从一张 Excel 到全市场可见性
中型市场并购的起点，通常不是估值模型，也不是尽职调查清单，而是一张 Excel 表。交易团队把已知的标的、听说的标的、从数据库里筛出来的标的拼在一起，然后意识到一个问题：他们能看到的，可能只是整个市场的一小部分。没有人知道漏掉了多少家公司，因为没有一个地方能让人看见全貌。一个并购顾问的长期价值，往往被等同于他脑子里那张看不见的名单；而名单之外的世界，在交易启动之前就已经被排除在流程之外。
这正是芬兰赫尔辛基初创公司 Comparables.ai 试图切入的缝隙。2026年10月6日，这家面向私募与公开市场交易情报的 AI 平台宣布完成 600 万美元种子轮融资，由 Pragmatech 和 Araya Ventures 领投，Purple Ventures、Gorilla Capital、hi5 Ventures、Somersault Ventures 等机构参投。据公司披露，平台覆盖全球超过 3.7 亿家公司，并被超过 30 个国家的 5 万多名专业人士使用；RecodeX 未找到独立验证。
联合创始人 Martin Kangasniemi 用一句话概括了公司存在的理由：“Mid-market M&A has always been a visibility problem. If you cannot see the whole field, you cannot run the best process.”这句话的潜台词是：在并购交易里，信息不对称不是偶发摩擦，而是结构性缺陷。交易团队并非不愿意做更全面的市场扫描，而是缺乏一个能够以合理成本完成扫描的工具。Comparables.ai 的赌注在于，AI 能否把这个缺陷变成可被工程化解决的问题——不是让交易团队更努力地找，而是让“看见全貌”本身成为一项默认能力。
从产品定位看，Comparables.ai 面向的是企业并购发展团队、私募股权基金、并购顾问与投资银行，且明确聚焦中型市场。这个选择本身包含一个判断：大型机构客户已经被 PitchBook、S&P Capital IQ 和 Moody’s 旗下的 Orbis 数据库深度绑定，而中型市场交易团队长期处于工具供给的夹缝中——他们需要接近机构级的数据覆盖，却往往没有机构级的预算和内部数据团队。这个夹缝是否足够宽、足够深，是 Comparables.ai 整个商业故事的前提。
| 字段 | 内容 |
|---|---|
| 公司 | Comparables.ai |
| 轮次 | 种子轮 |
| 金额 | 600万美元（约510万欧元） |
| 投资方 | Pragmatech、Araya Ventures 领投；Purple Ventures、Gorilla Capital、hi5 Ventures、Somersault Ventures 等参投 |
| 总部 | 赫尔辛基（芬兰） |
| 创始人 | Niko Nalli、Markus Vesala、Martin Kangasniemi、Muhammad Ammad-ud-din |
| 官网 | https://comparables.ai |
把“描述一个市场”变成一条查询语句
Comparables.ai 的产品逻辑与上一代金融数据终端有一个根本差异：交互起点从筛选器变成了自然语言。传统工具要求用户先知道自己在找什么——行业分类、地理范围、收入区间、所有权结构——然后通过层层下拉菜单缩小范围。Comparables.ai 则反过来，让用户先用自然语言描述目标市场，平台再返回匹配的公司及其财务数据、股权结构、估值、历史交易和 verified contacts（经核实的联系人）。
