12个投资委员会必问的AI问题

一场令人信服的AI演示，证明的只是有人准备了一场令人信服的AI演示。它并不能证明客户需求、防御壁垒、部署就绪度，或者这是一门值得投资的生意。真正重要的投资委员会AI问题，其设计目的就是要把一个真实的运行系统，与一场在聊天框前排演好的互动区分开来。

这种区分正变得代价高昂。资本仍在流向那些能清晰描述一个赛道的团队，即便其产品从未经受过一次未经排练的客户工作流的考验。创业者不必因为“太早”而受到惩罚。但他们确实需要精确说明：目前存在什么、哪些环节仍靠人工支撑、以及用户身上究竟发生了什么实质性的改变。

真正重要的投资委员会AI问题

正确的尽职调查对话，不是要求更多的幻灯片。它是一次寻找“约束条件”的尝试——数据获取、模型可靠性、集成负担、服务成本、买家紧迫感，或是渠道分销能力。每一家强大的公司都有其约束条件。而弱公司则会把这些藏在基准测试图表和关于“智能体未来”的模糊说辞背后。

1. 具体是哪个工作流变得更好了，是为谁而变好？

“知识工作”不是一个工作流。“帮助企业利用其数据”也不是。要让团队说出具体的用户、触发事件、现有流程，以及可衡量的改善之处。如果答案始终停留在宽泛的职位名称和笼统的生产力说辞上，那么这家公司拥有的是“定位话术”，而非“产品市场契合度的证据”。

一个可信的回答听起来应当是具体运营层面的：一名理赔审核员能更快地处理某一类明确界定的案件；一名数据工程师减少了追踪损坏管道依赖关系所耗费的时间；一名合规分析师能够产出附带可审计溯源记录的初审报告。这个工作流应当窄到足以被评估，同时痛点足够大，让人愿意为改变它而付费。

2. 为什么这需要AI，而不是更好的软件？

这不是一个哲学层面的质疑。当问题涉及非结构化输入、概率性判断、语言交互、预测、生成，或者是规则型软件无法经济地处理的大量可变工作时，AI才是有用的。而当确定性的工作流逻辑本可以更便宜、更易验证、更可靠时，AI就是一个糟糕的选择。

这个问题的答案揭示了公司是否理解自身的技术设计。一个团队如果说“需要AI是因为客户期望如此”，那它其实已经在自我妥协了。买家或许会在试点阶段容忍新奇感，但他们不会为一个本可以用一张表单、一个搜索过滤器或三行代码就能实现的高成本功能，支付经常性的软件价格。

3. 非AI的基准线是什么，产品比它好多少？

没有基准线，任何关于改善的说法都只是表演。要问用户如今是怎么做的、需要多长时间、成本多少、错误出在哪里，以及工作延误时会发生什么。然后再问，产品在具有代表性的工作上——而非为演示精心挑选的友好子集——相较于该方法表现如何。

改善的幅度很重要，但类型同样重要。在一个高流量、劳动力受限的运营场景中，15%的速度提升可能意义重大；但如果采用它需要六个月的集成工作和一套新的审批流程，那这15%可能就无关紧要了。委员会所要评估承保的，是一种行为的转变，而不是一个孤立存在的准确率数字。

4. 系统出错时会发生什么？

每一个投入生产的AI系统都会时不时出错。真正相关的问题在于：错误是否可被察觉、可被纠正，以及是否与任务的重要程度相称。一个有瑕疵的产品推荐，和一条错误的支付指令，绝不属于同一风险等级，无论演示界面看起来多么相似。

要问系统在何处可以选择“不作答”、何时会升级交由人工处理、它如何引用或展示信源材料，以及纠正结果如何反馈进工作流中。除非公司能够解释清楚这个“人”是谁、他们审核什么、需要多长时间，以及这种人力模式在规模化之后是否依然成立，否则“人在回路”本身算不上一个答案。

5. 部署之后，质量是如何被衡量的？

基准测试分数不是生产环境的评估方案。这家公司应当能够明确说出它所追踪的任务级指标、所使用的测试集、所监控的失败模式，以及触发人工干预的阈值。如果质量的判断依据是零星的客户反馈和几张截图，那它其实根本没有被衡量。

最优秀的团队会把“模型质量”与“产品质量”区分开来。一个模型可以生成一个看似合理的答案，但产品却因为检索到了错误的记录、工作分配不当、权限混乱，或者制造了比它消除的更多的审核负担而失败。委员会应当要求看到完整的链条，因为客户体验到的正是这条完整的链条。

6. 在真实使用量下，单位经济效益是什么样的？

许多AI产品在试点规模下看起来很有吸引力，一旦客户真正大规模采用，情况就会恶化。要按客户类型和工作负载分别索要毛利率数据，而不是一份把高成本账户掩盖起来的混合预测。要深入追问推理成本、检索与存储成本、第三方依赖、实施人力成本、支持需求，以及嵌入在交付过程中的任何人工审核环节。

这取决于具体市场。一个高价值的工作流可以承受相当高的可变成本。但公司必须证明，定价捕获了所创造的价值，并且用量的增长不会把最优质的客户变成利润最低的客户。没有经济模型支撑的收入，是一种代价极其高昂的需求证明。

