原对话:沿提问、回答和转折完整展开
下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。
00:00:02–00:29:13连续对话 1
00:00:19–00:04:55从OpenAI到VC:个人选择、合伙人互补与投资人代际观察
- 你是在哪年到哪年是在OpenAI啊?
- 然后你就是出来做投资了吗?
- 为什么当时是决定出来做基金,而不是做一个跟AI相关的创业项目?
- 所以你们基金正式开始做是23年是吧?还是22年底?
- 美国那边你觉得是怎么样?
- 有吗?美国也是这样吗?
- 是,就是从沙丘路走到了Blue Bottle之类的这种感觉是吧?
Jenny介绍自己在美国长大、在中国读过8年初高中,之后在哥伦比亚大学读博,2021—2022年在OpenAI工作约一年,经历ChatGPT发布前的阶段。她本科时已有创业经历,并由此接触OpenAI;ChatGPT发布后约一周,她选择离开,转向与Jay合作做投资。Jay于2021年已开始这只基金,她在2022年底加入,因此不能写成她在2023年独自创立Leonis Capital。
她解释做基金而非直接创业的两点原因:在OpenAI时感受到Sam Altman的影响力,而Sam有VC背景;同时Jay能提供她缺少的投资经验,自己的AI技术与对方形成互补。她也承认当时经验有限,需要边投边学。这里既有技术背景向投资迁移的路径,也有对资深投资人选择的主观理解,不应写成VC天然比创业更有影响力。
曲凯进一步问美国资深投资人是否也会用旧视角看新公司。Jenny用一位创业者朋友的融资经历回答:老牌基金办公室和谈高尔夫的合伙人让对方感到距离,年轻基金在咖啡厅里则更懂技术和创业者。她随后也补充,许多有经验的投资人仍然充满活力。这段材料支持的是不同基金在沟通、技术理解和组织文化上的差异,不能推广为年长投资人普遍保守、年轻投资人天然更懂AI。
To B / To C / ProsumerTo B面向组织客户,To C面向个人。Prosumer指专业个人用户,Jenny按最终买单方判断其转化,常见路径是个人使用后组织采购,而非固定类别。
PLGProduct-Led Growth,产品驱动增长。个人或团队先采用产品并扩散,随后可能出现企业采购。它需要产品有使用价值和组织协作需求,不保证必然转成To B。
PMFProduct-Market Fit,产品市场匹配。Jenny将单一大客户占比过高视为可能尚未形成可重复需求的信号,但早期集中本身不等于失败。
leave of absence允许暂时休学再返校的制度。它降低创业试错成本,但不同学校政策、返校要求和个人资源不同。
话题推进:个人职业路径之后,主持人把问题转向更大的市场:过去几年AI投资叙事怎样从基础模型转向应用和企业落地。
00:04:56–00:09:58从模型叙事到务实应用:企业需要稳定结果,而非Agent演示
- 你这两年不管是做投资还是投AI,你觉得你观察到的最主要的几个,我们讲趋势也好,或者几个milestone是什么?
- 那你觉得明年呢?……大模型现在大家也不知道下一个突破点可能在哪里,对吧?然后应用呢,大家也至少在当下没有一个特别共识的一个方向性的投资。我不知道你看到的是怎么样?
Jenny将2023年的投资共识概括为追大模型,OpenAI和Anthropic等公司获得大部分价值;应用当时又被许多人轻视成“wrapper”。到2024—2025年,Cursor和Perplexity等应用形成特色,证明应用层也可以有位置。与此同时,Agent虽热,传统企业在试用中却因稳定性不足无法进入真实流程,投资与创业话题由宏大Agent故事转向实际企业化落地。
她说Scaling Law走到终点,是其对基础模型智能增速的判断,而非本期已证明的自然规律。对应的机会包括医疗、生物和科学等垂直数据与微调。她以自己领英常收到博士专业数据标注邀请为例,说明模型公司需要专业人才与专有数据;个人邀请样本不能直接代表整个数据市场。
日本银行的例子把落地困难说得更具体:一款投行辅助产品能整理金融文件、做Excel分析,但准确率连95%也难达到,员工必须逐项核查,反而增加麻烦。Jenny提出的改进方向是把任务拆成更小workflow,每一步只给AI有限选项,以约束输出并提高可验证性。她同时认为政府老旧软件有改造空间,前提同样是稳定可靠。
这段最重要的边界是:功能性演示与生产可用之间存在准确率、审核成本和责任风险。即使95%准确率看起来很高,若每一步错误都需人工复核,企业ROI仍可能为负。 workflow能否解决,也要看任务是否可分解、错误是否可检测,而非仅把选择变少就算完成。
话题推进:企业落地问题引出中美差异:为什么美国VC更常讨论To B,而To C的用户、付费与退出又有哪些不同。
00:09:59–00:18:22中美To B/To C:市场碎片、付费习惯、PLG与退出路径
- 我发现在美国有跟那边的不管是投资还是创业者聊,我觉得甚至有投资人跟我说,他们就是确实看不懂To C的东西。我不知道你的体感是怎么样的?
