# AI PE Fund 收购传统现金流：用控制权把旧组织重新编译成 AI Native Company

> 【观点框架】AI PE 的核心产品是重绘工作、权力、信息与利益分配的 AI Transformation OS。本文提出 AI Buyout Studio、AI Native DD、Company Compiler、组织债务及首单与百日改造方法。

- Canonical: https://fdepe.com/story?slug=ai-pe-fund-recompile-legacy-company
- Author: FDEPE 编辑部
- Published: 2026-09-19
- Updated: 2026-09-19
- Language: zh-CN
- Original: https://fdepe.com/story?slug=ai-pe-fund-recompile-legacy-company
- Revision: 1

Buy legacy cash flow. Recompile the organization. Compound the operating system.

## 说明

本文是作者自述的方法论框架，不是某一笔具体交易的案例报道；文中出现的公司、金额与人数均为框架内的示意口径，不构成可核对的事实记录，也不构成投资建议。站上其他「案例卡」以可点开的外部来源为准，本文不适用该口径。

## 事实

- 这是一套面向控制型收购的 AI 原生组织改造框架，目标标的是商业模式已验证、组织债务较高、认知劳动密集的传统企业。
- 价值创造对象覆盖工作流、决策权、信息流、激励与组织结构，核心基础设施被定义为 AI Transformation OS。
- 方案建议先以 AI Buyout Studio / AI Transformation HoldCo 和单笔 SPV 验证可复制性，再募集传统 Blind Pool Fund。

## 判断

AI Buyout 的核心套利空间来自 Organizational Debt：买下已经证明的现金流，通过控制权把人类协调重新编译为可机器执行、可观测、可学习、可复制的经营系统。

把单伟建、3G Capital 与 AI 原生组织方法论叠加，可以把“AI PE Fund”概念继续向前推进：

核心不是成立一家投资 AI 的 PE，也不是收购传统企业以后部署 AI。
核心是建立一家拥有资本能力的“AI 原生企业改造公司”，专门购买控制权，把前 AI 时代的公司重新编译成 AI Native Company。
Fund 只是融资工具；真正的产品是 AI Transformation OS。

这套方法论已经把底层原因说得很清楚：AI 放大个人能力以后，新的瓶颈从“专业执行能力”转移到了判断、目标定义、验收、责任，以及人与人之间的交接、等待和协调。

因此，这门生意真正套利的是：

## 组织债务

## 一、先重新定义：AI PE 到底买什么

传统PE经常在找：

好资产 + 便宜价格。

单伟建式Buyout进一步找：

好资产 + 治理有问题。

3G寻找的是：

好品牌 + 低效率组织。

AI Buyout最应该寻找的是：

好生意 + 坏组织 + 大量可机器化工作。

这里的“坏组织”不是员工差，而是公司的运行方式存在大量历史遗留：

- 表象真正的资产机会
- 300人做大量Excel · 工作尚未软件化
- 十几个部门互相审批 · Decision Rights设计落后
- 大量经理负责催进度 · Coordination Cost极高
- 销售只能管理100个客户 · 人的注意力成为收入上限
- 客服、采购、财务大量人工 · 可Agent化
- 老员工脑子里有大量经验 · 隐性知识尚未资产化
- SOP散落在文档里 · Workflow尚未机器执行
- 公司靠会议运行 · Organizational Harness不存在
- 每次并购都重新整合 · 没有共享Operating OS

所以最好的标的未必是：

“最不会用AI的公司”。

而是：

客户、品牌、产品、渠道已经成立，但经营系统仍运行在2010年代的软件和组织架构上的公司。

这是非常重要的区别。

Acquire durable businesses with high organizational debt, obtain control, and convert human coordination into machine-executable workflows to create structurally higher revenue per employee, faster growth, and greater operating leverage.

