AI 原生 SaaS 或軟體公司案例考察的物件是整個產品都建立在 AI 之上的公司，而不是給傳統軟體加一個 AI 功能的公司。框架分四部分——毛利結構、競爭壁壘、增長模式、估值。區別於普通 SaaS 案例的關鍵判斷在於：AI 原生公司的毛利率結構性地低於傳統 SaaS，這會連帶改變每一個下游指標，從 Rule of 40 到收購倍數都會受影響。
AI 原生軟體公司正在成為一種獨立的案例考察物件，而不再是標準 SaaS 案例的一個變體，原因是它們的成本結構打破了所有 SaaS 框架都預設的前提：單個使用者的邊際成本接近零。根據我們對近期科技行業案例的分析，面試官越來越多地給出這樣一個場景——公司的產品是一個 AI 智慧體、副駕駛（copilot）或自動化層，案例考察候選人能否察覺到它的毛利率、增長經濟性和防禦性，都和你已經學過的那套 SaaS 分析方式不一樣。
為什麼 AI 原生軟體案例是獨立的案例類型
傳統 SaaS 案例假設隨著用量增長，服務成本幾乎不變——軟體已經開發完成，服務第 10001 個客戶的成本幾乎不比服務第 10000 個客戶高。AI 原生公司打破了這一假設：每一次使用者互動都會消耗隨用量、輸出長度和模型選擇而變化的推理成本。面試官用這類案例專門檢驗候選人是習慣性套用傳統 SaaS 打法——80% 毛利率、以小帶大式擴張（land-and-expand）、Rule of 40——還是能察覺到底層經濟性已經變化，並相應調整整個分析。
AI 原生 SaaS 四部分框架
flowchart TD
A[AI 原生軟體公司案例] --> B[毛利結構]
A --> C[競爭壁壘]
A --> D[增長模式]
A --> E[估值]
B --> B1[單次互動推理成本]
B --> B2[相較傳統 SaaS 基準的毛利率]
C --> C1[封裝風險 vs 專有資料]
C --> C2[工作流鎖定]
D --> D1[PLG vs 企業級以小帶大擴張]
D --> D2[按用量計費的動態]
E --> E1[ARR 倍數 vs 經毛利調整後的倍數]
E --> E2[客戶集中度折價]
第一部分：毛利結構——為什麼 AI 原生公司的毛利率更低
任何 AI 原生案例的第一步，都是把毛利率與傳統 SaaS 基準做比較，因為這一個數字會重塑後面所有的指標解讀。
| 指標 | 傳統 SaaS | AI 原生軟體 |
|---|---|---|
| 毛利率 | 75%–85% | 50%–70%，上線初期往往更低 |
| 邊際成本驅動因素 | 接近零（僅託管成本） | 隨用量變化的單次查詢推理成本 |
| 成本隨時間的趨勢 | 隨規模擴大持平或改善 | 隨模型成本下降而改善，但用量增長可能跑得更快 |
| Rule of 40 的解讀 | 增長+利潤率，可在同類公司間直接比較 | 必須先扣除毛利率天花板，再與傳統 SaaS 同行比較 |
一個常見陷阱是：不先檢查 AI 原生公司的毛利率天花板是否結構性偏低，就直接套用 Rule of 40 或淨收入留存率（NRR）分析——一家毛利率 60%、增長 50% 的 AI 公司,按 Rule of 40 計算可能看起來弱於一家毛利率 80%、增長 35% 的傳統 SaaS 公司，但前者的長期防禦性可能反而更強。關於底層成本機制，可參考基礎模型與 LLM 案例。
第二部分：競爭壁壘——封裝風險與真正的防禦性
由於大多數 AI 原生公司都建立在同樣幾個基礎模型之上，面試官真正想問的是：這個產品有沒有超越"我們最先呼叫了 API"的護城河。
- 封裝風險：如果產品只是通用模型上一層薄薄的介面，沒有專有資料或工作流鎖定，那麼資金充足的老牌公司甚至模型廠商自己，都能在一個產品週期內複製它。
- 專有資料飛輪：使用過程產生的資料，能以通用競爭對手難以複製的方式，針對該客戶或該垂直領域持續改進產品。
- 工作流嵌入：產品嵌入到客戶已經依賴的流程中，獨立於模型質量本身抬高了轉換成本。
最強的案例回答會明確指出題目中的公司實際擁有上述三種壁壘中的哪一種，而不是空泛斷言"他們有護城河"——這與AI 產品上市案例中考察的判斷力是同一種能力，只是這裡的分析物件從單個功能擴充套件到了整家公司。
第三部分：增長模式——PLG、按用量計費與坐席制轉型
AI 原生公司經常按用量計費（按查詢、按 token、按結果），而不是按坐席計費，這會改變增長戰略案例的結構方式。
- 產品驅動增長（PLG）適配度：按用量計費天然適合自助式 PLG 模式，客戶可以從小規模開始，隨實際獲得的價值增加支出——但這也讓收入的可預測性不如坐席制 SaaS。