- 但也是国内现在大家总在讲一个概念,是Prosumer的概念。我不知道你在硅谷那边有没有听过,或者有没有这么讲。
- 你们会把它划在更偏To B还是To C里面?
- 是不是现在大家在做的,因为AI这波其实Prosumer这个概念才更起来嘛。我在想它是不是其实也是中间的一个过程,就最终是不是都是要To B,或者说甚至于说越来越To B才是一个合理的路径?
- 但就像你讲的,反正Prosumer最后可能就从PLG的路线,然后发展到一些SLG啊之类的,是吧?
- 而且我发现美国那边我们聊过一些创业公司,有的是阶段相对已经比较靠后的了。然后我会发现它的收入来源里面,可能比如说前三个大客户,甚至于有时候就是只有一个大客户会占着六七十的销售额。我不知道这种现象算是常见吗?
- 我当时还在想说这样的话,它是不是最后就是还是卖掉是一个比较好的出路。
Jenny先从市场结构解释美国To C的难度:不同族裔、地区和人群的消费习惯差异很大,产品必须明确服务某个画像,难形成统一TAM。她把中国视为需求更一致的市场,是站在硅谷比较视角的概括,不能写成中国用户同质、美国所有To C都难做。
To B方面,她给出两个相互关联的解释。美国人工贵,企业更愿意为替代人工或提高效率的软件付费;小费文化又让个人更容易接受为小服务付几美元,从而延伸到每月20美元的软件订阅。她还特意说美国是特例,欧洲、日本的付费意愿未必相同,不能把这一逻辑全球通用。
关于Prosumer,Jenny按最终买单方区分:国内若由个人自费更像To C,美国常见路径是先个人使用,再让公司采购。Notion和Figma就是个人或团队内部扩散后升级企业版的例子。她把这条路径称为PLG向To B转化,强调To B的粘性和支付意愿;她投资的Motion、Jace则被用来说明小公司也能从专业个人用户扩散到组织客户。
主持人追问收入过度依赖单一大客户是否常见。Jenny承认早期常见,但担心公司没有形成PMF,或为大客户做了太多定制服务,变成VC不喜欢的服务生意。她给出的健康状态是A/B轮后前五大客户占收入约30%—40%,这是其投资经验中的参考区间,不是财务规则。
退出方面,To B工具可被微软、Google或中型公司收购后纳入产品,路径相对明确;To C产品因用户画像、社区和使用方式难并入其他平台,收购更复杂。这是解释美国投资人偏好的重要一层:并非只比较收入增速,还比较客户关系、可复制性和退出可能。
话题推进:理解To B逻辑后,下一问落到投资人怎样判断创始人:看独特见解、学习能力和对竞争的真实认识。
00:18:23–00:21:17考察创始人:独特见解、竞争认知与“先融资再离职”的反例
- 所以你现在如果说有一个创业者来找你聊天,你主要会考察他的哪些东西?
- 这个听着跟国内也是一模一样的呀,看来没有那么大的区别。
- 那我们讲回来刚才的那个,对,就是你说找你来,你会先看他那些。
Jenny首先看创业者是否有特殊行业见解:为什么你知道一个别人尚未看见的机会,而不是因为同事或同行创业成功便跟进。美国存在许多细分垂直市场与信息差,创业者可借专业经历或客户接触形成优势;国内信息透明、模仿快,是她与国内投资人交流后的对比,不是绝对差异。
她也会直接问“别人会不会做这件事”。声称“只有我能做、别人都不行”的回答会被扣分,因为它回避竞争。更好的回答能具体列出A、B、C等潜在对手及其优势,再说明自己先从哪个点切入、建立局部优势,之后如何扩展。她看重的不是谦卑话术,而是能否把市场结构转成可执行的选择。
Jenny还用未辞职便来融资的大厂员工作反例:对方承诺“拿到钱就离职”,她把这种先找替代方案再结束现有承诺的行为比作已婚者先找新对象再离婚。这个尖锐比喻表达她对责任和投入的要求,不能据此推断所有保留工作再融资的创始人都不适合投资。
主持补充“国内也一样”,Jenny同意硅谷滤镜需要去掉。很多看似独特的投资问题其实共通:跟风、缺乏客户洞察、盲信自己、对竞争理解不足。不同阶段又有差异:加速器和天使更看人,种子轮通常要求已有小团队和初步客户,因此也看方向。
话题推进:创始人评估之后,主持人继续追问硅谷为何能接受非常年轻甚至辍学的创业者,以及这类标签背后真正重要的经验。
00:21:18–00:29:13年轻与辍学创业:实践经验、休学安全网和标签的反面
- 但你觉得从你整体的感受来讲,大家是更看人还是更看事儿?
