AI 进入 base case 之后，决定回报的不再是 AI 能不能创造价值，而是这家 GP 能不能执行。Coforge 这份白皮书值得记录的，是它把「执行」拆成了可以在投前定价、在投后计量的具体结构。
事实
- 2026 年 9 月 18 日，Coforge 发布白皮书《AI in Private Equity: Driving Value Through AI Execution》并配新闻稿，称 PE 生态中「AI 预期与实际结果」之间的缺口正在扩大：AI 已写进投资论点与价值创造计划，但多数机构仍卡在执行。
- 投前是 Track 0「AI Due Diligence Sprint」：压缩式尽调冲刺，先建立数据就绪度、架构、安全与合规态势、交付成熟度的基线，再对最高 ROI 的 use case 做带区间与假设的价值测算，最后输出决策级的 AI 尽调备忘录、价值测算与排序后的 first-100-days 路线图，并给出投后该走哪条轨道的建议。Coforge 称冲刺成本为交易价值的千分之几。
- 投后是三条执行轨道：Track 1 AI Strategy（跨数据、技术、人才评估成熟度，按价值与可行性排序 use case，排路线图）；Track 2 Targeted AI Solutions（在企业自有数据上试点，验证模型表现与财务可行性，接入工作流，建立治理、看板与监控）；Track 3 Enterprise Technology Foundation（平台与核心系统现代化、DevSecOps 与质量、托管基础设施与安全）。
- GP 层面建两个机构：AI Center of Excellence（沉淀参考架构、按行业与职能的 use case playbook、尽调工具包、治理标准、供应商与模型评估，跨项目与跨投资周期存在）与 Portfolio AI Command Center（把各被投公司的 AI 活动、结果与就绪度聚合成一个视图，分别服务运营组、投委会与 LP 汇报）。
- 治理框架叫 Autonomy Level Pricing（ALP）：按自治程度把 AI 系统分级，从 AL0（完全人工操作）到 AL4（政策护栏内完全自治），每级配政策护栏、agent 注册表与升级路径。
- 衡量自治只认两个主指标：Human Intervention Rate（人工介入率，人多频繁必须接手）与 Acceptance Rate（系统输出被直接接受的比例）。白皮书的定位是把自治从「假设」变成「可举证」，并把 AI 定价从 cost-plus 推向 outcome-based economics。
- 商业条款同步改造：与收入提升、成本下降挂钩的 outcome-linked pricing，订阅式使用预制方案库，以及人类专家与 AI agent 混合的 hybrid pods，retainer 里带与交付里程碑挂钩的 at-risk 部分。
- 背景：Coforge 在 2026 年 8 月 11 日成立 Private Equity 业务单元，基于其 Nuuron（AI operating system / enterprise autonomy platform）运营。
判断
可以浓缩成一句：AI Buyout 的投前尽调，开始从「这家公司能不能用 AI」，进入「我能提前承保多少 AI 带来的 EBITDA」。这比单纯的 portfolio AI deployment 又往前走了一层——AI value creation 开始进入收购定价与 underwriting，而不是留到收购完成后再补。
投前 Track 0 → 数据 / 架构 / 人才 / 治理基线 → use case 价值区间测算 → First 100 Days 路线图 → 投后三条轨道 → CoE / Command Center 跨组合复制 → 退出验证Coforge PE × AI 执行框架的压缩写法
最值得记录的是 AL0–AL4 加 HIR / Acceptance Rate 这一组投后指标。它把「这家公司的组织技术代差有多大」变成了可测的量：还有多少工作必须由人介入、有多少输出能不经修改直接被接受。按这个口径，未来的 AI 尽调可以不问愿景，直接测这两条曲线，并把结论折进出价与对赌结构。
入库归类上，这条属于「重编译型 PE」方法论案例，与单笔 AI 并购交易案例分开放：它提供的是可复制的流程与计量语言，而不是一笔交易的价格与结构。
反方证据
- 白皮书由服务商自己发布，同期推销其 PE 业务单元与 Nuuron 平台，存在明确立场冲突：它给出的框架天然指向「请一家执行伙伴进场」。
- 30%–50% 的工程生产率提升、约 25% 的开发周期压缩、50% 以上的逆向工程减少，均为 Coforge 项目经验口径，未说明样本量、行业分布与统计方法，也未见独立审计验证。
- 新闻稿一方面说 AI 预期与实际结果之间有明显缺口，另一方面给出乐观的提升区间，两个口径并未对齐。
- 白皮书引用的 MIT「约 95% 的企业生成式 AI 试点无可测量 P&L 影响」等外部研究，本条未回溯原始研究核验其口径与适用边界。
- AL0–AL4 与 HIR / Acceptance Rate 目前是框架与主张：没有公开任何跨组合的实测分布、阈值，也没有公开与定价公式挂钩的实际合同条款。
- Track 0 能否真正影响出价，取决于 GP 是否愿意在竞标压力下用尽调结论放弃交易；若尽调只用于「成交后的执行计划」，这套框架的增量就退回为咨询产品。
- 框架的可复制性也依赖服务商能力：CoE、Command Center 与 ALP 都由同一方提供时，GP 对结果的可归因性会下降。
来源：FDEPE 追踪数据库。原始披露：Coforge 2026-09-18 新闻稿《Coforge Research Finds Growing Gap in Private Equity Between AI Ambitions and Portfolio Value Creation》：news.coforge.com ↗ ；白皮书《AI in Private Equity: Driving Value Through AI Execution》：blog.coforge.com ↗ ；背景：Coforge 2026-08-11《Coforge Launches Private Equity Business Unit》：news.coforge.com ↗ 。效率数字为 Coforge 项目经验口径，当前未见独立审计核验。