巨型平台與微型軟體公司的興起，對中型單點解決方案構成危險局勢

原創編譯：深潮 TechFlow

深潮指南：537 家美國獨角獸仍沿用 2021 年泡沫期的舊估值，「AI 原生」標籤正從加分項轉為風險點。對目前正籌資或持有選擇權的實務工作者，本文協助辨別哪些估值屬實、哪些僅是未經挑戰的紙面數字。

537 家美國獨角獸仍沿用 2021–22 年泡沫期的估值，這些估值還真實嗎？

創辦人與早期員工常被教導將上輪融資估值視為績效指標——這就是股權結構表上的數字、新聞稿中的數字，也是大家用以估算自身股權價值的依據。

然而，PitchBook《2026 年第三季量化展望報告》最新數據顯示，對大多數美國獨角獸而言，此數字已多年未經市場真正檢驗。

PitchBook 分析所有活躍美國獨角獸，依其最後一輪定價融資年份分類。

在 964 家活躍美國獨角獸中，312 家於 2021 年完成最後融資，另 225 家於 2022 年完成；意即 537 家公司（約佔整體獨角獸群體的 56%）仍沿用風投史上成本最高的融資期間所定估值。

現金將不再回歸匹配這些數字。風險投資基金配置僅占淨資產值的 7.9%，近乎長期平均值 14.5% 的一半。PitchBook 指出，2020 至 2022 年的高估估值已直接拖累基金報酬率。

當這些公司實際測試市價時，往往難以維持。公開市場投資人拒絕支付私募市場價格。Chime 上市估值較其私募市場高峰大幅縮水；而二級市場買家對最後一輪融資距今已久的公司，所給折扣遠高於近期完成融資者。

背後還有第二股趨勢：許多公司並非無法持續發展而停滯，而是主動選擇不融資或不上市，因任何新定價事件都可能迫使其面對更低數字。維持私有與沉默狀態，可讓 2021 年估值停留在紙面上。這正是市場同時出現創紀錄紙面價值與創紀錄凍結價值的原因。

那麼獨角獸熱潮是真實的，還是僅是未經驗證的數字？

對許多公司而言，兩種說法可能皆成立。部分公司確實已成長至 2021 年估值水準，今日亦能輕易支撐該估值。但市場無從確認哪些公司屬於此類，因其自那以來未曾再融資或以真實價格出售。四年前的估值並非謊言，僅是尚未驗證。

這正是創辦人與員工須謹慎之處。

若您公司最後一輪融資發生於 2021 或 2022 年，則股權結構表上的估值，是您迄今擁有的最樂觀數字，未必等同今日實際價值。這將影響您談判下輪融資、考慮行使選擇權，以及向團隊說明選擇權意義的方式；對投資人而言亦然：若基金對這些公司顯示強勁未實現收益，僅是申報紙面數字，而非真實現金。

真正的風險不在估值可能低於表面數字，而在於進行融資、招聘或行使決策時，將 2021 年設定的數字視作市場今日仍願支付給您的價格。

將新創公司稱為「AI原生」，反而可能拉低估值？

自稱AI公司仍可獲得估值溢價，但投資人愈來愈常追問第二個問題：這家公司究竟有多少價值，是真正因AI而具備防禦性？

本分析數據顯示，市場正開始將標籤同為「AI原生」的公司，劃分至截然不同的類別。

AI溢價依然存在：Carta 2026年上半年數據顯示，AI新創公司在種子輪所募資金與非AI公司相近，但估值高出約50%。

然而並非所有AI公司都享有同等溢價：分析將商品化AI空殼公司估值定為營收3–8倍；具黏性專屬資料的垂直領域AI產品為10–20倍；真正掌握智慧財產權與專屬資料者則達25–40倍。

公司愈成熟，審查愈嚴格：種子輪階段，缺乏可保護智慧財產權的公司，相較更具防禦性的同儕，估值折讓20%–30%；至A輪時，此差距擴大為30%–40%。

這解釋了為何單純在產品中加入AI，正日益失去意義。

投資人愈來愈想了解：拿掉「AI」標籤後，你的核心價值還剩什麼？

其他新創能否僅透過呼叫同一基礎模型API就複製出你的產品？每位新客戶是否產生專屬資料，並實質提升產品表現（如準確率、解決時間或匹配品質）？軟體是否已深度嵌入工作流程，替換成本高昂？推論量增至十倍後，單位經濟模型是否仍穩健？