- 所以我还有一个不理解的点,就是美国那边像你讲的各种孵化器啊等等,就大家投了非常多的年轻人……这个在国内其实也是挺难想象的。所以你觉得美国那边为什么大家愿意投这么多年轻人?而且确实有很多年轻人做得很好,最后。
- 所以你觉得就是那些比较年轻的人,其实他只是年纪上看起来年轻,但可能他的经验已经非常多了。
- 你说这个有点,这个它不是一个很常见的事情吧?
- 所以我想再给你确认一个点,就是我们国内大家其实经常听到辍学创业的故事,对吧?就最有名的扎克伯格这种。但有没有一种可能是说大家只看到了辍学这个事情,但没有看到说辍学背后,其实像你讲的很多人可能十三岁或十六岁就已经有很多丰富的经验了。就这个你觉得是一个常态吗?
- 但比如说就是一个斯坦福的学生,他可能读到大二大三,他辍学创业,但他之前呢,可能最多有一两份实习。你觉得这种是能拿到钱的吗?在美国这样。
- 如果我说这个是一个当下最流行的国内创业师的画像的话,那你觉得在美国最流行的画像大概是什么样?
Jenny认为美国一些年轻人更早独立、实践经验更多,例如16岁开车上学、十几岁开始做项目。她丈夫13岁创业、后来从斯坦福辍学,是具体个案而非证明美国青少年普遍如此。她所在公司统计的Top 100 AI公司创始人中,常见年龄26—27岁,中位数28—29岁,约10%—15%在18—25岁。这个榜单的样本与筛选未展开,不应据此推出辍学创业成功率。
她自己也从哥大博士阶段离开去OpenAI,后来返校完成论文并取得博士学位;丈夫则从斯坦福辍学创业。美国的leave of absence允许休学后再返校,降低了试错成本。她说“从哪里辍学”仍很重要,名校背景会影响投资人、返校和就业选择,显示标签背后仍有资源差异。
主持人问只有一两份实习的学生能否拿钱。Jenny回答“看人”,看重学习能力与实际项目。她投过一位19岁宾大辍学生,虽是首次创业,却有大量开源项目经验。相反,一些斯坦福学生去YC只为刷简历,拿钱后回校,营造少年天才形象。这是她看到的标签异化,不能美化成所有辍学者都有明确使命。
她总结美国受欢迎的典型画像是约27—28岁、有大厂或强技术/博士背景的人,连续成功创业者也受欢迎。主持人用国内字节高管画像作对照,说明不同资本市场偏好的履历信号不同,但两国都可能偏爱有资源和既有成绩的人。她还补充,硅谷同样存在年龄焦虑,并非年轻人就必然占优。
话题推进:人物画像之后,讨论转向更现实的融资条件:各轮估值、ARR门槛和估值上涨对创业节奏的影响。
00:29:13–00:58:12连续对话 2
00:29:13–00:32:10早期估值与融资节奏:天使、种子、A轮和种子延长轮
- 从估值上讲,特别厉害的(比如OpenAI出来的)创始人和平均水平的创始人,他们早期融资的估值大概是什么样?
