2025 年 12 月，买公司OpenAI 做了一笔没有先例的硅谷交易：它没有花钱，而是火年用自己的工程师和前沿模型，换取了一家 holding company 的把变股权。这家公司叫 Thrive Holdings，成新I创业务是业模收购会计事务所和 IT 服务公司，并用 AI 重做它们。买公司
过去两年，硅谷AI 投资的火年主旋律是"给行业做工具"。一家 AI 创业公司做出产品，把变卖给传统企业。成新I创少数基金从 2023 年底开始尝试走一条不同的业模路：不卖工具给传统企业，直接买下传统企业，买公司用 AI 重新运营。硅谷这背后对应的火年是 AI 正在从 Software 走向 Ownership。上一代 SaaS 的目标是提升效率，AI Roll-Up 的目标是直接改造利润表。
早期这更像非共识实验。转折点在于 AI 能力的快速提升和成本的极速下降：Frontier model 的推理能力在 2025 年底出现代际跃升，开源模型的竞争将同等基准任务的 inference 成本在 18 个月内压低超过 200 倍（以 GPT-4 级别推理任务为基准：2023 年初 GPT-4 约$60/百万 output token，2025 年 DeepSeek V3 实现相近基准表现，成本降至$0.28/百万）。资本开始系统性涌入：GC 专项 $1.5B，Thrive 融 $2B 永续资本并拿到 OpenAI 入股，Lightspeed 配置 $1.5B 押注这个 thesis。
本文试图回答三个问题：
1. 为什么 AI 开始从"卖工具"走向"拥有运营"？
2. AI Roll-Up 的经济模型和传统 PE roll-up 有什么本质区别？
3. 谁在做，怎么做，机会和风险各在哪里？ 当 GC 投 $1.5B、Thrive 融 $2B、Lightspeed 配置 $1.5B 同时押注时，这张投资地图长什么样。
01.
AI SaaS 的结构性困境
AI Roll-Up 的爆发不是偶然，它回应的是一个真实的市场失灵。过去 18 个月，大量 AI 创业公司选择了同一条路：做一个垂直行业的 AI 工具，卖给中小型服务公司。逻辑看起来完美，会计、法律、保险这些行业高度重复、文档密集，天然适合 AI 自动化。
但在长尾市场，adoption 率远低于预期。原因不在产品，在客户结构。Harvey（$190M ARR）、Sierra（21 个月达$100M ARR）等 AI SaaS 在中大型客户中 adopt 很快，证明了产品力。但服务经济的主体不是它们。美国 46,000+家 CPA 事务所、440,000+家律所中，绝大多数是 50 人以下的小公司。这些长尾 SMB 是 AI SaaS 的结构性盲区，也正是 AI Roll-Up 的目标市场。
一家 20 人的会计事务所，合伙人 55 岁，用了 15 年的 Excel 和 QuickBooks。你告诉他有一个 AI 工具能提效 60%，他的反应不是太好了，而是：谁来评估？谁来部署？谁来培训？出了错谁负责？税季已经够忙了，别给我添乱。
这不是一家公司的问题，是 $16 万亿服务经济的结构性特征：
• 碎片化到极致。美国有 46,000+ 家 CPA 事务所、440,000+ 家律所、38,000+ 家保险代理、40,000+ 家 MSP。绝大多数是 50 人以下的小公司。
• Margin 薄到没有投资空间。平均 EBITDA 5-15%。一个年收入 $5M 的事务所，利润只有 $250K-$750K。
• 人力是成本结构的核心。60-70% 的收入花在人上。但 SaaS 不减人，它只让人更快。
如果客户不会主动 adopt AI，那就不要卖给客户，直接成为客户。买下事务所，AI 不再是“被采购的工具”，而是“运营的方式”。Adoption 问题消失了。
02.
