原文作者：Venture Curator
原文编译：深潮 TechFlow
深潮导读： 537 家美国独角兽还在背着 2021 年泡沫期的旧估值，而“AI 原生”这个标签正在从加分项变成被拆穿的风险点。对正在融资或持有期权的从业者来说，这篇文章帮你分清哪些估值是真实的，哪些只是没人戳破的纸面数字。
537 家美国独角兽还在背着 2021-22 年泡沫期的估值。它们还真实吗？
创始人和早期员工通常被教育要把上一轮估值当作记分牌。那是股权结构表上的数字，是新闻稿里的数字，也是所有人用来估算自己股权价值的数字。
但 PitchBook 2026 年第三季度量化展望报告的新数据显示，对美国大多数独角兽来说，这个数字已经好几年没有被市场真正检验过了。
PitchBook 研究了所有活跃的美国独角兽，按它们最近一次完成定价融资的年份分类。
在 964 家活跃的美国独角兽中，312 家最近一次融资在 2021 年，另外 225 家在 2022 年。这意味着 537 家公司（约占整个独角兽群体的 56%）仍然背着风投史上最贵融资时期定下的估值。
现金不会再回来匹配那些数字了。风投基金的分配额仅占资产净值的 7.9%，几乎是长期平均水平 14.5% 的一半。PitchBook 指出，基金回报被 2020 至 2022 年的虚高估值直接拖累。
当这些公司真的去测试价格时，往往撑不住。公开市场投资者拒绝为私募市场价格买单。Chime 上市时的估值较其私募巅峰大幅缩水，二级市场买家对上一轮融资已过去多年的公司，给出的折扣远大于近期完成融资的公司。
这背后还藏着第二个趋势。很多这类公司不是因为做不下去而停滞，而是主动选择不融资、不上市，因为任何新的定价事件都可能逼他们面对一个更低的数字。保持私有、保持沉默，就能让 2021 年的估值停留在纸面上。这就是为什么市场会同时出现创纪录的纸面价值和创纪录的被困价值。
所以独角兽热潮是真的，还是只是一个没人核实过的数字？
对很多公司来说，两种说法都可能成立。有些公司确实长进了 2021 年的估值，今天轻松就能撑住。但市场没有办法确认哪些公司属于这一类，因为它们从那时起就没有以真实价格融资或出售过。一个四年前的估值不是谎言，只是未经核实。
这正是创始人和员工需要小心的部分。
如果你公司最后一次融资在 2021 或 2022 年，股权结构表上的估值是你股权拥有过的最乐观的数字，不一定等于今天的实际价值。这一点影响你如何谈下一轮、如何考虑行权、以及如何向团队解释他们的期权意味着什么。对投资人也一样：一只基金如果对这些公司显示强劲的未实现收益，那只是在报告账面数字，不是真金白银。
真正的风险不在于估值可能比看上去低，而在于你做融资、招人或行权决策时，把 2021 年定下的数字当成市场今天仍然愿意付给你的价格。
把创业公司叫“AI 原生”，可能反而在伤害你的估值？
称自己为 AI 公司仍然能拿到估值溢价。但投资人越来越多地问第二个问题：这家公司有多少部分真正因为 AI 而具有防御性？
这篇分析中的数据表明，市场开始把贴着同样“AI 原生”标签的公司分进截然不同的篮子。
AI 溢价仍然真实存在：Carta 2026 年上半年的数据显示，AI 创业公司在种子轮融到的钱和非 AI 公司差不多，但估值高出大约 50%。
但不是每家 AI 公司都拿到同样的溢价：分析把商品化的 AI 外壳公司定在 3 到 8 倍收入，有粘性专有数据的垂直 AI 产品在 10 到 20 倍，而真正拥有知识产权加专有数据的公司在 25 到 40 倍。
公司越成熟，审查越严：在种子轮，没有可保护知识产权的公司会被打 20% 到 30% 的折扣，相对于防御性更强的同类公司。到 A 轮，这个差距扩大到 30% 到 40%。
这解释了为什么仅仅在产品里加 AI 正变得越来越没有意义。
投资人越来越想知道，当你把 AI 标签拿掉之后还剩下什么。