Jenny称硅谷估值有“玄学”成分,只给个人观察区间:天使轮一千多万美元较常见、两千万偏贵;种子轮约两千至两千五百万,YC可更高;背景很强的团队甚至无产品也可达一两亿美元。A轮通常一亿美元以上,过去约100万美元ARR可融,现在较好A轮往往要300—500万美元。以上是她的市场体感,不是统一定价表。
她还比较轮次间隔:几年前种子到A轮约12—18个月,估值与收入要求较低;现在收入要求更高、估值也更高,很多公司在中间加seed extension,争取时间和资金达到A轮门槛。这一机制解释了“估值上涨并不等于融资容易”:如果下一轮要求增长更快,团队会被迫用延长轮维持叙事和现金流。
主持人将话题转向泡沫,Jenny认为一级和二级都有。她的核心解释是AI服务每次调用都有token成本,而传统SaaS新增一份销售的边际成本近零;很多AI公司表面是软件,实际上还包含模型、算力、服务和数据基础设施。由此她认为AI的估值倍数应比传统SaaS低。
这个判断有清晰的成本逻辑,但不能自动覆盖所有AI公司。自研小模型、缓存、算力降价、定价提高、场景高毛利或平台网络效应都可能改变成本结构;同时SaaS也有销售、服务和云成本。她点名Perplexity、Cursor估值过高,是其投资判断,不是已证明它们没有平台价值。
最后,高估值也被用于人才竞争:Cursor等公司需用股票与Anthropic、OpenAI抢人。Jenny提醒员工,高估值一旦下调,股票可能缩水甚至归零。这使估值同时成为招聘资产和后续融资风险,而不是简单越高越好。
估值倍数(multiple)用ARR等财务指标乘以一定倍数估值。Jenny认为AI每次调用有成本,倍数应低于SaaS;实际倍数还受增长、毛利、壁垒和平台预期影响。
seed extension种子到A轮之间的补充融资,为团队争取达到下一轮要求的时间。它既提供资源,也可能反映收入或产品门槛上升。
FA与熟人推荐FA是融资中介,熟人推荐基于既有信任。Jenny认为后者在美国早期融资更有效,个人行业天使也可提供背书。
data room融资后期供投资人尽调的资料空间,含财务、法律、股权、合同等。通常在强烈投资意向后开放,不代表最终必然成交。
话题推进:估值和成本结构之后,主持人把问题推进到出海实操:架构、人脉、见面、尽调和签约分别怎样推进。
00:32:11–00:35:16赴美融资第一步:Delaware架构与本地信任
- 你觉得AI到底有没有泡沫呢?或者我们可以分一级市场、二级市场来看。
Jenny建议第一步先检查公司架构。她认为不少美国主流基金更熟悉Delaware,其他架构会增加投资难度;若暂时无法调整,也应坦诚说明准备改。她提到旧股东可能要求“拿到美国钱再改”,因此这是需要提前沟通的存量约束,不能简单视为创始人观念问题。
第二步是先去硅谷住一两个月,参加活动、认识创业者、投资人和大厂员工。她反对只来两周、急着募完就走,因为很多细节会暴露不了解本地生态,例如不熟悉LinkedIn而只会微信。这里既有文化适应价值,也有时间与业务成本,不能承诺住一个月就能进入圈子。
她不建议照搬国内FA模式,认为部分美国投资人会将其理解为缺少本地资源和独立融资能力。更好的路径是通过创业者或共同朋友获得介绍。曲凯随后补充,个人天使和行业连接者也可承担类似FA的背书作用,Jenny认可。两类方式应区分:商业中介推介与基于信任的熟人推荐。
话题推进:架构和信任建立后,融资进入具体会议、尽调和签约,主持随后追问怎样控制节奏并获得专业背书。
00:35:17–00:42:51赴美融资第二步:会议、尽调、行业天使与机构帮助
- 美国那边一般融资的正常流程是怎么样?尤其是现在很多国内的创始人到美国去想接触当地的一些机构,想要去融资的话,它一个正常的流程从第一天开始准备到最后拿到钱大概是怎么样的?
第一次见面通常30分钟,要简洁清晰。Jenny以自己基金为例,之后常有三到四次见面:首次建立关系和拿到deck,后续见其他合伙人、深入特定技术或市场问题,最后针对内部争议点补充材料。找第一个联系人最好是有决策权的人,但associate向上推进也可能成功。
投资人还会做背景研究,联系老员工、旧投资人和共同朋友;后期索要data room,再进行定价、律师和签约。Jenny基金约两周,快则一周,其他基金可需三四周。她建议初始接触四五十家,最后两三家投资,是经验性漏斗,不是保证成功率。
她还建议先融小额行业天使:例如设计方向可找Canva、Figma等相关专业人士投十几二十万美元,以专业背书帮助后续机构融资。她同时提醒,投资人的实际帮助主要是介绍下一轮投资人、客户或员工,不能期待无休止对接;加速器提供更多服务,也往往要求更高股权和更低估值。
话题推进:流程建议之后,主持人转向更日常的差异:中美产品审美、软件与硬件偏好,以及Jenny实际使用和看好的公司。
00:42:52–00:48:59中美创投审美:单点软件、超级App与具体产品反馈
- 你觉得美国现在整体在投AI的早期机构一共有多少?
- 对于这个创始人来讲,他怎么知道哪家(基金)每年投多少,或者投的方向怎么样,出手积极度怎么样,估值怎么样,或者他的那个投资金额多少啊之类的?
- 你觉得熟人介绍跟他自己主动发邮件啊,找来啊什么的,这两个会有区别吗?
- 你整体聊下来,你觉得以自己的感受来讲,中美两边最大的区别是什么?或者有没有什么点是让你觉得之前没想到的呀,非常惊讶的呀之类的?
- 你觉得过去几年里面你自己比较喜欢的一些公司和产品是什么?
- 从投资的视角来看,你觉得现在美国的一级市场里面你最喜欢的公司是哪几个?