经济模型：为什么 AI 让 Roll-Up 的数学变了
传统 PE roll-up 已经存在几十年：买一堆碎片化的小公司，合并 back office，赚规模效应。但传统 roll-up 的 margin 改善是线性的，而 AI 引入的是 structural margin transformation。
左右滑动查看完整图表
AI Roll-Up 还能改善能自我融资。一家 $5M revenue、35% EBITDA 的事务所，年产 $1.75M 现金流。按 5-7x EBITDA 收购同行，3 年回本。然后用同一套 AI 系统复制到下一家。而且 AI Roll-Up 有一个传统 roll-up 不具备的网络效应：Data Flywheel。运营的事务所越多，AI 见过的税务案例、审计场景、客户类型就越多。GC 的 Percepta 团队声称在跨 portfolio 部署中观察到了模型表现的系统性改善，但具体数据未公开。这个 flywheel 的真实强度，是 10% 的改善还是 50%，将影响 AI Roll-Up 相对于传统 PE roll-up 的超额回报。
不过 AI Roll-Up 有一个 AI Software 不存在的结构性天花板：它的 upside 是可计算的。收购一家律所，最优结果是 OpEx 从 90% 降到 60%，revenue 小幅增长。投资人可以精确算出这家律所改造后值多少钱。要做大，就得一家一家买，每一笔收购都需要资本、整合、时间。增长是线性的。
Software 的逻辑完全不同。Legora 今天 800 个客户，但投资人给 $5.55B 估值，因为他们在 price in 一件事：同样的产品明天可以卖给全球 44 万家律所，边际成本接近零。TAM 按 "全球律所 × 渗透率 × ARPU" 计算，几乎没有上限。估值是在为分发的可能性付费，不是为已有收入付费。Software 的估值是乘法，Roll-Up 的估值是加法。 这解释了为什么 Legora $5.55B 估值可能只有几十个 Millon 的 ARR，而 Crete $300M+ ARR 的估值大概率不到 $5B。
03.
五个结构性趋势加速 AI Roll-Up
AI Roll-Up 被五个结构性力量同时驱动，而且这五个力量正在相互强化。
1. Inference 成本的对数级下降：AI Selling Labor 的经济拐点
2024-2025 年，大多数 AI 服务公司看起来更像人力外包公司而不是软件公司，COGS 占比约 70%（主要是 inference cost + HITL 人工干预），毛利被压制在 40-50%。这让 Outcome-based 定价难以盈利。
但 inference 成本正在以远超 Moore's Law 的速度下降。以 GPT-4 级别的智能为例：2023 年初，调用成本约 $60/百万 output token；到 2026 年初，同等能力通过 DeepSeek V3 实现，成本已降至 $0.28/百万，超过 200 倍下降。 Gemini 2.5 Flash-Lite 则更便宜（$0.10 input / $0.40 output）。
这使得一次 AI 客服交互的成本已降到 $0.25-$0.50，而人类客服是 $3-$6；这是 AI Roll-Up 经济模型的基础。 当每个任务的 AI 成本低于人类成本，Selling Labor 的毛利就开始接近甚至超过 SaaS。而这个交叉点在 2025-2026 年已经在客服、文档处理、基础审计等多个场景跨过。
2. 从 “卖工具” 到 “卖劳动力”：定价模型改变
AI 正在驱动从 Seat-based 到 Outcome-based 的定价迁移。为什么这对 AI Roll-Up 至关重要？因为 outcome-based pricing 从根本上重新定义了服务公司的 TAM。传统 SaaS 对标的是全球约 $3-4 千亿的企业软件支出。但如果按 “省了多少个 FTE” 或 “完成了多少个案件” 收费，对标的是 $13 万亿的劳动支出市场（仅美国）。这是 30x 的 TAM 扩张。
Elad Gil 对此有一个有意思的总结：判断一家公司是否具备 AI Roll-Up 潜力，一个简单标准是，客户是在为软件付费，还是在为 “少雇一个人” 付费？ 如果是后者，这家公司就站在了 $13 万亿的市场上。
3. Operational Data Gravity：新的护城河逻辑
