中美 AI 创投的真实差异｜对谈 Leonis Capital 合伙人 Jenny

摘要

• 美国 AI 应用的主战场正从“万能 agent”转向稳定、可控、能替代昂贵人力的企业工作流。 大企业连 95% 的准确率都可能无法接受，因为人工复核会让产品“反而添了很多麻烦”；真正可卖的是把流程拆细、每一步只给 AI 有限选项。美国不少行业年付 10 万—20 万美元仍算较小订单，大单可到 100 万—200 万美元甚至数百万美元，定价锚点是“原来 7 万—8 万美元的人，现在 1 万美元的 AI 能替代多少工作”。

• 中美 To C 与 To B 的分野首先是市场结构，而非单纯的创业偏好。 Jenny 认为美国消费市场被族群、年龄和地域高度切碎，连黑人、白人和亚裔惯用的支付软件都可能不同；反过来，昂贵人工与小费文化让美国人很习惯“花三五美金解决一个小痛点”，也更愿意每月付 20 美元买软件。美国 prosumer 因此常以个人采用起步，最终通过 Notion、Figma 式的扩散进入企业采购。

• 应用公司的壁垒通常是技术、数据和行业壁垒的组合，而不只是“也训练一个模型”。 自建 RL 或完整 AI 技术团队成本很高，底层模型下一次升级还可能抹平已有成果；除非同时拥有大量独家数据与强技术团队，否则不值得。Jenny 判断 coding 与模型能力贴得太近，大量产品会被模型厂商吃掉；法律、金融、生物、维修等垂类则仍有模型公司难以覆盖的纵深。

• Jenny 认为 AI 公司的估值倍数理应低于传统 SaaS，当前一级、二级市场都有泡沫。 SaaS 常按收入乘 20—30 倍，但 AI 每增加一份服务仍有 token 成本，许多公司“表面上是软件，实际上是一个基础设施公司”；她因此直指 Perplexity、Cursor 估值过高。高估值能帮助公司用股票与 OpenAI、Anthropic 抢人，却也让员工暴露在下一轮估值下降后股票“可能一文不值”的风险中。

• Jenny 判断 2026 年美国 AI 泡沫会破，而最可能的两根针是 Nvidia 与 OpenAI。 Nvidia 任一季度销量不及预期都可能冲击二级市场；若 Google 将表现已变好的 Gemini 完全免费，她估计至少会带走 OpenAI 30% 的用户。她称 OpenAI 约 60%—70% 的收入来自每月 20 美元订阅，因此 20%—30% 用户流失足以压低整个一级市场估值：“现在就是一个很大的气球，还差一根针。”

• 在美国融资本身就是本地化能力测试：Delaware 架构、在硅谷生活一两个月、暖介绍和密集流程都比一次路演更重要。 熟人介绍约有一半基金愿意见，cold email 可能只有 10% 甚至更低；Jenny 建议同时接触 40—50 家基金，目标是最终拿到两三家投资。首会通常严格控制在 30 分钟，三至四次会面可在一两周内完成，背后还会同步调查前员工、前投资人和共同联系人。

• 跨境创始人最难的选择，是尽早决定服务哪个市场、接受哪边的资本。 Jenny 偏好能说清 A、B、C 类竞争者及切入楔子的创始人，而非宣称“只有我能做”；若赛道明显属于美国，她主张“长痛不如短痛”，先承受迁移和融资阵痛。若缺少国际化形象与营销能力，100 万美元 ARR 可能只是起点，文化差异很大时往往要做到数百万美元 ARR；若 To B 已有 500 万美元 ARR，她认为 8000 万—1 亿美元估值仍属可谈区间。

精读

1. Jenny 把离开 OpenAI 当成一次影响力路径选择

• Jenny Xiao 在美国长大、曾在中国生活八年，读完中国的初高中，之后进入哥伦比亚大学读博。她于 2021—2022 年在 OpenAI 工作约一年，处于 ChatGPT 发布前、公司变化最快的阶段；ChatGPT 走红约一周后，她决定离开并筹建自己的基金。

• 她在 OpenAI 时反复追问“谁对 OpenAI 的影响最大”，答案是 Sam Altman，而 Altman 此前有 VC 背景。恰逢她遇到投资经验丰富的合伙人 J：她补 AI 与技术判断，J 补投资训练，两人于 2022 年底开始合作；J 从 2021 年已着手推进这支基金。