這些問題指向創辦人在下輪融資前應檢視的四大面向：技術差異化、專屬資料、工作流程鎖定效應，以及規模化下的單位經濟模型。

技術差異化的實際考驗 surprisingly 簡單：更換底層模型。若將主力模型供應商替換為同級別的其他模型，產品幾乎無變化，投資人便難以察覺技術護城河所在。

專屬資料方面，僅有使用者數量並不夠；更強力的指標是：使用量增加是否持續產生可量化提升產品（如準確率、解決時間或匹配品質）的資料。

工作流程深度是另一項線索：若深度整合產品的客戶，其留存率與擴張率持續更佳，創辦人便擁有切實的轉換成本證據，而非僅宣稱產品黏性高。

最後是經濟模型：AI產品在現有使用量下或有良好利潤率，但推論量增至十倍時，情況可能徹底改變。提前釐清這些計算，方能向投資人證明業務是否真能隨規模擴大而愈發強健。

這使得「AI原生」溢價的演進變得極具觀察價值。

十八個月前，僅與AI沾上邊即可大幅強化融資敘事；如今愈來愈多新創採用相同話術，投資人更有理由深入表象之下。

AI標籤能讓你進入對話，但愈來愈關鍵的是：證明你所打造的東西，為何會隨規模成長而愈難被複製。

軟體的杠鈴效應：AI即將摧毀軟體市場的中間層。

AI正大幅降低並加速軟體開發，對新創看似利好，卻也可能削弱數十年來保護軟體公司的部分護城河。

Conviction 公司的 Mike Vernal 提出了一個有趣的類比：軟體產業可能正朝向類似報業在網路衝擊後所形成的「杠鈴型」結構發展。

網際網路出現前，地方報紙受惠於高昂的發行成本；一旦發行近乎零成本，中間層便大幅消失：少數全球性出版物規模劇增，同時數千家獨立及垂直領域刊物蓬勃興起。

Vernal 認為，AI 可能在軟體領域催生類似的結構。

傳統軟體的護城河通常來自三方面：

開發產品成本高昂

更換系統過程痛苦

整合可打造強大生態系。

AI 削弱了這三項優勢：競爭者能更快複製功能、遷移可更自動化、AI 亦大幅簡化整合難度。

可能結果是市場兩端極度強勢：

巨型平台：少數企業或將主導整類採購領域（如銷售、行銷、財務、人力資源、法務或醫療保健），不僅銷售單一工具，更持續擴張，最終成為客戶幾乎所有作業仰賴的系統。

微型軟體企業：另一端，AI 程式設計工具或使百萬人能為自身、公司或小群客戶打造高度客製化軟體；其中部分甚至可發展為獲利的利基事業。

令人不安的中間層：中型單點解決方案面臨最大壓力——若大型平台能持續納入其功能，而小型團隊又能低成本重建狹窄型產品，則作為獨立工具的防禦力將更顯薄弱。

以亞馬遜為例，可說明新護城河可能的樣貌：亞馬遜起步於相對易複製的業務——線上賣書；其防禦力源自數十年來在物流、基礎建設、科技與通路的持續再投資。

AI 或將驅動軟體公司採取相同策略：加速建構、持續擴張、不斷再投資，讓整體產品日漸難以被複製。

對獲得創投支持的軟體新創而言，這衍生出一個關鍵戰略問題：若軟體開發已近乎免費，你的護城河究竟是優質產品，還是圍繞它所構築的一切？

你的種子輪估值究竟如何決定？（幾乎與你公司本身無關）

創辦人常以為估值主要取決於營收進展、市場規模或簡報表現。

但還有另一項多數創辦人幾乎看不見的限制：坐在你對面的創投基金本身的經濟模式。

假設你正向一檔2,800萬美元的種子基金提案。該基金通常單筆投資約60萬美元，並期望取得約6%至8%的股權。

以7%股權計算，60萬美元投資對應的投後估值約為860萬美元；若為6%，則為1,000萬美元。因此，若你以1,800萬美元估值融資，該基金可能根本無法依其投資組合模型完成此筆投資。

