Benchmark合伙人：AI时代颠覆VC估值，黄金法则全面失效

在生成式AI席卷全球之际，传统软件时代的“黄金投资法则”已全面失效，AI正在通过打破规模与风险的反向关系、重塑财务指标，彻底颠覆创投圈的估值常识。

在知名播客Sourcery with Molly O'Shea于6月29日播出的节目中，硅谷老牌顶尖风投机构Benchmark合伙人Ev Randle与主持人Molly O'Shea展开深度对话，内容涵盖AI公司估值新框架、推理经济学、Anthropic上市潜在冲击，以及Benchmark在AI领域的投资组合逻辑。

（访谈节目截图）

Ev Randle开门见山抛出核心判断：整个风投和成长期投资生态正在经历一种"方向感丧失"——上下颠倒，是非混淆。 而这种混乱，根源在于一个古典定律的失效。

他指出，在新的AI范式下，风险与规模的传统反向关系已经崩溃。过去，初创企业随着规模扩大，会依次消除产品市场契合度（PMF）、单位经济学和市场天花板（TAM）的风险。但在如今的AI时代，“你可以拥有营收远超10亿美元的企业，但它们尚未证明自己的单位经济学，也没有证明持久的产品差异化。”

这种现象让整个创投生态系统进入了一种“迷失方向的阶段”，不仅“电子表格投资时代”宣告结束，SaaS领域的诸多黄金法则甚至在AI语境下开始反向运行。

“电子表格投资时代”结束，SaaS黄金法则全面逆转

在传统的SaaS（软件即服务）软件投资时代，高毛利、纯软件、轻资产、高客户留存率是衡量优质公司的“北极星指标”。这些指标不仅能够完美适配财务模型，还衍生出了“40法则”（Rule of 40）等量化标准。

然而，Ev Randle直言：“定义电子表格投资时代的过去所有黄金法则，如今全部消失了。当前最受欢迎的公司和赛道，几乎是这些黄金法则的完全反面。”

他以三大核心变化为例： 首先是分发策略的改变。“有一条推文说‘FTE（全职人力/实施顾问）是新的PLG（产品驱动增长）’，这就意味着万物正在‘Palantir化’。”过去，高度依赖人力的实施服务被视为拖累毛利率的负面因素，如今却成了标配。

其次是毛利率逻辑的颠覆。在AI应用中，“如果你的毛利率很高，这实际上是一件坏事，因为这意味着没有人使用你的AI功能。” 由于AI推理成本高昂，高频使用必然拉低毛利率。

最后是资本密集度的飙升。为了建立护城河防御大模型厂商，许多AI软件公司开始在内部建立研究实验室并训练或微调自己的模型，这带来了前所未有的资本支出（Capex），彻底打破了过去SaaS企业无需投资GPU等重资产的定律。

新的AI估值公式：P×Q×M模型下的天价订单

当旧规则失效，如何评估AI公司的商业模式？Ev Randle提出了一个新的AI分类学视角：P（价格）× Q（数量）× M（毛利率）。

与传统SaaS相比，AI应用的Q（目标客户数量）通常持平，M（毛利率）几乎肯定低于传统SaaS的70%，但P（价格/客单价）却能达到令人瞠目结舌的高度。

“现在，你看到一些推理平台与初创公司签下了高达九位数（上亿美元）的合同，这在SaaS公司中极其罕见。”Ev Randle表示。他特别提到了AI编程助手的惊人消费力：

“我们投资组合中的开发者们，每人每月在Claude Code上花费3000美元。哇，这意味着每个开发者每年3.6万美元。”

这种商业模式和产品创新的结合，被Ev Randle视为自云时代以来最重要的转变。买家的心态已从“购买软件许可证”转变为“按需购买智力或白领劳动力”。

这使得企业的软件预算上限被彻底打开，过去一个客户可能只贡献20万美元营收，现在可能会变成*“每个普通客户带来2000万美元的营收，甚至对某些巨头来说是每月5亿美元”。

