01 触发事件

2026 年上半年，venture funds 将科技公司估值上调 16%，buyout funds 却将持有的科技资产下调 4%。

a16z 的判断是：tech buyout 作为 private markets 里的“安全资产”，正在遭遇结构性压力。LP 仍持续向同一批 manager 的 re-up 投资，但越来越多受访者认为 tech buyouts 已处于困难区间。

这组数字真正刺眼的地方，不是 4% 本身，而是两类资本对科技资产给出了方向相反的价格信号。

02 这事的真正含义

问题不在于 PE 暂时找不到交易，而在于 tech buyout 的底层收益模型与 AI 周期开始错配。

传统 buyout 依靠三件事：买得便宜、加杠杆放大 equity return、等待企业稳定成熟或退出。技术浪潮稳定之后尤其有效，因为收入与利润可以预测，现金流能够承债，管理层也能执行标准化经营计划。

AI 带来的却是连续的产品替代。模型能力、token price、open-source 供给和 agent architecture 都在缩短软件资产的半衰期。一个今天看起来像 SaaS 的 recurring revenue business，可能同时面临三类冲击：

  • 基础模型直接吞掉原有功能；
  • AI-native entrants 重建工作流；
  • 客户重新评估 seat-based pricing。

这会直接破坏 buyout 最重要的抵押品：可预测现金流。

2021 年高位入场的 sponsor 更像拿着 adjustable-rate mortgage，却遭遇 neighborhood rezoning。债务价格不会因为技术范式改变而自动重谈，但企业价值假设必须重算。

VC 同样错过 2021 年的高估值，但它的损失具有 call option 特征：失败归零，少数 outliers 覆盖组合。Buyout 通常需要被投企业继续偿债并最终退出，所以尾部损失不会只留在账面上。

我关注的不是“VC 赢、PE 输”这种表面结论。真正被重新定价的，是哪一种资本结构更能承受 innovation timing error。

03 历史类比 / 结构对照

历史上，venture 在技术浪潮早期领先，buyout 在浪潮成熟后领先。

互联网建设期和 mobile/cloud 周期中，top-quartile venture 的表现超过 top-quartile buyout；但 1998 至 2005 年间，dot-com bust 前后入场的 venture vintage 落后。原因并不神秘：技术方向未定时，融资者拥有增长权，而成熟资产承受不了产品替代。

现代 PC 与互联网搜索领域也出现了类似结构。PC 厂商面对浏览器、操作系统和搜索入口的迁移，无法仅靠削减成本恢复增长。Buyout 可以优化一家公司的经营，却不能保护一个正在失去入口地位的 business model。

这和 2008 年金融危机存在一个更深的类比。CDO 的问题不是底层资产完全没有现金流，而是评级体系假定历史相关性稳定。一旦相关性变化，风险便无法通过更精细的模型消失。Buyout 模型同样把“可预测性”当作债务定价基础，而 AI 正让这种可预测性打折。

Wesray 早期买下 Gibson Greetings 也说明，buyout 的原始形态更像 venture：用少量 equity 买入高度非对称的潜力资产，再用 leverage 放大结果。问题在于，过去几十年行业逐渐把这种 outlier-driven return 标准化成 mature-company playbook。

现在技术周期重启，buyout 却仍带着上一轮的资产负债表进入新周期。这才是结构矛盾。

04 对 AI builder 意味着什么

对 AI builder 和独立创业者，这周最该调整的不是融资偏好，而是对“传统 SaaS 终局”的假设。

第一，重新计算 moat。

如果你卖的是基于既有 workflow 的 seat-based software，要明确回答：模型能力提升后，哪些功能会自动被吸收？你的 moat 是 workflow data、distribution、switching cost，还是仅仅包装了一层 UX？

Domain workflow 和独家数据仍然重要，但“接入了模型”不是 moat。Buyout 基金开始下调科技资产估值，恰好说明资本市场也在做同样的拆解。

第二，把 token economics 纳入产品设计，而不是停留在毛利表。

如果你的 AI 产品依赖持续推理，revenue per seat 可能稳定，inference cost per task 却会随 agent 使用量上升。定价模型若与 token 消耗脱节，增长越快，gross margin 越差。

这周应该检查三组数据：

  • 高频用户与低频用户的 inference cost 分布；
  • cache hit rate 对延迟和单位成本的实际贡献；
  • routing 到不同模型后，质量、latency 与 cost 的 Pareto frontier。

我没在内部跑过你们的 production workload，这组判断可能需要按 task mix 调整。

第三，避开没有 distribution 的 AI wrapper。

模型每三个月更换一次，功能包装的 switching cost 很低。真正能积累价值的位置通常在数据接入、workflow integration、合规边界和分发渠道。

对 startup 来说，最危险的增长路径是“先做功能，等平台成熟后再找 moat”。平台能力一旦成熟，最薄的一层会被直接压掉。

第四，提前设计融资结构。

如果你准备接受 PE 或 sponsor-led buyout，必须把模型替代风险放进 debt underwriting，而不是只看 ARR growth。AI 公司即使收入稳定，也可能因推理成本、基础模型降价和客户自研而改变利润曲线。

用三年后的竞争格局倒推今天的 capital structure。技术浪潮早期，equity 比 debt 更能承受路线变化。

05 反方观点 / 风险

我可能高估了 4% 的下调所代表的结构性变化。

tech holdings 的估值调整可能只是 mark-to-model 会计滞后。Buyout 基金持有大量 private companies，无法像公开市场一样即时反映价值；venture 上调 16% 也可能包含 headline rounds 或少数超大交易，而不是底层资产普遍升值。

更关键的反方观点是，tech buyout 并非整个 PE 业。它仍可能从 recurring-revenue healthcare、industrial software、regulatory-heavy vertical software 等领域获得稳定回报。AI 对这些领域的威胁速度也不同。

另一个风险是我的历史类比过度整齐。互联网、mobile 和 cloud 最终都产生了大量成熟现金流资产，因此 buyout 迟早重新受益。AI 是否真的如此，目前还不能只靠估值调整下结论。

但这不能替原文消除一个事实：buyout 的安全叙事依赖 business model predictability，而 AI 正削弱 predictability。LP 继续 re-up，可能是纪律，也可能只是 capital inertia。

我最可能错在时间尺度。如果 AI 最终像 cloud 一样迅速标准化，tech buyout 会在 12 至 24 个月内重新找到可预测的收购标的。反之，如果 agent 持续替代传统软件席位，4% 可能只是压力的开始，而不是终点。