当AI重写公司，谁来重写投资？

AI Native出海投资的一个测试、一张时间表、一个公式——定义怎么立、机构怎么变、标的怎么找。

图 1 · 判断AI native的核心测试，只有一句话

过去两年，我见过太多贴着AI标签的BP。

打开第一页是大模型架构图，翻到第三页是"AI驱动的XX平台"，再往后翻，商业模式和三年前那份没有AI的版本几乎一模一样。2022年到2024年，全球有大量公司拿着ChatGPT套壳产品完成了融资，把原有业务换个说法就自称"AI native"。这不是中国独有的现象，硅谷同样如此。

但也正是在这两年，另一批公司用完全不同的方式跑了出来。HeyGen的ARR从100万美元做到3500万美元，只用了一年多。深圳的Plaud，软件订阅ARR从100万美元到1亿美元，不到两年，硬件卖进170多个国家。a16z今年3月发布的全球AI应用Top 100榜单里，四分之一是中国背景的团队。

同样叫AI公司，命运为什么差这么远？作为投资机构，怎么把前一种筛出去、把后一种提前找到？还有一个更少被讨论的问题：当被投企业都在用AI重构自己的时候，投资机构自己的工作方式，是不是也到了该重构的时候？

这篇文章把三个问题一次讲透：AI native公司怎么定义（软件、硬件、软硬结合分别怎么判）；投资机构如何让自己成为AI驱动的机构（附一份可直接执行的九十天路线图）；如何系统性地找到优秀的AI native出海公司（附完整的信号清单和评估框架）。

一、先把定义立住：什么是AI native，什么不是

行业里对AI native的定义五花八门，但真正可操作的判断标准，可以收敛成一个测试加三个特征。

核心测试只有一句话：把AI拿掉，这个产品还成立吗？

不是"变差"，不是"少一个功能"，而是"彻底无法运转"。AI native意味着AI是产品赖以存在的架构地基，不是功能增强。

用这个测试去切，市面上的公司会分成三层。AI-enabled（AI赋能）：核心价值主张在AI出现之前就存在，加上AI后体验更好，拿掉AI照样能用，绝大多数"传统SaaS+AI功能"属于这层。AI-first（AI优先）：公司把AI放在产品和决策的中心，但底层架构不是围绕AI从零搭建的。AI-native（AI原生）：产品从第一天起围绕AI构建，拿掉智能层，公司在任何有意义的层面上都不复存在。

图 2 · AI-enabled → AI-first → AI-native，估值逻辑完全不同

再往下看一层，真正的AI native公司在产品形态上有三个共同的位移：交互从图形界面转向自然语言，架构从流程驱动转向模型驱动，交付从"给你工具"转向"直接给你结果"。第三条最关键——用户付费买的不再是软件使用权，而是完成的工作本身。这也解释了为什么AI native公司的定价越来越多按结果、按用量计费，而不是按席位。

软件、硬件、软硬结合，判法不一样

上面的测试对纯软件公司够用了，但硬件和软硬结合的公司需要额外的判断维度。三类公司各自要回答的核心问题、护城河的位置，可以用一张表说清：

	纯软件	硬件	软硬结合/具身
核心问题	模型依赖深度：套壳、微调还是自建？	卖出去之后，有没有持续软件收入？	物理世界数据的获取成本与独占性
护城河	数据飞轮：交互回流让产品持续变好	软件订阅+数据回流，硬件只是获客入口	真机部署量带来的真实世界数据积累
样本	HeyGen、Manus	Plaud	Unitree

硬件这一列值得展开讲。要警惕"贴AI标签的消费电子"，判断标准可以借Plaud这个样本：这家公司2025年收入预计2.5亿美元，但它的CEO反复强调的重点不是录音笔本身，而是"软硬结合+大模型"的结构——白牌厂商抄得了硬件，抄不了模型算法和背后的软件工作流。硬件是获客的特洛伊木马，软件订阅才是护城河。到2026年6月，Plaud设备出货超200万台，软件ARR突破1亿美元。所以看AI硬件公司，如果硬件卖出去之后没有持续的软件收入和数据回流，那它是一家不错的消费电子公司，但不是AI native公司，估值逻辑要完全换一套。

软硬结合的具身智能类（机器人、自动驾驶、端侧智能设备），判断维度再加一条：物理世界数据的独占性。Unitree能被Nvidia选中做首款对外销售的机器人系统，超过40%收入来自海外，靠的是真机部署量带来的真实世界数据积累，这是纯软件团队补不了的课。