中文可以更狠一点：

收购已经证明商业模式、但尚未完成AI化的现金流，用控制权重做工作、权力、信息与利益分配，把传统企业重新编译成AI原生企业。

这与 AI 原生组织方法论的核心一致：

Strategy → Objective → Workflow → Roles → Organization

而不是拿着旧的 Department / Headcount 继续优化。

这是整个落地方案最重要的一点。

第一阶段最好不是“AI PE Fund I”。

而应该是：

结构可以是：

- 层级功能
- Management Co · Deal、募资、治理
- AI Transformation Co · AI/FDE/组织改造团队
- HoldCo · 持有平台企业
- Deal SPV · 每笔交易独立募集
- Portfolio Company · 被收购企业

原因很简单。

现在最大的不确定性根本不是：

有没有钱可以买公司？

而是：

这套AI Native Transformation Playbook到底能不能重复？

所以先证明：

1家公司能改成功
→ 第2家公司能复制
→ 第3家公司部署成本明显下降。

等这个事实成立以后，再募集5亿美元、10亿美元基金，故事完全不同。

因为你募的已经不是：

“相信AI会改变企业”。

而是：

我们已经证明一家公司接入这套OS以后，12个月可以发生这些可量化变化。

这是GP真正的Track Record。

这一点也要学习3G，而不是传统大PE。

最危险的模式是：

什么公司AI潜力大就买什么。

这会导致每次都重新学习行业。

真正有复利的模式应该是：

Sector Playbook × AI Transformation Playbook × M&A Playbook。

也就是说，第1阶段应该先打透一到两个行业。

我会优先选择这样的行业：

- 指标理想状态
- 商业模式 · 已验证
- 行业增长 · 不需要特别高
- EBITDA · 正
- 客户 · 分散
- 流程 · 高频、重复
- 白领劳动 · 较高
- 数据 · 已经部分数字化
- 工作内容 · 信息、判断、沟通、协调占比高
- 行业 · 高度分散
- M&A · 可以Roll-up
- AI渗透率 · 尚低
- 创始人 · 有退出/接班需求

因此非常有意思的不是纯AI公司。

反而可能是：

B2B服务 + 分销 + 供应链 + 垂直专业服务。

例如食品原料/调味品分销这种公司就比纯制造工厂更值得研究：

供应商管理、询价、报价、CRM、客户开发、配方匹配、合同、订单、采购、库存、应收、客服、销售支持，大量都是信息密集型工作。

生产端当然存在AI价值，但第一代AI Buyout最好先找：

认知劳动占比高，而不是纯体力劳动占比高的企业。

过去是：

Financial DD
+
Commercial DD。

以后增加：

这是整个基金未来最应该形成专有技术的一部分。

传统Org Chart甚至可以放到第二位。

首先画：

也就是：

这家公司到底有多少工作？

例如一家300人企业，不看300个人，而拆成3000—10000种真实任务：

找客户
客户研究
报价
审批报价
合同初审
下单
催货
采购
供应商选择
物流异常
开票
对账
催款
售后
招聘
培训
周报
管理会议……

然后再形成：

记录：

等待、交接、审批、重复输入、同步、汇报、确认、信息寻找。

这正对应文件里的AI原生落地路径：先找到AI进入真实工作后的瓶颈，再系统标记等待、交接、排期、会议、审批和重复确认。

最终得到：

不是简单写：

“客服可以AI化。”

而是精确到workflow。

例如：

- Workflow当前FTEAI潜力Revenue Impact风险优先级
- 客户研究 · 15 · 90% · 高 · 低 · A
- 报价准备 · 12 · 80% · 高 · 中 · A
- 合同初审 · 6 · 80% · 中 · 中 · A
- 采购询价 · 20 · 70% · 高 · 低 · A
- 客户谈判 · 30 · 30% · 极高 · 高 · B
- 财务记账 · 10 · 80% · 低 · 中 · B
- 战略客户关系 · 10 · 10% · 极高 · 高 · C

这张表最终必须进入IC。

我会叫：

即：

这家公司“当前组织方式”与“AI Native理论组织方式”之间有多大差距？

可以建立一个100分模型：

- 维度权重
- 基础商业质量 · 30
- Workflow Agent化潜力 · 15
- Human Friction · 10
- 数据可访问度 · 10
- 隐性知识可编码度 · 10
- Revenue Amplification · 10
- 控制权/治理可改变程度 · 10
- Roll-up复用价值 · 5

最有意思的标的不是：

AI成熟度90分。

反而应该是：

商业质量90分 + AI Native成熟度20分。

因为中间70分就是你的Value Creation空间。

收购以后绝对不要做：

给员工买ChatGPT
培训Prompt
上Copilot
每个部门提交AI案例。

这种叫：

AI Adoption。

不是：

AI Transformation。

真正应该建立一个统一的：

输入：

Legacy Company

经过：

Work Graph
→ Human Friction Map
→ Objectives
→ Circles
→ Roles
→ Agents
→ Harness
→ Ledger
→ Incentives

