AI 基于使用至毛利分组的初创企业估值

1. 界定估值问题

估值应始于拟估值的权益、计量日、目的、价值标准、计量单位和交易背景。融资谈判、员工期权行权、财务报告计量、收购、二级出售和内部规划活动可能需要不同的输入、权利分析和专业标准。团队应说明其估算的是企业价值、股权价值、某一证券价值还是交易区间。

该问题应识别资本结构、优先权利、债务、现金、期权、认股权证、可转换证券和预期融资需求。当适用清算优先权、参与权、反稀释、优先顺位或里程碑条款时，表面投后估值数字可能与普通股权价值存在重大差异。模型应保留这些差异，而不是将每一股份在经济上视为完全相同。

使用证据进入估值，是因为它可以为收入持久性、利润率、资本需求和风险提供信息。它并不会形成独立的估值公式。该框架将运营观察与既定的市场法和收益法联系起来，同时明确假设与局限。

2. 确立计量边界

范围应包括产生经济价值的法律实体、产品、模型、客户合同、数据权利、基础设施承诺和人工服务。AI 产品可能依赖第三方基础模型、云额度、承包商、嵌入式服务或创始人劳动投入，而这些未充分反映在当前成本中。这些依赖关系应纳入分析。

团队应梳理知识产权归属、许可、开源义务、客户数据权限、模型提供商条款和重大限制。产品价值可能取决于使用训练数据、保留输出、改进模型、分发集成和服务受监管客户的权利。实际权利需要由具备资质的法律审查确认。

财务数据与产品数据应采用共同的期间和主体范围。来自某一产品的队列活动不能与另一产品的合并收入或现金成本进行机械比较。对账可识别哪些观察结果支持预测，哪些仍属方向性判断。

3. 构建从使用到利润率的链条

该链条从合格账户和用户开始，随后依次为激活、有效使用、任务尝试、成功结果、重复性工作流、付费转化、留存、收入、模型直接成本、服务投入和边际贡献。每一步都有定义、来源、负责人和观察窗口。链条中的断点将成为尽职调查问题。

活动应与经济单元挂钩。开发者工具可按席位、token、执行次数或企业合同定价。客户支持代理可按已解决案例或容量定价。科研平台可将订阅与算力结合。队列模型应展示产品单位如何转化为计费单位，以及计费单位如何转化为实收现金。

链条应保留失败和未付费活动。排除不成功任务或免费用户可能高估产品效率。不加区分意图而纳入所有原始事件，可能低估高质量工作流的价值。因此，细分与对账至关重要。

数据血缘应追踪每项指标从源事件经转换、报告到财务使用的全过程。公司应保留事件结构、查询逻辑、排除项、版本和负责人。产品埋点变更可能造成人为的队列变动；应在趋势分析前识别这些变动。抽样可检验记录的活动是否代表所述客户结果。访问权限和变更控制有助于使分析在后续尽职调查日可复现。

链条还应记录时间。七日内衡量的激活不同于一年内任意时点的激活。成功任务后发生续费，与未付费试用中的成功任务，所提供的证据不同。观察窗口、删失和队列成熟度应清晰可见。当可用历史较短时，估值应采用更宽的敏感性区间，并避免从不完整队列外推成熟留存曲线。

只有当产品信号通过付费结果和经济成本实现对账时，才能支持估值。

表 1. 从使用到利润率链条的证据映射

定义应针对特定产品和定价模型获得批准。

4. 定义账户与用户同期群

同期群应按有意义的起始事件对客户或用户进行分组，例如合同签署、激活、首次成功完成任务、付费转化或生产环境部署。日历同期群揭示随时间发生的变化；行为同期群揭示产品路径差异；商业同期群揭示定价、渠道和客户细分经济性。单一同期群方案很少能回答所有问题。

分析单位应与购买和使用模式相匹配。一份企业合同可能包含许多用户、应用和部门。用户留存率可能下降，而账户收入却通过自动化扩大。开发者平台可能拥有许多个人用户，而其雇主控制采购。因此，在具有重要性时，分析应同时保留账户层面和用户层面的视角。

同期群成员资格和观察窗口必须保持稳定。在业绩已知后将弱势客户移入新类别会引入偏差。收购、迁移和定价变化应予以识别，以便历史比较仍可解释。

5. 区分符合资格用户、注册用户和活跃用户

注册用户可能包括受邀、重复、测试、不活跃、自动化和免费账户。符合资格的用户是指获准且能够使用产品的用户。活跃用户是在一定期间内执行了定义明确且有意义事件的用户。该事件应反映价值创造，而不是登录或后台调用。

日活跃和月活跃指标需要明确说明分母和时区。较高的日活跃与月活跃之比可以表明工作流频率，但自动化活动或规模很小的专业同期群可能会扭曲该比值。团队应检查分布，而不是依赖单一平均值。