这个差异看起来只是界面层的改变，但它对应的是两类完全不同的工作流。筛选器工具假设用户已经对市场有足够清晰的认知，能够把需求翻译成结构化查询。而自然语言入口允许用户从模糊的意图出发，比如“找北欧地区做工业包装的中型公司，最好有家族所有权背景”，让系统去完成从语义到实体的映射。对于中型市场交易团队来说，后者的价值在于降低了发现成本——不是搜索成本，而是知道自己该搜什么的成本。一个私募基金可以用一条查询同时筛选十几个国家的 add-on 候选标的，而一家并购顾问公司可以在不依赖自有网络的情况下建立潜在买家清单。这种工作流的改变，可能比单纯的搜索速度提升更具实质意义。
从已披露的产品描述看，Comparables.ai 的核心能力不在于生成式 AI 的对话体验，而在于底层的数据整合。公司称平台将来自不同国家和司法辖区的零散公司数据——注册信息、财务报表、股权结构、交易记录、联系人——统一到一个可查询的数据库中。CTO Muhammad Ammad-ud-din 在阿尔托大学获得计算机科学博士学位，并在赫尔辛基大学从事多源数据机器学习方法的博士后研究。编辑分析认为，CTO 的多源数据机器学习背景与平台整合多国公司数据的需求存在关联：把不同格式、不同语言、不同更新频率的公司数据映射到统一实体上，本质上是一个跨源实体解析与数据融合问题，而非单纯的模型训练问题。
但这里存在一个关键的技术约束：公司数据的质量在不同司法辖区差异极大。北欧国家的公司注册信息相对透明，而许多其他市场的公司数据要么不完整，要么更新滞后，要么根本未数字化。Comparables.ai 声称覆盖超过 3.7 亿家公司，这个数字本身并不等于数据质量。一家公司的存在性记录和它的财务数据、股权结构、决策人信息是否可用，是完全不同的问题。平台能否在覆盖广度和数据深度之间维持平衡，是尚未被独立验证的核心假设。如果 3.7 亿家公司中只有一小部分具备可用的财务与股权信息，那么“覆盖全球”的叙事就需要被重新审视。
5万用户与一家四大：早期验证的成色
以下牵引力数据来自公司披露，RecodeX 未找到独立验证。在种子轮阶段，Comparables.ai 披露了两个关键指标：平台已被超过 30 个国家的 5 万多名专业人士使用；据公司披露，一家四大咨询公司正在将其部署扩展至 10 多个国家，该部署规模尚无独立验证。这两个数字构成了本轮融资叙事中最具分量的部分。
5 万用户这个数字需要被放在正确的语境中理解。它不等于 5 万付费客户，也不等于 5 万活跃交易团队。在 SaaS 和金融数据产品中，“用户”可以涵盖从注册试用、免费层级到企业级订阅的各类人群。因此，这个数字更适合被理解为市场兴趣的信号，而非商业化的证明。一个更关键的指标——付费转化率或企业级订阅数量——本次采集材料未找到。
四大咨询公司的部署则是一个更具体的验证点。一家全球性专业服务机构将平台扩展至 10 多个国家，意味着产品至少通过了其内部的数据安全、合规和采购流程。这在中型市场并购工具领域并非易事。Pragmatech 普通合伙人 Artem Yaremchuk 在解释投资逻辑时提到“strong customer base, including Big Fours”，这说明投资方将这一客户关系视为核心验证信号，但外部观察者尚无法独立评估其深度。一个值得追问的问题是：这家四大咨询公司是将 Comparables.ai 作为内部顾问团队的效率工具，还是将其嵌入面向客户的交付流程中？这两种部署模式对应的收入规模和续约逻辑完全不同，而本次采集材料未披露相关细节。
从投资逻辑看，Pragmatech 的表述值得拆解。Yaremchuk 称：“What gave us conviction was the combination of a strong customer base, including Big Fours, consistent evidence that the product delivers real value in customers’ day-to-day work, and a team with deep M&A expertise.”这是一个典型的种子轮投资叙事：客户信号、产品价值证据和团队背景三者互相强化。但“产品持续创造真实价值的证据”具体指什么——续约率、使用频次、客户反馈还是其他指标——本次采集材料未找到。在种子轮阶段，投资方往往依赖定性反馈和早期客户关系做判断，而非严格的量化指标；这意味着该证据的强度需要后续轮次的数据来进一步确认。