推理是“印钞瀑布”，前沿模型面临“数万亿美元问题”

在谈及AI基础设施和Agent（智能体）经济的爆发时，Ev Randle用了一个生动的比喻来形容当前巨大的推理（Inference）需求。

“这就像你坐在河岸边拿着一个水桶想装满水，但就在那边有一个巨大的瀑布。你该做的不是坐在岸边思考，而是直接走到瀑布下面……这个瀑布就是推理。”他指出，基于推理的商业模式让许多公司的营收增长曲线从过去的“1-3-9-20”变成了极其陡峭的“1-20-100”或“1-30-300”。

但在庞大的需求之下，前沿大模型（Frontier Models）正面临严峻的定价权考验。Ev Randle提出了一个“AI老妈测试（Mom Test）”：对于非技术硬核的普通用户（如他的母亲）来说，100%的日常需求其实都可以被极具成本效益的开源模型满足。

他指出，如果未来AI能力达到了绝对的上限，且开源模型能达到前沿模型95%的能力，“对于前沿实验室来说将是一个非常可怕的局面”，因为这会极大削弱它们收取溢价的能力。反之，如果前沿实验室能实现递归自我改进（RSI），那么它们将拥有极强的定价权。这被称为决定AI赛道走向的“数万亿美元问题”。

创投生态巨震：天量流动性冲击与“非典型”风投

在资金端，AI的资本密集型特征和公司保持长期私有化的趋势，正在改变整个风投行业的形态。

Ev Randle警告市场，必须为AI巨头未来可能带来的天量流动性冲击做好准备。他以Anthropic为例进行了极具冲击力的推算演示：

“如果Anthropic上市并在1.5万亿美元的估值下获得流动性……它将产生相当于Snowflake（史上最成功SaaS IPO之一）Pre-IPO轮35倍的回报。这是在单一一轮融资中实现35个Snowflake Pre-IPO轮的回报。”

他透露，有些基金在单一AI公司中投入了高达30至40亿美元，并可能在不到5年内获得5倍回报。这种财富创造的速度和规模，将对整个硅谷生态（包括房地产、新公司孵化、二次投资）产生巨大冲击波。

面对这种疯狂的市场，Ev Randle表示，许多曾经的风险投资公司实际上已经变成了“替代资产管理公司（Alternative Asset Managers）”。而Benchmark依然坚持其核心哲学：

不投赛道，只投人（Founder-out versus Theme-in）。“伟大的创始人永远不会过时，而商业模式却会流行或过气。”

访谈最后，Randle对整个风投行业的结构性演变给出了直接判断。他认为，行业最大的问题是用"风投"这一个词，描述了本质上完全不同的两类机构。

"General Catalyst和Andreessen Horowitz是另类资产管理机构（Alternative Asset Managers），不是风投公司。他们有风投产品，但他们本身不是风投公司——他们有成长期产品、债务产品、医疗保险产品、财富管理产品。"

"风投在很多方面仍然是原来的风投，但对这些大机构来说，它只是众多产品之一，而不是机构本身。"

访谈实录全文如下（由AI辅助翻译）

第1章：Ev Randle，Benchmark 普通合伙人

Ev Randle： 我们过去在投资领域有一些"黄金法则"，或者说"北极星指标"，但当你审视软件行业时，大概有五六个关键指标是真正重要的——它们非常清晰易懂，也非常适合用电子表格来分析。

然而现在，那些曾经定义了"电子表格投资时代"的黄金法则，全都已经失效了。

在全新的 AI 范式下，你可能会看到这样的企业——年收入远超十亿美元，却依然没有验证清楚自己的单位经济模型（unit economics），也没有证明自己拥有持久的产品差异化竞争力。

你知道吗，我们现在有开发者，每个人每个月自己花在 Claude Code（Anthropic 旗下编程工具）上的费用就高达 3,000 美元。换算一下，那就是每位开发者每年 36,000 美元。