企业产品通常通过采用前预配置的席位实现扩张。同期群桥接应展示合同席位、已配置用户、已激活用户、经常性用户和付费使用率。这将销售主张与产品现实联系起来，并识别扩张能力。

6. 定义有意义的产品事件

有意义的事件代表客户任务取得进展：已解决的工单、已接受的代码变更、已完成的分析、已批准的文件、已部署的模型、已在生产中使用的生成设计，或另一项经验证的成果。提交提示词、生成 token 或页面浏览可能属于输入，而非成果。

事件定义应涵盖质量、用户意图、重复和撤销。后续被丢弃的生成答案不应与已接受的答案同等计入。因失败而重复的任务不应虚增成功量。数据采集应分别保留尝试与结果。

事件定义的变更需要版本控制。当产品增加智能体或自动化功能时，事件计数可能机械性上升。历史序列应尽可能重述，或显示断点，以免将增长与分类体系变化相混淆。

7. 衡量激活至首次价值

激活应标志预期成果的首次可信交付。首次价值实现时间会影响转化和留存，因为客户在获得收益前需承担集成、学习和变革管理成本。该指标应从明确界定的起点开始，并且仅在合理情况下排除等待期。

队列分析应展示按日或按周激活的比例、中位时间、分布尾部以及失败原因。按渠道、公司规模、集成路径和用例细分，可以揭示表面上的产品市场契合是否依赖于高投入服务。

创始人主导的试点可能更快激活，因为团队提供了卓越支持。可扩展的估值案例应针对这类投入进行标准化调整，并检验后续队列是否能在质量相当且协助更少的情况下实现价值。

8. 构建任务成功漏斗

任务漏斗从符合条件的需求开始，然后是已尝试任务、技术上完成的任务、通过质量检验的任务、用户接受的成果和具有经济价值的成果。每个阶段消除一种不同的失败模式。没有准确性或接受度的技术完成可能产生有使用而无价值的结果。

质量测试应契合具体情境。编程产品可采用测试和评审验收。研究产品可采用来源保真度和事实校验。客服产品可采用解决率、升级率和满意度。高风险用例可能要求人工审批和部署后监控。

延迟、可用性和一致性会影响成功。模型可能在基准测试中准确，却因速度慢、不可靠或难以控制而不适合生产环境。因此，队列证据应结合产品、运营和人工成果。

示例性阶段将原始活动与已接受及具有经济价值的成果区分开来。

表2. 任务成功度衡量设计

指标和阈值应反映产品、客户以及错误后果。

9. 衡量重复使用与工作流深度

重复使用应按账户、用户、用例和任务进行观察。仅看频率可能会奖励琐碎或低效的使用。工作流深度考察有多少实质性步骤、团队、数据源和决策依赖于该产品。更深的集成可以支持留存，同时增加实施和支持负担。

同期群视图应区分经常性运营工作流与偶发性项目。尽职调查工具即使使用不规律也可能有价值；每月不活跃并不一定意味着流失。留存窗口应与自然工作周期和合同相匹配。

跨部门或跨工作流的扩展可以表明产品价值。它也可能反映折扣捆绑或集中采购。分析应将使用扩展与付费合同价值和服务成本联系起来。

10. 区分人工用户与机器用户

智能体产品可以替代或增强人工活动。机器用户可能会持续调用系统，而人工席位减少。估值模型应区分人工用户、服务账户、API 客户、智能体和下游应用，因为它们的使用情况和支付意愿不同。

机器生成事件可能通过智能体循环、重试或编排而叠加。系统应检测失控活动，并将其归因到原始客户和工作流。由低效驱动的令牌或调用增长不应被视为采用。

定价可能从席位转向使用量、容量或成果。预测应建模这一转变、客户采购、计费控制以及利润率影响。历史席位指标可能在收入跟上之前就失去相关性。

11. 连接使用量与付费转化

转化桥接应展示免费、试用、试点、付费试点、初始生产及规模化生产群组。每个阶段都需要明确的商业事件和时间窗口。已签署的试点与经常性生产合同带来的收入持久性不同。

转化应按账户和经济价值衡量。折扣较大时，高客户数转化率可以与疲弱收入并存。如果留存账户以有吸引力的利润率扩张，较低的转化率仍可创造价值。因此，渠道和细分市场组合应保持可见。

分析应识别抵扣额、免除的实施费、促销性模型成本和合作伙伴补贴。这些可以支持客户获取，但稳态经济性要求考虑其到期和替代成本。

12. 按产品和群组分析留存

客户数留存、总收入留存和净收入留存回答的是不同问题。AI 初创企业还应考察留存的成功任务、工作流留存和付费使用量。在承诺合同下，产品使用量下降时收入仍可保持稳定；使用量增长时，价格压缩可能限制收入。

