在金融机构的合规流程中，企业验证往往是最枯燥也最昂贵的环节之一。一笔企业开户可能要求确认注册状态、实际控制人、股权结构、受益所有人、涉诉记录和制裁名单命中情况；账户开立后，股权变更、法人更替、经营异常和名单更新还会触发持续核查。这些工作过去由人工与规则引擎混合完成，错误会在审计中被放大为处罚，延迟则直接拖累客户体验。正因为这些环节分散在多个系统、依赖多种外部数据源，并且每个客户的股权链条都可能不同，人工处理往往意味着更高的操作风险和更长的响应时间。一家成立于纽约的初创公司正试图用 AI 把这个流程自动化，并在 2026 年 8 月宣布完成 2000 万美元 A 轮融资。
8 月 10 日，Baselayer 披露了新的融资信息。公开融资报道显示，本轮由 Koro Capital 和 M13 联合领投，金额 2000 万美元，累计报告股权融资约 4700 万美元。公司成立于 2023 年，创始人为 Jonathan Awad、Timothy Hyde 和 William Slessman。它面向银行、金融科技公司和政府机构销售 AI 驱动的企业验证与 KYB 平台，试图用自动化替代人工审查。
| 公司 | Baselayer |
| 轮次 | A 轮 |
| 金额 | 2000 万美元 |
| 投资方 | Koro Capital、M13 |
| 总部 | 纽约 |
| 创始人 | Jonathan Awad、Timothy Hyde、William Slessman |
| 官网 | https://baselayer.com/ |
从“人工审核”到持续监控：Baselayer 把 KYB 切成三道工序
从公开材料看，Baselayer 描述的平台能力覆盖 KYB 流程中三个并不同质的问题。客户准入环节的自动 onboarding，要求平台整合工商数据源并快速返回可审计的核验结果；风险评估环节要求平台对不同企业给出可解释的风险判断；持续监控则要求系统在企业客户存续期间捕捉制裁名单更新、欺诈信号以及实体变更事件。三个环节共享数据底座，但技术难点和评价标准并不相同。
自动 onboarding 更强调数据源覆盖、实体解析准确率和响应速度。企业名称的多语言变体、注册号格式差异、同一实体的多家分支机构，都可能成为实体解析的错误来源。风险评估更强调对复杂股权层级的穿透和可解释性，监管审计通常不会接受一个只说“高风险”却无法展示判断路径的模型。持续监控则更强调名单更新频率、增量变化捕捉和误报控制。名单每次更新都可能触发批量重新筛查，若系统不能区分有效变更与噪声，金融机构客户可能被大量低价值预警淹没。这些工序的差异意味着 Baselayer 不能仅靠单一模型同时解决所有问题，而可能需要在数据接入、实体解析、图计算和规则引擎之间做出工程取舍。
公开报道没有列出客户名单、业务规模或收入数据，因此外部尚不能确认该平台是否已经进入实际生产流程。它对外强调的“专有 Graph AI 技术”，只说明技术路线，不足以证明它在这三道工序上比传统规则引擎或金融机构自建系统更可靠。传统规则引擎可能在特定数据源和审计流程上积累多年，金融机构自建系统往往更贴合内部风险偏好和监管要求。Baselayer 要在这些环节形成替代，仍需拿出可验证的误报率、漏报率、处理时间和审计留痕表现，目前这些指标均未披露。
Graph AI 只是一条技术线索，创始团队与验证数据仍是空白
Baselayer 对外披露的技术关键词是“专有 Graph AI 技术”。Graph AI 通常适合表达企业之间的股权、控制关系、交易对手和关联方网络，在 KYB 中的确可能用于穿透受益所有人或识别复杂企业结构。从技术逻辑上看，图结构可以把企业、自然人、注册地址、关联公司和最终受益人作为节点，把控制关系、任职关系、所有权比例作为边，从而比传统关系型数据库更容易处理多层股权穿透和长链路控制关系。
但这里存在一个关键约束：图模型的表现高度依赖底层数据的完整性和实体解析质量。如果工商数据不能覆盖离岸公司、信托、合伙制、代持或跨境股权等复杂情形，图结构再精巧也可能产生穿透盲区。公开材料没有说明 Baselayer 的图结构具体包含哪些节点和边，也没有披露它是否覆盖上述复杂情形。实体解析中的“同名不同主体”或“关联关系缺失”可能使控制链条在图传播中出现误连或漏连，进而影响风险判断。这类问题在 KYB 中并非理论假设，而是模型能否被机构客户接受的前提之一。
三个创始人 Jonathan Awad、Timothy Hyde 和 William Slessman 在公开报道中只被提及为 2023 年设立公司的人，没有更多履历背景。团队规模、研发进度也没有披露。对于一家面向银行、金融科技公司和政府机构销售合规软件的公司，创始团队是否具备金融合规、风险管理或企业数据背景，可能直接影响机构客户对其产品方向的信任程度。公司官网未披露，进一步让外部难以核实产品演示或技术文档。Graph AI 因此只是一个技术线索，无法独立证明产品成熟度或客户价值。