上一代企业软件的核心是记录世界，Salesforce 记录客户、Workday 记录员工、NetSuite 记录财务。AI Roll-Up 代表的是下一步：不再记录世界，直接拥有并运营世界。
这里产生了新的护城河：Operational Data Gravity，每一次 AI 处理的审计案例、每一个被修正的合规错误、每一条被优化的理赔流程，都成为私有数据，反向增强模型在该企业环境中的表现。
这里需要承认：Operational Data Gravity 不是 Roll-Up 的专属优势。Sierra 跨几百家企业客户积累的客服交互数据、Harvey 跨数百家律所处理的法律文档，数据总量可能比任何单一 Roll-Up 平台都大。
Roll-Up 的数据优势在于深度而非广度。SaaS 公司拿到的是客户愿意通过产品界面传递的数据。Roll-Up 拥有企业本身，能获取完整的运营数据，包括人类专家推翻 AI 建议的决策记录、错误修正的具体推理过程、内部 quality control 的判断痕迹。这种 judgment-level 的数据是 SaaS 无法通过产品界面获取的，也是训练 AI 处理 high-stakes 任务的稀缺素材。
4. 代际变化：$5 万亿 SMB 资产正在寻找买家
根据 BizBuySell 和 Exit Planning Institute，美国有 234 万家小企业由 Baby Boomers 拥有，雇佣 2,500 万人，合计企业价值约 $5 万亿。三分之一的美国人依赖于 Boomer 拥有的小企业的收入。而仅 30% 的 SMB 老板有书面退出计划，仅 28% 的会计事务所有正式的传承方案（CPA Leadership 数据），49% 计划在 5 年内退出，37% 说 12 个月内就要卖，McKinsey 预测 600 万家 SMB 将在 2035 年前完成交接。
CPA 行业尤其严峻：75% 的 CPA 接近退休年龄（AICPA），2019 年以来已有 30 万+ CPA 离开行业 ，平均 managing partner 年龄 55 岁，年轻人不愿意进入这个行业。到 2034 年，每年有 136,400 个 CPA 岗位因退休空出。法律行业类似：Am Law 200 中 16.7% 的合伙人已达或超过强制退休年龄，63% 的律所中 60 岁以上合伙人控制了超过一半的收入，73% 的律所在识别和培养接班人方面 “做得差或一般”。
对 AI Roll-Up 而言，这是一个历史性 timing window。大量 5-7x EBITDA 的稳定现金流资产正在涌入市场，卖家急于脱手（因为没有接班人），而买家（AI Roll-Up 公司）能用 AI 将 margin 从 10% 拉到 35%，改变这些资产的价值。
5. VC 也开始 Holding Company
最后一个驱动力是资本本身在变形。传统 VC 模式：投资 → 等 IPO/并购 → 退出 → 返回 LP。这个模式假设投资人不参与运营。AI Roll-Up 需要的完全不同：深度参与运营、长期持有、持续收购、内部 AI 系统建设。
General Catalyst 把自己重新定义为 “company builder”（不是 investor）。他们的 Creation Strategy 不是投资组合，是运营组合，有些公司（如 Crescendo）是 GC 直接创建的。
Thrive Holdings 更有意思。OpenAI 是它的股东。OpenAI 用工程师、模型和深度 AI 集成换取股权。这是历史上第一次一个 frontier AI lab 直接入股一个服务业 roll-up vehicle。
Euclid Ventures 把这个资本形态总结为三种模型：
• Crown Jewel：买一个大型标的，深度 AI 化
• Venture Roll-Up：收购几十个中型标的，并行改造
• Biz-in-a-Box：不收购，而是给运营者提供全套 AI 工具栈，参与收入分成
这三种模型代表了 AI 时代资本部署的新 playbook。它既不是传统 VC（赌技术），也不是传统 PE（赌运营），而是 AI 技术杠杆 + PE 运营能力 + 持续收购的 capital recycling。
反面论证