7. 公司在法律和实践层面能够使用哪些数据？

“数据护城河”已经成为AI投资中最被滥用的措辞之一。要问清楚：公司是拥有这些数据，还是通过许可获得，或是征得客户同意后处理，抑或只是寄希望于这种访问权限能够持续下去。然后再问，这些数据是否真的独一无二、是否干净到足以使用，以及是否与一个能够改善结果的反馈循环相连接。

客户数据确实可以创造真实的优势，但前提是架构、合同和激励机制都允许从中学习。在许多企业场景中，数据依据设计本身就是相互隔离的。这仍然可能支撑起一个有价值的产品，只是无法支撑“每一次部署都会复合累积成一个无可匹敌的模型”这种宏大叙事。

8. 部署前十个客户需要什么条件？

这个问题揭示了软件与服务之间的差距。要询问集成方式、身份与访问控制、数据映射、安全审查、配置工作、变更管理，以及高管层的支持力度。这些都不是自动否决一家公司的理由——在企业级基础设施领域，某些实施工作是不可避免的。

真正值得关注的是可复制性。如果每一个新客户都需要定制连接器、全新的提示词架构、量身定制的数据清理，以及创始人每日的亲自介入，那么这门生意或许仍有价值，但它还称不上是可规模化的软件。定价和资本结构应当反映这种现实，而不是一种没有人真正挣得的未来运营模式。

9. 买家是谁，被替代的预算又是什么？

一个用户可以喜欢一个工具，却仍然无法促成采购。要问谁来签字、谁的预算在支付、这个产品替代了哪些现有支出或人力，以及为什么这个问题现在变得紧迫。“创新预算”不是一个可持续的答案，它通常只意味着买家感到好奇，而非真正下定决心。

最强大的AI产品会依附于一个已经存在的经济决策：降低外包审核成本、提升转化率、缩短对营收至关重要的周期、防止一项可衡量的损失，或是让一个稀缺的团队更具生产力。模糊的投资回报率或许能换来一次会议，但它很少能在采购流程中存活下来。

10. 有什么证据表明留存超越了试点阶段的热情？

试点收入并不是戴着小帽子的经常性收入。要问客户在最初的概念验证之后做了什么：扩大使用规模、引入更多团队、以更高的合同金额续约，还是在高管的关注转移之后，悄悄不再登录使用。

除了合同证据，还要寻找行为层面的证据。工作流是否在反复运行？产品是否正在嵌入某个记录系统？用户是否会在没有客户成功经理催促的情况下主动回来？一家早期公司或许只能拿出一段短暂的历史，但方向应当是清晰可见的。

11. 如果基础模型不断进步，什么才能保持差异化？

答案不能是“我们的提示词”。模型能力会不断提升，价格会不断变动，今天看起来令人惊叹的功能很快就会成为标配。持久的优势通常来自于工作流的所有权、特权渠道分销能力、专有数据权利、集成的深度、在受监管或高风险流程中赢得的信任，或是一个能随着使用而不断复合累积的产品层。

提出这个问题，并不是要求一条虚构的、永久性的护城河，而是要检验这家公司是在移动的地面上按计划构建，还是仅仅在从模型提供商那里租用一时的新鲜感。

12. 什么情况会证明这家公司是错的？

那些能够指出反驳性证据的创业者，通常比那些把每一个障碍都解释成“必然成功之证明”的创业者更值得投资。要问什么样的采用结果、成本趋势、模型局限性、监管约束，或者竞争态势的发展，会使当前的计划失效。

一个认真的答案会形成一份可供投资评估的里程碑计划。它会告诉委员会，在下一轮融资之前必须实现哪些条件成立、哪些风险属于技术层面而哪些属于商业层面，以及资本应当被用在何处以降低不确定性，而不是用来装点一个叙事。

把答案转化为一项承保决策

不要把这些问题当作一份通用的检查清单来打分。要根据具体公司来赋予不同的权重。一款开发者工具的生死可能取决于渠道分销与留存率；一家垂直自动化公司可能受制于实施的经济性；一家数据基础设施企业则可能因数据访问权与集成深度而成败立判。真正的工作，是找出那一两个能够击垮整个模型的关键假设，然后比其他一切都更严格地去检验它们。

沃创（SproutVest）的运营理念很简单：投资那些能在不友好的工作流、不友好的买家和不友好的成本模型中依然存活下来的能力。真正值得投资的公司不会反感这些问题——因为它们早已在向自己提出这些问题中的大部分了。

在投资委员会中，一个有用的收尾方式不是去问“这家公司算不算AI概念股”。而是要问：它要成为一个被信任、能够创造收入的基础设施，必须满足哪些条件？然后，坚持要求看到证据，证明它正在朝这个方向前进。

您的领导方式在哪里有效，又在哪里正在消耗公司？

这个博客讨论的多数问题，最终都回到创始人如何经营公司这一点上。藤架领导力诊断把它拆成六个维度共24道行为锚定题：约12分钟，即时出结果，自助版免费。

开始藤架领导力诊断 →

想了解兼职高管或顾问合作？预约探索性通话 →