AI投资尽职调查框架：别再被演示骗了

做投资这些年，我被太多AI项目打动过——产品演示行云流水，创始人侃侃而谈，数据曲线一路向上。每次从会议室出来，我都觉得自己发现了下一个独角兽。直到后来复盘才发现：那些让我眼前一亮的demo，往往架在一个我根本找不着的竞争壁垒之上，里面藏着没人定价的风险，团队也未必能把东西推进生产环境。

我彻底改掉了这个坏习惯：不再花时间研究演示效果，转而研究演示底下那层东西。现在我有三套框架，一套看护城河，一套看风险，一套看执行力。三套不重叠，必须一起用才有效果：护城河是不是真的，持有这家公司风险有多大，团队能不能把事儿干成。

第一套：护城河究竟在哪一层

我常问自己一个问题：这家公司到底拥有哪一层？

AI产品可以看作一条十层供应链：底层是资源和基础设施，往上是数据、模型、编排、接口、应用、分发、客户接入，最顶端是品牌，下面还有几十个细分小层。

我以前犯过的错，就是被那些只拥有顶部一层的东西迷住——一个套在别人模型外面的漂亮界面，其余全靠租。租来的生意，在底层模型厂商把功能内置之前挺好做的，可一旦人家做了，你就完了。这事我见过太多次。大模型厂商上线文件解析、联网搜索、代码执行之后，一大批"和PDF聊天"的创业公司一夜之间变成了一个开关。那些公司都没有竞争壁垒，他们只有倒计时。

所以做尽职调查时，我只区分一件事：是护城河，还是包装壳？防御力是结构性的——专有数据、分发渠道、真正的切换成本——还是说底层模型更新一次就归零的UI？如果我说不清公司拥有哪一层、为什么别人取代不了它，那面前就不是护城河，顶多是一条小水沟。

这套框架专门用来审视竞争壁垒。做AI投资，最怕的就是把钱投给一个随时会被上游厂商碾压的界面。

第二套：这台机器运转起来有多危险

演示里不会出现的东西，往往在诉讼和丢单的时候集中爆发。我把风险拆成四个维度来看：治理、映射、度量、管理。这四步循环往复，形成一个完整的安全闭环。

治理看的是顶层问责机制和政策是否到位；映射搞清楚风险藏在哪个具体环节；度量是把风险量化追踪；管理则负责真正的处置和响应。

我把这套方法当作检查清单来用，专门排查那些演示里永远看不见、但在合同纠纷或监管处罚中必然浮现的风险：信任、合规、安全、可审计性。一家公司如果目标客户是医疗、金融、政务这类强监管行业，却连"模型风险怎么治理、怎么度量"都说不清楚，那它背着的就是一笔迟早会被定价的负债。这框架不给我"行还是不行"的答案，它给我的是一个折现率：未管理的AI风险越高，我给的估值就越低。

对于VC/PE来说，尽职调查的核心就是判断风险敞口的大小，而这套风险管理框架恰好提供了系统化的审视方法。闲鱼和猪八戒上那些号称做AI应用的卖家，十个里有九个倒在这一关——他们没有治理层，没有度量手段，只有一张嘴。要是哪家在这件事上能交出像样的文档，这本身就是强烈的加分信号。

第三套：交付能力究竟行不行

最后一道关卡，是整个团队能不能把模型真正跑进生产环境。这是从实验室到产品之间最大的鸿沟。我见过太多创业公司，demo环境表现完美，模型测试精确率极高，但一接真实数据就崩。为什么？因为实验室里永远没有真实的脏数据、没有突发流量、没有用户不按规则操作的情况。

我关注三个落地细节：

• 模型上线之后怎么迭代和维护？没有机制保障，模型会越跑越偏。
• 离线和在线效果有多大差距？差得越远，说明基础设施越不过关。
• 真实的推理成本是多少？很多项目的商业闭环根本扛不住大规模推理开销。

一套交付能力经不起检验的方案，前面两关再漂亮也白搭。护城河能守住，风险可承受，但事情做不出来，投资照样打水漂。

三套框架合在一起，才算完成一次完整的尽职调查：先确认护城河是真实存在的，再判断持有风险是否可控，最后验证团队是否具备落地能力。缺一环，都是在自己骗自己。