从 650 万美元种子轮到 2000 万美元 A 轮，资本结构出现明显放大
Baselayer 此前曾获得 650 万美元种子轮融资，投资方为若干投资者和金融科技创始人。本轮 A 轮增至 2000 万美元，由 Koro Capital 和 M13 联合领投，累计报告股权融资约 4700 万美元。相较种子轮的体量，A 轮金额出现明显放大。从参与方看，M13 是一家位于加州圣莫尼卡的投资机构，Koro Capital 的更多背景未在公开材料中展开。Dealroom 融资简报将本轮列为可比交易中的 65 分位，意味着它超过了近三分之二同类交易。该数据只能说明交易规模相对高于部分可比案例，不能据此推断估值水平、稀释比例或投资条款。
需要指出，累计融资约 4700 万美元与种子轮 650 万、A 轮 2000 万之和之间存在缺口，公开来源没有解释。这意味着外部看到的资本结构可能并不完整，Baselayer 在 A 轮之前是否还有未披露的扩展轮或过桥融资，目前无法判断。
A 轮金额放大可能反映投资方对公司产品和市场机会的信心，但如果没有客户或收入进展的同步披露，单纯融资规模提升并不能证明业务风险已经下降。在缺乏客户数量、合同金额或续约证据的情况下，这笔融资更像一次基于技术叙事和市场窗口的早期下注，而不是对已进入规模销售阶段的公司的认可。这一区别会直接影响后续轮次能否继续以同样或更高的速度增长。
商业模式的客户类型已经写清，但定价、签约和留存完全未披露
Baselayer 的 B2B 模式明确指向银行、金融科技公司和政府机构。这三类客户群体在采购流程、预算周期和合规要求上相差很大。银行通常需要完整的模型验证、第三方审计、数据源授权证明和售后支持，采购周期可能较长；金融科技公司更关注 API 集成、响应速度、按量计费和开发者体验；政府机构则可能涉及招投标、数据本地化、安全认证和更严格的数据驻留要求。这意味着 Baselayer 可能需要针对不同客户类型配置不同的产品能力、交付团队和合规认证路径，而不是用一套通用模块覆盖所有客户。
进一步看，银行对 KYB 系统的要求往往不仅包括核验结果，还包括可追溯的审计轨迹和可复现的模型版本。金融科技公司可能更倾向于把 KYB 作为客户创建流程中的一个 API 调用，因此对延迟和错误率的容忍度更接近交易系统而非后台系统。政府机构则可能要求流程符合采购和审计规则，对黑盒模型更为谨慎。三类客户虽然在“自动化风险检查”这一需求上有交集，但购买动机和验收标准并不相同。
但公开融资信息没有给出任何客户名称或案例，也没有披露客户数量、合同金额、收入、续约率或净收入留存。定价模式是订阅、按查询量还是按项目收费，同样未披露。同时，公司官网未披露，这在一个以机构信任为核心的行业里并不常见。由于官网、客户名称、合同金额和续约率均未披露，目前只能把“银行、金融科技公司和政府机构”视为目标市场描述，而不是已经建立的客户结构。三类客户中的任何一类是否已有付费部署，仍需后续公开信息验证。
同日 Dili 融资显示合规自动化在升温，但切入口完全不同
与 Baselayer 融资同日，AI 原生合规平台 Dili 也完成 1500 万美元 A 轮，投资方包括 Brick and Mortar Ventures。Dili 做的是基础设施、建设和能源项目的 prevailing wage monitoring 和 certified payroll review，与 Baselayer 的 KYB 企业验证并不属于同一个工作流。前者集中在项目建设中的工资合规和认证工资单审查，后者集中在企业实体层面的身份验证、受益所有人穿透和持续风险监控。两者的客户场景、数据源和监管标准存在明显差异。
这意味着两者虽然都被归入“合规自动化”，但产品风险剖面和监管触发点并不相同。Dili 的模型如果错判工时或工资标准，可能影响项目方的工资合规责任；Baselayer 的模型如果漏报受益所有人或制裁命中，可能触发金融机构的反洗钱责任。行业采购者通常不会因为同一天有融资就把两者视为可互换供应商。
Dealroom 在融资简报中把 Dili 与 Baselayer 同时出现解读为一个信号：投资者正在押注替代人工审查的软件。这显示合规自动化领域正在升温，但两家公司的产品切入口不同。对 Baselayer 而言，同日融资更多像一个市场热度信号，而不是竞争结论。它并不能说明 Baselayer 的 KYB 产品已经获得客户验证，也不能说明两者存在直接客户重叠。合规自动化升温可能带来更多的资本关注和采购预算，但 Baselayer 仍需用自己的客户证据证明产品价值。
资金用途只有“产品增强”和“市场覆盖”两个词，背后缺少预算拆解
