現在看 AI 創投，最危險的誤判，是把「模型熱度」當成「投資價值」。資金確實還在流進 AI，但錢流向的不是最會講故事的人，而是最接近「可被大企業反覆採購、可被監管接受、可把模型成本壓到可預測」的團隊。換句話說，市場已經從押注 demo（展示原型），快速轉向押注 distribution（通路能力）、workflow（工作流程嵌入）與 unit economics（單位經濟模型）。
我會用一個很務實的框架來看這一輪：AI 創投的三層漏斗。第一層是「算力與基礎模型層」：吃掉最多資本，也最容易形成頭部壟斷；第二層是「模型工具與基礎設施層」：估值仍高，但開始回歸效率與留存；第三層是「垂直應用與產業工作流層」：單筆融資可能沒那麼誇張，卻最有機會在亞太跑出真收入。對香港、台灣、新加坡甚至中國出海團隊來說，真正的機會，多半不在再造一個 OpenAI，而在把 AI 變成某個產業不可替代的操作系統。
錢到底流去哪裡？不是所有 AI 都在被追捧
先看大盤。根據 PitchBook《AI & ML VC Trends》與 CB Insights 2024 年追蹤，全球 AI 相關投資在 2023 到 2024 年間維持高度集中：少數超大輪（mega-round，單輪數億美元以上）吸走大部分資本，特別是基礎模型、GPU（圖形處理器）雲端算力、以及企業級開發平台。Stanford《AI Index Report 2024》也指出，2023 年全球私募 AI 投資雖較 2021 高峰回落，但生成式 AI（generative AI）逆勢成長，吸引約 250 億美元以上資金，遠高於前一年。
但這些數字很容易誤導。因為「資金總量變大」不代表「你這類新創更容易拿錢」。在實戰募資中，我們反覆見到：投資人其實把 AI 項目分成三類。第一類是能定義底層能力的公司，例如模型、晶片、算力平台；第二類是能服務既有開發者與 IT 預算的工具型公司；第三類才是多數亞太團隊所屬的應用公司。前兩類拿到的是敘事溢價，第三類拿到的，越來越是商業驗證溢價。
這也是為什麼 a16z、Sequoia 與 Accel 在 2024 年談 AI 時，反覆強調「application layer（應用層）會贏，但不會用 2021 年 SaaS（軟體即服務）的方法贏」。原因很簡單：模型切換成本下降，功能容易被複製，真正難的是進入企業流程、拿到專有資料、建立高毛利交付模式。
估值還合理嗎？看 ARR，不如先看毛利與推理成本
如果你還用傳統 SaaS 的倍數去看 AI 新創，判斷很容易失真。過去投資人看 ARR（年度經常性收入）成長，就願意給高倍數；但 AI 公司多了一個關鍵變數：inference cost（推理成本，也就是每次模型運算要花多少錢）。當收入成長靠的是大量 token（模型處理文字單位）消耗，而不是流程自動化帶來的高附加價值，表面上的營收可能很漂亮，實際毛利卻很脆弱。
Bessemer Venture Partners 與 Meritech 近兩年都提醒市場：AI 公司不只要證明 growth（成長），更要證明 gross margin durability（毛利可持續性）。這也是為什麼同樣做企業 AI 助理，有些公司能拿到 15-25 倍前瞻收入（forward revenue）估值，有些卻只能在 5-10 倍徘徊。差別通常不在模型多先進，而在三件事：客戶留存、部署深度、以及成本可控性。
對亞太新創尤其如此。香港與台灣常見的困境是，客戶願意做 PoC（概念驗證），卻不願意大規模 rollout（全面部署）。McKinsey 2024 年全球調查指出，多數企業已試點生成式 AI，但真正把案例擴大到至少一個業務部門核心流程的比例仍有限，治理、數據整備與風險管控是主要瓶頸。換句話說，估值不會再獎勵「很多試點」，而是獎勵「少數但可複製的大單」。
亞太為何不是落後，而是另一種勝法？
很多人看到美國大模型融資規模，就以為亞太只能跟跑。這個結論太表面。亞太不一定贏在 foundation model（基礎模型），但很可能贏在受監管產業、跨語言流程、以及中小企密集市場。這三個場景，剛好不需要最強模型，卻非常需要落地能力。
以新加坡為例，政府透過 IMDA（資訊通信媒體發展局）與國家 AI 戰略持續推動企業採用，金融、物流、醫療等受監管行業更願意為可審計（auditable）、可部署在私有雲或本地端的方案付費。台灣則有製造業、半導體供應鏈、跨境貿易文件流等結構性優勢；香港的角色，在於金融、保險、專業服務與中國出海之間的接口。中國大陸雖受資料與模型監管約束，但在垂直行業模型、政企採購、生態整合上仍有龐大市場。
