AI 原生 SaaS 或软件公司案例考察的对象是整个产品都建立在 AI 之上的公司，而不是给传统软件加一个 AI 功能的公司。框架分四部分——毛利结构、竞争壁垒、增长模式、估值。区别于普通 SaaS 案例的关键判断在于：AI 原生公司的毛利率结构性地低于传统 SaaS，这会连带改变每一个下游指标，从 Rule of 40 到收购倍数都会受影响。
AI 原生软件公司正在成为一种独立的案例考察对象，而不再是标准 SaaS 案例的一个变体，原因是它们的成本结构打破了所有 SaaS 框架都默认的前提：单个用户的边际成本接近零。根据我们对近期科技行业案例的分析，面试官越来越多地给出这样一个场景——公司的产品是一个 AI 智能体、副驾驶（copilot）或自动化层，案例考察候选人能否察觉到它的毛利率、增长经济性和防御性，都和你已经学过的那套 SaaS 分析方式不一样。
为什么 AI 原生软件案例是独立的案例类型
传统 SaaS 案例假设随着用量增长，服务成本几乎不变——软件已经开发完成，服务第 10001 个客户的成本几乎不比服务第 10000 个客户高。AI 原生公司打破了这一假设：每一次用户交互都会消耗随用量、输出长度和模型选择而变化的推理成本。面试官用这类案例专门检验候选人是习惯性套用传统 SaaS 打法——80% 毛利率、以小带大式扩张（land-and-expand）、Rule of 40——还是能察觉到底层经济性已经变化，并相应调整整个分析。
AI 原生 SaaS 四部分框架
flowchart TD
A[AI 原生软件公司案例] --> B[毛利结构]
A --> C[竞争壁垒]
A --> D[增长模式]
A --> E[估值]
B --> B1[单次交互推理成本]
B --> B2[相较传统 SaaS 基准的毛利率]
C --> C1[封装风险 vs 专有数据]
C --> C2[工作流锁定]
D --> D1[PLG vs 企业级以小带大扩张]
D --> D2[按用量计费的动态]
E --> E1[ARR 倍数 vs 经毛利调整后的倍数]
E --> E2[客户集中度折价]
第一部分：毛利结构——为什么 AI 原生公司的毛利率更低
任何 AI 原生案例的第一步，都是把毛利率与传统 SaaS 基准做比较，因为这一个数字会重塑后面所有的指标解读。
| 指标 | 传统 SaaS | AI 原生软件 |
|---|---|---|
| 毛利率 | 75%–85% | 50%–70%，上线初期往往更低 |
| 边际成本驱动因素 | 接近零（仅托管成本） | 随用量变化的单次查询推理成本 |
| 成本随时间的趋势 | 随规模扩大持平或改善 | 随模型成本下降而改善，但用量增长可能跑得更快 |
| Rule of 40 的解读 | 增长+利润率，可在同类公司间直接比较 | 必须先扣除毛利率天花板，再与传统 SaaS 同行比较 |
一个常见陷阱是：不先检查 AI 原生公司的毛利率天花板是否结构性偏低，就直接套用 Rule of 40 或净收入留存率（NRR）分析——一家毛利率 60%、增长 50% 的 AI 公司,按 Rule of 40 计算可能看起来弱于一家毛利率 80%、增长 35% 的传统 SaaS 公司，但前者的长期防御性可能反而更强。关于底层成本机制，可参考基础模型与 LLM 案例。
第二部分：竞争壁垒——封装风险与真正的防御性
由于大多数 AI 原生公司都建立在同样几个基础模型之上，面试官真正想问的是：这个产品有没有超越"我们最先调用了 API"的护城河。
- 封装风险：如果产品只是通用模型上一层薄薄的界面，没有专有数据或工作流锁定，那么资金充足的老牌公司甚至模型厂商自己，都能在一个产品周期内复制它。
- 专有数据飞轮：使用过程产生的数据，能以通用竞争对手难以复制的方式，针对该客户或该垂直领域持续改进产品。
- 工作流嵌入：产品嵌入到客户已经依赖的流程中，独立于模型质量本身抬高了转换成本。
最强的案例回答会明确指出题目中的公司实际拥有上述三种壁垒中的哪一种，而不是空泛断言"他们有护城河"——这与AI 产品上市案例中考察的判断力是同一种能力，只是这里的分析对象从单个功能扩展到了整家公司。
第三部分：增长模式——PLG、按用量计费与坐席制转型
AI 原生公司经常按用量计费（按查询、按 token、按结果），而不是按坐席计费，这会改变增长战略案例的结构方式。
- 产品驱动增长（PLG）适配度：按用量计费天然适合自助式 PLG 模式，客户可以从小规模开始，随实际获得的价值增加支出——但这也让收入的可预测性不如坐席制 SaaS。