聪明的怀疑也值得记录。Equal VC 发了一篇 “Why Most AI Roll-Ups Will Fail”，核心论点是：大多数 AI roll-up 只关注 margin expansion，没有证明 lasting enterprise value。TechCrunch 2025 年 9 月也报道了一个严肃的问题，Stanford/BetterUp Lab 研究发现 40% 的员工报告了 “workslop” 现象（AI 生成的工作看起来很漂亮但缺乏实质内容）。
第二个风险是整合本身。传统 PE roll-up 的历史充满失败案例：Aspen Dental、National Veterinary Associates、多家皮肤科诊所 roll-up 都经历过整合成本超预期、关键人才流失、文化冲突导致的服务质量下降。AI 不会自动解决这些问题，它甚至可能加剧：当你告诉一个干了 20 年的 senior accountant"以后 AI 来做初审，你来 review"，他可能选择离开。
第三个风险是竞争推高收购成本。当 GC、Thrive、Lightspeed 三家同时在 CPA 和 MSP 赛道扫货，5-7x EBITDA 的收购倍数能维持多久？2025 年 Q3 已经出现信号：BizBuySell 报告市场挂牌时间缩短至 149 天（2017 年以来最快），买方竞争加剧。如果收购倍数被推到 8-10x，AI Roll-Up 的回本周期从 3 年延长到 5 年以上，整个经济模型的吸引力大幅下降。
04.
AI Roll-Up 投资地图
基于交付模式与收购深度，我们把 AI Roll-Up 的参与者分为三类。横轴是 AI 介入深度（从 SaaS 到 Full Ownership），纵轴是垂直聚焦度。
横轴是行业复杂度。从左到右，AI 面对的环境从高度标准化走向高 judgment、强监管。左侧是 IT 工单、客服、家庭服务。工作流封闭、反馈明确，AI 替代率可达 70-80%。中间是会计、审计、采购，文档密集、规则驱动，AI 能处理大量 routine 但需要专业知识兜底。右侧是法律、保险、医疗，每个 case 都需要 professional judgment，AI 替代率低但单位价值极高（法律 billing rate 是会计的 3-5 倍）。
纵轴是 AI 介入模式。从下到上，公司与传统服务业的关系从"卖工具"走向"拥有运营"。底层是 SaaS，做一个 AI 产品，卖给服务公司。中间是 Hybrid，先用工具获客，再选择性收购客户。顶层是 Full Ownership，直接买下服务公司，用 AI 改造运营，或从零 build 一个 AI-native 的 regulated entity。
越往上，adoption 问题越小；越往右，单位价值越高。最有结构性机会的位置在右上角，但也是执行最难的区域。
SaaS 层：资本拥挤，但面临 existential question
这些公司证明了 AI 在各垂直的 product-market fit。但它们共同面临一个 existential question：SaaS 服务的客户群体本身可能在萎缩。
Harvey 的 TAM 建立在"44 万家律所需要 AI 工具"的假设上。但如果 Crosby 这样的 AI-native 法律服务公司证明了不需要传统律所也能交付法律工作，传统律所的数量会逐步下降。同样的逻辑适用于客服：如果 Crescendo 证明了 AI-native contact center 可以替代传统 BPO，Sierra 服务的那些企业客服部门可能不再需要自建 AI agent，而是直接把整件事外包出去。传统服务企业继续大量存在并主动采购 AI 工具的假设可能不会完全兑现。
Hybrid 层：过渡态，但出了一些最有意思的公司
中间层是最不稳定但最值得研究的位置。这里的公司还没有完全 commit 到 Ownership，但已经开始越过 SaaS 的边界。
Abridge（$5.3B 估值，$800M 融资，150 个医疗系统在用）是 Hybrid 的代表。它从临床文档 AI 切入，做到了 115M+ 患者交互，现在开始向 revenue cycle management 扩展。如果 Abridge 开始收购 RCM 外包公司，它就可以从 Hybrid 跃迁到 Full Ownership。
Distyl AI（$1.8B 估值，前 Palantir 团队）代表了另一种 Hybrid 路径：Palantir 式的高接触交付。先用 Forward Deployed Engineers 深度参与 Fortune 500 的 regulated 业务，一旦模式稳定，就能形成高毛利的 Service-as-Software 结构。