再想想 Anthropic 那笔对应 3,800 亿美元估值的融资——如果 Anthropic 未来上市，并以 1.5 万亿美元的估值实现流动性退出，我真的不确定，人们是否真正理解、并且做好了准备，去迎接如此巨量的流动性涌入整个生态系统所可能带来的冲击。

第2章：基准资本年度合伙人大会之后

Molly O'Shea： Ev，欢迎来到Sorcery。

Ev Randle： 谢谢你，Molly。很高兴来到这里。

Molly O'Shea： 我太开心了。这是我第一次采访来自Benchmark（基准资本）的人。你是他们较新加入的合伙人之一。我之前采访过Jack，那是在他加入之前，但现在我们有你了。

Ev Randle： 太好了。我很兴奋能成为第一个。

Molly O'Shea： 那么，最近怎么样？我知道你们刚刚开完年度合伙人大会（AGM），对当下市场做了一次大规模的集体复盘。整体感觉怎么样？

Ev Randle： 是的，说到感觉嘛——Benchmark内部的氛围绝对是高涨的。但从整个市场来看，我觉得整个风险投资和成长期投资的生态圈，正在经历一种迷失方向的阶段，大家都感觉像是上下颠倒、黑白不分。我们在年度合伙人大会上，也在尝试做一些内部反思，搞清楚我们对市场的判断，以及我们一直在关注的那些事情。

我想到了一个可视化框架，我觉得它能很好地解释这种感受：在过去的范式里，尤其是在软件行业，规模和风险之间存在一种近乎反向的关系——也就是说，规模越大，公司彻底崩盘或倒闭的风险就越小。

原因在于，从历史经验来看，一家初创公司在不断扩张的过程中，会依次消除业务各个环节的风险。通常第一步是验证产品市场契合度——人们愿不愿意买你的产品？接下来是验证单位经济模型——你卖的产品，长期来看能不能实现盈利？然后是验证市场空间（TAM）——你的公司能不能从1000万美元的营收，成长到1亿，甚至数十亿，并最终赢得市场领导地位。如果你在成长过程中没能逐步消除这些风险，增长就会停滞，公司就不再扩张了。

所以，这两个变量之间存在一种干净清晰的关系：如果你还在持续扩张，通常意味着公司的风险正在越来越低。

然而，我认为在新的AI范式下，这一切已经发生了根本性的改变。现在你可以看到一些营收远超十亿美元的企业，却依然没有验证其单位经济模型，没有证明其产品差异化的持久性。从某种程度上说，这些公司归零是最坏的情况，但即便只是从上一轮估值大幅缩水，这种损失的风险，随着时间推移，感觉不仅没有降低，甚至可能与规模呈现出一种奇怪的正相关关系——规模越大，风险反而越高。

这是一件非常令人迷失方向的事，因为我们早已习惯于"公司越大越安全"这个逻辑，但现在感觉已经不是这样了。

背后有很多原因，我们可以深入探讨。但我认为，这正是为什么市场上的人们、投资者、我们的同行，甚至我们自己，都感觉风险与回报的范式已经今非昔比。

第3章：投资的黄金法则已全部失效

Molly O'Shea： 作为一个投资者，你怎么评估这件事？我们之前也聊到过这个话题，你说这是"电子表格投资时代的终结"。你的意思大概就是这个吧？这是一个绝对的判断，还是说背后有什么前提？

Ev Randle： 对，你知道，我们过去在投资领域有一整套所谓的"黄金法则"，或者说"北极星指标"。当然也有一些例外，比如硬科技领域一直都有所不同，还有一些资本密集型的消费互联网业务也是如此。但如果你专门来看软件行业，过去大概有五六件事情是真正重要的。

比如说，高毛利率比低毛利率好。至少70%到80%算不错，达到90%就非常出色了。通常你希望卖的是纯软件，意味着你不需要附带大量服务支持或实施部署的工作量，因为那会限制你的规模扩张能力，同时也会拉低你的毛利率。