另一家创业公司能不能靠调用同样的基础模型 API 就把产品做出来？每个新客户是否产生了能改进产品的专有数据？软件是否足够深地嵌入工作流，替换它会让人痛苦？推理量变成 10 倍之后，单位经济模型还成立吗？
这些问题指向创始人在下一轮融资前应该审视的四个方向：技术差异化、专有数据、工作流锁定，以及规模化下的单位经济模型。
技术差异化的实际测试简单得出奇：换掉底层模型。如果把你的主要模型供应商换成另一个水平相当的模型，产品几乎不变，投资者可能就看不出技术护城河在哪里。
对于专有数据，光有用户数还不够。更强的信号是，用量增加是否会产生数据，让产品随着时间的推移可衡量地变好，比如准确率、解决时间或匹配质量有所提升。
工作流深度是另一条线索。如果更深度整合产品的客户留存和扩张始终更好，创始人就有了切换成本的实际证据，而不是空口说产品粘性强。
然后还有经济模型。一个 AI 产品在当前用量下利润率不错，但推理量扩大 10 倍后可能完全不是一回事。在投资者之前把这些账算清楚，能揭示业务规模扩大后是否真的变得更强。
这让“AI 原生”溢价的演变变得很有意思。
十八个月前，只要跟 AI 沾边，就能实质性地强化融资故事。随着越来越多初创公司使用同样的话术，投资者有更多理由去看表层之下。
AI 标签能让你进入对话。越来越有价值的部分，是证明你构建的东西为什么随着增长而变得更难复制。
软件的杠铃化：AI 即将杀死软件市场的中间层。
AI 正在让软件的构建变得大幅更便宜、更快速。这对初创公司听起来是好事，但也可能削弱几十年来保护软件公司的一些护城河。
Conviction 的 Mike Vernal 做了一个有趣的比较：软件可能正走向互联网改变报纸行业后形成的同一种“杠铃”结构。
在互联网之前，区域性报纸受益于昂贵的发行成本。一旦发行几乎免费，中间层大部分消失了。少数全球性出版物变得大得多，同时成千上万家独立通讯和利基出版物涌现出来。
Vernal 认为 AI 可能在软件领域创造类似的结构。
传统软件护城河通常来自三件事：
构建产品很贵
切换系统很痛苦
集成创造了强大的生态系统。
AI 削弱了这三点。竞争对手可以更快复制功能，迁移可以变得更自动化，AI 能让集成显著变容易。
可能的结果是一个两端都极强的市场：
巨型平台：少数公司可能拥有整个采购品类，比如销售、营销、财务、人力资源、法务或医疗。它们不是只卖一个狭窄的工具，而是持续扩张，直到成为客户几乎所有事情都在用的系统。
微型软件企业：在另一端，AI 编程工具可能让数百万人为自己、自己的公司或小群客户构建高度特定的软件。其中一些可能成长为盈利的利基业务。
不舒服的中间层：中型单点解决方案可能面临最大压力。如果大型平台能不断添加它们的功能，小团队能廉价地重建窄产品，那么作为独立工具的防守就变得更难。
亚马逊的类比解释了新护城河可能长什么样。亚马逊起步时做的是相对容易复制的事：在线卖书。它的防御性来自数十年对物流、基础设施、技术和发行持续不断的再投资。
AI 可能推动软件公司走向同样的策略：更快构建、持续扩张、再投资、让整体产品越来越难被复制。
对风投支持的软件初创公司来说，这制造了一个有趣的战略问题：如果构建软件几乎免费，你的护城河仍然是一个好产品，还是你能围绕它构建出来的一切？
你的种子轮估值实际上是怎么定的？（几乎跟你的公司无关）。
创始人常常假设估值主要跟 traction、市场规模或者他们路演讲得好不好有关。
但还有另一个大多数创始人几乎看不到的约束：坐在对面的 VC 基金的经济模型。
想象你在向一只 2800 万美元的种子基金路演。它通常开一张 60 万美元左右的支票，想要大约 6% 到 8% 的股份。
在 7% 股份下，60 万美元的投资意味着约 860 万美元的投后估值。在 6% 下，意味着 1000 万美元。所以如果你以 1800 万美元的估值融资，那只基金可能根本没法在它的投资组合模型里做这笔投资。已粘贴的 markdown