留存应拆分为流失、收缩、扩张、价格、产品迁移和外汇影响。群组表应展示续约窗口和合同条款。观察期不完整的近期群组不应被当作已完全成熟来比较。

客户集中度会影响解读。一个扩张账户可能掩盖大范围收缩。估值论证应展示经集中度调整的留存，以及头部客户对增长和利润率的贡献。

13. 衡量货币化与价格实现

标价、合同价、开票价和实收价可能不同。分析应核对单位、层级、最低消费、超额用量、折扣、抵扣、退款和实施费。成果定价要求清晰定义成果和争议处理流程。

价格实现应按群组和使用场景观察。早期设计合作伙伴可能获得异常优惠的条款。后续群组可能因产品改进而支付更多，也可能因竞争对手和模型成本下降而支付更少。预测假设应反映证据，而不是单一公布价格。

价值获取可能滞后于客户价值。初创企业可能刻意低价以加速采用。估值论证应说明未来重新定价的机制和证据，包括续约权、采购限制和客户替代方案。

14. 将产品数据与收入核对

收入桥接应将合同、开票、确认收入、递延收入、剩余义务和回款与产品使用量连接起来。按使用量计费的企业需要明确的截止时点、计量方式、价格表和争议处理方式。订阅企业需要席位、功能和服务权益的证据。

差异可能揭示实施延迟、未使用的承诺、超额消耗、抵免或会计确认时点。应按群组解释这些差异。积压订单或剩余履约义务可提供背景信息，但不能替代现金回收或未来利润率。

管理层指标应保持其定义不变。基于近期某一月份的年度经常性收入，在消费波动时可能高估其可持续性。团队应说明年化方法和敏感性分析。

15. 梳理完整的服务成本

直接成本可包括模型推理、云计算资源、向量数据库、存储、数据授权、检索、可观测性、安全工具、第三方 API、支持、客户成功、人工审核和分摊运营成本。促销抵免和创始人人力成本应单独列示，以便看清稳态成本。

共享成本需要与工作负载挂钩的分摊动因。仅凭 token 可能无法反映加速器类型、上下文长度、延迟、重试、缓存、批处理或预留容量。该方法应保持一致，并对照发票和基础设施记录进行验证。

成本应按客户、产品、任务和群组进行衡量。汇总毛利率可能掩盖不盈利的大客户或工作负载。群组层面的成本可识别定价、路由、产品设计或支持服务必须改变之处。

16. 构建推理成本瀑布图

瀑布图从客户活动开始，并将其转化为模型调用、输入和输出 token、加速器时间或供应商费用。然后叠加编排、检索、存储、数据、监控、失败尝试、人工审核和支持。缓存、路由、批处理和模型选择会降低特定层级的成本。

单位成本应按尝试任务、成功任务、被接受的结果和收入单位分别列示。按成功结果计算的成本通常更有助于决策，因为失败仍会消耗资源。模型应保留供应商最低收费和承诺容量。

市场层面的算力成本下降不会自动改善公司利润率。使用强度、模型质量、延迟目标、客户结构、供应商合同和竞争性价格传导可能抵消节省。情景分析应让这些相互作用清晰可见。

示意性数值展示了原始模型成本如何扩展为每个被接受任务的经济成本。

表3. 成本分摊控制

分摊应与供应商发票、工资单和会计核算范围核对相符。

17. 分摊人工审核与纠正成本

人工审核可以是产品功能、控制要求或临时变通方案。队列模型应识别由谁审核、以何种技能和成本审核、针对哪些任务审核，以及纠正率是多少。未记录的创始人或工程师干预可能使早期毛利率看起来强于经济实质。

分析应区分客户入驻、实施、常规审核、异常处理和客户支持。有些成本随产品成熟而下降；另一些则随客户采用更高风险的工作流而上升。来自后续队列和标准操作程序的证据支持规模化假设。

自动化应结合结果质量和成本进行评估。取消审核可能降低费用，并增加错误、返工或流失。预测应针对实际使用场景对所需控制进行建模。

18. 衡量经常性贡献毛利

贡献毛利的计算应始于在所选分析口径下收取或确认的收入，然后扣除可变模型、数据、基础设施、支持和服务成本。应说明该定义，并与会计毛利核对相符。产品开发和市场推广成本可单独分析。

队列表应显示获客、激活、早期生产、续约和扩展阶段的毛利。当实施带来持久收入时，初始负毛利可能是合理的；回收期和证据应明确。扩展阶段持续负毛利可能表明定价不当或产品经济性薄弱。

毛利离散度很重要。中位数、四分位数和最大客户可揭示改善是广泛的，还是由单一合同驱动。估值应反映所观察曲线的可重复性。

19. 检验贡献毛利曲线

该曲线将客户或工作负载成熟度与贡献毛利相关联。改善可能来自更好的激活、模型路由、缓存、自动化、支持效率、价格、用量承诺和基础设施利用率。恶化可能来自更大的上下文、高级模型、延迟、复杂集成或服务预期。

