Raylu 完成 1200 万美元融资：当私募投资人还在用 Google 搜索和 Excel 拼凑市场地图，这家前 Insight Partners 投资人创办的 AI 平台想把「从投资论文到约见创始人」压缩到几分钟

在私募股权和风险投资的世界里，存在一个令人费解的悖论：管理着数万亿美元资产的投资机构，其核心的项目发掘（deal sourcing）流程，至今仍然高度依赖人工——分析师们花费数周时间在 Google、LinkedIn 和各种零散数据库之间来回切换，手动拼凑市场地图，逐一搜索创始人的联系方式，再一封封地撰写外展邮件。一个完整的「从投资论文到启动外联」的周期，往往需要消耗三到四周。这不仅是一个效率问题，更是一个结构性错配——当公开市场的每一笔交易都已被算法和数据驱动时，私募市场的交易发掘却仍停留在「手工作坊」时代。Raylu 正试图终结这一荒谬的现状。这家由前 Insight Partners 投资人创办、总部位于西雅图的 AI 平台，在 2025 年 12 月完成了由 HighlandX 领投的 800 万美元 A 轮融资，累计融资额达到 1200 万美元。更引人注目的是，HighlandX 本身先是 Raylu 的付费客户，用了产品之后才主动要求投资——这或许是对一家 B2B SaaS 公司最有力的产品验证。

从 Insight Partners 的「痛苦」到创业的「执念」：一个投资人亲手修复自己行业的故事

Raylu 的诞生不是来自某个商学院的头脑风暴，而是来自创始人 Ali Dastjerdi 在顶级科技投资机构 Insight Partners 的切身之痛。Insight Partners 是全球最活跃的科技成长期投资机构之一，管理资产超过 900 亿美元，投资组合涵盖数百家 SaaS 和企业软件公司。但即便是在这样一家以效率著称的机构内部，deal sourcing 的流程也令人沮丧：「我亲眼看着才华横溢的分析师花好几周时间做一份本应几个小时就能完成的工作——拼凑公司清单、搜索邮箱地址、手动更新 CRM。」Dastjerdi 在 Pulse 2.0 的采访中如此回忆。

这种一线投资人的亲身经历赋予了 Raylu 一种罕见的产品优势——他们不是从外部猜测客户的需求，而是在修复自己曾经经历过的问题。Dastjerdi 在哈佛学习机器学习，期间还担任了哈佛学生代理公司（Harvard Student Agencies）的主席——这是全球最大的学生运营企业。毕业后在 Insight Partners 专注于开发工具、数据/ML 基础设施、安全和垂直 SaaS 领域的投资。当 2022 年大语言模型开始商业化时，他看到了一个根本性的机会，但他也清楚地意识到：可靠的交易发掘不能仅仅「把 AI 扔到问题上」，而需要一套专门构建的基础设施，将非确定性的 AI 输出转化为可重复、可信赖的结果。

更具说服力的是团队的构成。CTO Nathan Ondracek 是 Dastjerdi 在哈佛的大一室友，后来在 AWS 工作；COO Sam Ilkka 同样出身 AWS。三人在疫情期间同住西雅图，开始勾画 Raylu 的雏形，2022 年三人同时辞职全身投入。他们的办公室冰箱里至今放着一瓶未开封的啤酒——约定只有公司倒闭那天才会打开它喝。这个细节看似轻描淡写，却透露出一个重要信号：三位联合创始人之间的信任和默契建立在十余年的友谊之上，这种关系纽带在创业公司的早期阶段往往比任何商业计划更为关键。

产品解剖：不是「AI 加持的数据库」，而是「投资人的 AI 操作系统」

理解 Raylu 的产品，需要先理解私募投资机构的核心工作流。一个典型的投资周期从「投资论文」（thesis）开始——比如「我们想找做中端市场 SOC 自动化的 AI 公司」——然后经历市场地图绘制、目标公司筛选、深度研究、联系创始人、安排会议、录入 CRM 等一系列步骤。传统模式下，这些步骤由不同的工具和大量人工完成；Raylu 则试图用一个端到端的 AI 平台取代这整个流程。