在 PitchBook 和 Grata 之间找位置
Comparables.ai 进入的是一个已经被充分定义的市场，但它选择了一个相对狭窄的切入点。老牌数据提供商 PitchBook、S&P Capital IQ 和 Moody’s 旗下 Orbis 数据库拥有深厚的客户关系和品牌认知，但产品形态以筛选器和结构化查询为主。AI 原生公司 Grata 和 Inven 都在用机器学习改造私募市场交易寻源。Comparables.ai 的差异化主张在于“AI 原生市场发现”和“中型市场聚焦”。
竞争压力来自两个方向。PitchBook 和 S&P Capital IQ 拥有多年积累的数据资产和机构客户关系，它们也在将 AI 功能叠加到现有产品上。这意味着 Comparables.ai 的自然语言入口优势可能只是一个时间窗口，而非永久壁垒。另一方面，Grata 和 Inven 已经在 AI 交易寻源领域建立了先发优势。据 Trending Topics 报道，同样来自赫尔辛基的 Inven 去年为其私募市场交易寻源 AI 平台融资 1275 万美元（$12.75 million）。这意味着 Comparables.ai 在自己的本土市场就面临一个直接可比的对标公司。Inven 的存在同时说明，赫尔辛基已经形成了一个围绕并购数据与 AI 的创业集群，这既可能带来人才和资本的正向循环，也可能加剧本地客户资源的争夺。
本次采集材料未找到公司此前融资历史的信息。PitchBook 背景资料显示其累计融资额为 404 万美元（$4.04M），该资料发布时间早于本次交易，仅作历史参考，不与本轮 600 万美元种子轮直接比较。如果该累计融资额包含更早期的天使轮或 pre-seed 轮，那么 Comparables.ai 在本次种子轮之前已经完成了一定程度的产品验证和团队搭建；但这一推断需要更完整的融资时间线来确认。
本轮资金能买到什么
Comparables.ai 表示，本轮资金将用于拓展更多市场并强化核心 AI 引擎。本次采集材料未找到本轮资金在团队、数据基础设施和模型训练之间的分配比例。对于一个以数据整合为核心壁垒的公司来说，资金分配的方向比总额更能说明战略优先级：如果大部分资金用于市场拓展，说明公司认为产品已经足够成熟；如果大部分资金用于数据工程和模型优化，说明公司仍在补强核心能力。
从收入端看，本次采集材料未找到商业模式细节（如定价、收费方式）。这增加了评估资金使用效率的难度。金融数据产品的商业模式通常包括按席位订阅、按模块付费或按查询量计费，不同模式对客户获取成本和收入确认节奏的影响差异显著。Comparables.ai 选择哪种模式，将直接影响其从 5 万用户中转化付费客户的速度。
从已披露的投资者构成看，本轮由 Pragmatech 和 Araya Ventures 领投，Purple Ventures、Gorilla Capital、hi5 Ventures 和 Somersault Ventures 参投，构成一个以欧洲中小型基金为主的投资者组合。这与公司的赫尔辛基总部和中型市场定位一致。欧洲中小型基金通常比美国大型风投更倾向于支持本土 B2B 软件公司，但其后续轮次的资金供给能力可能相对有限。Comparables.ai 若要在未来进入更激烈的全球竞争，可能需要引入更大体量的资本方。
数据护城河与自然语言入口：同一壁垒的两面
Comparables.ai 的核心主张——用 AI 整合多源公司数据——听起来像一个技术问题，但它本质上是一个数据工程和持续运营问题。把不同国家的公司注册数据、财务数据和股权数据整合到一个统一数据库中，难点不在于模型架构，而在于数据源的获取权、更新频率、清洗规则和跨司法辖区的实体匹配。一个在芬兰注册的母公司和一个在德国注册的子公司，如何被识别为同一集团的不同节点；一个在多个国家使用不同名称运营的企业，如何被合并为同一个实体——这些问题的解决程度，决定了平台返回结果的可用性。
