申报文件描述了电力、容量和第三方数据中心依赖 [20]。这些基础设施披露说明了上游条件可能通过价格、可用性或供应商条款传导至应用公司。

24. 构建算力敏感性分析

算力敏感性应连接工作负载量、任务成功率、模型组合、输入和输出强度、缓存、批处理、延迟层级、供应商费率、抵扣额度和最低承诺。模型应与选定期间的发票和遥测数据核对一致。然后应衔接至经常性贡献毛利和现金。

团队应避免在查询差异很大时采用单一的每次查询成本指标。每次成功且被接受的工作流成本可能提供更强的经济单位，前提是成功得到清晰定义。模型还应展示失败尝试、重试、人工审核和闲置产能。

情景设计可以测试更高业务量、更低供应商费率、模型迁移、质量阈值、客户组合和承诺利用率。每个情景都应保持运营可行性。更低的成本可能需要质量权衡；更大的承诺量可能改善单位价格，同时增加现金风险。

这些数值为假设性数值，仅用于说明模型结构；它们不构成预测或估值结论。

25. 评估产品可靠性

可靠性应通过客户承诺来定义。衡量指标可包括可用性、延迟、错误率、成功完成率、升级、恢复、数据新鲜度和服务抵扣。总体正常运行时间可能掩盖可用应用内一个正在失败的 AI 工作流。

团队应审查服务目标、实际表现、事件、根本原因、补救措施和客户沟通。发布层面分析可以显示交付速度是否会提高事件频率或缩短恢复时间。重要客户细分和高峰时段应清晰可见。

可靠性经济性包括收入损失、服务抵扣、支持、返工、重复产能和客户流失。预测应包含支持增长所需的投资。有限规模下的强劲业绩记录并不能证明在预计业务量下的表现；容量与韧性计划应说明如何弥合这一差距。

26. 评估产品组织

组织尽职调查应梳理决策权、领导层、产品管理、工程、机器学习、数据、安全、可靠性、客户成功和财务。团队应检验负责人是否能够定义成果、建立产品度量、审查证据并响应事件。仅凭员工人数不能证明能力。

发布吞吐量应按团队规模、架构和变更类别进行归一化。关键人员依赖应包括技术知识、客户关系和审批权。投资者应审查继任、留任、激励、招聘计划及承包商风险敞口，同时遵守适用的雇佣和隐私要求。

运营计划应将招聘与具体制约因素联系起来。增加开发人员可能无法解决产品探索不佳、数据权利或企业审批缓慢的问题。计划中的专家岗位应包括时间安排、成本和临时控制措施。投资逻辑应反映交割后可用的执行能力。

27. 审查客户集中度与可参考性

客户集中度应跨收入、毛利润、现金回款、工作量和产品证据进行衡量。某客户可能占收入比例适中，却贡献较大比例的成功使用数据或产品方向。投资者应同时理解商业和技术层面的集中度。

合同应审查期限、终止、续约、定价、最低承诺、验收、服务水平、责任、数据权利、宣传和控制权变更。客户参考电话需获得客户同意，并使用受控问题集。记录应区分管理层选定的推荐人与代表性样本。

客户参考证据应检验问题重要性、实施、结果、可靠性、支持、替代方案、续约意向和扩展。它还应记录局限性和客户特定因素。单个热情的参考客户不能证明整个投资组合的留存情况。在允许的情况下，调查结果应与使用、支持和商业记录核对一致。

28. 分析市场与竞争地位

市场尽职调查应界定客户问题、经济买家、用户、预算、采购流程和可信替代方案。AI 原生企业可能与软件供应商、内部开发、外包服务、模型提供商或持续人工操作竞争。市场规模应依据可覆盖的工作流和支付意愿。

竞争证据应比较客户成果、质量、集成、安全、部署、价格、直接成本和切换。功能数量可能产生误导，因为各项能力在生产就绪度和客户接受度上存在差异。团队应审查赢单/输单记录、竞争对手参考客户和续约决策，同时保留样本局限性。

投资论点应说明优势所在及其可能如何变化。提供商改进可以增强产品，也可能压缩差异化。开放模型可以降低成本或加剧竞争。监管可以提高进入壁垒和合规成本。情景分析应将这些力量与客户成果、留存和利润率联系起来。

29. 检验定价与套餐设计

定价尽职调查应将计费单位映射到客户价值和公司成本。按席位、工作流、成果、订阅、用量和混合结构会以不同方式分配风险。团队应按客户群组审查标价、实际价格、折扣、抵扣、最低承诺、超额用量、服务和续约机制。

套餐设计应显示哪些功能推动获客、采用、扩展和留存。以较低或零增量价格提供 AI 功能，可以支撑更广泛的平台，同时增加托管成本，正如 Atlassian 在其申报文件中将其描述为风险 [16]。这一发行人特定陈述说明需要检验目标的套餐经济性。