Jenny在最近国内交流中最直观的差异是产品审美:美国许多产品专注一个功能,如Granola记笔记;国内飞书则被期待同时完成记笔记和许多协同任务。她将这概括为美国偏单点工具、中国偏一体化应用,是交流观察,不是两国所有用户的统一偏好。
她还比较创业方向:美国投资人和创始人更偏纯软件与To B,中国创业者更希望To C和软硬件结合。这一判断与前面的市场结构、制造成本和退出路径相连,但应保留为个人体验,不能写成中国投资人不懂软件或美国不支持消费硬件。
在产品使用上,Jenny把ChatGPT按生活、健康、工作、研究等八个板块组织,每块和每个对话都有定制prompt。她喜欢其记忆能力,Coding则更多用Claude Code。这个例子说明通用模型的效果也受个人知识组织和上下文管理影响,而非单纯由模型版本决定。
她还提到一家转录为M4OPET的企业级公司,因大客户订单增长而看好,名称无法确认;对Cursor、Perplexity则因靠近大厂和竞争而谨慎。对早期生物数据公司Kepler,她不是专业用户,但母亲作为心脏病学研究者频繁使用并给出好反馈。这里要区分亲自使用、家人反馈和被投关系,不能把其写成独立产品评测。
这些案例体现她更偏垂直、有真实用户和行业数据的团队,同时她也会警惕模型公司向应用扩张。看好与看估值不是同一问题:即使Cursor产品优秀,她仍可能认为价格过高。
话题推进:产品审美之后,讨论转向市场调整:泡沫何时、由谁触发,以及基金会否因此改变投资行为。
00:49:00–00:52:55泡沫判断与基金行为:估值下修风险、触发因素和不追高的边界
- 你觉得明年我们说一级市场吧,你觉得会有什么变化吗?在你现在看来。
- 首先你觉得现在的估值是从多少涨上来的?然后你觉得如果往下压的话,压到多少是比较合理的?
- 所以你们现在实际的行为上有什么事情来应对这件事情吗?
Jenny预计明年会有大调整,甚至认为美国AI泡沫会破。她把市场形容为气球等待一根针,特别担心英伟达与OpenAI:前者一个季度销量不及预期可能影响二级市场,后者收入低于预期可能压一级估值。这个时间和触发机制均是她的预测,不是已发生事实。
她进一步设想,如果Gemini性能变好并完全免费,可能吸走OpenAI至少30%的用户;而她估计OpenAI收入的六七十来自每月20美元订阅,因此付费用户下降会影响估值。这里同时包含免费策略、用户流失比例和收入结构三个未核实假设,不能当成确定冲击。
对于估值回落,她认为ChatGPT后AI估值持续上涨,2024—2025年主权基金加入后更快;pre-seed从约1000万到1500—1800万美元,seed从1500—2000万到2000—2500万美元。早期轮次离二级市场远,仍更看人和产品,B/C轮则压力更明显。
实际行为上,基金不追一开始估值很高的热门项目,担心下轮估值倒挂或融不到钱;2025年也没有随市场加快投资节奏,而是维持正常步伐。她担心2025年像2021年一样成为高点,但这并不等于全面停止投资。这里的策略说明其风险控制是在选择价格与节奏,而非对整个AI技术方向悲观。
话题推进:市场宏观讨论之后,主持人把焦点收回技术:Scaling Law、应用公司自训模型与AI生产力为何同时引发乐观和悲观。
00:52:56–00:58:12硅谷三大争论:Scaling Law、应用壁垒与AI生产力
- 除了这件事情以外,还有什么是最近你觉得在湾区那边大家讨论的比较多的吗?
- 所以你觉得就是Scaling Law已经不存在了,这个观点现在在美国算是相对共识了吗?
- 以Cursor为例,应用公司自己在线上用数据继续做IL,去做自己的模型训练,你觉得这个是未来的一个方向吗?
- 那你觉得大部分的应用公司最终它跟模型竞争的是什么呢?就是它是不是很多确实会被模型升级就吃掉了?
- 从技术的角度来讲,下一个突破点可能是什么呢?有什么大概的方向吗?
- 这个也是一个比较热门的讨论话题,还有别的吗?
