过去半年，我看了很多公司、财报和招股书，也接触了几个真实交易。

最开始，自己只是想弄明白，应该怎么判断一家 SaaS 公司，怎么看收入、利润和现金流，以及 AI 会怎样影响传统软件。

但看得越多越发现，判断一门生意的关键，除了看它创造了多少价值，也要看它能否证明价值由自己创造，能否据此定价，并最终把价值留在自己手里。

很多公司有产品、有客户、有数据，也确实为客户创造了价值，但这并不意味着它就是一门好生意。

有些公司替客户节省了大量成本，却只能按照人头、账号和项目收费；有些公司掌握了大量业务数据，但数据所有权属于客户，无法跨客户聚合；有些公司深入参与了核心流程，却不掌握合同、不掌握预算，也不掌握最终的客户关系。

它们参与了价值创造，却没有掌握价值分配。

所以，看一家公司，不能只问它有没有创造价值，还要思考它能不能证明价值是自己创造的，它能不能对这部分价值定价，客户能不能轻易绕开它，以及谁掌握数据、流程、交易和最终的解释权？

这些问题，几乎决定了一门生意的命运。

一、数据闭环比数据本身更重要

过去人们经常说，数据是一家公司最重要的资产。

但拥有数据，并不等于拥有数据壁垒。

中国很多 to-B 软件公司都掌握了大量客户数据，但这些数据归客户所有，每个客户都是一座相互隔绝的孤岛。公司可以帮助客户存储、展示和分析数据，却不能自由聚合，更不能把一个客户的数据转化为服务其他客户的能力。

这是一种很典型的状态。有数据，但没有真正的数据壁垒。

更进一步说，即使一家公司在法律上拥有数据，如果这些数据不能持续改善产品，也很难形成真正的护城河。

真正重要的不是数据被记录下来，而是这些数据能不能进入决策闭环：

用户行为持续进入系统，系统利用这些数据改善判断，判断改善业务结果，更好的结果又吸引更多行为进入系统。

所以，比这家公司有多少数据更重要的问题是它是否控制了一个持续产生独家数据，并把数据转化为更好决策的闭环？

内容数据很容易被公共模型吸收和复制，行为数据则发生在真实业务流程中，更难获得。

但行为数据也不天然值钱。

大量 ERP 系统每天都记录无数操作，却没有因此形成强大的智能壁垒。原因在于，这些数据只是被保存了，并没有持续改变系统下一步如何行动。

因此，真正有价值是能够改善下一次决策，并由此产生更多独家数据的行为闭环。

二、AI 正在重新分配产业链上的控制权

半年前我说 AI 是放大器。

商业模式本来正确的公司，会被 AI 进一步放大；商业模式本来有缺陷的公司，也会被 AI 更快地暴露。

这句话仍然成立，但现在看来，它还不够完整。

AI 不仅会改变行业的成本结构，也会重新分配价值链上的控制权。

过去，软件公司的重要利润来源之一，是客户自身技术能力不足。

客户不会开发，不会部署，也不会维护，因此只能长期购买软件。软件企业赚到的，某种程度上是客户技术能力不足的溢价税。

但是当代码生成、数据分析、流程搭建和简单自动化越来越容易，单纯提供工具的价值就会下降。客户会开始追问：我为什么还要为一个功能、一张账号或者一个操作界面持续付费？

这意味着软件必须从提供工具，进一步走向承担工作。

只有当系统真正进入业务行动、承担结果、参与决策时，它才不会被简单的理解成一个后台数据库。

但这里还会有一个更关键的问题是 AI 创造出来的新增价值，最终会留在哪里？

是留在原来的软件公司，留在模型公司，留在新的流量入口，还是直接回到客户手里？

我认为最终获得收益的，往往是那个掌握客户入口、业务流程、交易节点和结果解释权的人。

三、按结果收费的前提，是掌握结果的解释权

按结果收费听起来非常诱人。

不卖席位，不卖功能，就按完成的任务、解决的问题或者创造的收入收费。公司与客户利益一致，收入也能够随着客户价值增长。

但这件事远比想象中困难。

因为帮助客户产生结果，并不代表公司能够证明结果是软件系统产生的。

销售额上升了，究竟是因为软件，还是因为市场回暖、员工能力、渠道变化或者客户自身投入？

成本下降了，究竟应该归因于系统，还是归因于管理层裁员、供应链变化或者业务规模缩减？

所以，按结果收费的真正前提除了产品能够产生结果外，公司同样需要拥有对结果的定义、量化和归因的能力。

谁有能力定义什么叫成功，谁能持续量化成功，谁能证明自己的贡献，谁才有资格按照结果收费。

所以一些中国软件公司所谓的缺 storytelling 的能力，除了不会讲故事外，他们也无法把价值变成这么一套逻辑。

没有数字，价值就只能停留在客户口碑里；没有归因，价值就无法进入合同；无法进入合同，再好的产品也只能继续按功能收费。

四、创始人很强，不一定代表公司强

看了几家真实公司后，会发现：

有些公司最重要的客户关系、行业判断、销售能力和关键决策，都集中在创始人身上。

创始人在，公司运转得很好；创始人一旦离开，很多东西就开始失效。

这对于要并购一家公司非常不利。

并购需要的是在控制权变化之后公司的这些能力能继续存在。

一家公司的能力，可能存在于不同的载体中。越依赖个人，越难被交易；越被制度化，越接近真正可转让的资产。

所以，看接班型并购，不能只问创始人依赖高不高，应该进一步拆解创始人离开以后，公司具体会失去什么，哪些能力可以通过交接和合同绑定保留，哪些可以在一两年内制度化，以及哪些从根本上无法复制的。

这会直接决定收购价格、交接周期和管理层安排。

五、按传统软件的价格买入再利用 AI 转型

用成本逻辑的价格买入一家稳定的软件公司，再通过 AI 和商业模式改造，把它推向收入逻辑或按结果收费。

这听起来非常有吸引力。

用传统软件公司的低估值买入，保留原有现金流，基于 AI 工具再获得一次估值飞升的机会。

但是从卖工具变成卖结果，需要同时改变产品、销售、合同、交付、定价、财务和组织激励。

因此，更稳健的思路是按照原有业务的现金流买入，至于能不能改造成功另说。

原业务能够独立支撑回报，转型失败，公司仍然可以生存；转型成功，也利好收入结构和估值体系。

六、框架无法解释一切

半年来形成了很多套判断框架

这些框架让我能够更快地拆解一家公司，也让我越来越容易形成判断。

但一个框架越好用，越需要警惕。

因为它能够解释过去，不等于能够预测未来。

甚至很多问题还需要重新思考，比如强数据壁垒是否一定意味着高续费？又比如创始人依赖强，究竟是风险，还是某些行业无法避免的必要条件？

如果一个框架只能找到支持自己的案例，它最终就会变成一种偏见。

主动寻找反例，所有判断都会有失败的边界。

七、结尾

所以我对于一门好生意的理解是什么？

它不只是能够创造价值，还要能够证明价值由自己创造，拥有对价值的定价权和控制权，并把这种能力从某个强人的经验，沉淀成组织可以反复运行的系统。

创造价值决定这家公司有没有意义，对价值的分配决定它能不能赚钱，制度化决定这一切能持续多久。