AI搜尋新創為什麼拿到高估值，以及垂直Evidence API的新機會

AI搜尋新創正在獲得驚人估值。本文解析Exa、Profound、OpenEvidence、Harvey與CuspAI的商業模式，以及醫療、法律、材料等垂直領域如何把可信證據變成AI時代的新基礎設施。

當Google把AI Mode推向十億級使用者，投資人卻仍願意用22億美元估值押注Exa、用10億美元估值押注Profound，甚至把醫療搜尋OpenEvidence推到120億美元。乍看之下，這像一場AI泡沫；但如果拆開商業模式，資本真正下注的並不是「另一個搜尋框」，而是下一代資訊入口、專業工作流控制權，以及能被AI持續調用的可信證據層。

本期一句話：AI讓內容變得便宜之後，能夠找到、驗證、整合並交付可信證據的系統，反而變得更昂貴。

AI搜尋新創為什麼在2026年獲得高估值？

AI搜尋新創高估值背後，投資人究竟在買什麼？

五家AI搜尋新創的估值與商業模式案例

垂直AI新創如何建立不被ChatGPT取代的商業模式？

垂直AI新創的五種商業模式

AI搜尋新創為什麼在2026年獲得高估值？

AI agent讓搜尋從「人找答案」變成「機器找證據」

傳統Google的核心客戶是人。使用者輸入關鍵字、瀏覽藍色連結，再自己判斷哪一頁可信。AI agent的需求完全不同：它必須在幾秒內取得最新資料、去除雜訊、拆成可使用片段、保留來源，最後把證據放進答案或行動流程。

這解釋了為什麼Exa和Tavily不是另一個面向消費者的搜尋網站。它們把搜尋、抓取、排序、內容擷取與研究能力包成API，直接賣給其他AI產品。2026年5月，Exa宣布以22億美元估值募得2.5億美元；公司表示服務超過5,000家企業與40萬名開發者。Tavily則採用按credit計價，讓AI agent按需求購買即時網路搜尋。

這類公司的價值，不在於它們擁有最漂亮的聊天介面，而在於一旦大量agent把它當成預設檢索層，每一個答案、研究任務與自動化流程都可能產生API收入。

AI搜尋新創高估值背後，投資人究竟在買什麼？

下一代AI資訊入口與搜尋控制權

搜尋不是普通軟體功能。誰控制資訊進入模型之前的那一層，誰就能影響模型看見什麼、引用什麼，以及最後採取什麼行動。這是一個高頻、橫跨所有產業的基礎設施位置。

按API用量成長的AI搜尋收入模型

傳統SaaS通常按照使用者席次收費；搜尋API則能按query、credit、研究深度或資料量收費。當agent開始代替人類執行大量搜尋，機器的查詢次數可能遠高於人類，營收上限也因此被重新估算。

搜尋資料與使用回饋形成的AI護城河

每次搜尋都會留下什麼來源被選中、什麼結果被採用、哪種輸出真正解決任務的訊號。當產品進入工作流，這些回饋能改善排序與評估，形成後進者難以複製的資料飛輪。

從AI回答引擎進入企業工作流程

真正昂貴的不是回答「答案是什麼」，而是完成「下一步該怎麼做」。當搜尋進入法律盡職調查、臨床決策、材料設計或企業採購，它開始接管高價值工作流，而不只是提供資訊。

五家AI搜尋新創的估值與商業模式案例

Exa商業模式：賣給AI agent的搜尋API

估值22億美元，2026年募得2.5億美元Series C。它提供網路搜尋與研究API，依查詢、運算量與企業合約收費。它不需要成為使用者看見的品牌，只要成為大量AI產品背後的預設搜尋層。

Profound商業模式：AI搜尋品牌可見度監測

估值10億美元，募得9,600萬美元Series C。它追蹤品牌在ChatGPT等答案引擎中的出現率、引用來源和競爭位置，按追蹤prompt數量、平台與企業規模訂閱。

