过去三年，生成式 AI 领域的资本密集度和技术迭代速度，催生了一波规模空前的数据中心和能源基础设施建设周期。在美国，联邦政府通过《通胀削减法案》《芯片与科学法案》以及《两党基础设施法》等多部法案释放了数千亿美元的资助、贷款担保与税收抵免，牵动了一大批从高压输电线到半导体晶圆厂的工程项目集中上马。然而，所有获得联邦资助的工程项目都绕不开一套层层堆叠的合规监管体系：Davis‑Bacon 规则要求承包商支付劳工部设定的通行工资，PWA 条款对清洁能源项目追加了学徒比例和逐人逐周的工资核实义务，OSHA 安全标准和 EPA 环境要求则随工地类型和所在地点变化，且部分条款按季度更新。任何一个环节出现差错——例如某个工种被错误归入不匹配的工资决定编号，或承包商漏交一份学徒比例报告——都可能触发联邦审计、数百万美元的罚款，甚至因《虚假申报法》的连带条款面临三倍索赔。更棘手的是，这些规则彼此交叉引用，造成的并非线性叠加而是一种组合爆炸式的合规负担：一个跨越多个县的输电线路项目可能同时适用多种地方工资决定，叠加 PWA 的学徒工时追踪要求，再与 OSHA 依作业高度触发的额外安全计划交叠，形成一张任何单一职能部门都难以全面掌握的规则网。
在这一背景下，AI 合规初创公司 Dili 宣布完成 1500 万美元 A 轮融资。本轮由 Khosla Ventures 领投，Allianz、Rebel Fund、Brick and Mortar Ventures 的 Darren Bechtel 以及 Y Combinator 的 Garry Tan 跟投。加上此前 670 万美元的种子轮，Dili 累计募资 2170 万美元。公司曾是 Y Combinator 2023 年夏季批次的一员。
| 公司 | Dili |
| 轮次 | A轮 |
| 金额 | 1500万美元 |
| 投资方 | Khosla Ventures（领投）、Allianz、Rebel Fund、Darren Bechtel（Brick and Mortar Ventures）、Garry Tan（Y Combinator） |
| 累计融资 | 2170万美元（含670万美元种子轮） |
| 总部 | 未披露 |
| 创始人 | Anand Chaturvedi（联合创始人兼CEO）、Brian Fernandez（联合创始人兼CTO）及一位前Coinbase同事（具体姓名未披露） |
| 成立年份 | 未披露（2023年入选 Y Combinator 夏季批次） |
| 官网 | https://www.dili.com |
用LLM读文档，用确定性规则做判断
Dili 的核心架构源于一个清晰的工程取舍：大型语言模型擅长理解非结构化文本，但合规判定的结论必须是能被审计的二元结果，而非概率分布。因此系统被明确地劈为两层——数据层利用当前的 AI 模型将内部文件、ERP 导出数据、工资记录乃至手机拍摄的扫描件转化为结构化字段，例如从一张手写工资单中抽取出工人姓名、工种代码、工作日期、工作时长、通行时薪和附加福利金额；规则层则完全依靠确定性引擎，对照劳工部工资与工时部门定期发布、覆盖全美各县市的工资决定表中的条款逐条执行比对，逻辑被硬编码为“如果工种为 X，项目所在地为 Y，则适用编号 Z 的工资决定，时薪不低于 W”。这种双层设计使任何判定错误都可以被精确地追溯到数据抽取环节的提取偏差或规则编码的逻辑疏漏，而非源于模型本身的概率幻觉，从而满足劳工部审计和法律程序对可追溯性与可解释性的核心要求。
联合创始人兼 CEO Anand Chaturvedi 在接受 TechCrunch 采访时这样描述系统的能力边界：“想像能在整个公司内部文档、所有供应商文档、所有 ERP 信息、所有工资系统信息的完整上下文中读取数据，然后提取出专为报告或合规所需的信息。”据他形容，原本需要专职合规员工耗费一整个工作日才能完成的人工审查，现在在数分钟内即可跑完。
