自定義AI模型如何影響您的應用退出估值

微型SaaS應用每週都在Acquire.com、Transferslot和私人經紀人那裡出售。估值通常從標準SaaS的2-4倍ARR到具有可防禦護城河的應用的4-8倍ARR不等。2倍和6倍ARR之間的差異通常是一件事：別人複製您所構建的有多容易？

在專有用戶數據上訓練的微調模型不容易複製。這在退出時是值錢的。

收購方如何評估SaaS應用

購買微型SaaS的收購方進行心理計算：

收入倍數： 這值ARR的多少倍？（基準：穩定SaaS的3-4倍）

上調因素：

• 強勁的淨收入留存（超過100%）
• 低流失率（月流失率低於5%）
• 用戶的高轉換成本
• 專有數據或技術
• 強勁的SEO/自然流量

下調因素：

• 單點故障（創始人依賴）
• 依賴可能發生變化的平台（GPT-4定價、API棄用）
• 薄弱的差異化（競爭對手週末就能複製）

API依賴懲罰： 純GPT-4包裝的應用因為收購方知道OpenAI可以添加相同功能、更改定價或棄用模型而打折扣。沒有可防禦性。預期倍數：2-3倍ARR，有時更低。

專有模型溢價： 帶有在專有數據上訓練的微調模型的應用是不同的。模型無法在沒有數據的情況下複製。數據無法在沒有多年用戶的情況下複製。這是真正的可防禦性。預期倍數：4-8倍ARR。

收購方在購買什麼

當您出售帶有微調模型的應用時，您在出售三件事：

1. 收入流 — 標準MRR × 倍數。這是基準。

2. 專有數據集 — 訓練模型的互動日誌。這不僅僅是歷史數據；它是一個新所有者可以繼續擴展的持續收集機制。有AI抱負的收購方為標記數據集支付溢價。

3. 訓練好的模型 — GGUF文件本身、訓練配置、部署設置。特定領域的即用型部署模型本身有獨立於應用的價值。一些收購方特別想要模型整合到其他產品中。

示例計算：

應用A：GPT-4包裝，50,000美元ARR，平均2個月留存

• 估值：100,000至150,000美元（ARR的2-3倍）

應用B：在18個月專有用戶數據上訓練的微調模型，50,000美元ARR，平均6個月留存

• 估值：250,000至400,000美元（ARR的5-8倍）

相同收入。退出價值相差2-3倍。差異在於模型和它所訓練的數據。

從第一天起為退出構建

如果您心中有退出目標，請相應地優化您的模型策略：

記錄數據集。 清楚地記錄：有多少標記示例、使用了什麼質量信號、它們是什麼格式、用什麼基礎模型進行微調。收購方希望在盡職調查中看到這個。「我們有來自18個月生產的12,000個（輸入、輸出）對，帶有接受標籤」是一個引人注目的數據室項目。

版本化模型。 保留每個模型版本及其訓練配置。顯示版本間的準確率改善（v1：71%，v2：79%，v3：88%）。這演示了複利效應，並向收購方展示他們購買的是什麼——不是靜態資產，而是不斷改善的資產。

量化護城河。 「競爭對手需要18-24個月才能以我們目前的增長速度從頭複製這個數據集」是一個屬於銷售文件的護城河陳述。

突出轉換成本。 如果您的用戶數據深度整合到您的模型中（模型已在其特定模式上訓練），這會創造鎖定。收購方將此視為抗流失能力。

銷售中包含的內容

必需的交付物：

• GGUF模型文件——所有版本
• 訓練數據集（JSONL格式）
• Ertas項目（或等效物），帶有完整訓練歷史
• Ollama部署配置+文件
• 數據收集管道（日誌記錄和整理代碼）
• 準確率基準和評估方法

提高估值的文件：

• 隨時間的模型性能（複利改善故事）
• 與基準GPT-4提示的比較（顯示優勢）
• 基礎設施成本文件（顯示利潤優勢）
• 再訓練指南（向新所有者展示如何繼續改善）

時機問題

什麼時候應該出售？如果您的目標是最大價值，至少要有3次訓練迭代之後：

• 第1次迭代（第3-4個月）：第一個模型訓練完成。顯示能力存在。
• 第2次迭代（第6-7個月）：用更多數據改善的模型。顯示複利動態。
• 第3次迭代（第9-12個月）：從基準顯著提升準確率。趨勢線講述收購故事。

有一個模型版本的應用展示了潛力。有三個準確率越來越高的模型版本的應用展示了一個已經在複利的可防禦護城河。

---

延伸閱讀

• Vibecoder的AI護城河構建指南 — 完整的護城河策略
• Vibecoder退出策略所有權 — vibecoders的更廣泛退出策略
• 微型SaaS AI微調護城河 — 小型應用，大型護城河
• 無API成本的Bootstrap AI SaaS — 本地推論的經濟學