伪AI native识别清单（出现两条以上，高度警惕）：

演示惊艳，但拿掉底层API后没有自有技术资产；说不清数据如何回流、多久迭代一次；团队没人碰过模型层；推理成本占比高且没有随规模下降的路径；收入里混着一次性实施费和预付credits，却统统算成ARR。

最后一条在2026年尤其重要。市场对AI公司ARR的质量已开始系统性质疑——一次性合同、按credits预付、按效果付费的收入被混进"经常性收入"里，数字看起来像ARR，行为上完全不是。

二、为什么是现在，为什么是出海

把时间拨回18个月前，投资人对AI应用的主流疑问还是"会不会被大模型下一个版本碾掉"。现在这个问题没有消失，但优先级已经让位于一个更实际的问题：谁真的收到钱了。

硅谷投资机构的合伙人在路演时连问三个问题：有多少付费客户？API调用量多少？成交额多少？中国AI出海在2026年进入的正是这个"商业化时刻"——竞争从技术可行性转向产品与市场匹配的效率。

$1亿 Plaud软件ARR 不到两年从$100万

$3500万 HeyGen ARR 一年多从$100万

$4-5亿 Manus ARR 2026年6月口径

68% Talkie美国用户 收入贡献占比

数据：出海参考 / 品玩 / 公开报道，2026

出海企业恰好在这一轮里占了三个结构性便宜。

第一，全球市场先付费。MiniMax的Talkie，美国用户贡献了全球收入的68%。海外用户（尤其是欧美企业客户）对订阅制、按结果付费的接受度，让AI native公司的商业模式能被最快验证。这不是说国内市场不重要，而是两个市场的角色不同：海外先验证付费模型，国内提供工程师密度和迭代速度，优秀的团队在用组合打法，而不是二选一。

第二，人效革命放大了中国团队的工程优势。AI native公司用传统SaaS公司零头的人数达到同样的收入里程碑——这正是"人均ARR"成为2026年核心指标的原因。一个几十人的中国团队，借助AI辅助研发和AI驱动的增长，可以直接服务170个国家，Plaud和合合信息（C端产品月活超1.9亿、覆盖200多个国家）都是现成的例子。

第三，"中国开发、全球市场"已从个案变成范式。a16z榜单上22个中国开发的移动端应用里19个主打海外，说明这不是某家公司的特殊路径，而是一代公司的默认选择。

资本端把这件事的定价演到了极致。Manus这16个月像一部浓缩剧：2025年3月爆火，8个月做到1亿美元ARR，成为全球增长最快的AI创业公司之一；2025年12月被Meta以20亿美元完成收购；2026年4月，发改委依据外商投资安全审查作出禁止决定、要求交易恢复原状，成为该审查办法实施以来首个被公开叫停的AI外资收购案；到今年7月，多方报道腾讯牵头中方资本以约20亿美元估值洽谈从Meta回购全部股权，且明确不控股、让公司独立运营（截至发稿交易仍在谈判中）。一家中国背景的AI native公司，被全球最大的买家之一出价、被监管重新划界、再被本土资本接回——这个案例同时说明了两件事：这类资产的全球稀缺性，以及跨境资本路径的现实约束。

图 3 · "中国开发、全球市场"已成新常态

需要放进定价里的三个风险：地缘政治对数据合规、市场准入与跨境并购退出的影响（Manus收购被叫停就是现成案例）；AI公司25-30倍收入估值倍数（传统SaaS约6倍）隐含的回调空间；大模型能力边界外移对应用层的持续挤压。这些不构成"不投"的理由，但构成"怎么投、什么价格投"的约束条件。

三、投资机构自己怎么变成AI驱动的机构

这可能是全文最值得花时间的一章。因为一个朴素的逻辑正在成立：如果你自己不用AI重构工作方式，你大概率也判断不准别人有没有用AI重构业务。

先看头部机构走到哪了。EQT的Motherbrain，2016年就开始建，整合约40个数据源——应用下载量、融资历史、网站流量、创始人履历、社媒活跃度——给每个初创公司打1到340的分数，并结合EQT历史尽调记录持续学习。效果最直观的一个数字：它让团队平均提前14个月接触到那些还没开始融资的公司。