- 以小帶大擴張的形態：AI 原生公司的賬戶內擴張往往來自現有賬戶的用量增長，而不是新增坐席採購，這意味著流失率分析需要按用量分組，而不能只看賬戶數。
- 企業級轉型風險：許多從 PLG/按用量計費起步的公司，為了贏下更大客戶，需要疊加坐席制或合同制定價——候選人應指出同時運營兩套定價體系的運營複雜度。
第四部分：估值——AI 原生倍數為何偏離傳統 SaaS
在 AI 原生公司的估值類案例（私募股權盡調、併購、成長期融資）中，需要基於前述毛利與壁壘判斷，對標準 ARR 倍數法進行調整。
| 估值因素 | 傳統 SaaS 做法 | AI 原生調整 |
|---|---|---|
| 基礎倍數 | 參照同類公司的 ARR 倍數 | 起點相同，但同類公司必須是 AI 原生公司，而非傳統 SaaS |
| 毛利調整 | 影響較小——大多數 SaaS 公司毛利率集中在 80% 左右 | 影響顯著——相較同行有 15-20 個百分點的毛利差距應體現在倍數折價上 |
| 壁壘調整 | 基於留存率與轉換成本 | 必須明確對封裝風險定價——護城河薄的公司即便增速亮眼，倍數也應更低 |
| 客戶集中度 | 標準盡調專案 | 早期 AI 原生公司往往更嚴重，常有少數幾個大型設計合作伙伴客戶 |
根據我們對諮詢案例模式的梳理，最常見的估值錯誤是不經調整就把同行平均 SaaS 倍數套用在 AI 原生公司上——這會系統性高估那些當前增長實際由低毛利甚至負毛利在補貼的公司。
常見案例場景
場景一——對 AI 原生標的的私募股權盡調。 一傢俬募股權基金正在評估一家 ARR 2 億美元、同比增長 80%、毛利率 55% 的 AI 原生客服公司。是否應該按 8 倍 ARR 的標準倍數出價？先用第一部分分析——與典型 SaaS 標的相比的毛利差距，應該體現為更低的倍數或與利潤率改善掛鉤的對賭條款,而不是簡單打個折扣。
場景二——傳統企業面對 AI 原生新進入者的應對。 一家傳統企業軟體公司正因為一個功能更精簡但價值實現更快的 AI 原生競爭對手而丟單。判斷該老牌公司應該自建對標的 AI 原生產品、收購這家新進入者，還是依靠分銷渠道和現有客戶關係來防守——這與技術自建 vs 購買案例中的自建/購買邏輯相同，只是分析物件上升到了公司整體層面。
場景三——AI 原生初創公司的增長戰略。 一家 ARR 1000 萬美元的 AI 原生初創公司希望兩年內做到 5000 萬美元。是否應該從純按用量計費轉向混合計費模式以贏下企業客戶？用第三部分權衡收入可預測性提升與 PLG 動能損失，用第四部分判斷這次定價轉變會如何影響公司未來的估值敘事。
關鍵要點
- AI 原生軟體案例打破了標準 SaaS 框架依賴的"邊際成本接近零"假設——分析時首先要把毛利率與傳統 SaaS 75%-85% 的基準做比較
- 更低的毛利天花板會改變 Rule of 40、NRR 的解讀方式以及估值倍數——只有先做好這層調整，才能套用傳統 SaaS 基準
- 競爭壁壘的判斷必須落到具體來源——專有資料、工作流嵌入或信任基礎設施——因為大多數 AI 原生公司都建立在同樣的商品化基礎模型之上
- 按用量計費天然適配 PLG 模式，但會增加收入的不可預測性，往往需要並行搭建一條企業級定價路徑才能實現規模化
- 估值類案例必須針對毛利差距和封裝風險對 ARR 倍數打折，而不能直接套用傳統 SaaS 同行的倍數
- 早期 AI 原生公司的客戶集中度風險往往更突出，常常依賴少數幾個設計合作伙伴客戶
練習 AI 原生 SaaS 案例
在案例庫中探索增長戰略案例和戰略決策案例，或回顧SaaS 與訂閱模式案例，瞭解這個框架所調整的傳統 SaaS 指標基準。
要真正掌握這套框架,練習比閱讀更重要。CasesCoach 的引導模式會在每個決策點給出提示，帶你走完一道 AI 原生 SaaS 估值案例——適合在承受面試壓力之前先建立起分析結構。等框架內化之後，切換到專家模式模擬真實面試的全部壓力，不再有任何提示。像上面私募股權盡調的場景一樣，與案例對話功能可以讓你完整走一遍真實的 AI 原生軟體案例——背景、選框架、填資料、分析、結論——AI 搭檔會在過程中實時質疑你的邏輯。
每次練習都會從五個維度打分——結構、分析、溝通、商業敏感度與計算——讓你在真正面試之前就清楚自己的差距在哪裡。
免費註冊即可體驗 3 個完整案例外加一次 AI 模擬面試。想要更進一步？升級 Pro 解鎖案例庫中全部 835+ 案例,並獲得多次 AI 模擬面試機會。現在就試試AI 模擬面試，或檢視定價頁瞭解方案詳情。