2026 下半年到 2027 年，我们会可能看到这一层的公司开始分化：一部分向上走（收购、运营），一部分留在 SaaS。
Full Ownership 层：最大的结构性机会，但也最反共识
顶层目前玩家最少，但增长最确定，因为 adoption 问题被直接绕过了。
标准化行业已经有 proof points。Crescendo( $100M+ ARR) 、Shield( $100M+ ARR) 、Crete( $300M+ ARR) . 三家 Full Ownership 公司都跨过了 $100M 门槛。它们各自在客服、IT 服务、会计领域证明了 "买下来 + AI 运营" 的经济模型能跑通。
值得单独拎出来的是 Beacon Software（$250M Series B，GC + Lightspeed + D1）。创始人是前 Instacart 总裁 Nilam Ganenthiran 和前 Sequoia 合伙人 Divya Gupta。他们把自己定位为 "Anti-PE"，跨教育、金融、物流、娱乐多行业做 AI roll-up，且已盈利。这是 AI Roll-Up 从 "单一垂直实验" 走向 "跨行业平台" 的信号。
高 judgment 行业是真正的 alpha。右上角的五家公司 Eudia、Norm Law、Crosby、Lawhive、Corgi 代表了 AI Roll-Up 最有结构性优势的方向：
• Eudia：AI legal roll-up，$105M Series A 中 75%留给 M&A
• Norm Law：Legal Engineering，把法规转化为可执行代码
• Crosby：AI+持证律师混合模式，fixed pricing，Sequoia 领投
• Corgi：收购保险 carrier，建 AI-native regulated entity
05.
分行业 Map
会计与税务：最拥挤的战场
会计是 AI Roll-Up 最先跑通的赛道，也是竞争最白热化的。工作高度标准化、文档密集、AI 替代率在所有服务行业中最高。同时底层有一个更关键的供给侧危机，75% 的 CPA 接近退休年龄，2019 年以来 30 万+ CPA 离开行业，CPA 考试报名下降 30%+。人在加速离场，AI Roll-Up 恰好站在这个 capacity gap 的接收端。
Crete Professionals Alliance 是目前最大的 AI Roll-Up operation。Thrive Holdings 旗下，$300M+ ARR，20+ 合伙事务所，900 员工，17 个 office，手握 $500M 收购预算。Crete 的关键差异化在 OpenAI 工程师 on-site 与运营团队共建会计 specific 的 AI 系统。Crete 的核心变量是收购整合的执行力：20+ 事务所、900 人的文化融合是 "脏活累活"，但如果 margin 真能从 10% 到 35%，$500M 的火药意味着 2-3 年内它可以成为美国最大的非 Big Four 会计集团。
Modus（$85M，Lightspeed 领投，Garry Tan 参投）走 audit-first 的差异化路径，只收购审计导向的事务所。审计的 AI 难度更高（需要 judgment-level accuracy，出错后果是 regulatory action），但壁垒也因此更深。
同时还有一些 SaaS/Hybrid 公司：Accrual（$75M，GC，前 Brex CTO）从工具切入再选择性收购；Pilot（$325M，Index + Sequoia + Bezos，$1.2B 估值）可能从 Hybrid 跃迁到 Full Ownership 的公司；Basis（$100M，Accel + GV，$1.15B 估值）可能代表了 SaaS 在这个赛道的天花板，Top 25 事务所 30% 渗透率之后，剩下 70% 是 "不买 SaaS 的人"。
法律服务：模式多样性最高的垂直
法律工作交付物高度标准化（合同、memo、filing），但 judgment 需求高，所以工作模式是 AI 生产 90% 初稿，人类律师做 quality control。