关于Scaling Law,Jenny重申在研究人员中许多人认为其已走到尽头,RL和post-training更像局部修补,而非预训练式的普遍跃升。她以GPT-3到GPT-4差异大、GPT-4到GPT-5更多功能优化作为个人体感,并说大厂在智能本身上“黔驴技穷”。这是嘉宾对趋势的判断,曲凯也提出RL和post-training仍有Scaling的另一派观点,不能删除争议。
应用公司能否靠自有数据训模型?Jenny认为只有少数能做到。微调需要专业团队、算力和持续维护,下一代通用模型也可能直接获得同样能力。只有大体量、独家、专有数据加技术团队时才值得尝试。她因此认为很多与模型核心能力紧密重叠的应用会被模型公司吸收,Coding尤其如此;法律、金融和其他垂直场景则因数据、流程与客户关系仍有空间。
这一立场需要与另一个商业事实并列:应用公司也可以选择不训练基座,而用专有数据、评测、工作流、分发和客户嵌入建立壁垒。自训模型不是唯一护城河,避免把“不要盲训”写成“应用只能等被吃掉”。
关于AI生产力,节目并列两类材料:一篇MIT文章被用来支持95%企业AI应用失败,另一些哈佛、耶鲁研究被用来说入门级岗位自2023年至2025年减少20%以上。Jenny对前者的解释是,大企业尝试自研AI,人才和推动决心不足,因此失败正常;与创业公司合作可能提高成功率。她没有看到原文样本与统计口径,本稿不把95%当作普遍采用失败率。
对就业,她认为冲击已很明显,年轻求职者更难找到工作,部分AI可做任务确实被替代。这里需要把“自研落地失败”“AI提高部分效率”“入门岗位减少”分开,三者并不逻辑互斥。宏观就业还受周期和组织调整影响,不能全部归因于AI。
话题推进:这些争论最终回到Leonis Capital的选择:什么样的垂直公司既有真实痛点,又能支撑高客单价。
00:58:12–01:07:43连续对话 3
00:58:12–01:02:46投资偏好:垂直数据、企业痛点与“替代人”定价逻辑
- 你们自己基金当下主要想看想投什么方向?
- 我再确认一下,它(AI维修软件)维修指的是类似列一个记录日志或提醒,不是真的要切入到维修里面去?
- 它是不是要对接很多本地化的服务商?
- 你觉得一个是多少客单,才算是一个To B的企业级订单?
- 你怎么论证它(AI应用)真的有效,比如AI维修那个,它是不是确实把一些人替代掉了?
Jenny希望投有技术、数据和行业壁垒并长期深耕的公司。她举一期基金增长最好的维修软件为例:客户包括制造业、餐饮和酒店集团,软件记录维修过程、提供建议、基于历史故障提醒风险,并辅助预约时间。这里不是AI自动维修设备,而是帮助内部维修团队做计划和管理。
主持人连续追问,澄清其并非对接本地服务商,而是用于大企业内部。这个案例支撑的是垂直工作流与数据价值:设备历史、故障位置、维修记录和人员排期形成组织知识,通用聊天模型很难直接替代。她没有提供准确率、替代人数或收入,不能写成技术效果已经独立验证。
对2026年,Jenny强调企业级应用要稳定解决真实痛点,而非功能繁多的Agent demo。客单价因行业而异,一年10万—20万美元较常见且算小,百万级订单也存在,均为她的市场经验,不应作为报价公式。
她最鲜明的投资偏好是“替代人而非只赋能人”:如果岗位年薪七八万美元,AI只需一万美元,客户ROI清楚;若只能让员工提升20%—30%,企业可能觉得现有人员已够用。她认为只有能带来直接成本削减,才更容易支撑大订单和高估值。
这套逻辑在美国高人力成本下很有解释力,但也有边界。替代是否可靠、是否需要监督、责任由谁承担,以及新创造的工作与组织收入如何计算,都会影响真实ROI。赋能型产品也可能通过新工作流、收入增量或组织协同产生高价值,不能笼统判为弱投资。
替代人 vs 赋能人替代人直接减少岗位成本,赋能人提升现有工作效率。前者ROI易量化,后者也可能通过新增收入、流程重构和组织能力产生价值。
垂直数据壁垒特定设备、客户、行业或任务长期积累的数据与流程知识。维修案例主要是内部历史故障和排期,不等于自研基础模型。
ARR年度经常性/年化收入,不等同实际全年收入。Jenny用其讨论融资门槛与估值,具体口径、增长和毛利仍需核对。
话题推进:投资方法之后,主持人回到中国创始人的现实选择:国内融资更容易时,为什么还要去美国,以及业务数据能否抵消背景差异。
01:02:47–01:07:43出海建议:先选市场路径,再决定融资地,数据与营销各有作用
- 如果让你给国内的AI创始人一些建议的话,你会讲什么?
- 如果这个创始人希望靠数据来融资的话,你觉得他做到大概什么样的规模体量或者一些指标的数据,在美国那边可以去弥补一些其他的问题?
- (对于500万美金ARR、纯中国背景的创始人)大概能给到多少估值在美国市场?这应该比较少吧?
