AI创业公司估值别只乘ARR：推理成本会吞掉溢价

对以经常性收入为主的AI创业公司，估值起点是企业价值（EV）＝合格ARR×可比倍数。但ARR相同不等于价值相同：推理费用如果随使用量上升并持续侵蚀毛利，公司就难以保住高毛利SaaS所对应的上沿倍数。

可复制的流程是先清洗ARR、把EV与股权价值分开，再选择同阶段和同商业模式的可比区间，最后依次检查增长、净收入留存、推理后毛利、客户集中度、现金消耗与技术防御性。结果应当是有依据的估值区间，而不是先挑倍数、再倒推价格。

第一步：统一ARR、EV和股权价值口径

ARR只纳入未来十二个月可合理预期重复发生的订阅或合同收入。一次性实施、定制开发、硬件销售、临时咨询和尚未签约的销售管线应单列；可以随时取消且波动明显的按月收入，可按当前MRR年化，但必须同时披露流失和用量波动。

CFI的ARR倍数说明 将该指标定义为EV÷ARR，把EV概括为股权价值加债务、减现金及现金等价物，并将一次性费用排除在ARR之外。因此，ARR乘以倍数得到的是经营业务的企业价值；从EV桥接到股权价值时，通常还要减去债务、加回可用现金，并核对其他资本项目。

估值工作表应采用同一截止日，并至少分开记录：

• 订阅ARR、用量型经常收入和一次性收入；
• 计息债务、可用现金及其他EV调整项目；
• 合同期限、自动续约、降配和解约通知；
• 试用转付费、关联方收入及人工服务成分。

若用量收入存在明显峰谷，不宜直接把最高月份乘以十二。可以并列展示最近十二个月实际收入、当前运行率和已签合同承诺额，并明确估值采用哪一种口径。

第二步：可比倍数必须匹配公司阶段

上市SaaS、风险投资支持的高速增长公司、创始人经营的小型盈利产品和待售数字资产，并不是同一类样本。它们的规模、流动性、治理、利润基础和买方群体不同；融资轮估值还可能包含优先权与清算条款，也不能直接当成现金并购价格。

Buyouts的AI公司估值指南 把较大型、高增长AI SaaS的参考范围列为约3至8倍ARR，同时把增长、低流失、高毛利和防御性列为上调因素，把收入集中、高推理成本和薄弱壁垒列为下调因素。这个区间针对特定公司类型和交易语境，不是所有地区与阶段通用的市场中位数。

因此，应先按ARR规模、增长阶段、客户类型、盈利状态和交易结构筛选可比对象，再保留低、中、高三个情景。若只能取得上市公司数据，就要承认私营公司在流动性、披露质量与治理上的差异；样本越弱，合理区间应越宽，而不是用小数点制造虚假精度。

第三步：用推理后毛利检验AI溢价

凡是随客户请求量、输入输出长度或并发需求直接增加的模型费用，都更接近收入成本，而不是可以忽略的研发支出。自建推理也应纳入直接相关的GPU折旧或租赁、托管、编排和运维成本，否则账面毛利会高估收入的经济质量。

Amazon Bedrock官方定价 展示了按输入与输出token计费的按需模式，也列出按模型单元计时的预置吞吐模式。这意味着推理成本取决于模型、调用结构、区域和部署方式，不能用一个静态的“单次请求成本”覆盖全部产品与客户。

推理后毛利率可以写成：（收入－模型API费用－GPU或推理托管费用－其他直接交付成本）÷收入。工作表应至少比较正常用量、重度客户占比上升和不利成本变化三个情景，并按模型、功能和客户层级拆分单位成本。

标题所说的“吞掉溢价”，并非推理账单会逐元等额减少企业价值，而是它会压低毛利和新增收入的贡献利润，使公司失去采用上沿倍数的依据。按席位收费但几乎不限调用量的产品尤其需要压力测试；按用量收费虽可转嫁部分成本，却可能降低收入的可预测性。

第四步：把留存与客户集中放在一起看

净收入留存应基于同一批期初客户，观察其扩张、降配和流失，不把新客户收入混入。超过100%只表示原有客户群的扩张大于收缩，并不能单独证明收入安全；还要判断扩张是广泛采用，还是来自少数大客户的临时增购。

客户集中度应按最终控制主体归并，而不是只数账单账户。同一集团的多个部门可能共享一次采购决定；最大客户退出时，还可能同时削弱收入、产品反馈和数据来源。工作表可记录最大单一客户、前五大和前十大客户的ARR占比，并附上合同期限、终止权与续约窗口。

留存也要与推理后毛利交叉检查。若续费依赖低价套餐和高额计算补贴，漂亮的留存率未必转化为可持续利润；只有客户扩张、定价权和单位推理成本同时改善，ARR质量才足以支持溢价。

第五步：技术价值取决于可替代性

技术调整项要回答的是：竞争者使用相同基础模型，需要多少时间、合法可用的数据和迁移成本，才能复制产品价值。单一模型依赖或简单提示词封装通常更容易替代；有明确权利的专有数据、持续评测体系、深度工作流集成和可验证的性能优势，才可能延长收入的持续期。

历史研发投入不能直接等同于资产价值，因为已经发生的工程费用属于沉没成本。尽调更应核查训练数据与输出的使用权、开源许可证、第三方模型条款、核心人员依赖、模型迁移能力以及关键资产能否转让。

防御性也可能来自非模型部分，例如客户数据迁移历史、审批流程、行业合规能力和关键系统集成。只有这些要素确实提高替换成本时，才构成加分；若产品价值会随着基础模型普及而快速商品化，则应下调倍数，而不是给“AI标签”自动加价。

第六步：输出可审计的估值区间

以下为条件示例：某AI SaaS的合格ARR为1200万元，同类可比分析形成4至6倍的初始区间，则EV为4800万至7200万元。若计息债务为300万元、可用现金为800万元，按“股权价值＝EV－债务＋现金”桥接，股权价值区间为5300万至7700万元。

接下来不要机械地给每项风险增减0.5倍，而应让每次调整对应一项可核查事实：

1. 核对增长是否来自可续约客户，并计算同群组净收入留存；
2. 将全部直接推理成本纳入毛利，测试重度使用情景；
3. 按最终控制主体重算客户集中度并检查续约窗口；
4. 比较未来十二至十八个月的现金消耗与现有现金；
5. 核查数据权利、模型依赖、迁移能力和工作流锁定；
6. 形成低、中、高情景，记录每个倍数变化的依据。

若条件示例中的推理后毛利率只有55%，就不应继续使用高毛利SaaS的上沿倍数；若客户分散、同群组持续净扩张，且单位推理成本随规模下降，则较高情景才有支撑。完整结果应包括ARR口径、可比样本、调整依据、EV区间和股权价值桥接，而不只是一个ARR乘法答案。