Eudia（$105M Series A，GC，其中 $75M earmarked 给 M&A）的模式是收购 ALSP（Alternative Legal Service Provider），叠加 AI agents。已完成 Out-House 和 Johnson Hana（300+ 法律专业人员）两笔收购，12 个月内从 $2M 到 $20M ARR，实现 10x 增长。A 轮就把 75% 的钱留给收购，这在 VC 历史上极其罕见。核心风险是法律人才留存，但 AI 系统化交付正在降低对个别律师的依赖。
Crosby（$86M total，Sequoia + Index + Lux + Elad Gil）走 AI + 持证律师混合模式。它不收购律所，而是用 AI + 自有律师 fixed pricing 提供服务。目前已经处理了 $1B+ 合同，交付比传统律所快 80%。
Norm Law（$140M+，Blackstone $50M + KKR 创始人天使 + Bain Capital）则把法规转化为可执行代码 "Legal Engineering"。
IT 服务 / MSP：最容易规模化
美国 40,000+ 家 MSP，工作流高度标准化（ticket → diagnose → resolve → close），客户粘性高，收入可预测。Roll-up 的理想标的特征。
Titan（$174M，GC）和 Shield（$200M，Thrive + ZBS）都在收购中小型 IT 外包服务商（MSP，帮企业管电脑、修网络、处理 IT 工单的公司），然后用 AI 自动化大量重复性 IT 支持工作。两家的区别在于整合方式。Titan 走 centralized 路径：收购后统一部署 AI 平台处理 ticket routing、故障诊断、常见问题自动解决，pilot 中已实现 38% 任务自动化。Shield 走 federated 路径：收购 60-90% 股权但让本地团队保持运营自治，只在 AI 工具和供应商管理上做中心化优化。目前 Shield 已收购 7 家 MSP，$100M+ ARR。前者 AI 渗透快但整合重，后者整合风险低但 AI 推行慢。
客户服务：Margin 翻转最戏剧性
全球 $741B 市场。a16z "Unbundling the BPO" 研究的核心数据：传统 BPO 每 $1 收入花 65-75 美分在人力上，AI-native 只花 20-40 美分在 compute 上，且 compute 随规模下降。
Crescendo（$500M 估值，$100M+ ARR）是 GC Creation Strategy 创建的客服外包公司，用 AI + 人类 agent 的混合模式为企业提供客服运营。通过收购 PartnerHero（一家已有 200+ 客户的传统 BPO）获得客户基础。企业把客服部门外包给 Crescendo，Crescendo 用 AI 处理 routine 问题（查订单、改地址、退款），人类处理情绪化或复杂 case。定价是 outcome-based，按成功解决的工单收费，不按客服人头。目前在 routine 类工单（查订单、改地址、退款等标准化场景）上达到 99.8%的首次解决率（first-contact resolution），毛利 60-65%（传统外包行业只有 15-20%）。
这个赛道有趣的点在于：Sierra 和 Crescendo 都在替代传统 call center，但走了两条完全不同的路径。Sierra 卖 AI agent 给企业，企业自己部署和管理；Crescendo 直接替企业运营整个客服，拥有 3000+ 人类 agent + AI 系统，按解决的工单计费。两家都做到了 $100M+ ARR，但估值却是 20 倍的差距。
保险：监管壁垒即护城河
Corgi（$108M，YC + Kindred，$40M+ ARR）则通过收购并改造 Carrier 建立 AI-native 的 regulated entity。端到端自动化承保到理赔。2025 年 7 月获完整 carrier 监管批准。Corgi 的核心壁垒不是技术，是 license。后来者需要 12-18 个月拿到同样的批准。在技术差异化容易被追平的 AI 时代，监管差异化反而是最持久的。
围绕保险的 SaaS 生态（WithCoverage $42M Sequoia + Khosla、FurtherAI $36M a16z、Liberate $72M Battery）在帮传统保险公司 adopt AI。但长期问题是：如果 Corgi 这样的 AI-native carrier 持续增长，传统保险公司还需要 AI 工具吗？
06.
