热潮之后，理性回归的必答题

“柳暗花明又一村。”IT和数据尽调的意义，不止于验证，更在于洞察。

自2023年ChatGPT引爆全球以来，AI的浪潮席卷资本市场。全球人工智能市场规模达到1,966亿美元且高速成长。这股热潮下，不仅有科技巨头的战略押注，也有数以千计的新创公司涌入赛道—他们在算力、模型、数据与场景上展开竞逐。

然而，“杨意不逢，落花无情”，热潮中的浮华与泡沫也在悄然滋生。一些企业的技术能力被过度叙述，算力结构与数据来源不透明；另一些企业则在监管压力下难以实现商业化落地。对于投资者而言，IT和数据尽职调查已不再是“可选项”，而是识别真伪、判断长期价值的必答题。

本篇将从技术维度、真实性维度与合规性维度三个方面展开，探讨在AI投资热潮下，如何通过IT和数据尽调穿透喧嚣，洞察企业的真实底色，回应资本市场的理性之问。

一、技术维度 AI的底层逻辑能否支撑商业场景

“欲穷千里目，更上一层楼。”技术是AI企业的地基，决定了它能走多远，也决定了它能看多高。

AI技术的竞争，不仅仅在于模型的大小或参数的多少，更在于其能否通过架构设计、算法创新和算力优化实现可持续的商业闭环。随着投资热潮持续升温，资本正逐渐从通用大模型的宏观布局，转向各垂直行业的深水区。

在这个过程中，IT和数据尽调成为识别企业技术含金量的关键步骤，验证模型“能否落地”“能否复现”“能否长期演进”。

1.大模型的技术支撑

近年来，全球AI投融资总额高速增长。若说2020年是“算法创新”的试炼场，那么2024年便是“算力与模型”的主战场。大模型相关投资额亦逐年上升，资本的流向清晰地表明，AI已从零散的应用探索，进入到基础层和平台层的深耕阶段。

这一轮投资浪潮，正在推动AI技术从实验室走向产业核心，也让全球竞争的焦点从“谁先跑出来”，转向“谁能跑得远”。正如浪潮之巅，喧嚣背后更考验底层技术的坚实与算力的耐力。

随着资本逐步聚焦于底层技术创新，AI竞争的焦点正从“应用多寡”转向“底层实力”。以OpenAI、Anthropic、DeepSeek等为代表的大模型企业，已进入“算力+数据+推理优化”三位一体的深水区。它们不再只是模型参数的比拼，而是系统化工程能力的较量。对于投资者而言，IT和数据尽调的关键，在于评估企业在这三方面的可持续性与协同成熟度。

进一步展开，IT和数据尽调的本质，是对模型架构的稳定性与技术的可扩展性进行系统验证。因此，从技术架构层面，关注层面主要有如下三方面：

1）数据与算法架构——是否具备自有数据治理与模型优化能力；

2）推理与部署层——模型是否能在推理效率、延迟控制、算力匹配等方面稳定运行；

3）应用与反馈层——技术是否能实现闭环更新与性能复现。

IT和数据尽调不仅验证“能否运行”，更要判断“能否持续”，已成为投资判断的核心依据。

2.垂直行业AI的技术成熟度

然而，大模型并非终点，而是起点。真正决定AI企业商业价值的，不是模型规模，而是它能否在具体行业中实现稳定、可复制的应用。正因如此，资本开始从“底层模型”延伸到“垂直行业”的深水区。不同赛道在技术成熟度、监管环境与商业落地节奏上差异显著，也因此形成了多层次的投资格局。

伴随着资本开始追求更可验证的商业回报与行业协同效益，投资的重心亦从“模型规模”转向“场景效率”，AI的真正价值也开始在产业深处显现。资本的聚焦让技术从抽象的算法架构，走向具体的业务流程与用户触点。AI的商业逻辑逐渐具象化，也让IT和数据尽调有了新的意义——它不仅是评估代码与算力的工具，更是检验企业能否在现实世界兑现技术承诺的关键环节。

在这样的背景下，不同行业AI技术的成熟度差异，成为评估投资潜力与风险平衡的关键依据。如下图所示，垂直行业对模型技术架构的关注各有侧重。不同架构关注点的差异，决定了尽调中的技术评估重点。因此，IT和数据尽调不是一个统一模板，而是一个随行业演化而动态调整的体系。

