Firm Valuation When AI Shapes the Business Model: A Milestone-Based Real-Options Framework for the AI Valuation Uncertainty Problem

评估一家公司的价值，传统上是一个通过观察其过去来预测其未来的过程。如果一家企业在销售产品、支付账单和创造利润方面有着悠久的历史，专家就可以利用这些数字来估算该公司在未来的价值。他们计算企业在未来几年可能赚取的资金，并根据事情出错的风险对该数字进行调整。这种方法对于稳定的业务非常有效，比如一家已经开业二十年的面包店，或者一家运行顺畅数十年的工厂。然而，当一家公司围绕人工智能构建时，规则会发生彻底的变化。这些公司往往没有盈利历史，其商业模式正在实时重写，且其价值完全取决于它们是否能成功实现一系列困难的未来目标。当一家公司试图创造从未存在过的东西时，旧的价值衡量工具往往会失效，因为它们无法看到隐藏在计划中的特定风险和机遇。

来自瑞士人工智能研究所（Swiss Institute for AI）和纽林根-盖斯林根应用科学大学（University of Applied Sciences Nürtingen-Geislingen）的一项新研究提出了一种看待这些公司的不同方式。研究人员认为，标准方法在应用于人工智能时过于模糊，因为它们将所有复杂的确定性压缩成了一个单一且不透明的数字。研究团队并没有采用猜测一般增长率的方法，而是开发了一种结构化的协议，将公司的价值分解为一系列具体的、可检查的步骤。他们将整合人工智能的过程视为不是一条平滑的直线，而是一条带有“关卡”的路径。在每个关卡，公司必须证明自己能够完成某些特定事项——例如让一个新的软件系统正常工作、通过监管检查，或找到第一个付费客户。如果公司通过了关卡，它就会向前推进，其价值也会随之增加。如果失败了，路径就会终止，潜在价值也会随之消失。通过绘制出这些关卡并为每一个关卡分配一个现实的成功概率，研究人员创造了一种能够看清价值从何而来以及风险所在之处的方法。

这种新方法的核心是一个简单而强大的理念：并非所有使用人工智能的公司都是相同的。研究人员创建了一个分类系统，将企业分为两大类。第一类是把人工智能作为改进现有工作的工具的公司，例如一家银行使用计算机程序来更快地检查信用评分。第二类是整个产品本身就是人工智能的公司，例如一家构建新型智能软件并将其出售给他人的公司。在第一类公司中，研究人员根据技术集成的深度进一步进行了划分。有些公司只是稍微使用，比如在网站上添加一个聊天机器人；而另一些公司则已经围绕技术重构了整个运营流程。研究发现，集成程度越深，公司的价值就越依赖于未来的可能性，而非当前的利润。一家仅仅是涉足人工智能的公司，其价值是基于当前销售额的可预测价值。但一家已围绕该技术完全重构业务的公司，本质上是一系列未来选择权的集合，其真正的价值在于它下一步可能实现的能力。

为了确定一家公司在每个步骤中成功的可能性，研究人员引入了一种用结构化对话取代猜测的方法。他们邀请了一个包括公司领导层和外部专家在内的专家小组，要求他们对决定成功的不同因素进行比较。这些因素包括技术是否真正奏效、公司是否拥有运营它所需的人才，以及政府监管是否允许其推进。通过让这些专家对彼此进行两两对比，该系统生成了一个反映公司准备好进入下一阶段程度的分数。这个分数随后根据类似技术项目的现实数据进行校准，从而转化为一个具体的概率。这一过程确保了最终的估值不仅仅是一个观点，而是一个透明的计算过程，其中的每一个数字都可以追溯到特定的假设。如果两位专家对一家公司的价值存在分歧，他们现在可以精准定位分歧所在：是关于通过特定测试的机会，还是关于该测试将产生的金额？

研究人员在一个真实的瑞士初创公司身上测试了他们的新框架，该公司致力于构建用于管理能源组合的软件。该公司直接向客户销售其人工智能产品，在研究进行时正处于开发的早期阶段，尚无收入历史。使用旧方法，评估这样一家公司的价值需要对未来增长进行一个巨大的、无法解释的猜测。使用新框架，研究人员绘制出了该公司在未来两年内需要达到的四个主要里程碑。这些里程碑包括稳定系统以进行初步测试、获得付费试点客户、产生第一笔经常性收入，以及最后证明其可以向众多客户同时销售该产品。通过计算每一步的价值及其达到的概率，他们得出了 1 亿瑞士法郎的总公司价值。这个数字与公司自身的内部估算相符，但新方法揭示了一些关键信息：超过一半的价值完全取决于最后一个里程碑，而这正是最难实现的环节。