• Jenny 对自己的定位仍是边投边学：“所有的投资人都是要保持一个初学者的心态。”她批评部分四五十岁的硅谷投资人进入“半退休”状态，与年轻创业者脱节；一边是空旷办公室里聊高尔夫的老牌基金，另一边是 Blue Bottle 里仍有“创业者锋芒”的新基金，但她也补充，有经验并不必然等于失去活力。

2. 大模型共识退潮后，应用从 wrapper 走向真实交付

• 2023 年中美投资人的共同叙事是大模型，资金不断流入 OpenAI、Anthropic；从事后结果看，这一选择并非错误，因为基础模型公司增长最快，也获取了大部分利润。

• Lioness 当时已经看应用，但市场普遍把应用称为没有价值、又轻又薄的“wrapper”。到 2024—2025 年，Cursor、Perplexity 等公司证明应用可以形成产品特色与一定护城河，应用层的资本叙事才明显改善。

• Agent 随后成为 2024—2025 年最热主题，但大企业试用后普遍卡在稳定性。Jenny 看到市场由“AI agent 可以做 XYZ”的大故事，转向如何真正部署、如何减少错误和复核成本；她的判断是，创业者已经“更加务实了”。

• 对曲凯提出的“下一个共识叙事缺位”，Jenny 的回答不是再找一条宏大 scaling law，而是看细分数据：医疗、生物、科学等领域只要有高质量数据做 fine-tuning，能力仍可能大幅提升。她在 LinkedIn 收到的约一半私信，都在询问能否按小时为其博士领域做数据标注；她身边读过博士的人也普遍遇到同样需求。

3. 企业与政府真正购买的是受约束的可靠性

• Jenny 在日本接触一家老牌银行时，对方提到一款帮助投行人员整理金融文件、处理 Excel 的产品，参考文本中称为 Robo。银行认可产品价值，却认为 95% 的准确率都不够：“反而给他们添了很多麻烦”，因为员工仍须逐项检查。

• 她提出的工程化解法是把 workflow 逐步拆开，每一步只允许 AI 在少数选项中决策，而非让它“随便什么都可以做、什么都可以说”。当错误边界、复核机制和责任链条可控，大企业才可能把 demo 变成采购。

• To G 也是类似机会。Jenny 形容许多美国政府软件像“上个世纪八九十年代的软件”，但政府要求产品尽可能“万无一失”；因此落后的存量系统既创造机会，也把稳定性和交付门槛抬到普通 agent 难以达到的高度。

4. 美国不是统一消费市场，prosumer 最终往往由企业买单

• 曲凯观察到美国创业者集中做 To B、To G，甚至有投资人直言看不懂 To C。Jenny 把原因归于市场碎片化：不同族群可能连支付工具都不同，AI 产品更要围绕“美国 Gen Z”或“乡下的保守人士”等单一画像切入，很难天然获得中国式统一大市场。

• 美国企业的软件付费意愿则极强，因为人工昂贵，只要软件能替代人或提升员工产出，采购就是理性决策。再加上日常生活中“什么事情都要给三五美金”的小费习惯，每月支付 20 美元消除一个小痛点很自然；她听到的创业者反馈是，欧洲、日本远没有美国那么愿意付费。

• Jenny 对 prosumer 的分类取决于最终付款者：在中国，个人自掏腰包，更接近 To C；在美国，Notion、Figma 往往先由个人采用，再“一传十，十传百”，最终由公司购买 50 人、100 人的企业账户，因此商业终局更像 To B。

• Lioness 投资的 Motion 主要服务个人和 20 人以下小公司，这类客户已明显比个人更黏；另一家 Jace 用 AI 处理邮件和 productivity，Lioness 自己也在使用。Jace 的大客户常来自同一路径：个人先觉得省时间，再把产品扩散给整家公司，PLG 由此接入企业销售。

5. 客户集中既可能是起点，也可能掩盖服务型收入

• 曲凯提到，一些美国公司前三大客户、甚至单一客户会贡献 60%—70% 销售额。Jenny 说早期并不少见，但投资人会担心公司尚未找到真正的 PMF，或者为少数客户额外做了大量服务。

• “拿着投资人的钱去做服务”在美国投资中是一个大禁忌。到了 A、B 轮，公司通常必须 diversify；Jenny 认为前五大客户合计约占 30%—40%，是更健康的状态。

• To B 与开发者工具的退出路径因此更明确：微软、Google 等客户用得好，可能直接收购并将功能与团队并入平台；估值数十亿美元的中型公司也经常收购更小团队。To C 产品的用户画像和独立品牌较难嵌入其他产品，收购可能性反而低得多。