这一设计也对 LLM 的局限做出了明确让步——Dili 并不试图让模型直接回答“该项目是否合规”这种需要综合判断的问题。模型只负责从复杂文档中提取字段值，相当于一个高速运转的 OCR 与自然语言理解组合单元；真正作出合规判断的是硬编码的规则引擎。这种架构选择背后有几层工程考量：第一，Davis‑Bacon 和 PWA 框架下的工资决定编号、时薪下限、福利金额本身就是明确数字，不存在需要 AI 做“模糊匹配”的空间；第二，审计过程中，监管机构要求追溯到每一条合规判定的依据，确定性引擎的输出天然带有逻辑链，而 LLM 的端到端推理至今难以提供同等强度的事后可验证性；第三，规则更新（例如某个县的工资决定表在下一季度发生调整）只需要在规则引擎中修改对应条款，不必重新训练或微调模型。这种模块化隔离意味着 Dili 的产品迭代可以分别在数据层和规则层独立进行，各自应对不同的变化速率。
不过，LLM 数据层在实际工地环境中面临的挑战并不比规则层更轻松。建筑行业的前端输入至今仍有相当比例为手写时间记录、扫描质量参差的纸质表单、供应商发来的格式各异的 PDF 发票。一个手写潦草的工种代码或模糊的打印日期，在人类合规员眼中可能需要结合上下文推断含义，但对模型而言是明确的提取障碍。Dili 的系统在这一环节的准确率上限，直接受制于原始文档的物理可读性——这一约束并非软件架构所能完全克服，而是整个建筑行业数字化基础设施的滞后结果。因此，AI 输出的上限常常由最差质量的输入决定，这一结构性矛盾意味着 Dili 在销售过程中可能需要同时向客户建议文档标准化的前置流程，而非简单地交付软件后就完成价值闭环。
700个项目的实战切片
Chaturvedi 向 TechCrunch 透露，Dili 的软件已用于约 700 个项目，横跨制造设施和数据中心等建设类型，累计帮助保护了超过 10 亿美元的联邦资助与税收抵免额度。考虑到项目周期可能长达数月至数年，700 个项目的客户黏性和持续使用时长将成为后续融资轮次中投资人紧密追踪的指标——一次性部署与持续续约之间的差距，足以完全改写收入模型的质量判断。
将 700 个项目这个数字放入美国联邦资金牵引的在建工程总量中来看，渗透仍处于极早期。这意味着 Dili 的当前市场份额极小，但也说明其仍处于教育市场与培养采购习惯的阶段——市场上大部分合规工作仍由工程管理公司内部团队或外部律所以纯人力方式完成，自动化渗透率极低，行业的采购和预算流程本身可能尚未形成清晰的“合规软件”预算条目。Dili 当前的增长看起来更多来自早期采用的标杆客户和投资方网络导流的项目机会，而非系统性市场自然需求，后续能否从标杆用户跨越到更广范围的中型承包商群体，仍需在渠道建设和品牌认知上进行非软件层面的投入。
更值得留意的是收入结构的拆分：目前约有一半客户直接将 Dili 作为内部软件购买授权，另一半客户则选择把整条合规流程外包给 Dili 团队——原始文档交由 Dili 的合规分析师处理，分析师使用自研工具完成审查后返回合规报告，客户购买的是“合规即服务”的可交付成果。SaaS 授权与人力外包平半分，这在收入质量上划出了两条截然不同的曲线。软件授权边际成本趋近于零，规模化后毛利率将快速攀升；外包服务却每新增一个客户便需要配备能够理解联邦法规、能判断合规风险的合规分析师，人力成本刚性且招聘门槛不低。这种双线并行的收入结构在早期既能带来服务收入确认快、客户启动门槛低的好处，也可能在体量达到一定程度后对整体毛利率形成拖累。
Chaturvedi 对此的判断是：“软件和 AI 将开始吃掉大量专业服务工作流，所以我认为会有越来越多的人把这些能力带回内部。”但在建筑行业组织采购行为中，合规外包并非纯效率计算的问题——将合规责任以服务合同形式转移给第三方，本身就为项目承包商带来责任分散和组织风险外化的价值，这部分价值无法通过软件授权单独实现。即便 Dili 的软件功能日益强大，承包商内部可能仍缺乏足够的合规部门编制和专业能力来独立操作工具并应对审计质询，人力缺口不会随软件成熟而自动消失。这种非技术动力可能使得外包需求持续的时间长于管理层当前的预期，两条增长线并存的周期越长，公司就越需要在资源配置、团队文化和投资人叙事中同时容纳两种迥异的业务模式——一家既像软件公司又像专业服务公司的混合体，在估值逻辑和市场对标上天然面临更多不确定性。
Khosla和Allianz为什么同时出现在这张资本表上