团队应将利润率变化归因于驱动因素，而不是机械地拟合一条平滑曲线。供应商信用额度到期后或客户扩展到受监管工作流后出现的阶跃变化可能具有经济意义。同期群应在相近成熟度下比较。

预测应将改善幅度限制在技术和商业约束所支持的水平。上市公司利润率可提供参照，而初创公司的业务组合和规模可能差异很大。

20. 审视客户获取与回收期

客户获取成本应包括销售、市场、解决方案工程、试点、实施补贴和合作伙伴经济性。创始人主导的销售应予以正常化。产品驱动渠道可降低获客成本，同时增加免费用户基础设施和支持成本。

回收期使用边际贡献，而非收入。低边际贡献的高增长账户可能回收获客成本较慢。同期群视角应展示现金时点、合同预付款、佣金和流失。还应区分新客户获取与扩展。

估值受益于以下证据：可复制渠道获取的客户，其生命周期贡献超过获客成本，且不确定性可接受。从未成熟同期群得出的比率需要做敏感性分析，不应作为已确定的经济性呈现。

21. 评估合同与收入质量

合同证据应调节已签署范围、服务义务、使用权益、最低承诺、续约权、终止条款、服务抵扣和付款条件。按适用会计政策确认的收入可能与开票额、现金收款和合同积压不同。估值分析应保留这些区别。

审查应识别试点、可取消安排、关联方收入、经销商活动、转嫁算力、非经常性实施和客户特定开发。每一项都可能具有商业价值，同时具有不同的持续性、利润率和营运资金特征。客户为容量预付款可改善现金转换；相应的交付义务和基础设施承诺仍然相关。

合同期限应与经济承诺分开。多年期文件可能允许无因终止、包含年度数量选择或取决于客户验收。相反，较短协议可能嵌入具有高切换成本和强续约证据的运营工作流。尽职调查文件应分别记录可强制执行的最低值、预期使用量和已收取现金。合同年度经常性收入应与已执行文件核对，并就起始日期、让步、信用风险和交付条件进行调整。

管理报告应衔接期初合同价值、新签订单、使用量、续约、扩展、收缩、流失、确认收入、应收账款和现金。预测应使用最能代表实际业务模式的指标，并披露该衔接。

22. 衡量集中度与同期群依赖

集中度应按客户、行业、地域、渠道、模型提供商、云提供商、集成和用例进行分析。一家初创公司可能按用户数量看似多元化，却依赖一份企业合同、一个分销合作伙伴或一项技术依赖。同期群结果应同时展示汇总层面和客户层面的离散度。

分析师应测试失去最大客户、延迟续约、重新定价提供商合同或限制重要数据来源的影响。当设计合作伙伴加速学习时，集中度可支持高效的早期增长。它也可能带来议价能力、回款和预测风险。

集中度应跨时间衡量。最大客户占比下降可能源于真正的多元化、最大账户使用减弱或快速增加低质量客户。因此，同期群报告应展示绝对收入、成功工作流、贡献和合同状态。当预测依赖一项采购决策时，销售管道集中度也很重要。董事会可设定证据门槛，规定潜在客户何时进入基准情景，并将较不成熟的机会保留在执行情景中。

估值情景不应将集中度视为通用折扣。相关调整可能体现在收入概率、利润率、营运资本、资本需求、折现率或可比公司选择中。应明确检查重复计算。

23. 评估模型与基础设施依赖

AI 初创企业可将专有软件与第三方模型、云服务、创业加速器、向量数据库、可观测性工具和数据许可相结合。依赖关系图应记录合同期限、定价基础、容量、服务水平、可移植性、切换工作量、地域可用性、安全性和终止权。

预测应区分技术优化与价格下降。模型路由、量化、缓存、更小模型和改进提示词可降低每项成功任务的消耗。供应商降价可能降低成本，同时削弱市场感知的产品护城河。容量承诺可保障供应，并形成固定成本敞口。

一项具有经济意义的尽职调查测试会在替代模型价格、工作负载强度和迁移时点下重新计算边际贡献。企业价值应反映初创企业已证明的对此技术栈的管理能力、切换在法律和运营上的可行性，以及维持性能所需的资本。

技术基准测试应基于代表性工作负载，而非通用公开测试。证据包可在已批准的配置之间比较质量、延迟、消耗、失败率和人工介入。迁移计划应识别工程工作、客户验证、数据迁移、安全审查和合同许可。名义上可互换的供应商可能需要大量时间和成本。这些事实会影响预测节省的持续时间和实现概率。