6. 好创始人必须同时看见秘密、竞争与自己的楔子

• Jenny 首先寻找创始人对行业的特殊见解：“你要告诉我，为什么你知道一件事儿别人不知道。”中国市场好点子可能迅速招来十几、二十个复制者；美国细分垂类更多、付费意愿更强，仍存在可被深挖的信息差。

• 她会直接问“别人会不会做”。若创始人回答只有自己能做、别人都不行，她会默默扣分；理想回答应明确 A、B、C 各自的优势，再说明自己能从哪个细分点切入，并如何“由点到线到面”。

• 对硅谷加速器式的“我们最好，其他人都是垃圾”，Jenny 保持警惕；快速学习并不等于盲目自信，而是能不断校准市场地图。她也厌恶仍未辞职便要求先拿融资的人，把这种行为比作“已婚人士去社交软件上交友”，承诺有人在一起后才离婚。

• 投资阶段决定“看人还是看事”：天使和加速器可以只认人，不在乎最初做什么；Lioness 投 seed，通常要求已有两三人的小团队和一定客户，因此方向、市场与初步验证同样重要。

7. 美国年轻创始人的年龄背后，是更早开始承担责任

• 曲凯质疑，为何美国基金敢投大量尚未毕业的年轻人。Jenny 从文化解释：美国青少年 16 岁便可能独自开车上学，家庭和社会更早放手；她丈夫 13 岁开始做公司，十六七岁经营过颇具规模的云服务业务，这类经历在美国“挺常见”。

• 曲凯说自己每年参加 YC Demo Day，体感是创业者“一届比一届年轻”，见过大量十七八岁的高中辍学生，最小约十五六岁。曲凯还说，他所在公司统计美国发展最好的 100 家 AI 公司后发现，创始人最常见年龄是 26、27 岁，中位数约 28、29 岁，18—25 岁约占 10%—15%。

• 辍学并非不可逆豪赌。美国学校允许 leave of absence，创业失败可以几年后返校，很多企业也不太在意是否拿到文凭；Jenny 自己从哥大离开去 OpenAI，后来回校写完论文，于当年 5 月取得博士，她丈夫则从 Stanford 读一两个学期后离开。

• Jenny 的提醒是：“你从哪里辍学还是一个很重要的事儿。”她投过一位 19 岁、从宾夕法尼亚大学辍学的华裔创始人，虽是第一次创业，却已有大量开源项目；相反，也有 Stanford 学生为刷简历而休学进 YC、拿钱后返校。年龄只能触发对学习速度和真实项目史的进一步判断。

8. 硅谷偏爱二十七八岁的技术人才，但估值没有统一理性公式

• 当前最受欢迎的画像约为 27—28 岁：要么是 Stanford 博士等强学术人才，更适合做 CTO；要么 22 岁进入大厂、积累约五年工程经验，兼具技术能力和精力，更可能胜任 CEO。成功过的连续创业者同样抢手，但 Jenny 坦言硅谷也有年龄歧视，35 岁以上若尚无显著成绩，会遭遇更多追问。

• 她称硅谷估值是“一个玄学”。天使轮 1000 多万美元很正常，2000 万美元算贵；seed 常见约 2000 万—2500 万美元，YC 公司可到 3000 万—4000 万美元。

• 大厂出身或背景特别好的创始人能完全打破区间：什么都没有，估值也可能直接达到 1 亿—2 亿美元。到了 A 轮，当前估值通常超过 1 亿美元，但做到一轮融资前的优秀水平所需 ARR 已从过去约 100 万美元提高到 300 万—500 万美元。

• 五年前 seed 到 A 轮通常间隔约 18 个月，快时可压到 12 个月；如今收入门槛和 A 轮估值同时上升，很多公司钱先用完，只能增加 seed extension。估值上涨因此不只是账面繁荣，也改变了现金规划和融资节奏。

9. AI 的边际成本决定其倍数不应照搬 SaaS

• Jenny 的核心估值异议是：传统 SaaS 做好一份产品后，卖 100 万份或 1000 万份几乎无需同比增加成本；AI 每新增一次服务仍要支付 token 成本，且不少产品实质上承担基础设施开销，所以收入倍数理应低于 SaaS 常见的 20—30 倍。

• 她认为部分头部项目即使用户数下降，仍凭热度维持高估值；Perplexity 与 Cursor 都存在被收入增速掩盖的结构性问题。曲凯提到后期轮次用少量新钱或老股定价来抬高估值，Jenny 随后解释，高估值可帮助公司用股票争夺人才。