无论是大模型的基础应用，还是垂直行业的深入挖掘，AI的技术能力必须与商业场景深度结合，才能实现其应有的商业价值。在这里，IT和数据尽调不仅仅是对技术本身的评估，更要与商业尽调密切结合，分析技术能否支撑企业的长期商业模式。

二、真实性维度 AI的数据与算力是否经得起验证

“水能载舟，亦能覆舟。”数据和算力是AI企业的基石，真实性验证是穿透表象的核心。

据MIT发布的2025年商业生成式AI现况，95%的生成式AI项目未能产生可衡量的商业回报，主要原因包括数据质量不足、算力瓶颈及业务与技术脱节。当数据和算力无法通过验证时，企业往往会高估技术能力，忽视落地风险，从而导致投入巨大却难见成效。

1.业务运营数据的真实性

在AI投资中，真实性不仅仅是数字的透明，它更关乎数据的真实反映与企业服务承诺的执行情况。尤其是对于采用SaaS模式提供AI服务的企业，投资者必须验证以下几个方面，确保其业务运营数据没有被夸大或虚假包装。

2.IT基础设施支撑的真实性

AI企业的IT基础设施是否能够有效支撑其产品和服务的高效运营，是另一个重要的真实性问题。投资者必须评估企业是否拥有足够且稳定的算力支持其业务扩展和服务交付。

IT和数据尽调的意义，不仅在于发现风险，更在于提前化解风险。通过对数据流、算力资源和系统架构的全链路验证，IT和数据尽调能揭示企业在模型训练、推理性能和资源利用上的真实水平；通过交叉审计用户日志与业务指标，可识别潜在的虚增或结构性偏差。系统化的IT和数据尽调让投资者得以“看穿繁华表象”，在技术与运营的细节中把握企业真实竞争力。唯有如此，资本的判断才能建立在可验证的事实基础上，而非幻象之上。

三、合规性维度 AI企业能否在合法边界中前行

“道阻且长，行则将至。”合规不是束缚，而是创新的底线与护城河。

如果说真实性让投资者看清企业的“筋骨”，那么合规性则决定其能否行稳致远。

在AI投资领域，技术创新的速度往往超越监管反应的节奏，然而，合规的滞后从来不是风险的豁免。无论是数据采集、模型训练，还是跨境算力调度，企业都必须在法律、伦理与治理的三重约束下运作。

随着《个人信息保护法》《数据安全法》及欧盟AI Act等法规的陆续实施，AI企业面临的合规门槛正不断抬升。对于投资者而言，IT和数据尽调不仅是技术的评估，更是法律、伦理与治理的防线。唯有在合法合规与负责任治理的框架内，AI的创新之路才能真正走得长远。

基于“负责任的AI框架”，我们将从数据合规性、算法伦理与偏见独立性、模型可控性与可解释性、安全性与可持续监督，及行业合规性五个维度论述如何应用IT和数据尽调探索合规的边界。

1.数据合规性

AI模型的价值离不开数据，但数据若不合法或不透明，再先进的算法也可能触碰监管红线。

IT和数据尽调需要确认企业数据全生命周期可追溯、算力与数据路径合规，从而保障模型安全和业务信任。例如，数据来源是否合法，是否具备授权和溯源机制，避免未经许可使用网页或版权数据；数据处理与存储是否加密、脱敏、可审计，云环境下的数据隔离是否到位；用户隐私是否受保护，是否有隐私影响评估、数据删除和撤回机制，符合《个人信息保护法》、GDPR、CCPA等法规；跨境数据流动是否合规，中国境内数据出境需备案，欧盟受GDPR和AI Act约束。

2.算法伦理与偏见独立性

算法偏见不仅是技术缺陷，更关乎歧视风险与不公平交易责任。在AI被广泛用于招聘筛选、信贷审批等“高影响场景”时，一旦训练数据延续社会历史偏见，算法会放大不公。例如，某跨国公司曾在招聘系统中采用AI自动筛选简历，却发现女性候选人的评分持续偏低，原因在于历史数据过度偏向男性；在信贷领域，也出现过申请条件相同却因群体差异被拒贷的案例，被监管认定为歧视性放贷。这些都使AI使用者成为高风险主体。