24. 审查数据、知识产权与监管约束

产品数据映射图应识别来源、同意、允许用途、保留、本地化、客户所有权、保密信息、生成输出和改进权。技术证据应展示访问控制、评估、事件响应和模型治理如何运作。合格顾问应评估实际的法律与监管状况。

估值模型应将识别出的约束转化为运营后果。一项限制可能制约某个客户细分、要求区域部署、增加审查成本、延迟销售或要求保险。当初创企业能够满足竞争对手无法满足的要求时，限制也可能形成可防御能力。

尽职调查团队应区分所有权与可防御性。一家公司可能拥有应用代码，同时依赖通用可用模型和客户数据。可防御性可来自工作流集成、专有评估、分销、可信实施、累积的许可数据或运营学习。每项主张都需要证据。预测不应在未观察护城河对赢单率、价格、留存率、任务质量或成本的影响时，就为声称的护城河赋予溢价。

治理应与产品和用例相称。NIST AI 风险管理框架提供了一个自愿性结构，用于治理、映射、衡量和管理 AI 风险。估值流程可将该结构用作尽职调查的组织框架；它不能替代法律、技术或财务分析。

25. 按同期群预测，而非采用单一增长率

同期群预测从期初账户和工作负载开始，然后对激活、成功使用、转化、续约、扩展、收缩和流失进行建模。新同期群应反映渠道容量、销售周期、实施约束以及各成熟阶段可获得的证据。收入取决于价格和计费单位；成本取决于工作负载和服务设计。

当企业客户、中型市场客户、开发者客户和合作伙伴主导客户的经济特征不同时，模型可为它们维护单独的预测表。企业客户可能带来更大合同、更长采购周期、实施人力和更强扩展。开发者同期群可能快速激活、产生可变消耗并更频繁流失。将其合并可能产生一个并不存在的平均客户。细分层面预测应与合并利润表、现金流和容量计划相勾稽。

回溯测试可改善治理。每个报告期，应按同期群将实际激活、成功使用、转化、留存、价格、消耗和支持与上期预测进行比较。差异应归因于定义变化、结构、执行、市场状况或模型误差。某一驱动因素的持续乐观应促使重新校准。有记录的回溯测试为投资者提供证据，既关乎管理层运营模型的可靠性，也关乎业务本身。

预测应区分已观察、已签约和假设期间。成熟群组可支持留存率和利润率假设。近期群组可支持激活和早期使用方面的判断，但其仍过于年轻，尚不足以提供续约证据。加权平均值可能掩盖群组年龄分布，因此应辅以群组明细。

预测粒度应与决策相匹配。月度建模可能适用于流动性、激活和早期留存；季度或年度视图可支持较长期估值。底层群组身份应保持可追溯。季节性、采购日历、用量重置和年度承诺可能形成直线模型遗漏的模式。外币、间接税、回款时点和经销商扣减在具有重大影响时应纳入考虑。

情景设计应保持逻辑关系。更快的用量增长可提高收入，也会增加推理成本。更高的任务成功率可改善留存并降低支持成本。企业业务增长可能延长实施周期并提高合同价值。模型应计算这些相互作用，而不是独立调整每一行。

26. 构建逻辑一致的估值情景

至少三个情景有助于揭示合理结果的范围。参考情景应采用按证据加权的假设。执行情景可反映经核实的运营改善。压力情景可测试转化放缓、留存下降、用量上升、客户流失、融资延迟或供应商重新定价。

每个情景都应列示收入、贡献毛利、运营费用、现金消耗、融资需求和稀释。假设应在内部保持一致并注明日期。其目的是传达不确定性和决策后果，而不是赋予虚假的精确性。

管理层举措只有具备负责人、成本、时间安排和可衡量机制时，才应纳入情景。计划中的模型迁移可能在工程和客户验证后降低成本。新的企业级分层可能提高价格并延长销售周期。合作伙伴渠道可能加速分销，同时降低对客户数据的控制。记录这些依赖关系可防止执行情景变成一组互不相关的有利假设。

董事会应识别会导致情景变化的领先指标。示例包括任务成功率阈值、续约群组、云信用额度到期后的利润率、企业部署时间、每账户支持小时数以及已签约容量。这将估值转化为一项可监测的经营论点。

27. 审慎应用市场法

可比公司分析应选择在产品、客户、收入、增长、利润率、资本密集度和风险特征方面具有相关性的企业。当一家 AI 初创企业具有重大计算成本、专业服务、收入集中或基础设施承诺时，宽泛的软件倍数可能错误反映价值。上市公司披露可提供背景信息，但不会形成直接可比匹配。