• Cursor 要与 Anthropic、OpenAI 争夺最好的 AI coding 人才，只有估值足够高，发出的股票才显得有吸引力；但员工往往只看到“估值越高，股票越值钱”，忽略下一轮下调后股票可能变得一文不值。

10. 美国融资从本地架构与关系开始，不从正式 pitch 开始

• Jenny 建议第一步处理公司架构：很多主流美国基金基本只投 Delaware 公司，开曼等架构可能直接成为雷点。若暂时受国内老股东限制，也应诚恳说明迁移计划；她估计明确承诺调整后，80%—90% 的美国投资人仍可继续谈。

• 第二步是在硅谷至少住一个月，最好两个月，先接触创业者、投资人和大厂员工。只停留两周便急于募完钱，会被大量细节暴露为外来者——例如交换联系方式时只熟悉微信，却不知道如何用 LinkedIn 扫码。

• 通过 FA 接触早期投资人在美国可能会被减分，因为它暗示创始人缺少本地关系、不能独立募资；暖介绍约有一半基金愿意见，cold email 可能只有 10% 或更低。Jenny 建议一开始接触 40—50 家基金，最终获得两三家投资；硅谷有“大几千家”机构，数量并非瓶颈。

• 首会严格限制为 30 分钟，超时被拒不等于没兴趣；之后通常再见其他合伙人，并围绕技术、数据或内部争议做专项追问。Lioness 一般三至四次、约两周决策，快时一周，首次会后最快 48 小时给信号；同时基金会联系前员工、前投资人和 LinkedIn 共同关系，索取 data room 往往意味着兴趣已很强。

11. 天使背书有用，但机构能提供的帮助仍然有限

• 在接触机构前，Jenny 建议先找行业天使：例如 AI 设计公司可请 Canva、Figma 相关从业者投入 10 万—20 万美元。金额不大，价值在专业背书，以及机构尽调时多一个可信的行业联系人。

• 曲凯认为美国活跃天使实际上承担了部分 FA 功能：连接大量机构、提供意见、用个人投资背书；Jenny 认可这一观察。创业者也可以开门见山询问基金一年投几家、阶段、支票区间、估值和决策积极度，再据此 tailor pitch。

• 对“基金到底能帮什么”，Jenny 的答案很克制：最有价值的是介绍下一轮投资人、客户或员工，但投资人没有时间逐一代办。加速器能提供更系统的服务，却会以更低估值拿走较高比例，“要投资人帮忙还是要出很多价钱的”。

12. 中美产品审美的差异是单点工具对综合系统

• Jenny 回国交流后最惊讶的是产品审美差距：美国用户愿意让 Granola 只负责记笔记；国内则会问，为什么不用飞书同时完成 Notion、Granola 和十几种软件的功能。对应到投资偏好，美国更喜欢纯软件和 To B，中国更热衷 To C 与软硬件结合。

• 她最常用的仍是 ChatGPT，并称自己把它“用出花”：生活被拆成个人、健康、工作、研究等八个板块，每个板块有长 custom prompt，每段对话又配置独立信息。记忆功能上线后，ChatGPT 的整体用户体验尤其令她满意。

• Coding 上她更多使用 Claude Code，也看好 Anthropic，因为其 enterprise 订单增长很快。她对 Cursor、Perplexity 没那么乐观，认为它们离模型大厂太近；相较之下，Lioness 投资的 Kepler 用 AI 做生物数据分析，她本人无法验证，但从事心脏病研究的母亲每天使用并给出很高评价，这强化了她对专业垂类的信心。

13. 泡沫从 2023 年启动，后期轮次比 seed 更接近冲击面

• Jenny 将这波估值上涨放在 ChatGPT 发布之后。此前币圈事件令美国创投低迷，ChatGPT 给投资人提供了新方向和新叙事；2023 年涨幅相对有限，2024—2025 年加速最快，主权基金的加入进一步推高资金量。

• 她把市场形容为“一个很大的气球，还差一根针”。Nvidia 若某季度销量疲软，会沿二级市场扩散；OpenAI 若收入不及预期，则会直接打击一级市场。尤其若 Google 将 Gemini 完全免费，她估计至少吸走 OpenAI 30% 用户，而 OpenAI 约 60%—70% 收入依赖每月 20 美元订阅。

• Pre-seed、seed 离真实市场定价最远，受冲击可能最小：她给出的对比是 2021 年 pre-seed 约 1000 万美元，如今约 1500 万—1800 万美元；seed 从约 1500 万—2000 万美元升至 2000 万—2500 万美元。真正承压的是 B、C 轮，因此 Lioness 不追一开始就极贵的热门项目，2025 年也没有因市场火热而加快投资节奏。