输出：

AI Native Company。

AI 原生组织方法论已经把底层基础设施描述出来：

Context → Agent → Tool → Execution → Evidence → Evaluation → Memory。

这七个模块应该直接产品化，成为所有Portfolio Company共享的基础设施。

这才是AI PE真正的IP。

传统3G可能：

Day 1换人
Day 30砍预算。

AI Buyout应该：

## Day 0—30：Instrument

先不大规模改组织。

第一件事情是让公司“可观测”。

获得：

ERP
CRM
邮件
飞书/Slack/微信企业数据
合同
知识库
财务系统
客服系统
工单
报价
采购
销售活动。

建立：

Context Layer + Work Graph + Baseline Metrics。

然后让Agent进入真实工作。

原因在于：先让AI进入真实工作，才知道真正的新瓶颈在哪里。

## Day 30—60：Rebuild Workflow

选3—5条真正影响P&L的Workflow。

例如不要做：

“HR写招聘JD”。

应该做：

Lead → Qualification → Quote → Contract → Order

整条链。

或者：

Demand → Supplier → Quote → PO → Delivery → Reconciliation。

然后建立：

Human
\+
Agent
\+
Tool
\+
Evaluator。

核心KPI不应该是：

AI调用次数。

而是：

Lead time下降多少？
Revenue capacity增加多少？
错误率下降多少？
每个FTE能服务多少客户？

## Day 60—100：Zero-Based Work

这才开始真正动组织。

逐项问：

为什么需要这个岗位？

为什么需要这个审批？

为什么需要这个部门？

为什么A做完一定要交给B？

为什么这个Decision必须由Manager做？

为什么客户信息需要人手工搬进CRM？

然后：

这就是AI版3G ZBB：

Zero-Based Budgeting
→
Zero-Based Work。

而且不是：

300人裁成180人。

而是重新从目标开始：

Strategy
↓
Objective
↓
Circle
↓
Role
↓
Human + Agent。

这套方法论给出了一个非常重要的组织原则：

Circle管结果，Community管能力。

因此Portfolio Company最终可能从：

CEO
→ VP
→ Director
→ Manager
→ Team

变成：

CEO
↓
Growth Circle
Key Accounts Circle
Supply Circle
Product Circle
New Business Circle
↓
Humans + Agents。

工程、销售、财务等专业体系仍存在，但更多成为：

Capability Community。

而不是权力中心。

这是AI PE改革成功与否非常关键的一刀。

如果只是：

你负责增长。

但是预算还是CFO批，

招聘还是HR批，

奖金还是CEO决定，

绩效还是部门老板评，

那其实什么都没有变。

真正Circle Leader必须成为：

拥有：

目标权
+
资源权
+
评价权
+
利益分配权。

这对应“分圈、分活、分钱”的核心：只有把责任和资源配置权、利益分配权绑在一起，Circle才可能成为真实经营单元。

这实际上把：

3G的Ownership Culture

与：

AI Native Circle

合在了一起。

这点我甚至认为可能成为AI PE最核心的专有软件之一。

传统投后管理依赖：

CEO报告
CFO报告
董事会材料
月报。

但未来应该直接看到：

谁

- 哪个Agent
- 为哪个Objective
- 做了什么
- 产生什么Evidence
- 结果如何。

也就是：

Git commit、报价、实验、销售结果、客户反馈、Agent轨迹、财务结果全部自动记账。

于是GP第一次可能真正做到：

实时观察公司是如何创造价值的。

而不是季度听一次CEO汇报。

这甚至可以形成一种新的Portfolio Management System。

传统PE最看：

Revenue
EBITDA
Cash Flow。

当然继续看。

但AI PE必须增加一套：

例如：

- 指标意义
- Revenue / Human FTE · 人效
- Gross Profit / Human FTE · 更重要的人效
- Revenue / Knowledge Worker · 白领杠杆
- Customer / Sales FTE · 销售容量
- Workflow Lead Time · 组织速度
- Human Handoffs / Workflow · 人的摩擦
- Agent Completion Rate · Agent自治率
- Human Exception Rate · 人介入比例
- Cost / Outcome · 最终任务成本
- Revenue / Circle · 创业单元效率
- Agent Spend / Gross Profit · AI投入效率