因此，IT和数据尽调必须关注企业是否开展偏见检测与公平性评估，是否具备敏感属性管理与消偏机制，对高风险业务（如招聘、信贷等）是否落实人工审核机制。目前，欧盟AI Act已将招聘、信贷评分等列为重点关注领域，要求可解释、可审计与公平性控制；国内监管亦愈发强调算法推荐、公平决策与反歧视要求，模型和算法需要依据法规进行备案。

AI对人的影响越大，伦理责任就越重。伴随监管趋势日益明朗，合规不仅是硬性要求，更是企业能否被信任和长期发展的底层保障。

3.模型可控性与可解释性

黑箱决策不仅挑战监管，也会削弱商业信任。在AI广泛应用的今天，模型的可控性和可解释性成为核心尽调点。具体来看，需要关注决策结果是否可解释、审计记录是否完整可追溯；模型更新是否触发合规复核；以及是否建立了明确的权责边界和责任闭环，确保问题可追责。

国际上，欧盟AI Act已明确规定，可解释性、可验证性与稳定性为强制要求。在国内，近年来《个人信息保护法》《数据安全法》《网络安全法》及《生成式人工智能服务管理暂行办法》等法规也逐步强调算法透明、可控与可审计，要求企业在处理个人信息和提供AI服务时，必须保证模型行为可追踪、风险可管理。这意味着，无论是面向内部决策还是外部服务，建立可控、可解释的模型体系已经成为合规与信任的双重保障。

4.安全性与可持续监督

AI模型部署后仍可能面临对抗攻击、场景漂移或被滥用的风险，因此安全性和持续监督不可忽视。IT和数据尽调中需重点关注：是否开展对抗性测试与脆弱性评估，发现潜在风险并及时修正；是否建立实时监控和自动熔断机制，确保异常行为能够被即时阻断；是否落实持续监督，在模型运行全过程中动态管理风险。

AI并非“上线即完成”，而是一个需要持续合规、不断优化的系统工程。企业在实际应用中，应将安全性、可控性和监督机制纳入全生命周期管理，形成可追溯、可问责的治理闭环，从而保障业务安全和用户信任。

5.行业合规性

如果上述维度是AI的底线，那么行业合规就是它能否“活下去”的边界。不同行业的监管强度与数据要求差异极大，而AI技术恰恰横跨了多个高敏感行业。

因此，在IT和数据尽调中，投资者不仅要核查企业的数据治理，还要评估其是否理解并遵守所在行业的合规框架。从金融到医疗，从零售到TMT，AI企业的合规路径，往往决定了商业化的上限。

不同行业的合规框架，决定了AI企业能否穿越监管周期。IT和数据尽调将系统性评估企业的行业适配度与合规成熟度，投资者才能在风口之外，看清真正能长跑的选手。

从技术到合规，看穿AI企业的真实底色

“大江东去，浪淘尽，千古风流人物。”真正的AI企业，不在浪尖的喧嚣，而在深水的积淀。

在资本与算法并行的年代，IT和数据尽调不只是投资流程中的一环，更是一种洞察力。它让投资者在看似炫目的技术叙事中，辨别哪些是坚实的创新、哪些只是短暂的幻象。

从技术维度出发，IT和数据尽调帮我们判断企业“能否立”；从真实性维度出发，它检验企业“能否行”；从合规维度出发，它考量企业“能否久”。这三重审视，构成了AI投资理性回归的核心框架。

当热潮退去，企业真正的价值将不再由参数数量或融资额度定义，而是由技术的复现能力、数据的可信度、与合规的持久性共同决定。IT和数据尽调的意义正在于此，它让理性重新成为AI投资的底色。

“青山遮不住，毕竟东流去。”技术终将回归价值，数据终将回归真实，合规终将回归秩序。而那些在技术、真实性与合规三重考验中依然屹立的企业，将成为新一轮AI浪潮中，真正的“风流人物”。

在下一篇AI估值逻辑中，我们将继续探讨—如何把“看得见的技术”转化为“算得出的价值”，用数据与模型，让AI投资真正可度量、可验证、可持续。

本文是为提供一般信息的用途所撰写，并非旨在成为可依赖的会计、税务、法律或其他专业意见。请向您的顾问获取具体意见。