SignalFire的Beacon被称为"专有的迷你Google"，实时追踪600万家公司，数据源超过1000万个：学术论文、专利登记、开源代码贡献、监管备案、应用商店排名，甚至信用卡消费数据，贯穿从项目发掘、投资决策到投后支持的完整链条。Moonfire则代表大模型时代的轻量路径：不自建庞大数据基建，直接用GPT-4级别的模型重做评估流程，每周评估数千家公司。

图 4 · 从"等BP上门"到"全网读信号"

行业整体的水位也在快速上涨：82%的机构已在用AI做项目发掘研究，采用AI驱动sourcing的机构，合格项目覆盖量是传统人脉驱动方式的3-5倍；Bessemer测算AI帮每位分析师一年拿回234小时。

图 5 · 效率差距已经量化：45分钟 vs 8分钟

这里要说句公道话：AI驱动和人的判断不是替代关系，而是分工不同。AI负责覆盖面、一致性和速度——把该看的项目都看到、用同一把尺子量、在创始人开始融资之前就出现；人负责最终判断——对创始人的评估、对时机的直觉、对非共识机会的坚持。机构AI化的目标不是让算法投票，而是让合伙人把时间从信息搬运转移到真正的判断上。

中小机构的九十天路线图

不需要SignalFire的工程团队，也不需要EQT十年的数据积累。原则只有三条：先盘自己的数据资产（历史项目库和IC记录是别人没有的独家语料）；一次只改造一个环节；每个环节都要闭环（AI产出→人的修正→修正回流成规则）。具体节奏可以这样排：

⏱ 机构AI化九十天路线图

第1-2周	数据盘点。历史BP、会议纪要、IC memo、投后报告集中数字化到统一可检索的位置。没有统一数据层，后面全是空中楼阁。
第3-4周	改造BP初筛。BP进来→自动抽取团队/赛道/数据→对照本机构投资主题打分→按优先级入库。目标：每份BP被同一把尺子量过，初筛压到10分钟以内。
第5-8周	研究与尽调副驾。行业研究由AI出初稿、研究员验证深化；尽调用AI做数据室解析、一致性检查、访谈转录提取。
第9-12周	闭环与复盘。每周复盘AI初筛的放过与漏判，把分歧写成规则更新进系统。这个反馈闭环才是真正的护城河。
12个月	长期能力建设。信号源持续扩充（从等BP转向主动发掘）；投后纳入（组合数据、行业预警、LP报告半自动生成）；团队每人都能熟练使用并质疑AI产出。

AI化是否成功的量化标准：同样的团队规模，季度深看的项目数量是否翻倍；单项目从接触到IC的周期是否缩短三分之一。

四、怎么找到优秀的AI native出海公司

找项目的漏斗公式：

优质项目获取量 = 信号覆盖面 × 信号质量 × 触达速度

传统打法在三个变量上都遇到了天花板：覆盖面受限于人脉圈层，信号质量受限于BP的自我陈述，触达速度受限于"公司开始融资你才知道"。AI在三个变量上各有明确的作用点。

信号覆盖面：从"等BP"到"读信号"

优秀的AI native出海公司在正式融资之前，早就在公开数据里留下了痕迹。值得系统性监测的信号源包括：应用商店（海外市场下载与收入排名变化，尤其是生产力、教育、创意工具类目）、开源社区（GitHub上star增速异常的中国背景项目）、招聘信号（一家深圳公司突然开始招东京和圣保罗的本地运营）、海外社媒（Product Hunt、X、Reddit上的自然讨论热度），以及榜单交叉验证（a16z Top 100这类榜单里的中国团队，往往上榜前6-12个月就有数据苗头）。

这套监测靠人工不可行，靠AI是几周就能搭起来的管道：定义信号源清单→定时抓取→大模型做实体识别和异常检测→每周产出一份"值得看一眼"的短名单。EQT提前14个月接触目标公司，靠的就是这个逻辑。

信号质量：五问测试＋五个指标

短名单出来之后，判断一家公司是不是"真AI native、好AI native"，分两步。第一步，定性五问（对应第一章的定义）：拿掉AI，产品还成立吗？数据飞轮真实存在吗——用户越多产品越好的机制说得清吗？团队碰得到模型层吗？交付的是工具还是结果？如果是硬件，卖出去之后还有持续的软件收入和数据回流吗？