最终最关键的是：

同样一美元收入，需要多少Human Cognition？

这是AI Native公司的核心经济指标。

传统Buyout：

买入价格
- EBITDA增长
- Deleveraging
- Multiple Expansion。

AI Buyout应该拆成五层：

## ① Cost Compression

Agent减少重复认知劳动。

最简单，也最容易被模仿。

## ② Organizational Compression

减少：

交接
层级
审批
管理
同步。

这往往比“少几个员工”价值更高。

## ③ Revenue Capacity

同一个销售：

100个客户
→
300个客户。

同一个采购：

50家供应商
→
500家供应商。

这是AI真正开始产生复利的地方。

## ④ Knowledge Capitalization

人的经验：

Memory → Skill → Agent → Evaluation → Asset。

知识从：

Employee Asset

变成：

Company Asset。

## ⑤ Acquisition Learning Curve

这是PE真正巨大的部分。

第一家公司：

100万美元AI改造成本。

第二家：

70万美元。

第五家：

30万美元。

第十家：

很多Agent、Skill、Evaluator直接部署。

于是：

Portfolio越大，下一笔收购越容易改。

AI第一次可能给传统Roll-up带来类似软件平台的规模经济。

模型一定会商品化。

真正壁垒应该是：

不断积累：

Workflow Graphs
Agent Skills
Evaluation Rubrics
Industry Context
Transformation Benchmarks
Role Designs
Circle Designs
Decision Rights
Compensation Models
Integration Playbooks。

例如收购第10家食品供应链企业以后，你已经知道：

询价Agent应该怎么做；

销售Agent需要什么Context；

什么报价需要人工审批；

Procurement Evaluator如何判断；

哪几个岗位最容易成为瓶颈；

哪些KPI是假的；

哪些员工最容易成为Mini CEO。

这些知识并不属于GPT-6。

属于GP。

这就是：

一家典型AI Buyout平台，核心团队我会设计成：

- 团队作用
- Investment Partners · 找交易、融资、交易结构
- Operating Partners · CEO、战略、治理
- AI Transformation Partners · AI原生组织重构
- FDE / AI Engineers · 把workflow真正跑起来
- Data / Platform · Harness、Ledger、Context
- Talent Partner · 找Mini CEO和核心人才
- Sector Operators · 行业能力

最大的变化是：

AI/FDE不能是投后的“IT部门”。

应该从第一次见标的就进入Deal Team。

甚至Investment Committee里：

Deal Partner

- Operating Partner
- AI Transformation Partner

三个角色都应该签字。

因为一个项目可能：

财务上非常漂亮，

但根本没有AI Transformation空间。

那它就不是AI PE该买的资产。

不是派50个咨询顾问。

例如：

1 Operating Partner
+
1 AI Transformation Lead
+
2 FDE
+
1 Data/Process Engineer
+
1 Talent/Org Partner。

100天驻场。

但是他们不是替公司做业务。

任务是：

把公司的Operating System改掉。

等OS跑通以后离开，再去下一家公司。

这就类似3G不断培养自己的CEO。

AI PE应该不断培养：

这群人才未来甚至可能比Deal Maker更稀缺。

否则最后组织一定重新金融化。

如果所有Carry都给Deal Team：

他们天然优化：

买什么、多少钱买、多少钱卖。

但AI PE真正大量Alpha来自：

买完以后怎么改。

所以至少应该让：

Operating Team + AI Transformation Team

直接分享相当比例的Carry。

Portfolio CEO、Circle Leader也应该通过Management Equity / Phantom Equity / Profit Pool分享价值创造。

这样才能把：

单伟建的Control
\+
3G的Ownership
\+
AI Native的Circle

真正合起来。

如果是我来设计第一笔交易，我反而不会选：

“最性感的AI机会”。

而会选：

一个理想首单画像可能是：

年收入 2—10亿元人民币

EBITDA 2000万—1亿元

50—500名员工

已经经营10年以上；

客户稳定；

产品稳定；

行业分散；

ERP/CRM存在但使用一般；

大量销售、采购、客服、财务、运营人员；

创始人愿意出售控制权；

不是技术公司的估值；

又存在大量认知劳动。

第一笔甚至不必100%收购。

但必须：

有真实控制权。

董事会不能说：

“AI可以，但不要动组织。”