Jenny鼓励中国创业者先了解并融入美国创投文化,最好在当地生活一段时间。曲凯则提出一个现实反例:优秀团队在国内可更快拿到更多钱,美国又可能不认履历、给更低估值,放弃确定融资去承担不确定性“挑战人性”。如果总选国内,后续出海又更难。
Jenny承认应分方向:若美国市场本身有优势,可以“长痛不如短痛”提前进入;若国内条件明显更好,也可选择国内到新加坡等路径,不必非拿美国基金,产品仍可卖给美国客户。她建议先想清楚用户、组织与长期市场,再决定融资地,而不是把赴美当成身份升级。
关于数据能否补背景,种子期To B只需十万或二十万美元ARR是她的经验性说法。主持以Manus追问,Jenny纠正“数据决定论”:她认为其融资更靠强团队和成功的美国营销,视频先在美国传播、形成国际化中国团队印象。这个案例不能证明营销比产品重要,只能说明产品、团队与传播会被共同评估。
对没有类似光环的纯中国团队,她认为可能需要一百万乃至数百万美元ARR,才能让投资人忽略风格差异。曲凯进一步问500万美元ARR能否达1亿美元估值,Jenny回答To B拿到1亿美元“挺正常”,至少8000万美元,但还要看架构和其他问题。这是她个人的估值判断,不能当融资承诺或行业统一倍数。
话题推进:访谈在估值讨论中结束;本审读保留所有数字的经验属性,不将个人投资建议转成出海标准答案。
以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。
主要论证:观点怎样由经历与例子支撑
AI投资正在从模型叙事转向真实企业落地,稳定性与可验证结果比Agent功能展示更重要。
Jenny Xiao(嘉宾投资趋势判断) · 00:06:04;00:08:23;00:08:59;01:00:50
应用层已形成代表公司,但企业试点常因准确率不足需要逐项检查。日本银行案例显示,输出再好,如果复核成本超过节省的人力,仍无法采用。细分workflow、有限选项和垂直数据被她视为改进路径。
成立条件:工作流只适合部分可分解任务,垂直数据也需合法可用、覆盖和评测。Scaling是否结束是嘉宾判断,不是全行业已证结论。
美国投资人偏好To B,源于市场碎片、人工成本、付费习惯、PLG与退出路径的共同作用。
Jenny Xiao(嘉宾中美市场解释) · 00:10:41;00:12:20;00:14:00;00:17:43
美国不同人群需求差异使统一To C市场更难;人工贵让企业愿为效率付费,个人也可从专业用户扩散到组织采购。To B工具还能被大厂或中型公司收购,退出更明确。
成立条件:这是嘉宾的经验性解释,不代表中国用户同质或美国To C普遍难成。小费文化只是补充解释,客户集中和定制服务也可能削弱To B可投资性。
投资年轻创业者应看实践与学习,而非年龄或辍学标签;看创始人也要看其对竞争的真实认知。
Jenny Xiao(嘉宾创始人评估) · 00:20:39;00:25:09;00:26:11;00:27:43;00:28:20
19岁被投者有大量开源项目,休学制度又降低试错成本;同时也有学生用YC和辍学刷简历。她更欣赏能列出竞争对手、说明切入点的人,而不是“只有我能做”的盲信。
成立条件:Top 100榜单有筛选边界,不能推导创业成功率。休学并非零成本,名校和资源差异仍影响选择。
AI公司估值应比传统SaaS更谨慎,因为每次服务仍有token与基础设施成本。
Jenny Xiao(嘉宾估值判断) · 00:32:27;00:33:48;00:34:20
传统SaaS复制成本近零,而AI调用需要持续算力,很多公司还含模型、数据和服务投入。她据此认为Perplexity、Cursor等价格过高,并担心估值倒挂和员工股票缩水。
成立条件:不同公司可通过自研、缓存、定价、规模和平台效应改变成本结构,SaaS也有云和服务成本。估值高低还需比较增长、毛利和长期竞争地位。
只有少数应用公司适合自训模型,其他团队应优先证明数据、流程和客户价值。
Jenny Xiao(嘉宾应用壁垒判断) · 00:54:07;00:54:47;00:55:24
微调需要技术团队与持续投入,下一代通用模型也可能直接覆盖效果。独家专有数据和强团队是例外;法律、金融等垂直场景仍有通用模型难覆盖的知识与工作流。
成立条件:自训模型并非唯一壁垒,应用可靠性和客户嵌入也可形成优势。是否被模型公司吸收取决于任务重叠、数据、分发与客户关系。
在高人力成本市场,能直接替代岗位成本的AI更容易获得高客单价。
Jenny Xiao(嘉宾投资偏好) · 00:59:17;01:00:02;01:01:20;01:02:12
若岗位年薪七八万美元,AI一万美元即可形成直观ROI;只提升20%—30%效率则可能缺少采购理由。维修软件以历史记录和内部排期切入,是垂直流程支撑订单的案例。
成立条件:报价需扣除监督、错误、责任和变革成本,赋能也可带来收入与组织价值。维修案例未提供独立效果或替代人数,不能当作普遍证明。
中国创业者应先选择长期市场,再决定融资地和组织路径。
Jenny Xiao(嘉宾出海建议) · 00:35:42;01:03:43;01:04:42;01:06:03
赴美需处理架构、文化、人脉和尽调,国内又可能提供更快更高融资。她建议美国有优势就提前进入,国内条件好可走新加坡等路径,不必将美国融资当唯一目标。
成立条件:本地居住和人脉不保证融资,Manus营销归因是个人判断。ARR和估值数字均随业务、架构与市场变化,不能作为统一门槛。
尚未解决的问题与可检验的下一步
待解问题:受约束workflow能否把企业AI从演示推进到可审计生产?