其核心产品矩阵包括五个模块。第一，Thesis-to-Market Map：投资人用自然语言描述投资论文，Raylu 在几分钟内生成一份实时、全面的市场地图。关键数据是——Raylu 发现的相关公司数量是传统数据库的 2.5 倍，包括那些自力更生（bootstrapped）和尚未被主流数据库收录的新兴公司。这意味着 Raylu 不仅仅是在重新包装现有数据，而是在用 AI 代理主动搜索和发现互联网上的信号。第二，360° Company Reports：自动生成包含业务拆解（产品、定价、GTM 策略、买家画像、招聘速度）、市场环境（增长预测、监管趋势、客户情绪）和竞争定位（逐项功能对比）的全景报告。第三，AI Enrich：提取 72 个 AI 生成的数据点——从招聘速度、专利申请、客户情绪到技术栈、会议参展、竞争定位——声称 97% 的事实准确率且附带来源引用。第四，自动化邮件外联：直接替代 SalesLoft 等销售自动化工具，自动识别经过验证的决策者并发起多触点邮件序列，以基金自身的语气撰写，客户报告会议预约量提升 30%，回复率超过 25%。第五，CRM 集成：与 DealCloud、Affinity 和 Salesforce 实现双向同步。

这套产品组合的核心逻辑在于：Raylu 不是在卖「数据」，而是在卖「结果」。正如 Dastjerdi 所说，Raylu 每个席位的定价是纯数据供应商的两到三倍，因为客户购买的是「从论文到会议」的完整成果，而非一堆静态的公司信息。这种「结果即服务」的定价模式，如果能够持续被市场验证，意味着 Raylu 的单客户价值上限远高于传统竞争者。

投资人分析：当你的客户变成你的投资人

Raylu 的融资路径本身就是一个值得深入分析的案例。种子轮 400 万美元由 Conversion Capital 和 Unusual Ventures 联合领投。Unusual Ventures 由前 A16Z 合伙人 John Vrbanac 和连续创业者 Jyoti Bansal 创立，以其独特的「影子顾问委员会」模式著称——他们不仅投钱，还会为投资组合公司配备经验丰富的行业老兵作为长期导师。天使投资人阵容同样引人注目：Dropbox 联合创始人 Arash Ferdowsi、Algorithmia 创始人（后被 DataRobot 收购）Diego Oppenheimer、以及 Pylon 的 Trent Hedge。这些天使投资人的共同特征是：他们要么是成功的 B2B SaaS 创业者，要么深谙企业软件的产品设计和 GTM 策略。

但真正的亮点在 A 轮。HighlandX 领投 800 万美元——这家投资机构在投资之前首先是 Raylu 的付费客户。「他们使用了产品，喜欢上了它，然后问我们能不能投资。」Dastjerdi 这样描述。这种「客户转投资人」的路径在 B2B SaaS 领域并不罕见，但它传递的信号极为强烈：当一家管理着大量资本的投资机构愿意将自身的核心工作流交给一个成立不到三年的初创公司，并进一步用资本为其背书，这说明产品已经跨过了「好用」的门槛，进入了「不可或缺」的领域。

从 1200 万美元的总融资额来看，Raylu 的资本效率值得关注。在 AI 赛道动辄数千万甚至上亿美元种子轮的今天，Raylu 以相对节制的融资规模已经覆盖了 45 家以上的投资基金客户，服务超过 5000 亿美元 AUM，团队从 3 人扩展到 22 人。这种精益增长的模式暗示着两个可能：一是产品的 PMF（产品市场契合度）足够强，不需要靠烧钱获客；二是创始团队的投资机构背景使他们对资本效率有天然的敏感度。

竞争格局：在 PitchBook 和 AlphaSense 的阴影下寻找突围之路

Raylu 正在进入一个既成熟又正在被 AI 颠覆的市场。传统私募市场数据领域的两大巨头——PitchBook（Morningstar 旗下，约 6.5 亿美元 ARR）和 AlphaSense（约 4.5 亿美元 ARR，估值超过 40 亿美元）——定义了这个市场的规模和可能性。但这些平台本质上是「数据库」，依赖大量的人工（BPO 驱动的数据采集）来维护和更新信息。它们卖的是「数据访问权」，而非「工作流自动化」。