如果不能：

改CEO
改组织
改激励
改软件
改Decision Rights，

那么这笔交易就不应该做。

千万不要写：

收购后AI节省30%人力，所以价格可以多付30%。

反而应该规定：

## Base Case

不假设Multiple Expansion。

## Debt Case

不计算尚未验证的AI收入增长。

## AI Efficiency

只有Pilot已经证明的Workflow才能进入模型，而且折价计入。

## Headcount Savings

不能把理论Agent替代率直接计入EBITDA。

必须真正完成：

Workflow redesign
→ SLA不下降
→ 客户体验不下降
→ 再确认人员冗余。

这样可以避免“AI故事”成为支付过高收购价格的新理由。

这正是3G/Kraft Heinz给后人的反面教训。

我会这样启动。

- 时间核心任务
- 0—3个月 · 搭建AI Transformation OS雏形；确定一个行业
- 3—6个月 · 筛50家公司，深度研究10家，完成1笔收购
- 6—9个月 · 完成Work Graph + 3—5条核心Workflow改造
- 9—12个月 · Zero-Based Work + Circle + Incentive改革
- 12—15个月 · 证明Revenue/FTE、EBITDA、Cycle Time改善
- 15—18个月 · 收购第一个Bolt-on并复制同一套OS
- 18个月后 · 用真实Transformation Track Record募集Fund I

所以募资PPT最漂亮的一页最终不应该是：

AI将改变全球多少万亿美元GDP。

而应该是：

## Company A

收购时：

240人
Revenue 4.2亿
EBITDA 3800万。

12个月后：

190人
Revenue 4.8亿
EBITDA 6200万。

同时：

Quote time：48h → 4h
Customers/Sales：87 → 241
Workflow Human Handoffs：7.3 → 2.1
Agent autonomy：0 → 68%。

然后：

## Company B

部署同样的Sales / Procurement / Finance Stack只用了Company A一半的时间。

如果做到这里，

AI PE这个资产类别基本就成立了。

沿着这套方法论，AI PE最终甚至不是“AI + PE”。

更准确地说，它是：

Traditional PE：

Capital Allocation。

单伟建：

Capital Allocation + Governance。

3G：

Capital Allocation + Governance + Management OS。

AI Native Buyout：

Capital Allocation
- Governance
- Organization Design
- Machine Execution。

这套方法论提出的终局也正好与PE高度契合：公司应该逐渐变成一个能够不断发现目标、组装人和Agent、配置资本、验证结果并淘汰错误方向的自适应系统。

因此，这个项目的一句话定义可以写成：

AI PE不是用AI提高被投企业效率，而是购买一家前AI时代公司的控制权，把“工作—权力—信息—利益”全部重新设计，让公司本身变成一套可机器执行、可观测、可学习、可复制的经营系统。

再压缩成一句资本市场语言：

真正值得尽快做的下一步，不是写Fund Deck，而是先做一份 《AI Buyout Investment & Transformation Playbook v0.1》：包括标的筛选表、AI Native DD、Work Graph模板、100日计划、Organizational AI Delta评分、投后KPI和IC模板。这个东西做出来，才真正从“概念”进入“可交易、可执行、可募资”的阶段。

## 反方证据

- AI Transformation Playbook 的跨公司复用能力仍需用第二家、第三家被投企业验证；单一成功案例可能来自管理层更换、行业周期或交易价格。
- 组织压缩可能损伤客户体验、隐性知识与内部信任，理论 Agent 替代率不能直接计入 EBITDA 或收购出价。
- Agent 化会把瓶颈转移到目标定义、数据权限、异常处理、评价与责任归属，技术部署成功不等于经营结果兑现。
- 若没有改 CEO、组织、激励、系统与 Decision Rights 的真实控制权，AI 原生改造容易退化为局部工具采用。

[来源：作者提供的《AI PE FUND：按“AI 原生组织变革”重新设计》稿件；FDEPE 编辑部整理，2026-09-19。本文为战略框架，不构成投资建议。 ↗](https://fdepe.com/)

## Source links

- https://fdepe.com/