下一步信息或小实验:选择同一金融任务,比较自由Agent与分步workflow的准确率、逐项复核时间、错误类型、总成本和责任人,而不是只看demo成功率。
怎样的结果会改变判断:若总交付成本显著下降且错误可控,支持嘉宾方案;若复核和维护仍然昂贵,应缩小自动化范围或改变产品。
待解问题:Prosumer产品的个人采用何时能转成企业采购?
下一步信息或小实验:按团队跟踪个人活跃、同事邀请、协作需求、企业版转化、客户集中度和续约,区分自然PLG与定制销售。
怎样的结果会改变判断:若个人扩散能反复带来组织付费且不过度定制,支持To B路径;若只靠单一大客户和服务收入,应重估PMF与可投资性。
待解问题:AI应用的token成本会被哪些因素真正改变?
下一步信息或小实验:按客户和任务披露模型调用、缓存、人工审核、定价、毛利和留存,比较自研小模型、通用模型和混合方案的成本曲线。
怎样的结果会改变判断:若规模增长带来单位成本下降或高价值收入,估值倍数可上调;若成本与使用线性增长且客户易流失,应下调平台溢价。
待解问题:垂直应用应自训模型还是把数据用于工作流与评测?
下一步信息或小实验:对同一任务比较通用模型+专有检索/工具、微调小模型和全自研的准确率、维护成本、上线时间及对下代通用模型的敏感性。
怎样的结果会改变判断:若自训在关键指标和总成本上持续领先,可支持投入;若通用模型加工作流已足够,应把资源用于客户与数据闭环。
待解问题:“替代人”产品在扣除监督与责任后是否仍有正向ROI?
下一步信息或小实验:按岗位比较完整人工成本与AI系统、审核、错误、责任、集成、培训和退订成本,同时记录新增产出和岗位变化。
怎样的结果会改变判断:若全成本仍远低于原岗位且质量稳定,替代逻辑成立;若错误和组织成本吞噬差价,应重新定位为赋能或缩小范围。
待解问题:中国创始人应在何种证据出现时选择赴美融资或组织迁移?
下一步信息或小实验:比较国内与海外客户的收入占比、增长、推荐链、投资人反馈、人才和合规成本,并记录搬迁对产品和团队的影响。
怎样的结果会改变判断:若美国客户、人才与资金能形成长期优势,提前迁移更合理;若主要收益只是估值或叙事而业务仍在国内,应优先保留现有路径。
影响理解的转录疑点
- 00:07:16“Scaling Law已经走到终点”是嘉宾判断,曲凯随后提出RL/post-training仍有Scaling的观点。
- 00:08:23Rogo及95%准确率来自日本银行交流转述,未见产品评测。
- 00:25:09Top 100 AI创始人年龄是Jenny所在公司榜单样本。
- 00:32:27AI估值应低于SaaS、Perplexity和Cursor过高是投资判断。
- 00:39:49“H6Z”无法确认具体基金。
- 00:48:09“M4OPET”无法确认公司名。
- 00:49:20明年泡沫破裂、英伟达/OpenAI触发及Gemini免费吸走30%用户是预测情景。
- 00:57:06MIT 95%失败和哈佛/耶鲁入门岗位减少20%以上缺原文口径。
- 00:59:17维修软件被表述为被投最佳公司,缺独立产品、客户和效果材料。
- 01:03:29“拓展自己的term”语义不清。
- 01:07:12500万美元ARR对应1亿或8000万美元估值是嘉宾即时判断。
先读00:04:56—00:18:22,理解应用落地与中美To B/To C;再读00:18:23—00:35:16,核对创始人画像、估值和融资流程;重点读00:49:00—01:02:46,区分泡沫预测、Scaling争议、应用壁垒和替代人投资逻辑。最后01:02:47以后是出海路径与估值条件,不应视为统一融资答案。