分析师应标准化收入定义、会计期间、净现金、股份支付、收购和非经常性项目。倍数应在计量日观察。增长和利润率可结合考虑，而业务持续性、治理和规模仍具有重大影响。

私募融资证据应以同等审慎的态度解读。近期一轮融资可能包含战略权利、二级股份、分批出资、优先权或投资者特定考量，而这些在名义估值中并不可见。市场交易可能发生在不同日期和阶段。分析师应记录可用信息、可比性调整以及权重依据。可比倍数中缺乏支持的精确性，可能比透明的区间掩盖更大的不确定性。

对于早期阶段公司，由于现金流尚远，前瞻收入倍数可能在讨论中占主导。群组框架检验该收入是否可能重复发生，以及其可产生何种经济利润率。因此，所选倍数和指标应明确关联。

28. 标准化消费型和订阅型可比公司

消费型业务在报告用量驱动收入、剩余履约义务、净收入留存率或客户群组时，可能与按席位订阅有所不同。Snowflake 描述的消费模式是在客户使用资源时确认收入。C3 AI 报告的订阅安排可能包含基于用量的运行时费用。这些披露说明，计费机制和收入确认需要结合公司具体情况进行解读。

基础设施密集型 AI 企业可能承担长期产能承诺并面临客户集中度问题。CoreWeave 的公开文件描述了已承诺合同、基础设施投资和集中度考量。Microsoft 报告称，对 AI 基础设施的投资可能影响云业务毛利率。这些示例为尽职调查问题提供参考；未经调整，它们并不构成早期应用型公司的估值基准。

可比分析应区分产品毛利率、边际贡献率和公司营业利润率。同期群模型提供了必要的、针对初创企业的衔接，以解读这些外部参照点。

净收入留存率需要明确定义。它可能包含扩张收入、排除新客户、因货币处理方式而异，并适用于选定的客户群体。剩余履约义务取决于合同结构和会计政策。客户数量统计可能采用排除小用户的阈值。分析师应阅读原始披露，保留原始定义，并避免将定义不同的指标合并到同一个合成基准中。

29. 采用收益法

现金流折现分析应对同期群预测所支持的现金经济性进行建模。收入、直接成本、运营费用、营运资本、资本支出、税费和融资需求都应明确列示。终值需要与竞争和再投资相一致的可持续增长率和利润率假设。

折现率应反映现金流定义、币种、阶段、集中度以及预测中已嵌入的风险。调整时应避免在现金流和折现率中重复计算同一不确定性。早期阶段预测通常会产生较宽区间；因此敏感性分析是结果的一部分。

终值情形尤其值得仔细审视，因为它可能占计算价值的很大一部分。公司应说明收入增长如何收敛、边际贡献如何转化为营业利润率、哪些再投资仍然必要，以及竞争如何影响价格。终值倍数应与终期财务特征保持一致。若退出假设依赖当前溢价、却缺乏通往可比规模和经济效益的路径，则应赋予较低的证据权重。

当近期现金流为负时，分析应包含实现预测所需的资本。融资前企业价值并不自动归属于现有股东。融资条款和稀释效应决定该价值的分配。

30. 对资本需求和稀释进行建模

AI 初创企业可能需要资本用于销售、产品开发、算力、数据、安全、客户实施和营运资本。模型应计算各情景下的月度流动性、最低现金余额、融资日期和所需募资额。融资轮次延迟或价格降低可能显著改变股权结构。

股权结构表应包含已发行股份、期权、认股权证、可转换证券、优先权和拟议的期权池扩大。证券权利应通过适当的分配方法进行估值或反映。投后估值的表面数字不应替代经济分配瀑布。

现金跑道应结合运营里程碑和交易时长进行测试。现金跑道有限且正在寻求资本的公司，在融资完成前可能面临执行风险和议价风险。模型可以测试过桥融资、分阶段支出、收入加速和延迟投资。每种应对措施都会对增长、价值和股权产生影响。董事会应批准一项在参考融资日期推迟时仍可行的流动性计划。

融资还可以通过云服务抵扣、战略合同或产能承诺改变运营经济性。每项收益都应结合其到期时间、限制条件和或有义务进行衡量。估值与融资分析应在同一个模型中协调一致。

31. 将运营模型与估值敏感性分析相衔接

最有用的敏感性分析追踪少数运营杠杆对边际贡献、现金流和价值的影响。任务成功率可能影响留存率和客户支持。模型使用量可能影响直接成本。续约和扩张可能影响生命周期收入。融资时点可能影响稀释。

敏感性区间应尽可能基于证据。观察到的同期群离散度、合同结果、供应商报价、工作负载基准和实施历史可提供可辩护的边界。当数据稀疏或产品发生重大变化时，适用更宽的区间。应测试相关下行情形，因为任务质量下降可能同时降低留存率、增加支持并延迟融资。单变量表格可作为一致的多变量情景的补充，而非替代。

