种子轮投的是人和洞察，A 轮投的是证据。对 AI 原生公司来说，这个转变比大多数创始人预想的更剧烈。帮您拿到种子轮的那个 Demo，展示的是模型能做什么；技术尽调要看的是，这套系统每天、在真实规模下、面对真实数据和真实客户时，实际在做什么。
为我们共建的公司准备技术尽调材料、回答数据室里的问题，本来就是我们承担的 CTO 工作的一部分。下面这些问题，是我们会提前帮创始人准备的，以及比一页 PPT 更有说服力的证据。
一、除了模型，你的壁垒是什么？
认真的投资人，都见过上百个套着同一批模型 API 的薄壳应用。这个问题的潜台词是：如果竞争对手明天拿到同一个模型，你还剩下什么？
有力的证据：专有的行业数据以及使用这些数据的权利；把专家判断固化进去的业务流程，比如 WaterDoctor 的工艺科学，或者特许会计师的结账检查清单；与客户一起积累的运行历史；以及从真实案例里建出来的评测集。模型可以换，一整套打过分的真实案例，别人抄不走。
二、你怎么知道它有效？又怎么知道它什么时候失效？
“用户反馈不错”不算答案。投资人越来越多地问评测：一套固定的测试用例、一条及格线，以及每一次发版都经过测量的记录。
这个问题还有一个更安静、也更要命的版本。很多智能体产品卡住，不是因为模型答错了，而是因为检查它的输出比自己动手做还贵。如果每一份输出交给客户之前都要资深员工通读一遍，产品就省不下 BP 里写的那些成本。准备好说明：人工复核发生在哪里，多大比例的输出需要复核，这个比例在怎样下降。
三、模型厂商发了新版本，会发生什么？
这是创始人最容易低估的风险。在我们自己的一个内部系统里，一次当作小补丁处理的常规模型版本升级，三天里悄无声息地丢掉了 14% 的入站线索。没有崩溃，也没有告警。新模型返回的输出结构略有不同，下游代码把解析不了的部分默默丢掉了。
有力的证据：锁定模型版本；一套用真实输入录制的回放测试集，每次升级都必须通过；输出校验失败时要大声报错；以及写成文字的升级流程。把模型升级当作一次数据迁移，而不是一次依赖包更新。
四、每产出一单位价值，成本是多少？
AI 产品的毛利取决于推理成本，推理成本取决于架构。2023 年，在我们的一个内部案例里，一个市场营销智能体小组的模型开销，是一个工程智能体小组的四倍。它的产出并没有多出四倍，问题出在一个检索步骤，往每次调用里塞了大量无关上下文。
有力的证据：按结果计的单位成本（每份报告、每个案例、每次申报），而不是一张月度 API 账单；给每个智能体或小组设定硬性的 token 预算；并且清楚哪些成本会随用量增长而下降，哪些会随之上升。
五、出了错，谁来负责？
“是模型干的”不是一份事故报告。在医疗、金融、法律、环境这些强监管市场，投资人会问：生产环境里每个智能体归谁负责？它犯错时怎么处理？审计轨迹能说明什么？
这里有个陷阱：模型自己给出的“推理摘要”不能当审计证据。这些摘要由厂商生成，底层推理往往被隐藏或加密，各家公开的程度也不一样。审计证据是您自己的系统记录下来的东西：输入、工具调用、跑过的检查、批准输出的人，以及时间。
有力的证据：每个生产智能体都有具名负责人；有上报路径；在需要判断的环节设审批闸门；日志掌握在自己手里。
六、个人数据流向了哪里？
在新加坡，个人数据保护委员会（PDPC）2026 年 6 月发布《关于在生成式 AI 中使用个人数据的咨询指南（征求意见稿）》，把新加坡《个人数据保护法》（PDPA）原有的要求说得更具体：机构应当能说清个人数据在整个模型流程中的去向。这包括工程师容易忘的地方：调试日志里的原始提示词、分析看板，以及没有保留期限的可观测性工具。
有力的证据：一张覆盖提示词和日志的数据地图；数据送进模型之前先脱敏；每个日志组都有保留策略；如果客户是政府或受监管机构，再对齐 IMDA《智能体 AI 治理框架》。
尽调奖励那些早就知道自己短板、并且有应对计划的公司，惩罚的是意外。
我们怎么用这份清单
和创始人一起建公司时，这些问题从第一个月起就写进共建计划，而不是等数据室开张前临时抱佛脚。这些证据本来就是把系统建扎实的副产品：评测体系、锁定的版本、成本追踪、具名负责人和审计轨迹。等 A 轮投资人问起时，答案早已在那里。详见我们的工程能力。