幕后推手：系统性资本的力量
AI Roll-Up 背后有三个 dedicated vehicle 在系统性推动，合计 $5B+ 专项资本。这三家机构各自代表了一种完全不同的打法。
General Catalyst：先建 AI，再买公司
GC 从 $8B 旗舰基金中切出 $1.5B 给 Creation Strategy，由 Marc Bhargava（前 Tagomi/Coinbase Prime 联创）操盘。这是我们见过的最系统化的 AI Roll-Up 方法论。
核心做法是把传统 PE 的顺序反过来。 传统 PE 先买公司再尝试改善运营。GC 先建 AI 系统，让团队 shadow 行业从业者理解任务级别的工作流，验证 AI 能力后再用这套系统作为 acquisition vehicle 去收购服务公司。具体执行分三步：映射（内部团队分析了 70 个全球服务品类，筛出 10 个 AI 可立即自动化 30-70% 工作的领域）→ 孵化（为每个领域 build AI-native 团队）→ 收购（用已验证的 AI 系统去收购有稳定客户的服务公司）。
这个模型已经出了早期数据。Crescendo（GC 从零创建）用 AI + 人类混合模式替企业运营客服，毛利做到 60-65%，是传统外包行业的 4 倍。Long Lake（GC 核心支持，前 Oaktree + Ramp 联创独立运营）收购了 12 家 HOA 物业管理公司，用 AI 把 10 小时的行政工作压缩到不到 1 小时，不到 2 年达 $100M EBITDA，传统 PE 通常要 5-7 年。Beacon（GC 联合领投，前 Instacart 总裁独立运营）跨行业收购软件和服务公司，被收购公司 1 年内 Rule of 40 提升 1000 bps，不靠裁员。Titan（GC 领投 + forward deploy 工程师）收购 IT 外包服务商后部署统一 AI 平台，pilot 中 38% 的 IT 支持工单由 AI 自动解决。
一个外界不太了解但关键的棋子是 Percepta，GC 2025 年 10 月创建的内部 applied AI 公司，20+ 工程师、研究员和产品经理，直接进入被收购企业的一线 deploy AI。这相当于 GC 自建了一支 "AI 改造特种部队"。
Thrive Holdings：永续资本 + OpenAI 亲自下场
Thrive Holdings 2025 年 4 月成立，结构上与 Thrive Capital 完全分开。它是一个永续资本工具，可以持有并运营被收购的公司 10 年、20 年。日常运营由 Anuj Mehndiratta（Thrive Capital 合伙人）负责；Shield Technology Partners 的 CEO 是 Jim Siders，前 Palantir CIO，在 Palantir 12 年。
真正的差异化在与 OpenAI 的交易。 OpenAI 研究团队、工程师、前沿模型和深度集成换取 Thrive Holdings 的股权。OpenAI 工程师作为 integrated team 全职进入 Crete 和 Shield 内部 co-build 定制系统。
这里存在有意思的 circular ownership。Thrive Capital 是 OpenAI 的投资人（2022 年至今多轮投资，从 $29B 估值追到 $285B）， Thrive Capital 创建了 Thrive Holdings，OpenAI 入股 Thrive Holdings。资本和人才在闭环里流动。同时 OpenAI 还能通过 Thrive 获取 real-world enterprise training data。比如 Crete 的 20+ 会计事务所用 OpenAI co-build 的系统处理真实的税务和审计案例时，这些数据反哺 OpenAI 的下一代模型。
截至 2026 年初，Shield 已收购 7 家 MSP（ClearFuze、IronOrbit、Delval、OneNet、NetAscendant、BCS365、SK Tech），合计 1,000+ 员工、10,000+ 客户、$100M+ 年收入。Thrive Holdings 整体已完成 26-27 笔收购。
Lightspeed Venture Partners：从 PE 废墟上重建
Lightspeed 的 AI Roll-Up 由两个从 Elliott Investment Management 挖来的人领导。Isaac Kim 和 Amish Desai 此前在 Elliott 合计主导了 $20B+ 交易（Citrix、Nielsen、Athenahealth buyout）。Kim 2026 年 2 月的判断是："Technology private equity, in its current form, is dead。" 背景是传统 PE 对 SaaS 公司的估值倍数从 24x（2024）崩到 18x（2025），因为 AI 正在侵蚀 PE 投资组合中的软件公司。
