3个月干到3000万美元的AI公司，为什么不需要VC？

深度思想，谈 AI 与向往 —— 字节深思圈

硅谷一位投过 Snap 的 12 年老兵 Yash Patel 最近单干，募了一只 1 亿美元的新基金。他离开老东家的理由，值得整个风投行业琢磨：他发现增长最快的那批 AI 公司，压根不需要他的钱。

这批公司里跑得快的，三个月从零做到 3000 万美元营收。不拿大额融资，不找技术合伙人，用上一代软件公司几分之一的资金跑通盈利，年增长率十倍起步。这对创业者是好消息。对风险投资这个行当，是存在层面的坏消息。

创业成本塌了，先砸的是投资人的模型

ChatGPT 出现之前，创办一家软件公司是重资产生意：启动资金、技术合伙人、数月到数年的开发周期。Lovable、Cursor、Replit 这批编程工具把门槛打到了接近零。创始人不再需要斯坦福计算机系的出身，垂直领域的深度知识成了更值钱的资产。行业老兵把自己十几年的领域认知直接做成产品，不需要先找一个会写代码的合伙人。

随之出现一种新画像：资金效率极高，不少公司零融资实现盈利。这批创始人还有一个共同点，极度在意股权稀释。他们见过太多融资过快的教训，把钱多当成成本，不当成奖赏。

行业里另外两拨人，同样没接住这批公司。头部机构挤在 OpenAI 级别的交易里，图的是稳妥的两倍回报，严格说已经算不上风险投资；剩下的人拿传统 ToB 指标，去筛千篇一律的套壳公司。中间那档增长最快、回报最肥的标的，正好从两套筛子中间漏了过去。

传统 VC 站在这批人对面，手里的牌突然不对了。

旧基金的结构，接不住新公司

风投这门生意的底层假设是：好公司缺钱。基金规模、单笔金额、储备倍数，整套结构都是为烧钱换增长的资本密集型公司设计的。当最好的新公司恰好不缺钱，这个行业的产品对最想要的客户失去了吸引力。

错配的结局是双输。创始人被迫拿了远超实际需要的钱，白白稀释股权；VC 被激励推着鼓励烧钱式增长，从小额投资里又赚不到足够回报。大平台基金想改也难，GP 和 LP 之间的授权条款把灵活性锁死在了 2010 到 2020 年那套有效结构里。

管道堵塞的后果已经能看到：A 轮交易数量掉了 79%，资金集中涌向五家明星公司，整个应用层留出一片真空。

三十天就敢打钱，指标先打对折

新基金方法论里最激进的一条，是评估提速。传统 SaaS 投资人要等几个季度的留存曲线才出手；这批公司跑一个月产生的数据量顶过去半年。盯次日、7 日、30 日留存，日活月活比超过 50% 就基本可以决策，净收入留存 120% 以上算优秀，少数高付费的重度用户补贴低活客群，算健康结构。等于把消费产品的指标体系打了五六折，移植到 B 端生意上。

速度上去了，代价没写在说明书里。留存数据可以被补贴扭曲，低价甚至免费 token 堆出来的 30 天留存，和付费留存是两个物种。数据量变大，信号强度没有同比变大。用打了折的指标在三十天里做决策，本质是把深度尽调换成高频下注，误判率必然上升，对冲办法只有扩大组合数量。可小基金的组合恰恰更小。快和准，这套方法论现阶段只能选一头。

筛出值得下注的公司，标准也得换。有个做 AI 特效视频的公司可以当样板。创作者用出来的行为数据，加上切入广告之后拿到的转化归因，构成模型厂商拿不到的专有数据；跟各家视频模型的首发合作加上活跃社区，构成别人短期复制不了的分发；数据喂迭代，迭代吸用户。这个循环转起来之后，OpenAI 可以一夜发布更强的模型，却复制不了垂直场景里长出来的这层资产。模型说到底是通用工具，特定领域里长期攒下的数据、客户关系和行业知识，是模型公司自己都没有的东西。

跟巨头打交道的姿态也值得单说。模型公司需要借助垂直应用触达自己覆盖不到的客户，合作关系有真实价值，但在自己的护城河建成之前，核心数据一条都不能交出去。分享足够促成合作的信息，守住构成防御力的那一部分，这个分寸是活命线。

历史押的是应用层

现在的钱堆在基础设施上：模型、算力、数据中心，几十亿上百亿地追着少数几家明星公司跑。应用层冷清得多。

云计算时代有过相似的一幕。AWS 和 Azure 赚了钱，赚得不少，但那一波最大的回报属于 Salesforce、Workday、ServiceNow。基础设施创造价值，应用层创造财富。历史不担保重演，但至少说明一件事：价值必然沉淀在基建层，从来不是定律。而眼下整个 VC 行业的注意力分布，恰好和这条历史经验反着站。

对创业者，含义很直接。钱多算不上服务，稀释是真实成本，增长快的时候稀释最贵。按需融资，把估值留给业务里程碑去抬，比用一个超大的种子轮买安全感划算。对投资人，含义更扎手：这轮错配是结构性的，现有基金接不住这个品类，市场会系统性错定价一段时间。能挪出独立资金池、敢改条款的机构，吃到的就是这段窗口。改不动的也别硬挤，守好自己擅长的老赛道，比追一个自己结构上追不上的机会体面得多。