价格实验应与合同约定结果分开。投资者应检验支付意愿、采购反应、使用弹性和流失率。假设更高价格和更高采用率的预测应解释客户价值和过渡计划。价格变化还可能改变支持、渠道和收入确认要求。

30. 评估市场进入的可重复性

市场进入分析应追踪目标客户、合格机会、技术验证、安全审查、商业审批、实施、采用和续约。周期时间应按客户和用例细分。即使演示进展迅速，AI 产品也可能经历漫长的评估和治理阶段。

团队应核对客户关系记录、合同、产品遥测数据、实施记录和收入。销售管道阶段应具有基于证据的退出标准。合作伙伴来源、创始人主导和自助服务路径应分别列示，因为产能和转化率可能不同。

可重复性不仅需要历史增长。公司应展示明确的问题、可供参考的成果、可行的部署、支持能力和跨连续客户群组的单位经济模型。预测应包括复制该市场进入动作所需的销售、解决方案工程、安全、实施和客户成功资源。

31. 基于运营驱动因素构建预测

预测应以客户群组和运营驱动因素为起点。期初客户、新客户获取、激活、成功经常性使用、续约、收缩、扩张、定价和收入时点构成商业桥接。工作负载、模型组合、供应商费率、支持和实施构成成本桥接。

每项假设都应有来源、基期和负责人。历史证据可能支持一个区间，而非一个点值。近期产品变化可能缺乏成熟的续约数据。模型应说明管理层判断在何处超出已观察证据，并应保留替代情景。

资产负债表和现金流量表应遵循运营模型。递延收入、应收账款、供应商承诺、资本化开发、租赁、债务、税费和交易成本可能影响流动性。预测应与会计政策保持一致，并在需要时接受具备资质的复核。

表4. 预测假设证据映射表

每项假设都应保留来源、观察期和经批准的情景范围。

32. 构建连贯的情景

情景应描述内部一致的经营状态。基准情形可假设当前的产品接受度、经衡量的留存率和计划招聘。上行情形可将更强的采用率与经证实的支持杠杆效应相结合。下行情形可将较慢的企业部署、较弱的续约和更高的模型成本相结合。每种情形都应说明其作用机制。

团队应避免在一个情形中混合所有有利假设而不考虑运营依赖关系。更快的发布可能需要更多的评估和可靠性容量。更高的客户量可能在效率显现之前增加支持和营运资金需求。更低的供应商价格可能在改善利润率的同时吸引竞争对手。

情景概率应谨慎使用。在证据有限的情况下，区间和决策阈值可能更具透明度。投资委员会应看到哪些假设驱动证券价值、资本需求和回报。敏感性分析不应取代关于业务如何运营的连贯叙述。

33. 确定资本需求和现金跑道

资本需求应覆盖从签约到可信的下一轮融资、自我资金平衡点或战略决策的期间。它应包括经营现金、供应商承诺、营运资金、交易成本、债务偿还、或有付款和流动性储备。模型应使用实际的证券条款和交割条件。

尽职调查计划应识别需要时间和现金的证据里程碑。企业续约、模型迁移、认证和市场扩张可能超出拟定的现金跑道。分阶段证券可使资金与证据相匹配，同时引入执行和控制方面的考量，这些需要法律和税务建议。

现金跑道应在收入延迟、成本上升和交割风险下进行测试。已签署的条款清单并不提供现金。公司可能需要具备在文件编制、审批和收款期间持续经营的能力。投资者还应了解，客户或供应商信心是否取决于资产负债表实力。

34. 将调查结果转化为估值

估值应遵循目的、基础、方法、证据和证券权利。IFRS 13 将公允价值定义为基于市场的计量，并建立了计量和披露框架[4]。国际估值标准提供了与估值委托相关的标准[8]。可能需要针对具体交易的合格专业建议。

市场法可使用可比公司和可比交易，并根据增长、留存率、利润率、集中度、资本密集度、权利和风险方面的差异支持调整。收益法可将队列和成本证据转化为现金流。近期融资可提供背景信息，但需要审查权利和市场条件。

尽职调查发现应通过明确的驱动因素进入模型。成熟的留存队列可影响收入的持久性；模型集中度可影响利润率、资本需求或情景区间；证券方面的发现可影响交割条件和投资。任意折扣可能重复计算预测中已经反映的影响。

35. 对证券分配瀑布建模

没有资本结构，企业价值无法确定当前股东价值。模型应包括现金、债务、可转换证券、优先权、参与权、反稀释、认股权证、期权、期权池变化、批次和交易成本。定义应遵循实际文件并经过合格法律审查。

分配瀑布应展示不同企业价值情景下的收益，并将其转化为投资者的所有权、回报和下行结果。新融资可改善经营价值，同时改变证券之间的分配。里程碑批次、清算优先权和治理权可同时影响保护和激励。