- 以小带大扩张的形态：AI 原生公司的账户内扩张往往来自现有账户的用量增长，而不是新增坐席采购，这意味着流失率分析需要按用量分组，而不能只看账户数。
- 企业级转型风险：许多从 PLG/按用量计费起步的公司，为了赢下更大客户，需要叠加坐席制或合同制定价——候选人应指出同时运营两套定价体系的运营复杂度。
第四部分：估值——AI 原生倍数为何偏离传统 SaaS
在 AI 原生公司的估值类案例（私募股权尽调、并购、成长期融资）中，需要基于前述毛利与壁垒判断，对标准 ARR 倍数法进行调整。
| 估值因素 | 传统 SaaS 做法 | AI 原生调整 |
|---|---|---|
| 基础倍数 | 参照同类公司的 ARR 倍数 | 起点相同，但同类公司必须是 AI 原生公司，而非传统 SaaS |
| 毛利调整 | 影响较小——大多数 SaaS 公司毛利率集中在 80% 左右 | 影响显著——相较同行有 15-20 个百分点的毛利差距应体现在倍数折价上 |
| 壁垒调整 | 基于留存率与转换成本 | 必须明确对封装风险定价——护城河薄的公司即便增速亮眼，倍数也应更低 |
| 客户集中度 | 标准尽调项目 | 早期 AI 原生公司往往更严重，常有少数几个大型设计合作伙伴客户 |
根据我们对咨询案例模式的梳理，最常见的估值错误是不经调整就把同行平均 SaaS 倍数套用在 AI 原生公司上——这会系统性高估那些当前增长实际由低毛利甚至负毛利在补贴的公司。
常见案例场景
场景一——对 AI 原生标的的私募股权尽调。 一家私募股权基金正在评估一家 ARR 2 亿美元、同比增长 80%、毛利率 55% 的 AI 原生客服公司。是否应该按 8 倍 ARR 的标准倍数出价？先用第一部分分析——与典型 SaaS 标的相比的毛利差距，应该体现为更低的倍数或与利润率改善挂钩的对赌条款,而不是简单打个折扣。
场景二——传统企业面对 AI 原生新进入者的应对。 一家传统企业软件公司正因为一个功能更精简但价值实现更快的 AI 原生竞争对手而丢单。判断该老牌公司应该自建对标的 AI 原生产品、收购这家新进入者，还是依靠分销渠道和现有客户关系来防守——这与技术自建 vs 购买案例中的自建/购买逻辑相同，只是分析对象上升到了公司整体层面。
场景三——AI 原生初创公司的增长战略。 一家 ARR 1000 万美元的 AI 原生初创公司希望两年内做到 5000 万美元。是否应该从纯按用量计费转向混合计费模式以赢下企业客户？用第三部分权衡收入可预测性提升与 PLG 动能损失，用第四部分判断这次定价转变会如何影响公司未来的估值叙事。
关键要点
- AI 原生软件案例打破了标准 SaaS 框架依赖的"边际成本接近零"假设——分析时首先要把毛利率与传统 SaaS 75%-85% 的基准做比较
- 更低的毛利天花板会改变 Rule of 40、NRR 的解读方式以及估值倍数——只有先做好这层调整，才能套用传统 SaaS 基准
- 竞争壁垒的判断必须落到具体来源——专有数据、工作流嵌入或信任基础设施——因为大多数 AI 原生公司都建立在同样的商品化基础模型之上
- 按用量计费天然适配 PLG 模式，但会增加收入的不可预测性，往往需要并行搭建一条企业级定价路径才能实现规模化
- 估值类案例必须针对毛利差距和封装风险对 ARR 倍数打折，而不能直接套用传统 SaaS 同行的倍数
- 早期 AI 原生公司的客户集中度风险往往更突出，常常依赖少数几个设计合作伙伴客户
练习 AI 原生 SaaS 案例
在案例库中探索增长战略案例和战略决策案例，或回顾SaaS 与订阅模式案例，了解这个框架所调整的传统 SaaS 指标基准。
要真正掌握这套框架,练习比阅读更重要。CasesCoach 的引导模式会在每个决策点给出提示，带你走完一道 AI 原生 SaaS 估值案例——适合在承受面试压力之前先建立起分析结构。等框架内化之后，切换到专家模式模拟真实面试的全部压力，不再有任何提示。像上面私募股权尽调的场景一样，与案例对话功能可以让你完整走一遍真实的 AI 原生软件案例——背景、选框架、填数据、分析、结论——AI 搭档会在过程中实时质疑你的逻辑。
每次练习都会从五个维度打分——结构、分析、沟通、商业敏感度与计算——让你在真正面试之前就清楚自己的差距在哪里。
免费注册即可体验 3 个完整案例外加一次 AI 模拟面试。想要更进一步？升级 Pro 解锁案例库中全部 835+ 案例,并获得多次 AI 模拟面试机会。现在就试试AI 模拟面试，或查看定价页了解方案详情。