这就形成了一条简单的链条：
基金规模 → 支票大小 → 目标持股 → 可行估值上限
这在今天更重要，因为种子轮估值已经上涨。分析中引用的 Carta 种子轮投后估值中位数是 2400 万美元。一只 5000 万美元的基金以这个估值投 150 万美元，只能拿到 6.2% 的股份，可能低于它的目标。已粘贴的 markdown
这也改变了创始人思考轮次规模的方式。
如果你告诉一只基金你要融 300 万美元，领投方想要 15%，你实际上已经在任何人明确讨论估值之前，隐含了一个 2000 万美元的投后估值。
更有用的顺序是：
计算你需要多少资金，以 18 到 24 个月的跑道达到下一个里程碑。
加上缓冲。
那就是你的轮次规模。
用它除以你愿意接受的稀释比例。
然后去找支票大小和持股模型能支持这个估值的基金。已粘贴的 markdown
还有另一个创始人常常忽略的数字：期权池。领投方可能会要求在投资前设立 10% 到 15% 的期权池，这会在投资落地前稀释现有股东。分析认为，基于实际招聘计划来谈判期权池，有时候对创始人持股的影响，比在头条估值上多争 100 万或 200 万美元更大。已粘贴的 markdown
避免在错误的基金身上浪费数周时间，最简单的办法就是在第一次通话时问这个问题：
“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？”
这两个数字能让你快速估算出，这家基金的经济模型是否支持你的融资轮。
所以，不要把所有估值上的阻力都当成对你创业公司的否定。有时你的公司没有问题。只是你的融资轮不符合基金的数学逻辑。
如果 ChatGPT 能免费做到你的应用所做的事，别人为什么还要付费？
这正在成为消费类应用创始人面临的最大问题之一。
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花 10 或 20 美元，去用一个独立应用？
RevenueCat 的 Daphne Tideman 认为，答案不是简单地“加更多 AI”。AI 驱动的应用已经变现良好，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%。但它们的 12 个月留存率只有 21.1%，而非 AI 应用为 30.7%。
换句话说：AI 能把人带进门。但它未必能给人留下来的理由。
看看 Chegg 与 Duolingo 的对比。
区别在于答案之外还有什么。
RevenueCat 建议应用可以构建六种更难被空白 LLM 聊天复制的东西：
结构：把一个答案变成完整的工作流或体验。
记忆：随着时间推移了解用户，应用变得更有用。
习惯：用连续打卡、提醒、监督和游戏化把用户带回来。
精准：掌握专业数据或专长，产出更好的结果。
连接：构建社区、身份、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 是一个很好的例子，它把其中几项叠加在一起。ChatGPT 可以教语言，但 Duolingo 花了多年时间构建连续打卡、排行榜、进度系统、提醒和游戏化。据报道，Duolingo 引入排行榜后，学习时间增加了 17%，高参与度学习者数量增长了三倍。
还有一个创始人可以做的简单测试：空白对话框测试。
打开 ChatGPT 或其他 LLM，准确描述你的用户来你应用里解决的问题，然后把它的回答与你的产品交付的东西进行比较。如果你的产品大部分价值能用一次提示和一次回答复现，你就有差异化问题。如果你的应用加入了结构、累积数据、习惯、精准、连接或真实世界组件，那可能就是你的护城河所在。
所以，AI 本身可能不是护城河。对创始人来说更关键的问题是：你的产品给了用户什么，是空白对话框给不了的？RevenueCat 的观点是，赢家会在产品底层使用 AI，而在围绕它构建的体验上展开竞争。