委员会应同时评估价格和条款。具有优先经济权利的高名义估值可能产生与条款更简单的较低价格不同的结果。决策包应保留股权结构表来源、假设和敏感性，以便结果可复现。

36. 设计投资保护措施

保护措施应针对重大且有证据支持的风险作出回应。它们可能包括先决条件、分阶段出资、信息权、董事会权利、保留事项、契约、资金用途控制、关键人员条款、陈述与保证、赔偿条款或具体的补救计划。其可行性和效果需要法律、监管和税务建议。

团队应避免用条款替代对业务的理解。契约无法创造客户价值或模型可移植性。它可以提供信息权、同意权或干预权，同时可能限制运营和未来融资。每项保护措施都应具有明确的风险、触发条件、补救措施和监控来源。

交割条件应能够进行客观验证。对改进技术或令人满意业绩的模糊要求可能引发争议。来自尽职调查台账的证据可以支持具体交付物、验收测试和授权签核。剩余风险应保留在投资建议中。

37. 构建投资评分卡

投资评分卡应结合证据强度、经营结果、财务影响和拟议应对措施。它应避免使用单一不透明的总分来掩盖致命问题。类别可以包括客户价值、留存率、经济性、依赖性、数据权、安全、团队、市场、预测、流动性和担保条款。

每项评分都应遵循经批准的评分细则，并关联至基础证据。委员会应将置信度和局限性与结果分开看待。由小样本支持的强观察结果不同于由完整总体支持的弱结果。两个维度都很重要。

评分卡应支持判断，而非使判断自动化。决策者应记录理由、异议、条件和未决事项。初始审查、最终批准和交割之间的变更应进行版本管理。该记录随后可以支持投后治理。

委员会应考虑经营结果、证据置信度、局限性、价值影响和拟议行动。

表5. 投资评分卡字段

评分不能凌驾于重大停止条件或专家意见之上。

38. 准备投资委员会材料包

投资委员会材料包应说明所请求的决策、证券、价格区间、募集资金、所有权、治理、回报情景和条件。随后应呈现经营论点、证据链、重大发现、情景模型、资本需求、分配瀑布、保护措施、局限性和建议。附录应保留详细台账和专家报告。

材料包应区分事实、经测试的计算、管理层陈述和情景。来源日期和版本很重要，因为在流程中产品和财务证据可能发生变化。传阅后的重大变化应予以突出显示，而不是悄然纳入。

委员会应有足够时间质疑假设。问题和答复应纳入决策记录。批准应明确最终谈判的授权权限，并界定需要重新批准的变化。没有条款边界或交割条件的估值区间会使委托不完整。

材料包应包含从初始论点到最终建议的清晰衔接。每项重大变化都应识别导致该变化的证据、受影响的模型输入以及拟议的委员会应对措施。这种纪律有助于审阅者区分真正的认知更新与估值区间中无法解释的变动。它还可降低以下风险：有利的经营证据被迅速纳入，而不利发现仍孤立于专家附录中。

专家结论应保留其适用范围。技术审阅人可能确认替代模型通过了既定测试，同时将合同可移植性、客户同意和迁移成本留给其他顾问。整合后的材料包应连接这些边界，而不暗示更广泛的保证。法律、税务、会计、网络安全和估值意见应归属于合格提供方，并在其声明的假设范围内使用。

39. 建立投后监控

投后监控应延续尽职调查的证据架构。公司可以按受控节奏报告版本发布验收、成功重复使用、留存、直接成本、依赖敞口、事件、现金、预测和契约状态。定义应保持稳定，或显示有文件记录的衔接。

董事会报告应聚焦于与投资论点挂钩的阈值。若客户成功和可靠性保持稳定，发布量激增可能是有利的；若支持需求、事故或客户流失上升，则可能需要干预。应在切换选项受到限制之前，安排依赖测试和合同续约。

投资者应跟踪整改承诺、资金用途和融资里程碑。例外事项应有负责人和日期。监控应保持适度，并尊重管理层权限、保密要求和适用法律。目标是形成及时的决策依据，而非重复运营工作。

监控设计应处理指标漂移。随着产品、定价和客户群体变化，管理层可能需要修订定义。董事会材料应保留原指标、修订后指标、变更原因，并在可行时提供可比期间的衔接。若某项指标在分母变更后改善，若无调节表，不应将其作为经营进展呈现。

投资者还应在合同到期或容量续约之前安排依赖事项决策。若剩余期限过短而无法执行迁移测试，该测试的价值有限。时间表控制可将供应商续约、客户承诺、流动性门槛和产品路线图连接起来。这使选择权变得可观察，并让董事会有时间批准切换、谈判保护条款、为重复建设提供资金，或在有书面理由的情况下接受风险敞口。