这一发现凸显了人工智能领域理解风险方式的重要转变。研究表明，对于销售自身人工智能的公司，风险并不是在整个过程中均匀分布的。相反，风险高度集中在后期阶段。早期的步骤，如构建一个工作的原型，是相对安全且极有可能成功的。但后期的步骤，涉及证明市场需要该产品以及公司能否扩大规模，则承载着最大的不确定性。该框架通过展示如果最终里程碑失败，公司将损失大约一半的总价值，清晰地说明了这一点。这与传统业务不同，在传统业务中，风险通常分布得较为均匀。新方法还考虑了其他估值工具经常隐藏的成本。它将用于构建技术的资金与用于遵守法律法规的资金分开，确保这些成本被清晰地计算，而不是被埋在一般的估算中。

该研究还解决了公司财务报告中的一个常见问题。在许多欧洲国家，会计规则要求将用于开发新技术的资金视为费用，这使得公司在账面上看起来是在亏损。而在其他地方，公司可以将这类支出记录为资产，从而使公司看起来更有价值。这种会计规则的差异可能导致两家完全相同的公司在投资者眼中呈现出截然不同的面貌。新框架通过关注业务的实际经济现实而非会计标签，绕过了这种混乱。它将用于开发的资金视为一项真实的成本，无论其在账簿中如何记录，从而实现了不同国家或不同规则下的公平比较。这种方法确保了估值反映的是企业的真实潜力，而不仅仅是其在分类账上的记录方式。

虽然这项研究提供了一种清晰且逻辑严密的评估这些公司的方法，但作者也谨慎地指出，这只是该新方法的一次演示，而非证明其完美的最终证据。他们在一家信息非常透明的公司上测试了该框架，这使得应用该方法变得更加容易。他们承认，现实世界的情况可能会更加复杂，例如存在技术集成程度混合或数据不够清晰的公司。研究人员建议，下一步是在更多不同的公司上测试此方法，以观察其在实践中的表现是否与理论一致。他们还指出，人工智能的规则正在迅速变化，随着新法律的通过，该框架也需要进行调整。然而，核心理念依然稳固：通过将人工智能的复杂旅程分解为更小的、可衡量的步骤，我们可以停止猜测，开始准确理解驱动这些现代公司价值的因素。

这项工作的意义不仅限于计算一个数字。它改变了投资者与创始人之间的对话方式。与其争论一个单一且模糊的数字，他们现在可以讨论公司取得成功所需的具体步骤。如果投资者认为一家公司风险过高，他们可以指向一个他们认为不太可能达到的特定里程碑。如果创始人认为自己的公司被低估了，他们可以展示其到达下一个关卡的计划比投资者意识到的更加稳固。这种透明度有助于双方理解风险与机遇的真实性质。它也有助于监管机构和政策制定者识别出人工智能行业的真正瓶颈所在。通过识别哪些步骤是最困难的、以及在哪里创造了最多的价值，该框架可以指导有关如何投入资源以及如何支持这些新技术增长的决策。

最终，这项研究为这个经常笼罩在神秘感之中的领域提供了一种带来清晰度的方法。几十年来，评估一家公司的价值一直是艺术与科学的结合，依赖于经验和直觉。随着人工智能的兴起，旧有的直觉已不再足够，因为游戏规则已经改变。新框架提供了一张导航新地形的地图。它并不承诺能确定地预测未来，但它承诺让不确定性变得可见。通过展示风险究竟在哪里以及克服它们需要什么，它让所有相关方都能做出更好的决策。无论你是寻找下一个大机会的投资者，是试图建立新公司的创始人，还是试图理解经济的政策制定者，这种方法都提供了一种观察人工智能时代真实价值结构的方式。它将一个黑匣子变成了一系列清晰、可理解的步骤，让商业的未来不再那么晦涩，而变得更加可知。