这类业务通常是轻资产的，没有太多资本支出，而且研发投入上有很强的运营杠杆效应——也就是说，随着时间推移，研发效率是相当高的。

另外，你还需要有极高的客户留存率。所谓"毛留存率"，意思是客户一旦使用了你的产品，通常就会留下来。很多软件公司的毛留存率超过90%，也就是说，在一整年里，如果你有100个客户，离开的不会超过10个。

把所有这些因素加在一起，最终呈现出来的，是一门轻资产的生意——到了成熟阶段，它能持续产生极高的自由现金流，而且增速长期来看是GDP的好几倍。说起来有点绕口，但这就是为什么软件公司能以极高的NTM（未来12个月）收入倍数来交易。这一点非常重要——整个资产类别的基础，就是愿意为ARR（年度经常性收入）支付非常非常高的估值倍数。我们之所以被允许这样做，是因为这些公司最终会变得极其盈利，而且盈利非常持久，并以GDP数倍的速度增长很长很长一段时间。

所以，这就是软件行业过去的基本面设定——非常清晰，非常适合用电子表格来分析。我说的那些指标都能非常漂亮地放进表格里。还有像"40法则"这样的指标——增长率加上自由现金流利润率——有时候你甚至可以用一个单一指标来概括一家软件公司的质量，有些投资者就直接看40法则的得分来做投资决策。

但现在，如果你去看那些最热门的公司、最热门的赛道，它们几乎是我刚才说的每一条黄金法则的反面。

有条推文说："FTE（全职员工驱动的销售）是新的PLG（产品驱动增长）"，这已经成了最流行的分发策略。

Molly O'Shea： 还得感谢Palantir（为此开了先例）。

Ev Randle： 没错，就是这样。

万物的"Palantir化"，意味着现在你到处都能看到这种"高端实施顾问"的角色。而这在过去是不被允许的——你不应该有这种东西，你应该卖的是纯软件。但这种模式会拉低毛利率。

而现在，高毛利率反而成了一个坏信号——因为AI推理本身就需要花很多钱。如果你的AI产品毛利率很高，那说明根本没有人在用你的AI功能。这就像是一个颠倒的世界。

还有另一个现在很流行的说法是：如果你想要在面对大型实验室时保持竞争壁垒，你就需要自己训练模型，或者至少要用从用户那里获取的数据做后训练（post-training）。所以现在的逻辑变成了：一家软件公司内部还得建立自己的研究实验室来训练模型。这在资本支出上是极其密集的——和过去那个没有任何GPU资本支出的软件时代相比，简直天壤之别。

所以这一切就像是一个颠倒的世界——过去定义"电子表格投资时代"的所有黄金法则，如今全部失效了。最热门的公司和赛道，几乎是这些法则的反面。

我认为这让很多人感到困惑的原因在于：这些黄金法则本身，在真空中来看，确实是构建一家高质量公司的第一性原理——因为归根结底，一家公司要被高度估值，就必须在很长一段时间内持续产生大量自由现金流。

当你看那些最热门的公司，从第一性原理的角度来审视，它们看起来似乎比传统SaaS公司吸引力更低。这就迫使你不得不重新思考很多投资方式。

第4章：谁真正掌握了AI经济学的门道？

Molly O'Shea： 关于这个话题，我有好多延伸问题想问。第一个问题是——你认为在各家公司里，谁对管理AI规模和经济模式有最好的直觉？

是创始人吗？还是你发现这种能力分散在不同的公司、研究人员或经济学家之间？这对所有人来说都是全新的领域，你是怎么理解这件事的？你认为谁最能把握其中的门道？

Ev Randle： 这是个很好的问题。这件事真的很有意思，因为这些公司彼此之间差异极大。比如说，我们投资组合里有一家叫 Fireworks 的公司，我们认为它正在成为一种 AI推理云；再拿另一家同样出色的公司 Crusoe 来对比，表面上看它们属于同一赛道，但实际上它们是完全不同的公司，拥有完全不同的商业模式和经济模型。