领投方 Khosla Ventures 的合伙人 Vinod Khosla 长期公开主张 AI 将替代大量白领专业服务流程，Dili 恰好落在这一论题的实践交叉点上。Khosla 选择在 A 轮而非更早的种子轮领投，可能暗含了对约 700 个项目积累的实盘数据初步认可，也表明投资机构在评估技术架构时，优先看重确定性规则引擎设计带来的审计可追溯性，而非单纯押注 LLM 能力边界的持续扩展。在一个项目的合规结论可能被劳工部审计推翻的场景中，可解释性与精确度远比模型对话能力重要，Khosla 的入场时机可能反映了对这一工程优先级排序的认同。
安联（Allianz）的参与在意义上更为明确：作为全球大型保险与资产管理机构，安联自身通过其庞大的基础设施投资组合直接或间接持有着数量可观的工程项目股权和债权，同时透过保单承担被投项目的合规或有风险。在一个数据中心因为 Davis‑Bacon 违规而被政府审计并暂停联邦税收抵免的情景中，项目层面的现金流将直接遭受冲击，进而影响持有该资产的基金或债务工具的投资回报模型。合规违规不仅是建筑商的问题，也是资产持有者和保险承保人的问题。因此安联的参与可能同时具备双重动机：一方面将 Dili 视作财务投资标的，押注联邦基础设施建设合规工具的长期增长；另一方面也可能将其评估为自身投资组合中降低被投项目合规风险的内部工具，甚至在未来要求特定被投项目或承保项目使用合规自动化方案作为投后管理的标准化流程。这种战略型 LP 的深度介入，可能意味着 Dili 在商业渠道上获得了一条进入机构投资人项目池的非标路径——这一渠道逻辑与传统的 SaaS 直销或集成商渠道并不重叠。
Darren Bechtel 以个人身份（Brick and Mortar Ventures）参与本轮，则为 Dili 提供了建筑行业内部的专业背书。建筑行业中，来自一线从业者的认可对于合规工具的采购决策具有特殊的说服力——工程公司更可能信任一个被同行验证过的工具，而非仅凭技术演示就作出采购决定。Garry Tan 与 Rebel Fund 则延续了 Y Combinator 生态体系对校友项目的常规支持。
联邦监管的复杂性是护城河，也是国界墙
Davis‑Bacon 及相关法案体系构成了 Dili 技术壁垒的法规基础。该规则要求受联邦资助的建设项目按劳工部工资与工时部门定期发布、覆盖全美各县市的工资决定表支付通行工资，同一个工种在不同县、不同类型的项目中适用时薪各不相同，且附加福利可按小时折算计入。一个跨越多县的大型线性基础设施项目——例如铺设一条穿越数个县界的输电线路或氢气管道——可能涉及不同地方工资决定；与此同时，PWA 条款专为《通胀削减法案》支持的清洁能源项目附加了逐人、逐周的工资核实义务和注册学徒工时比例追踪要求；再加上 OSHA 根据作业高度、密闭空间进入、危险材料处理等条件触发额外安全计划，以及 EPA 随项目所在地点变化的环境规定，这套交叉引用、部分条款按季度更新的规则体系，对任何通用型 AI 合规公司都构成难以在短期内跨越的领域知识壁垒。
现有的工程管理软件平台如 Procore、Autodesk Construction Cloud 主要停留在项目文档协同、图纸管理和变更指令流转层面，尚未将联邦工资合规检验打磨为独立的、可审计的产品模块。这给了 Dili 一个积累专属规则数据和客户关系的时间窗口。不过，该壁垒的另一面是地域瓶颈：Davis‑Bacon 是美国独有的法律产物，PWA 也深度绑定 IRA 框架，在欧洲、中东或亚洲基础设施建设市场无直接对应的框架。产品每进入一个新的司法管辖区，就需要重新构建确定性规则引擎并持续跟踪地方法规的更新和解释性判例，几乎等同于在同一个技术架构上重做一款针对新市场的产品。这并不否定美国联邦基础设施市场本身的规模足以支撑一家可观的软件公司，但限制了估值叙事向全球复用的想象空间——对一个期望在后续融资轮中持续扩大估值倍数的 SaaS 公司来说，总可用市场的外延决定了天花板的高度。
从市场结构层面看，Dili 面临的竞争可能更多来自合规部门的内部自建方案、区域型合规咨询公司和大型会计师事务所现有的劳工资质审查服务线，而非其他同类型创业公司的直接攻击。大型承包商如果内部已有 ERP 系统积累了结构和格式相对统一的数据，可能能在内部数据工程团队协助下将部分合规规则编码为自动化脚本——虽然精度和完备性可能不如专注于此的 Dili，但成本结构和数据安全考量可能形成压制性优势。另一方面，四大会计师事务所和区域型合规咨询公司虽然在工具自动化程度上不及 AI 原生公司，但拥有数十年的客户关系、审计信誉背书和跨项目基准数据，这些软性资产是 Dili 目前无法通过技术架构替代的。Dili 需要证明的不仅是技术的优越性，更是作为外部合规工具在独立性、数据安全性和审计接受度方面能够被监管机构和项目发包方同时认可——这是一个远比打磨算法更漫长的组织化过程。
