Musol 的 PE & AI 打工日常 Day 16 Leader 让我给之前那家产业 AI 公司做 comps 我花了大半天拉了四家出来： 一家老牌视觉 AI、一家决策智能、一家企业数据中台、一家海外政企数据分析的标杆，当然是我们的 $PLTR 自己觉得覆盖面挺全的 交上去 Leader 翻了两页就停了，她说： 这里面真正能当尺子用的只有一家， 你想想其他三家为什么不行。 我当时选这四家的逻辑很朴素，都在做 AI 加行业落地嘛，业务有交集就能放一起比。 但 Leader 点出来一个问题： 表面上都叫产业 AI，可商业模式的根基完全不同。 硬放一起比，等于拿苹果量橘子，比出来的倍数没有任何参考价值。 这句话逼着我重新想了一遍： 到底什么维度才能把这些公司真正区分开？ 想了半天，答案其实就两条线。 数据从哪来，绑的是谁。 技术路线、产品形态、团队背景这些东西当然重要，但决定一家产业 AI 公司商业模式本质的，就是这两个问题。 沿着这两条线一拉，四家公司的位置立刻清晰了。 对于老牌视觉 AI 公司，起家靠人脸识别和计算机视觉，核心资产是感知算法。 问题在于它自己没有独特的数据壁垒，本质是个卖 AI 能力的技术供应商。大模型把感知层的门槛拉平之后，它的护城河被冲得很厉害，去年营收跌了三成多。 跟我们看的这家完全不是一个物种。 一个解决“看得见“的问题， 一个解决“看得懂产业“的问题。 拿它对标没意义，但可以当反面教材： 没有独占数据资产的 AI 公司，在基础模型能力溢出的时代会被怎样冲击。 企业数据中台那家，帮制造、零售、医疗这些行业的客户用好自己的内部数据。注意，是客户自己的数据。 它不碰外部产业数据，也不碰政府。 跟我们看的这家在客户群和数据来源上几乎零重叠。 一个是帮别人挖自己的矿，一个是自己手里攥着矿去卖。商业模式的起点就不一样，放在一起比 PS 毫无意义。 PLTR是我研究时间最长的 年收入接近 30 亿美元，已经盈利，人效高到离谱，三千多人做出这个体量。 但它有个反直觉的特点：自己完全不碰数据。 它提供的是一个操作系统，让政府和企业在自己的数据上跑分析和决策。 模式极轻，标准化程度极高，能全球复制。 我们看的这家恰好反过来，核心卖点是自己握着产业数据和公共数据的运营权。 壁垒逻辑完全不同： 一个靠产品标准化做轻，一个靠数据独占做重。 拿它当天花板去想象终局可以，但直接拿它的估值倍数来套，前提条件对不上。 真正能当尺子的是那家决策智能公司 为什么？ 因为它跟我们看的这家几乎是同一套叙事： 都讲决策智能操作系统，都做政企落地，都想从项目制往订阅化和标准化转。 数据基因略有不同，一个从舆情媒体数据长出来，一个从产业经济数据长出来，但商业化路径和客户结构高度相似。 最关键的是，它刚过了港交所聆讯，财报全部公开。毛利率三年从 44% 拉到 51%，客户净收入留存率 139%，交付周期从 185 天压到 80 天。 这些数字就是现成的标尺。 我可以直接拿着去问目标公司： 你的毛利率到什么水平了？ 你的 NDR 多少？ 你的交付周期压到几天了？ 如果你讲的故事跟人家一样，那你得证明你的运营数据至少在同一个区间里。 如果差很远， 要么你的故事还没兑现， 要么你的执行力有问题。 用 Creao @CreaoAI 的Agent 帮我把这几家的数据来源、客户类型、收入模式、壁垒来源拉成对比矩阵，快速把散落的信息结构化。 工具干这种多维度整理确实比人快 但选谁当对标、为什么选它、怎么用它的公开数据去构造尽调问题，这些判断得自己做。 今天想通了一个做 comps 的核心原则： 可比公司分析不是找“看起来像的”， 是找“能当尺子量的”。 好的对标不是让你在报告里写一句“行业内也有类似公司在做”，是让你能构造出具体的、可量化的反问。 从“找相似”到“找尺子”， 这个转换比研究任何一家公司本身都重要得多。