40. 结论

AI 原生的成长型股权尽职调查应遵循从发布到客户价值、留存、经常性经济效益和安全结果的完整链条。当发布有明确定义、经过测试、被采用并与持久工作流关联时，产品交付速度可提供有用证据。客户和财务记录必须完成衔接。

模型、数据、云和算力依赖会影响质量、连续性、利润率和资本需求。应在工作流层面进行梳理，并通过合同、类生产评估和可行的迁移计划加以测试。缺乏支持的关于可移植性或专有优势的主张应继续作为限制条件。

投资委员会需要可复现的决策记录。证据台账、连贯情景、估值桥、安全控制瀑布和评分卡将尽职调查与价格、条款、治理、行动或终止决策连接起来。它们还为投后监控建立受控基线。最终决策仍取决于具体事实，并需要专业判断和专家建议。

有纪律的流程应在时间压力下仍可使用。明确的负责人、注明日期的来源、受控计算和清晰的决策权，使团队能够更新证据而无需重建整个论证。这种运营纪律可以提升谈判准备度、交割控制以及投资后首批董事会决策的质量。

参考文献

1. 美国国家标准与技术研究院，人工智能风险管理框架 1.0， https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10
2. 美国国家标准与技术研究院，AI RMF 核心， https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
3. 美国国家标准与技术研究院，《人工智能风险管理框架：生成式人工智能概况》， https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
4. 国际财务报告准则基金会，IFRS 13 公允价值计量， https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
5. 国际财务报告准则基金会，《国际财务报告准则第15号——客户合同收入》 https://www.ifrs.org/issued-standards/list-of-standards/ifrs-15-revenue-from-contracts-with-customers/
6. 欧盟委员会，《人工智能监管框架》， https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
7. 经济合作与发展组织，OECD AI 原则， https://oecd.ai/en/ai-principles
8. 国际估值标准理事会，《国际估值标准》， https://www.ivsc.org/standards/
9. 国际标准化组织，ISO/IEC 42001 人工智能管理体系， https://www.iso.org/standard/81230.html
10. 美国证券交易委员会，EDGAR 公司申报文件数据库， https://www.sec.gov/edgar/search/
11. 美国证券交易委员会，在金融行业人工智能圆桌会议上的发言，2025年3月27日， https://www.sec.gov/newsroom/speeches-statements/crenshaw-remarks-ai-roundtable-032725
12. 美国财务会计准则委员会，《会计准则汇编》第606号主题， https://asc.fasb.org/topic&trid=2129938
13. 国际清算银行，人工智能主题出版物， https://www.bis.org/topic/artificial_intelligence.htm
14. Amplitude Inc.，年度报告及向美国证券交易委员会提交的文件， https://investors.amplitude.com/financial-information/sec-filings
15. DigitalOcean Holdings Inc.，向美国证券交易委员会提交的 2025 年第四季度及年度业绩， https://www.sec.gov/Archives/edgar/data/1582961/000158296126000015/a2025-q4dopressrelease.htm
16. Atlassian Corporation，2025 年年报， https://www.sec.gov/Archives/edgar/data/1650372/000165037225000060/team2025annualreport.pdf
17. Microsoft Corporation，向美国证券交易委员会提交的 2025 年年报， https://www.sec.gov/Archives/edgar/data/789019/000095017025100235/msft-20250630.htm
18. Alphabet Inc.，向美国证券交易委员会提交的 2025 年年报， https://www.sec.gov/Archives/edgar/data/1652044/000165204426000018/goog-20251231.htm
19. CoreWeave Inc.，向美国证券交易委员会提交的 2025 年年报， https://www.sec.gov/Archives/edgar/data/1769628/000176962826000104/crwv-20251231.htm
20. Oracle Corporation，向美国证券交易委员会提交的 2026 年年报， https://www.sec.gov/Archives/edgar/data/1341439/000119312526277521/orcl-20260531.htm
21. Snowflake Inc.，年度报告及 SEC 申报文件， https://investors.snowflake.com/financials/sec-filings/default.aspx
22. C3.AI Inc.，年度报告及 SEC 申报文件， https://ir.c3.ai/financials/sec-filings/default.aspx
23. NVIDIA Corporation，财务报告及 SEC 申报文件， https://investor.nvidia.com/financial-info/financial-reports-and-sec-filings/default.aspx
24. 美国国家标准与技术研究院，AI RMF 实施手册， https://airc.nist.gov/airmf-resources/playbook/
25. 美国国家标准与技术研究院，用于评估 AI 系统的 TEVV-Athlon 框架， https://www.nist.gov/artificial-intelligence/ai-research/tevv-athlon-framework-evaluating-ai-systems
26. IFRS 基金会，关于计量非上市股权工具公允价值的教学材料， https://www.ifrs.org/content/dam/ifrs/supporting-implementation/ifrs-13/education-ifrs-13-eng.pdf