我的意思是，Crusoe实际上是在亲自建造数据中心——他们去获取电力、土地和许可证，自己建数据中心，通常是为超大规模云服务商（hyperscaler）提供服务，这些云服务商反过来成为他们的客户。有时他们也有自己的云产品，可以向初创公司等客户出售推理服务。而 Fireworks 并不拥有自己的数据中心，他们实际上是从合作伙伴那里租赁推理算力和GPU。

他们赚钱的方式，一方面来自推理服务本身，另一方面来自他们在推理层之上构建的软件——这些软件能让推理更具成本效益、降低延迟，从整体上提升推理产品的质量。所以从外部看，你可能会说"哦，不就是两家推理公司嘛"，但它们其实拥有截然不同的商业模式、截然不同的资本密集度和截然不同的利润结构。它们的差异远大于相似之处。

我职业生涯起步于一家名叫 Vista Equity Partners 的软件私募股权公司。CEO Robert Smith 常对我们说："软件吃起来都像鸡肉。" 这正是软件的美妙之处——每家软件公司，当你翻开资产负债表、看损益表的时候，它们都长得差不多。所有公司的科目条目都一样，成熟期的损益表看起来也基本相同。即便它们面向完全不同的市场、销售完全不同的产品，骨子里的相似度远大于差异。

但现在，这条规律不再适用了。AI领域存在太多不同的商业模式——你可以是AI应用开发者、基础模型实验室、推理平台，也可以是数据中心建设公司——它们真的是五花八门、各不相同。

所以很难一概而论，答案需要具体问题具体分析，取决于公司所在的细分赛道。但我认为，那些认真思考过"AI公司新分类框架是什么"的投资人和创始人，拥有明显的竞争优势。

因为在我看来，这一切最终都归结为一个公式：P × Q × M——这是经济学101的基础，即价格 × 数量 × 利润率。

在SaaS时代：

• P（价格） 是你的ACV，也就是你卖给客户的合同年均价值；
• Q（数量） 是你的客户数量，或者你的目标市场（TAM）中的潜在客户规模；
• M（利润率） 是毛利率，通常在 70%到90% 之间。

而现在，在AI时代，如果我们以AI应用公司为例：

• Q 基本没变，你面对的还是那批会购买SaaS的客户；
• M 几乎肯定更低，我认为 99%的AI应用公司毛利率都低于70%；
• 但P 可以高得惊人——你会看到一些推理平台与初创公司签下九位数（亿级美元）的合同，这在SaaS时代极为罕见，能和任何客户签九位数合同的SaaS公司都凤毛麟角，更别说对方还是初创公司。而现在，大量AI公司正在签下规模令人难以置信的大合同。

我认为，理解这套新的分类框架，理解它对公司质量演进意味着什么，理解这些公司成熟后会呈现出怎样的面貌——这是一个至关重要的动态变量，而整个行业目前都还在摸索之中。

第5章：为什么Benchmark押注创始人，而非赛道

Molly O'Shea： 那你的意思是说，这种迷失感体现在做全新投资决策上，还是也体现在理解现有投资组合公司上——比如它们如何以不同的方式成长和扩张，包括边际层面和商业模式层面？

Ev Randle： 两方面都有。我觉得，幸运的是，Benchmark做得最好的一件事，就是在极早期阶段与创业者建立合作关系。正因为如此，你就不需要太担心很多这类问题了——因为这些问题很多都跟"公司IPO或被收购时会值多少倍"有关，或者"他们在规模化阶段如何有效利用资本"之类的事情。

但如果你是在公司刚起步、估值仅5000万美元的时候就支持这位创业者，那么等你真的需要回答那些问题的时候，其实你已经完成任务了——公司已经成长到了一定规模，达到了一定的成熟度，你大概率已经赢了。

我认为，我们投资组合中很多与这次对话相关的公司，情况都是如此。当然，随着这些公司逐渐成熟，我们也会思考：未来哪些赛道会有真正大的利润池可以争夺，这确实是我们关注的事情。