决策阈值使分析具有可执行性。董事会可以确定支持融资计划所需的最低任务成功率、续约率和经常性贡献利润率。管理层随后可以将产品、定价和交付干预措施的成本与时间及其对资金跑道和价值的影响进行比较。输出结果成为资本配置工具，估值则作为运营证据的汇总，而非孤立的谈判数字。

该网格为示意性模型，不代表所观察到的公司或投资结论。

表4. 运营到估值敏感性映射

每项杠杆都应有观测证据支持，并应测试其与其他假设的相互作用。

32. 定义假设性示例演算

考虑一家假设性企业 AI 工作流公司，销售含用量额度的年度平台合同。该公司有十二个付费客户、三个试点客户和若干免费测试账户。模型假设在计量日的年度经常性收入为 USD 4.8 million，现金为 USD 3.0 million，且无债务。这些数字纯属虚构，仅用于演示该框架。

该产品处理文档密集型工作流。成功任务要求任务完成、准确率高于经批准的阈值、延迟在服务预期范围内，且不存在未解决的重大异常。公司对选定案例使用第三方模型和人工审核。该示例假设同期群按合同起始季度跟踪。

示例演算中的任何结论均不适用于实际公司。客户权利、收入确认、税务、监管、融资条款和估值输入均需另行专业审阅。

33. 分析假设性同期群

模型假设 72% 的符合条件的用户在 30 天内激活，且 64% 的已激活用户在同一期间完成一项成功任务。成功完成任务用户的 90 日留存率高于仅以登录衡量的用户。较早的企业同期群会扩张，而两个近期试点同期群仍不成熟。

该分析将注册用户视为参考性指标。付费账户续约、经常性成功工作流和已收取收入权重更高。大型免费同期群带来产品学习和直接成本，但不产生合同收入；其战略价值仍取决于情景。

尽职调查结论将要求对事件日志、评估记录、合同、发票和总账进行直接核对。假设的模式支持框架演示，并不构成特定初创企业业绩的证据。

34. 构建假设性利润率瀑布

该示例假设经常性收入为 USD 4.8 million，减去模型与云消耗 USD 0.72 million、数据与工具 USD 0.24 million、实施与支持人工 USD 0.48 million、人工审核 USD 0.18 million，以及服务抵扣和其他直接成本 USD 0.12 million。因此，经常性贡献利润率假设为 USD 3.06 million，即 63.8%。

该计算包含经济性人工成本，并将促销性云抵扣排除在可持续利润率之外。一项敏感性分析将模型消耗提高 50%，并在不考虑任何留存效应的情况下将贡献利润率降至 56.3%。第二项敏感性分析假设工作流优化和审核工作量降低，将利润率提高至 69.2%。

实际会计毛利率可能有所不同。估值模型使用所定义的经常性贡献指标，因为其旨在比较各同期群的可扩展经常性经济性。

35. 比较假设性情景

压力情景假设激活较慢、毛收入留存率为 74%、扩张有限且模型成本更高。该情景需要在九个月内完成一轮融资。基准情景假设任务成功率稳定、毛留存率为 86%、适度扩张和逐步成本优化。执行情景假设经验证的工作流改进、毛留存率为 94% 和更高的利润率。

各情景产生不同的收入、现金消耗、资本需求和价值区间。结果应以矩阵而非单一数值呈现。概率加权可能有助于规划，同时各单项情景应保持可见。

表5. 假设情景摘要

所有数字均为框架演示而虚构；相关数值为证券分配前的企业价值指示性数值。

36. 评估融资条款与价值分配

股权融资轮可包括清算优先权、参与分配权、反稀释、信息权、董事会权利、期权池变动和里程碑分批出资。每种证券的经济价值可能不同于所述股价。情景收益应按照实际或拟议的分配瀑布进行分配。

可转换工具会增加估值上限、折扣、利息、到期期限和受偿顺位。风险债务会增加现金跑道以及固定义务、契约、认股权证和再融资风险。决策应在连贯的经营情景下比较股权比例与下行风险。

同期群分析通过说明哪些运营里程碑能够降低不确定性，从而强化融资讨论。与仅挂钩用户增长的融资轮相比，规模设定为达到经核实的续约和边际贡献证据的融资轮，可能形成更站得住脚的下一融资节点。

37. 三角验证结论

最终区间应协调市场证据、收益价值、近期融资、证券权利和运营证据。每种方法都应采用一致的债务、现金、稀释和计量日期定义。方法之间的差异具有诊断意义。

市场法可能更重视近期收入和增长。收益法可能更重视利润率、资本需求和终值经济性。队列证据有助于确定哪些预测输入和可比特征值得赋予权重。

结论应说明区间、方法、关键假设、证据日期、敏感性、局限性和所需专业复核。估值委员会应能够复现从产品事件到证券价值的桥接过程。

38. 汇编投资委员会证据包

证据包应包括定义、数据沿袭、队列表、任务评估、收入核对、成本分摊、合同、集中度、依赖关系图、预测、股权结构表、融资条款和估值输出。数据所有者应签核其控制的数据。例外情况应保持可见。