Lightspeed 的打法是 forward deploy 工程师进入被投公司。Multiplier（$27.5M，前 Stripe 高管 Noah Pepper 创办）收购 Citrine International Tax 后，8 个月内 cash flow 增长 2.5x。
Lightspeed 的优势在于 PE-native 的 execution DNA，Kim 和 Desai 做过 $20B 交易，知道怎么整合。劣势是没有 GC 那样的内部 AI 工程团队，也没有 Thrive 那样的 OpenAI partnership。
三个未被讨论的结构性问题
第一，LP 视角的 mandate drift。GC 从 $8B 旗舰基金中切出 $1.5B 做 Creation Strategy，但 LP 签支票时买的是 VC 回报（10 年期、高倍数、IPO 退出），现在钱被用于 PE-style 的 roll-up 运营——回报曲线更像 4-6 年回本、2-3x MOIC 而非 10x+。这个 mandate drift 是否得到 LP 的明确同意？Thrive 的永续资本结构回避了这个问题，但 GC 和 Lightspeed 没有。
第二，退出路径不清晰。一个拥有 20 家会计事务所、$300M+ ARR 的 AI Roll-Up 平台，谁来接盘？IPO 市场对 roll-up 公司历史上不友好（参考牙科 roll-up Heartland Dental 的曲折上市路）。卖给 Strategic（Big Four？）面临反垄断审查。永续持有需要永续资本——目前只有 Thrive 有这个结构。
第三，OpenAI 入股 Thrive 的数据隐私灰色地带。当 Crete 的 20+会计事务所用 OpenAI co-build 的系统处理真实税务和审计案例时，这些数据是否可能被用于训练下一代模型？客户（即被审计的企业）是否知情？如果一家 Fortune 500 公司发现自己的税务数据被 AI 模型"学习"了，法律后果可能是灾难性的。目前没有公开信息显示 Thrive 或 OpenAI 对此做了明确的数据隔离承诺。
07.
从 Roll-Up 到 Autonomous Business
这三家之外，资本正在更广泛地重组：Blackstone + KKR 创始人通过 Norm Law（$140M+，AI-native 律所）亲自下场。Vista Equity Partners 在 $100B portfolio 上建了 "Agentic AI Factory"，30+ 家软件公司已开始 convert。
但限制 AI Roll-Up 规模的不是资本，是 applied AI 工程师。 McKinsey 发现 72% 的工程领导在 90 天内找不到 senior AI 人才。每个 roll-up 平台需要 20-50 个 applied AI 工程师驱动价值创造，GC、Thrive、Lightspeed 在和 OpenAI、Anthropic 抢同一批人。这也是为什么 AI Roll-Up 目前只有三个 mega fund 在做——不是因为 thesis 不明显，而是因为只有它们能吸引足够的 applied AI 人才去执行。
但更深层的问题是：当 AI 运营系统建好之后，系统本身通过 data flywheel 自我改善，对人的依赖逐步下降。AI Roll-Up 的早期是人才密集型的，但它的终局可能是 autonomous business，一家会计事务所的大部分审计流程由 AI 完成，人类只在 exception case 介入；一个 contact center 90% 的交互由 AI 闭环，人类处理剩下需要情绪和判断的 10%。
在这一情况下，企业形态本身会变。传统公司的价值载体是人和组织。Autonomous business 的价值载体是数据和系统，它可以 24 小时运转，不需要招聘和培训，margin 随规模改善而不是随人数增长而摊薄。
具体未来是什么样还是未知数。但谁在人才稀缺的窗口期跑得最快、覆盖最多垂直、积累最多运营数据，谁就在窗口关闭后拥有一批 autonomous businesses 和驱动它们的 proprietary data。这是一场 land grab，资本已经就位，标的在涌入市场，AI 能力持续跃升。唯一的变量是谁能最快把这三者拼在一起。
排版：夏悦涵