IDC 對亞太（不含日本）AI 支出多次預測，到 2027 年企業 AI 與自動化支出將維持雙位數年複合成長。這背後不是因為每家企業都要自己訓練模型，而是因為每家企業都需要把知識、客服、文件、銷售與風控流程重做一次。誰能把這些流程做成標準化產品，再加上在地語言、法規與系統整合能力，誰就比較接近可投資標的。
哪些賽道最可能拿到錢？先看「必須嵌入流程」而非「看起來很聰明」
下面這張表，不是要分出誰技術最好，而是幫投資人與創業者看：哪些類型更接近可持續商業模式。
| 類型/代表 | 大致定價模式 | 市場定位 | 優勢 | 風險/限制 |
|---|---|---|---|---|
| OpenAI Enterprise / Microsoft Copilot | 企業授權，常見每人每月約 US$30 起，另加 Azure 成本 | 通用企業生產力 | 品牌強、整合 Office 與開發生態快 | 差異化有限，企業會壓價；資料治理要求高 |
| Anthropic Claude Team/Enterprise | Team 約 US$30/人/月起，企業版客製 | 安全性導向企業助理 | 長文本、安全敘事強，受法遵重視 | 仍偏通用層，若無流程整合易被替代 |
| Databricks / Snowflake AI 平台 | 依算力、儲存、使用量計費 | 資料與 AI 基礎設施 | 直接吃既有資料預算，黏著度高 | 銷售週期長，需強實施能力 |
| Scale AI / Labelbox 類資料工具 | 專案制或用量制 | 資料標註、模型治理 | 接近企業 AI 落地痛點 | 容易受自動化擠壓，需轉型平台化 |
| 亞太垂直 SaaS + AI（如法律、醫療文書、供應鏈文件） | 每席次 + 每流程/每文件收費 | 行業工作流自動化 | 離 ROI（投資回報率）最近，客戶願意為結果付費 | 市場較碎片化，跨區擴張需在地化 |
我現在最看好的，不是再做一個「什麼都能聊」的助手，而是把 AI 綁進高頻、高痛點、可審計的任務：例如保險理賠摘要、銀行 KYC（認識你的客戶）文件審核、製造業異常報告、跨境貿易文件比對、醫療病歷整理。這類產品的共同點是：客戶不是為了新奇付費，而是為了節省人力、縮短週期、降低風險付費。
這不是說基礎模型沒機會，而是多數亞太團隊不該用同一套打法
必須說清楚：這不是說基礎模型沒有價值。相反地，NVIDIA、OpenAI、Anthropic、Mistral 之所以能拿到天量資本，是因為底層能力的供給仍稀缺，而且會持續向上游集中。問題是，這不是多數亞太新創可複製的資本路徑。
在香港、台灣、新加坡，我們看到不少團隊把募資簡報做成「我們也要做自己的模型」。但投資人真正會問的是：你的訓練資料是否獨特？你能否承擔持續算力支出？你的分發渠道在哪？如果三個答案都不強，硬做模型通常只是把本來可快速驗證的應用機會，變成燒錢且難防守的技術賭局。
更現實的是，Gartner 2024 年多次提醒，生成式 AI 正進入從炒作走向治理的階段。企業採購會愈來愈在意安全、版權、可追溯、模型風險與供應商穩定性。這意味著，亞太團隊若能提供「多模型編排（同時調用不同模型）+ 私有部署 + 在地合規」的方案，反而比單押某一模型更有競爭力。
重點帶走：先判斷你是在追熱錢，還是在做可投資公司
如果你是創業者，我建議用三個問題檢查自己的 AI 故事。第一，你賣的是模型能力，還是流程結果？能賣結果的公司，估值通常更穩。第二，你的毛利會隨用量變好，還是愈賣愈辛苦？如果每增加客戶都要增加大量推理成本與人工服務，估值很難撐高。第三，你的在地優勢是否真的構成壁壘（護城河）？語言、法規、產業 know-how（實務知識）只有在能嵌入產品、縮短導入、提高續約時，才算壁壘。
如果你是投資人或企業策略主管，現在最值得看的不是「哪家公司最像 OpenAI」，而是「哪家公司最有機會成為某個產業的 AI operating layer（營運層）」。在亞太，這通常意味著：懂跨語言、懂法規、懂 legacy system（舊有系統）整合、也懂如何把 PoC 變成年度合約。
自我檢查：
- 我們的 AI 產品，若換掉底層模型，客戶還會留下來嗎？
- 我們現在的收入，是建立在真實流程替代，還是短期試點預算？
- 若未來 12 個月資本市場更保守，我們的毛利、回收期與續約率是否站得住腳？