该架构在估值审批前整合产品、商业、财务、技术和法律证据。

39. 采用 90 天估值准备计划

在第 1–30 天，管理层应批准指标定义，将产品事件与账目和合同进行核对，梳理直接成本，建立队列基线并识别数据缺口。目标是形成受控的证据边界。

在第 31–60 天，团队应测试任务成功率、留存、扩张、模型路由、人工审核和支持工作量。财务应核对已确认收入、账单、现金和经常性贡献毛利。法律和技术专家应在其职责范围内审查重大权利和依赖关系。

在第 61–90 天，管理层应构建证据加权情景，计算资本需求，审查融资条款，选择可比公司，运行估值敏感性分析并汇编委员会证据包。交付物是一个可供决策的区间，并附有明确的经营论点和受监控的触发因素。

40. 结论

AI 当产品活动与成功的客户成果、经常性使用、付费合同、经济成本和现金相关联时，初创企业估值会变得更具可辩护性。使用量计数仍然有用；其含义取决于队列、成熟度、质量和变现能力。

用量到毛利的框架提供了这种关联。它从定义和数据沿袭开始，衡量工作流成功率，分摊模型和服务成本，按队列进行预测，保留资本需求和稀释，并对市场和收益证据进行三角验证。其结果是一个估值区间，其假设可由董事会、投资者和交易团队检验。

该框架还制定了一项运营议程。若激活率提升而任务未能成功、增长而无留存，或收入缺乏经常性边际贡献，价值可能依然脆弱。基于证据改善工作流质量、重复使用、成本控制和合同稳健性，可同时支持融资执行与可持续的企业价值。

参考文献

1. 国际财务报告准则基金会，《国际财务报告准则第13号——公允价值计量》，准则概览及支持材料， https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
2. 国际财务报告准则基金会，《国际财务报告准则第13号》关于非上市股权工具计量的教育材料， https://www.ifrs.org/content/dam/ifrs/supporting-implementation/ifrs-13/education-ifrs-13-eng.pdf
3. 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/
4. 国际财务报告准则基金会，IAS 36《资产减值》， https://www.ifrs.org/issued-standards/list-of-standards/ias-36-impairment-of-assets/
5. 国际估值标准理事会，《国际估值标准》， https://www.ivsc.org/standards/
6. 美国国家标准与技术研究院，《人工智能风险管理框架》， https://www.nist.gov/itl/ai-risk-management-framework
7. 美国国家标准与技术研究院，AI RMF 1.0， https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
8. 美国证券交易委员会，AI 圆桌会议讲话，2025年3月27日， https://www.sec.gov/newsroom/speeches-statements/crenshaw-remarks-ai-roundtable-032725
9. Snowflake Inc.，2026财年10-K表格年度报告， https://www.sec.gov/edgar/browse/?CIK=1640147&owner=exclude
10. Snowflake Inc.，2026财年业绩及投资者材料， https://investors.snowflake.com/
11. C3.AI Inc.，2026财年10-K表格年度报告， https://www.sec.gov/edgar/browse/?CIK=1577526&owner=exclude
12. C3.AI Inc.，投资者关系财务信息， https://ir.c3.ai/
13. CoreWeave Inc.，2025年10-K表格年度报告， https://www.sec.gov/edgar/browse/?CIK=1769628&owner=exclude
14. CoreWeave Inc.，投资者关系财务信息， https://investors.coreweave.com/
15. Microsoft Corporation，2026财年10-K表格年度报告， https://www.sec.gov/edgar/browse/?CIK=789019&owner=exclude
16. Microsoft Corporation，年度报告， https://www.microsoft.com/en-us/Investor/annual-reports.aspx
17. Amplitude Inc.，2025年10-K表格年度报告， https://www.sec.gov/edgar/browse/?CIK=1866692&owner=exclude
18. Amplitude Inc.，投资者关系财务信息， https://investors.amplitude.com/
19. NVIDIA Corporation，2026 财年 10-K 表格年度报告， https://www.sec.gov/edgar/browse/?CIK=1045810&owner=exclude
20. NVIDIA Corporation，财务报告， https://investor.nvidia.com/financial-info/financial-reports-and-sec-filings/default.aspx
21. 财务会计准则委员会，《会计准则汇编》第 606 主题概述， https://asc.fasb.org/topic&trid=2129938
22. 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/
23. 国际清算银行，AI 及金融出版物， https://www.bis.org/topic/artificial_intelligence.htm
24. 经济合作与发展组织，OECD AI 原则， https://oecd.ai/en/ai-principles
25. 欧盟委员会，人工智能监管框架， https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
26. 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