14. 模型智力进入瓶颈后，应用只能靠行业纵深防守

• Jenny 认为 scaling law 已经走到终点；研究人员中多数可能同意，离技术较远的投资人却尚未把它纳入估值。RL、post-training 和垂类 fine-tuning 仍能提升能力，但更像“修修补补”，不会像过去的 scaling law 那样简单、直接且普适。

• 她的用户体感是 GPT-3 到 GPT-4 差异极大，GPT-4 到 GPT-5 则没有同等跃迁。曲凯指出 GPT-5 及后续版本增加了多模态、检索等功能；Jenny 认为这更多是功能优化，产品体验仍明显变好，但不代表模型本身的智力保持原有增速。她甚至形容 OpenAI 及其他 AI 大厂在这方面“有一点黔驴技穷了”。

• 对应用公司自建模型，Jenny 的门槛是“大体量独家专有数据＋非常强大的技术团队”。否则招完整 AI 团队、做 RL 或 fine-tuning 的成本太高，而且下一代基础模型可能自然达到同样效果，令此前投入失去价值。

• 曲凯追问应用最终如何与模型竞争，Jenny 给出尖锐判断：“大部分的应用公司都会被模型公司吃掉。”Coding 与底层模型关系过近，风险尤其高；法律、金融、生物等需要复杂行业知识和流程的赛道，OpenAI、Anthropic 则很难全面覆盖。

15. 企业生产率争论最终要用人力替代和跨境选择验证

• Jenny 概括了两组看似不兼容的说法：一篇 MIT 文章称 95% 的企业 AI 应用最终失败；Harvard、Yale 的研究则称 LinkedIn 上 junior 入门职位从 2023 到 2025 年减少 20% 甚至更多。她将前者理解为美国大企业自己做 AI 的情况，后者则反映 AI 对就业的真实冲击。

• 大企业内部难招顶级 AI 人才，也未必有决心把转型推到底；若与创业公司合作，成功率可能高得多。Lioness 因而寻找同时具备技术、数据和行业壁垒的垂类公司，而不是只有华丽 demo 的多功能 agent。

• 基金一期增长最好的公司用 AI 管理维修：为 McDonald’s、Starbucks、Marriott 等拥有内部维修团队的企业记录维修过程、提示管道或设施可能需要维修、给出建议并安排时间。它不亲自维修，但帮助企业管理原本由人完成的维修流程。

• Jenny 的投资标准很明确：“一定是替代人的，而不是增加人的能力。”只提升员工 20%—30% 效率，客户可能觉得现有人手已经够用；若能把一个年薪 7 万—8 万美元的岗位压缩为约 1 万美元 AI 支出，支付意愿才会显著增强。美国年付 10 万—20 万美元仍可算小单，大客户年付 100 万—200 万美元甚至数百万也很常见。

16. 中国创始人必须先选择市场，再选择哪边的钱

• Jenny 给出的大方向是先融入美国创投文化，而不是把中国履历直接搬过去：在当地生活、进入社群、建立本地关系。她认为中国优秀创业者“不比美国少”，问题常在于国内软件方向缺少这样的土壤；若产品天然适合美国，团队需要有信心真正植根当地。

• 曲凯保留了最现实的反驳：中国优秀团队在国内可能轻易拿到更多钱，去美国却要迁移、重新建立信用、接受较低估值和高不确定性；一旦先拿国内资金，后续转向美国又更困难。Jenny 的回应是按市场决定：美国明显占优的方向应“长痛不如短痛”；若国内条件过于优越，也可选择中国—新加坡等路径，不必为了卖给美国客户而强行融资美国资本。

• 数据能弥补部分文化和背景折价，但门槛随情况变化。美国 To B seed 公司做到 10 万—20 万美元级别就可能获得融资，因为投资仍主要看团队；若纯中国背景、产品风格与美国差异明显，至少需 100 万美元 ARR，很多情况下要做到数百万美元 ARR，才能让投资人相信“你去哪儿都能成功”。

• 曲凯提到一个参考文本转写中称为“madness”的案例；Jenny 随后用“Mallence”这样的光环来说明其融资优势不只是数据，而是强团队和成功的美国营销：英文视频先在美国走红，再传回中国，第一印象是国际化中国团队。若一家 To B 公司已有 500 万美元 ARR，她认为约 1 亿美元估值可以成立，保守也可谈到至少 8000 万美元，但最终仍取决于赛道、架构与其他基本面。