第二步，定量五指标，2026年市场共识的核心量尺：

指标	参考基准	它检验什么
净收入留存 NRR	头部140-170%	用量是否随用例发现自然扩张；低于100%要问清原因
毛利率轨迹	套壳50-60% 有护城河70%+	方向比绝对值重要：收入涨3倍时推理成本是否同步涨3倍，暴露的是架构能力
人均ARR	显著高于传统SaaS	它自己是不是用AI在运转
烧钱倍数	净消耗÷净新增ARR，越低越好	增长的资本效率
增长速率	年3×3×2×2×2	五年$100万到$7200万ARR的参照路径；达不到要能解释差距

基准来源：AI Business / CRV / Vista Equity Partners，2026

在五指标之外，出海公司还要多查一层出海特有项：收入的地域构成（单一市场依赖还是多市场分布——Talkie美国收入占比68%既是成绩也是集中度风险）、数据合规架构（GDPR、各国AI法案下的部署方式）、本地化深度（支付、客服、渠道是真本地化还是机翻），以及主体结构（HeyGen式整体迁移、双主体，还是Manus式先全球融资后被并购——Manus被收购又遭叫停、再洽谈回购的经历说明，主体结构不只决定退出路径，还决定退出要过谁的审查）。

触达速度与尽调：AI的第三个作用点

找到了、判断了，最后拼的是速度和深度。AI在尽调环节的作用已经相当具体：自动生成针对性尽调问题清单（合规密集行业能细到具体法规条款）、数据室批量解析和交叉验证、创始人访谈与专家电话的转录分析。给一个可执行的建议：把尽调时间的分配倒过来——过去70%的时间花在收集整理信息、30%花在判断，AI辅助下应该是30%收集、70%判断和交叉验证。

还有一个容易被忽略的观察窗口：看这家公司自己怎么用AI。约创始人开一次产品复盘会，看他们的内部工具、发版节奏、客服如何处理边界案例。真正AI native的公司，内部运转方式和产品一样带着"AI原生"痕迹；反过来，宣称AI native但内部还在用人海战术做客服和运营的公司，值得多问几个问题。

五、把这套打法串起来

回到开头的三个问题，现在可以给出收束的答案。

定义问题，用一个测试解决：拿掉AI，产品是否不复存在。软件看模型深度和数据飞轮，硬件看软件订阅和数据回流，软硬结合再加物理世界数据的独占性。定义不是学术问题，是估值问题——AI-enabled的公司按传统倍数定价，AI native的公司才配谈新倍数，混淆两者是这一轮周期里最贵的错误。

机构自身问题，用一张时间表解决：两周盘数据，两周改初筛，一个月建尽调副驾，一个月做闭环复盘；十二个月内完成从"等BP"到"读信号"的转身。短期求的是效率——同样的人看两倍的项目；长期建的是资产——机构自己的判断语料和反馈闭环，这个别人买不走。

找项目问题，用一个公式解决：覆盖面×信号质量×触达速度。AI把覆盖面从人脉圈扩展到全网信号，把信号质量从BP自述换成五问加五指标的双重测试，把触达速度从"融资时才见面"提前到苗头初现。

图 6 · 工具门槛在降，分野在判断力本身

最后需要说明的是，这套打法里AI承担的始终是放大器的角色，放大的是机构原有的判断力。判断力本身——对创始人的识人、对周期的耐心、在共识形成之前下注的勇气——AI给不了，也替代不了。工具的门槛在快速降低，这意味着未来两三年，机构之间真正的分野不在"用不用AI"，而在"AI放大的那个判断力，本身够不够好"。

这件事，值得从下周一开始做。

顺手用codex生成一个视频，这次用上了我自己声音的复刻，虽然不好听，但也有阿达原装的南方乡土气息，欢迎拍砖（文章转载自公众号：阿达散步之瞎想）

主要数据来源：CRV《What Is AI-Native? The Founder's Guide (2026)》；a16z 2026年3月全球生成式AI应用Top 100榜单；出海参考《中国AI出海的"商业化时刻"》《Plaud软件年化收入破1亿美元》；虎嗅、新浪科技关于Manus被Meta收购、监管叫停及腾讯牵头回购谈判的报道；EQT Motherbrain官方资料及VentureBeat报道；SignalFire官网及公开案例研究；GoingVC《The AI-Native Venture Capital Firm》；AI Business《15 AI Startup Metrics Investors Track in 2026》；Vista Equity Partners《AI Inference Economics》；CNBC关于Unitree与Nvidia合作报道。文中公司数据均来自公开报道，投资决策请以正式尽调为准。