资金用途与待回应的关键问题
这 1500 万美元将用于工程、产品和市场团队的扩展，以及从工资和学徒合规扩展到更广泛的审计和浪费检测领域。具体分配比例及是否涉及海外市场探索等计划尚未公布。
结合公司当前所处的阶段，几个关键问题尚待 Dili 在接下来的运营中给出答案。首先，约 700 个项目的客户留存率和续约情况并未披露——联邦项目的合规需求可能随项目周期结束而终止，单个项目的生命周期完结后，能否在同一客户的下一个项目中重新中标，决定了收入的可持续性。其次，外包合规服务的毛利率水平未公布，这将直接影响整体毛利率的推算和 SaaS 建模的合理性。再次，规则层的确定性引擎目前覆盖的法规范围——是否涵盖 Davis‑Bacon 全部工资决定条目、PWA 的所有学徒追踪维度、OSHA 和 EPA 的具体触发条件——未进行逐项披露，市场上潜在客户难以评估其覆盖深度是否足够应对自身项目组合的全部合规需求。最后，Dili 是否已与任何政府机构或审计事务所建立正式合作关系、其合规报告是否已被劳工部或项目发包机构接受为审计依据，目前均未见公开信息，而这恰恰是所有合规工具从“好用”升级为“可信”的关键门槛。
Coinbase背景下方法论的迁移与局限
据 CryptoBriefing 报道，Dili 由三名前 Coinbase 员工联合创立，其中包括 CEO Anand Chaturvedi。这一背景在 AI 合规赛道中值得展开理解。Coinbase 自直接上市以来长期应对美国证券交易委员会关于证券法适用性、客户资产隔离和反洗钱合规的多线监管，在此过程中被迫建立了面向数百万用户、需应对快速更新和解释性变化的法规的软件化合规引擎。创始团队在那种高压环境中获得的，并非某一个具体监管领域的领域知识，而是将模糊条文转化为可自动化执行步骤的方法论——包括如何将法规拆解为可被机器执行的判定规则、如何在监管预期和市场变动的夹缝中持续更新规则库、如何设计合规流程的人机协作边界以应对审计质询。
将这套方法论映射到一个工具化程度远更原始的建筑工程合规市场，可能具有跨越行业壁的通用价值。联邦建筑项目合规的现状仍然以人工审查为主，普遍存在数据分散、文档格式不统一的问题，这与十年前金融领域数字化转型初期的混乱状态在结构上具有可比性。然而，关键差异在于金融领域的合规数据天然存在于自动化交易系统、银行核心系统和客户身份识别数据库中，数据本身的格式和结构已相对规范；而建筑工地的原始输入至今仍严重依赖手写记录和格式参差的第三方文档，数据的物理形态本身就构成挑战。Coinbase 的履历对规则层设计帮助更大——团队熟悉如何在高度不确定和快速变动的监管环境中管理确定性规则引擎的持续更新——但对数据层现实障碍的直接增益可能相对有限。创始团队在金融科技合规领域的经验，在多大程度上能直接转化为应对手写工资单和未标准化 PDF 的能力，取决于团队中是否有建筑行业或文档自动化经验的补充力量。目前创始团队中另一位前 Coinbase 同事的具体职能和行业背景并未公开披露，无法对此做进一步判断。
RecodeX 极客视：Dili 的 A 轮融资并不是一个“AI 颠覆传统行业”的泛化故事。它试图用两层架构隔开 LLM 的灵活与确定性系统的严谨，以规避审计场景最忌惮的幻觉风险。但建筑行业数字化参差不齐的现实意味着 AI 输出的上限常常由最差质量的输入决定——一张模糊的手写工资单足以让最精密的规则引擎面临输入不确定性。近半客户选择合规外包而非购买软件，这一收入结构究竟是在通往纯 SaaS 的路上短暂停留，还是建筑行业对“交钥匙合规”持久需求的真实折射，答案远未揭晓。安联以战略型 LP 身份进入资本表，可能为 Dili 打开一条传统 SaaS 渠道之外的机构项目通路，但同时也意味着收入结构中服务收入的占比可能因机构客户的偏好而难以快速收窄。公司接下来需要证明的，不是 LLM 能读懂法规条文，而是能在 700 个项目之后，将不断积累的经验转化为经得起劳工部审计考验的、一个接一个的确定性合规结果——并且让这些结果以可规模化复制的软件形式，而非以更多分析师的人力形式交付。