這形成一條簡單鏈條：

基金規模 → 單筆投資額 → 目標持股比例 → 可行估值上限

這在今日更顯重要，因種子輪估值已普遍上漲。Carta分析指出，種子輪中位數投後估值達2,400萬美元。一檔5,000萬美元基金若以該估值投資150萬美元，僅能取得6.2%股權，可能低於其目標比例。

這也改變了創辦人對融資規模的思考方式。

若你告訴基金欲募集300萬美元，而領投方要求15%股權，便已隱含確立了2,000萬美元投後估值，甚至無需明確討論估值。

更實用的步驟順序是：

先估算達成下一里程碑所需資金，並確保有18至24個月營運現金流。

再加計緩衝金額。

此即你的本輪融資規模。

再除以你願意接受的稀釋比例。

接著尋找其單筆投資額與持股模型能支援此估值的基金。

另有一項創辦人常忽略的數字：員工認股權池（option pool）。領投方可能要求投資前先行設立10%至15%的認股權池，導致現有股東在投資完成前即遭稀釋。分析顯示，依據實際招聘規劃協商認股權池規模，對創辦人持股比例的影響，有時更甚於爭取 headlines valuation 多出100萬或200萬美元。

為避免耗費數週時間接洽不適合的基金，最簡單方法是在首通電話中直接詢問：

「貴基金典型的首筆投資額是多少？通常期望取得多少股權？」

這兩個數字可快速幫你判斷該基金的經濟模型是否支持你的融資計畫。

因此，切勿將所有估值阻力都視為對你新創公司的否定。有時公司本身沒問題，只是你的融資計畫與該基金的數學邏輯不吻合。

若ChatGPT能免費做到你App的功能，誰會付費？

這正成為消費型應用程式創辦人面臨的最重大挑戰之一。

若使用者只需開啟 ChatGPT、Claude 或 Gemini，幾秒內就能獲得大致相同結果，又何必每月花費 10 或 20 美元使用獨立應用程式？

RevenueCat 的達芙妮・蒂德曼（Daphne Tideman）認為，解方並非單純「加入更多 AI」。AI 驅動型應用程式表現出色：每位付費用戶所創造營收比非 AI 應用程式高出 41%，試用轉化率亦高出 52%；但其 12 個月留存率僅 21.1%，低於非 AI 應用程式的 30.7%。

換言之：AI 能吸引使用者入門，卻未必能留住他們。

觀察 Chegg 與 Duolingo 的對比即可明白。

關鍵差異在於答案之外所提供的附加價值。

RevenueCat 建議，應用程式可著力打造六項更難被空白 LLM 對話框複製的要素：

結構：將單一答案轉化為完整工作流程或體驗。

記憶：長期理解使用者，讓應用程式愈用愈好用。

習慣：透過持續提醒、督導、檢查及遊戲化機制，促使使用者回流。

精準度：掌握專業資料或領域知識，產出更優質成果。

連結：建立社群、身分認同、人格特質或情感連結。

虛實整合：將軟體與感測器、裝置或現實世界資料結合。

Duolingo 即是典範，融合多項上述要素。ChatGPT 雖可教語言，但 Duolingo 多年來持續建構定期檢查、排行榜、進度追蹤、提醒機制與遊戲化設計；據報導，導入排行榜後，學習時長提升 17%，高度投入學習者更達原先三倍。

創辦人還可進行簡單的「空白對話框測試」。

開啟 ChatGPT 或其他 LLM，精確描述使用者藉由你的應用程式欲解決的問題，再比較其回應與你產品實際提供的內容。若產品大多數價值僅需單一提示與回應即可複製，便存在差異化危機；反之，若應用程式具備結構、數據累積、習慣養成、精準度、連結性或實體整合等特性，這些可能正是你的護城河所在。

因此，AI 本身未必是護城河。對創辦人而言，更關鍵的問題是：你的產品究竟提供了哪些空白對話框無法給予使用者的價值？RevenueCat 的觀點是，勝出者將以 AI 為核心，同時在圍繞 AI 所打造的體驗上展開競爭。