Raylu 的竞争定位恰好卡在这个转折点上。正如 Dastjerdi 所分析的：竞争对手迫使用户把 SourceScrub/Grata（搜索工具）、SalesLoft（销售自动化工具）和 ChatGPT（AI 研究工具）拼凑在一起使用，而 Raylu 将这三者整合成一个无缝体验。用一位客户的话来说：「当有一家公司专门为私募搜索构建了完整解决方案时，你为什么还要浪费时间去拼凑各种工具？」

但竞争的险恶也不可忽视。PitchBook 和 AlphaSense 都在积极整合 AI 能力，且它们拥有 Raylu 目前不具备的巨大优势——历史数据资产和客户关系深度。SourceScrub（专注 PE deal sourcing）和 Grata（AI 驱动的私有公司搜索）也是直接竞争者。此外，还有 Capsa AI 等同期融资的 AI 投资工具公司在争夺同一批客户。Raylu 的护城河最终将取决于其「Deal Engineering」哲学——能否将 AI 代理的不确定性输出工程化为可重复、可信赖的结果——以及其端到端整合能力能否持续产生优于点状工具组合的用户体验。

风险与挑战：AI 怀疑论、市场周期和「关系驱动」行业的文化壁垒

尽管 Raylu 的产品叙事引人入胜，但冷静审视之下，这家公司面临的挑战同样显著。

首先是 AI 在关系驱动型行业中的信任问题。私募市场是一个以人际关系和信任为核心的行业。许多资深投资人对 AI 能否胜任如此细腻的工作持天然怀疑态度——毕竟，一封措辞不当的外联邮件不仅不会带来会议，反而可能永久损害基金的声誉。Raylu 用 97% 的准确率和来源引用来回应这种怀疑，但在实际操作中，3% 的错误率在高度敏感的投资者关系领域仍可能造成严重后果。如何在保持自动化效率的同时，建立足够的安全网来防范 AI 幻觉（hallucination），将是 Raylu 持续面临的技术挑战。

其次是市场周期的风险。Raylu 的客户群——PE、VC 和成长期投资基金——本身就是一个高度周期性的行业。当市场低迷、交易活动萎缩时，投资机构往往会收缩预算，而 deal sourcing 工具虽然重要，但在裁员压力下仍可能被视为「可选项」而非「必选项」。Raylu 需要证明其产品在低迷周期中同样不可或缺——或许通过帮助投资人在更少的交易中找到更高质量的标的。

第三个风险在于规模化的技术挑战。正如 Dastjerdi 自己坦承的：「AI 代理容易做原型展示，但很难做到可运营化。输入会漂移，输出会分叉，可靠性会下降。」Raylu 团队目前 22 人、计划扩展到 40 人以上，但要真正服务于全球数千家投资机构，其 AI 基础设施需要经受比现在大得多的考验。此外，Raylu 对外部 LLM 提供商（如 OpenAI、Anthropic）的依赖意味着模型能力的进步既是机遇也是风险——如果底层模型能力出现范式变革，Raylu 的差异化能力需要多快才能适应？

前瞻：私募市场的「操作系统」之战刚刚开始

Dastjerdi 将 Raylu 的长期愿景定义为「私募市场投资的操作系统」——让资本和公司的匹配效率在私募市场中达到与公开市场相当的水平。这是一个极具野心的愿景，如果实现，意味着 Raylu 将从一个「搜索和外联工具」进化为覆盖投资决策全周期的平台。

从更宏观的视角来看，Raylu 的出现代表了一个不可逆转的趋势：AI 正在系统性地渗透到金融服务的每一个环节，而私募市场因其数据碎片化、流程非标准化的特性，恰好是 AI 最能创造增量价值的领域之一。PitchBook 6.5 亿美元和 AlphaSense 4.5 亿美元的 ARR 标定了这个市场的下限，但 AI 原生平台的「结果即服务」定价模式，可能将单客户价值推升到远超传统数据订阅的水平。1200 万美元的融资、22 人的团队、45 家以上的付费基金客户——Raylu 今天的规模仍然很小，但它所瞄准的战场，以及它从「客户变投资人」的增长路径所暗示的产品实力，都值得持续关注。

冰箱里那瓶未开封的啤酒，或许还要等很久。