Baselayer 表示，计划把这笔资金用于增强 AI 驱动的商业验证平台，并扩大在银行、金融科技公司和政府机构中的市场覆盖。从字面看，这同时包含产品研发和市场推广两个方向，但没有提供更细的预算划分。产品增强可能包括整合更多工商和制裁数据源、优化图模型算法、构建可审计的决策轨迹、提升 API 稳定性和模型解释能力；市场覆盖可能包括扩展销售团队、搭建行业解决方案、参与政府供应商认证或建立渠道合作。但这些都只是基于公司声明的可能方向，公开材料没有给出具体优先级。
如果产品增强的重点是扩大数据源覆盖国家数或增加制裁名单的本地化版本，那么资金可能主要流向数据采购和数据工程；如果重点是让模型从离线分析推进到实时监控，那么工程和基础设施投入可能更高。市场覆盖方面，如果目标是进入政府机构，可能需要投入更多安全认证和采购合规资源；如果目标是快速获取金融科技客户，则可能需要更偏向开发者关系和技术集成支持。但这些路径选择均未被披露。
公开材料也没有说明研发与销售之间的资金配比、地区扩展范围或产品模块优先级。对于一家需要持续采购数据源并可能承担高额合规认证成本的公司，2000 万美元的实际支撑周期存在不确定性。没有客户里程碑、数据源覆盖国家数、认证计划或团队扩张目标，外部无法判断这笔资金能在多大程度上推动 Baselayer 从产品阶段进入可重复销售阶段。
真正的风险不在 AI 标签，而在银行和监管机构敢不敢把责任交给模型
KYB 错误会带来直接的法律后果。制裁名单漏报可能触发反洗钱处罚，未及时更新受益所有人可能被视为纵容金融犯罪，错误冻结客户账户则会引发投诉和诉讼。Baselayer 如果把人工审查替换为自动决策，必须输出可解释、可追踪、可复核的审计轨迹。在金融监管实践中，模型驱动决策通常需要经过独立验证和持续监控，任何无法解释的分数都可能成为审计缺陷。银行在采购前往往要求厂商提供模型验证报告、数据源授权证明、偏差测试和灾难恢复方案；政府机构可能还有数据驻留和安全认证的额外要求。
这些要求并不是为了阻止模型介入，而是因为在合规领域，决策责任不能转移给供应商或模型本身。即使 Baselayer 的 Graph AI 在测试集上表现良好，如果无法解释某个实体为什么被标记为高风险，或者无法说明某个制裁名单版本为何未被及时命中，银行内部模型风险管理部门仍可能拒绝将其用于生产。换句话说，金融机构采买的不只是“AI 还能做 KYB”的能力，而是一整套能在审计中站得住的证据链。
公开材料没有披露 Baselayer 是否拥有在生产环境中稳定运行的客户，也没有客户证词。公司官网未披露，使银行和政府机构难以在采购前进行必要的厂商尽调。对于一家以合规为核心卖点的公司，自身信息透明度不足可能构成一个反讽。真正的风险不在于 Baselayer 是否使用了 AI 标签，而在于金融机构是否愿意把合规责任交给一个尚未公开可审计案例、可解释模型指标和客户证据的模型。在获得更多证据之前，这种信任尚未被建立。
待验证假设：AI 必须真的把尽调成本降下来，故事才能成立
Baselayer 的核心假设可以概括为：用专有 Graph AI 替代 KYB 中的人工审查，能够在保证风控效果的同时降低金融机构的运营成本。要检验这个假设，至少需要看到客户名称或案例、收入或增长数据、定价与订阅方式、误报率与漏报率、审批周期缩短幅度、人工介入率变化、数据源覆盖和模型可解释性等指标。目前，客户名称或案例、收入或增长数据、定价与订阅方式、创始人及团队背景，以及官网可查的产品文档均未公开。
这些指标并非外部研究者的苛刻要求，而是机构采购方在模型风险管理、预算审批和售后评估中通常会关注的证据维度。误报率决定人工复核团队是否会被大量无效告警拖累，漏报率决定模型是否可能让真正的高风险主体通过，审批周期缩短幅度决定它能否直接转化为客户体验收益，人工介入率变化则决定“自动化”是否真的减少了人力投入。如果这些指标不能在客户环境中得到验证，Graph AI 的叙事就仍停留在演示阶段。
在 Dili 等相邻公司同期获得资金的背景下，Baselayer 面对的竞争不是“有没有 AI”，而是谁能拿出客户证据和监管可接受的准确性。融资可以维持产品和市场投入，但无法替代客户验证。只有当这些信息出现，Graph AI 与 KYB 自动化才可能从技术故事转成采购理由。在此之前，Baselayer 的 A 轮融资更多是一笔继续下注，而不是验证节点。
RecodeX 极客视：Baselayer 的 A 轮融资让“AI 替代人工尽调”的叙事在金融合规领域再次升温，但融资只回答了一个问题：资本愿意下注。客户名称、收入、定价和可审计案例仍未公开，官网也未见产品文档。对金融机构来说，真正困难的不是让模型读文件，而是敢不敢把合规责任交给它。
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。