评估AI企业——无论处于种子期、早期应用或扩张期——需采取『因阶段而异』的评估策略。以下是具体分析：
1.EBITDA倍数：通常不适用于AI企业
大多数早期AI企业尚未获利，EBITDA倍数很少作为基准指标。由于企业往往优先追求成长而非即时盈利，该指标在人工智能产业中的参考价值有限。
2. 营收倍数：成长期企业的核心基准
对于处于早期应用或扩张阶段的AI企业，营收倍数仍是使用最广泛的估值工具，因为该倍数不要求公司必须获利。
但需注意：分析师必须根据目标产业、商业模式、市场竞争等关键因素进行调整，而非直接套用市场法中的通用框架（如直接采用可比公司倍数的平均值/中位数）。
在商业估值中，分析师必须具体论证数据如何支持特定倍数的选用。当估值倍数偏离市场基准时，我们将根据驱动价值的关键因素进行有系统地调整。
- 例如通用聊天机器人的替代风险较高，在人工智能产业中的竞争力相对较弱，分析师需采用折让倍数，以反映其真实价值。
- 相反，高竞争门槛的AI企业（例如：具专利的AI研究系统），因其技术不可容易被取代，分析师需采用溢价倍数。
3. 贴现现金流：虽是有效的内部评估工具，但对早期投资者限制较多
作为金融学的经典估值方法，贴现现金流（DCF）包含三个核心步骤：
(1) 预测各期未来现金流
(2) 计算终值（如适用）
(3) 按反映现金流风险与货币时间价值的折现率，将上述金额折现为现值
尽管DCF能提供前瞻性的估值，但由于DCF依赖可靠的财务预测，因此创投公司一般较少采用——尤其对早期AI初创公司而言，难以预测的市场变化和多变的盈利模式，大幅增加了企业财务预测的不确定性。反之，DCF更适用于有正毛利率的营运企业。对成熟的AI企业来说，此方法能有效评估它的长期发展潜力，避免对其成长预期过度乐观。
AI应用软体公司的企业价值营收比
从下列表格中可观察到，AI软体公司的企业价值营收比区间从0.2倍到125倍不等，这显示分析师必须针对每一个个案进行调整的重要性。
数据来源：S&P Capital IQ（截至2025年7月21日）
数据来源：S&P Capital IQ（截至2025年7月21日）
结论：AI企业估值的系统性思维
AI企业估值绝非简单套用公式，而是需要深度理解从种子期到规模化的每个发展阶段。无论是早期企业的营收倍数、未获利公司的EBITDA带来的局限性，还是对成熟企业的DCF应用，核心都在于采取『因阶段而异』的评估策略，以及根据驱动价值的关键因素进行有系统地调整。
在宏展国际，我们结合估值框架和对行业的深度了解，协助AI初创企业及投资者进行
准确估值。我们的团队不仅精于数据分析——更擅长解构您的技术优势、市场定位及增长轨迹中的驱动价值的因素。