自然语言入口的价值，取决于入口之后的数据层能否支撑交易决策。一个并购顾问输入“找德国中型工业自动化公司”，系统返回的结果如果包含错误分类或过时信息，代价不是一次糟糕的搜索体验，而可能是错过一个交易机会或浪费数周的尽调时间。因此，Comparables.ai 的产品壁垒不在于自然语言理解本身，而在于理解之后的实体匹配精度和结果排序质量。如果用户发现用自然语言描述需求后，返回的结果仍然需要大量人工筛选和验证，那么相比传统筛选器工具的增量价值就会大打折扣。
这意味着 Comparables.ai 面临的是一个双重工程挑战：前端要把模糊的自然语言意图转化为可执行的查询语义，后端要把多源异构数据整合为可信的实体图谱。两端中的任何一端出现短板，都会削弱另一端的效果。这种耦合关系也解释了为什么 CTO 的多源数据机器学习背景被投资方视为关键资产——它对应的不是单一技术点，而是贯穿产品核心的数据融合能力。
待验证的三个假设
Comparables.ai 的种子轮叙事建立在三个核心假设上，每一个都需要后续数据来验证。
第一个假设是：中型市场并购的发现成本足够高，以至于交易团队愿意为新的发现工具单独付费。这个假设的验证指标不是注册用户数，而是前述用户规模中付费用户占比。如果大部分用户停留在免费层级，说明产品有吸引力但付费意愿未得到证明。中型市场客户的预算约束可能比大型机构更紧，他们对工具价值的判断往往更直接：这个工具能否帮助我在一个交易周期内找到更多或更好的标的？如果答案不能在短期内显现，续约动力就会减弱。
第二个假设是：AI 整合多源公司数据的能力可以构成可持续的竞争壁垒。这个假设的验证指标是超过 3.7 亿家公司中财务与股权数据可用的比例，以及客户是否因为数据质量而选择或放弃平台。如果数据巨头的 AI 功能在可预见时间内追平体验差距，Comparables.ai 的窗口期可能缩短。此为编辑分析，基于当前竞争格局推演。数据巨头拥有更深厚的数据积累和客户关系，但它们的组织惯性可能拖慢产品迭代速度；Comparables.ai 的机会在于以更快的节奏在特定细分市场建立数据深度和用户粘性。
第三个假设是：本轮资金足以支撑公司到达下一轮融资所需的里程碑。本次采集材料未找到前述四大部署是否已产生收入的信息；若仍处试点，资金消耗节奏将取决于商业化进展。此为编辑分析，不构成对公司融资节奏的预测。600 万美元种子轮在欧洲 B2B 软件公司的融资序列中属于中等偏上规模，但考虑到数据获取和清洗的持续成本，这笔资金的消耗速度可能快于典型的纯软件公司。
从已披露的投资者结构和资金规模看，Comparables.ai 选择了一条相对克制的路径：聚焦中型市场，以欧洲为起点，用 AI 改造一个被遗留工具主导的细分领域。这条路径的优点是避免了与数据巨头在大型机构客户上的正面竞争；缺点是中型市场客户的预算约束和付费能力，可能限制公司的收入天花板。如果中型市场交易团队的数据工具预算本身有限，那么 Comparables.ai 的增长空间将取决于它能否向上渗透到更大的机构客户，或向下扩展到更广泛的企业发展场景。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：Comparables.ai 把中型市场并购的发现成本问题翻译成了一个数据工程问题。它的赌注不在自然语言交互本身，而在交互背后的数据整合层——那才是决定它能否从“另一个 AI 搜索工具”变成交易团队默认基础设施的分界线。600 万美元买到的不是市场，而是一个验证数据护城河是否真实存在的窗口。窗口期内，它需要证明的不是 AI 能理解自然语言，而是 AI 能把 3.7 亿条存在性记录变成足够可信的交易决策依据。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。