OpenEvidence商業模式：免費醫療AI搜尋如何變現

估值120億美元，最新一輪募得2.5億美元。它讓醫師免費搜尋醫學證據，先取得高價值的臨床入口，再透過精準產業合作與廣告變現。

Harvey商業模式：法律AI搜尋進入專業工作流

估值110億美元，募得2億美元。它將法律研究、文件分析、盡職調查與客製agent放進大型律所的工作流程，收入來自企業訂閱、導入服務與長期工作流整合。

CuspAI商業模式：材料AI搜尋與研發IP

估值26億美元，募得4.5億美元Series B。它整合材料生成、模擬、合成規劃與實驗驗證，價值不只來自平台費，也來自未來發現的新材料、合作成果與智慧財產。

垂直AI新創如何建立不被ChatGPT取代的商業模式？

OpenEvidence、Harvey與CuspAI之所以能獲得高估值，不是因為它們會回答醫療、法律或材料問題，而是因為它們各自控制了通用模型最缺乏的部分：可信資料、專業語境、驗證機制與實際工作流程。

垂直AI的護城河通常由四層構成：

專業證據層：哪些資料可信、版本最新，而且能追溯到原始來源。

領域推理層：同一段文字在不同專業情境中代表什麼風險或機會。

工作流層：輸出如何進入律師、醫師、研究員或企業團隊的下一個動作。

回饋與責任層：誰確認結果、錯誤如何被發現，以及系統如何持續改善。

因此，最有價值的垂直AI通常不是從「我們有一個模型」開始，而是從「這個產業最昂貴、最破碎、最需要證據的決策點在哪裡」開始。

垂直AI新創的五種商業模式

垂直AI商業模式一：專業搜尋訂閱

面向最終專業使用者，按月或按席次收費。適合法律、金融研究與企業知識搜尋。優點是容易理解；風險是模型公司可能直接進入同一市場。

垂直AI商業模式二：Evidence API

不搶終端入口，而是把可信檢索、證據排序、來源追溯與結構化輸出賣給既有平台。它較不顯眼，卻更容易成為不可替代的基礎設施。Exa和Tavily就是最直接的參考。

垂直AI商業模式三：免費入口與產業端變現

OpenEvidence以免費工具快速進入醫師日常，再透過具有高度價值的專業受眾變現。這種模式的前提不是流量大，而是使用者身分稀缺、決策價值高。

垂直AI商業模式四：軟體加專家導入服務

Harvey除了軟體，也投入legal engineering協助大型客戶建立客製agent。高價值領域很難完全self-service；導入服務不一定代表產品不成熟，反而能把產品嵌進難以替換的流程。

垂直AI商業模式五：發現平台與IP成果分潤

材料、藥物或生物科技領域的價值不只在軟體訂閱，而在被發現的材料、候選物與專利。CuspAI的估值反映的正是平台收入與未來研發成果的雙重選擇權。

照護領域的AI搜尋與導航新創怎麼發展？

如果要替尚未開發的BrainNode尋找商業模式，不能直接從通用搜尋API跳到產品結論。更可靠的方法，是先觀察已經進入家庭照護、後急性照護、照顧者支持與臨床資料整合的公司，看看它們究竟替誰解決問題，又向誰收費。

Luffu：整合全家健康資料，主動找出變化

Fitbit共同創辦人在2026年推出Luffu，目前仍在私人測試階段。使用者可以用文字、語音或照片輸入用藥、症狀、檢查與就醫資訊，系統也能串接裝置及健康平台，在背景中整理資料、回答家庭成員相關問題，並主動提示漏服藥物或生理趨勢改變。Luffu最值得借鏡的不是已被證明的收入模式，而是它把產品價值定義為降低家庭照護的資訊負擔。

Aidin：把照護機構搜尋做成轉介基礎設施

Aidin服務醫院、個案管理師與後急性照護機構，集中處理轉介、授權、患者文件與照護機構選擇。它不是讓家屬自己在網路上搜尋安養或復健機構，而是把搜尋、品質排序、可用性與轉介進度放進醫院的出院流程。其官方資料表示平台已引導超過41億美元的醫療支出流向照護服務。這顯示照護搜尋真正值錢的地方，是縮短住院天數、減少延誤並提高轉介成功率。

Cariloop：以照護教練補上AI不能獨立完成的導航

Cariloop在2024年完成2,000萬美元Series C，主要由雇主購買作為員工福利。平台結合照護教練、資源搜尋、服務媒合與家庭管理工具，協助工作中的照顧者處理老人照護、兒童照護、身心障礙與慢性疾病需求。它證明照護導航不一定直接向家庭收費，也可以採B2B2C模式，由雇主為降低缺勤與照護壓力買單。

Waterlily：預測長期照護需求，連接財務規劃

Waterlily使用AI估計個人未來需要長期照護的可能性、時間與費用，並在2025年取得700萬美元種子輪。它並不只賣一個風險分數，而是把長照預測接到保險與財務顧問的規劃流程。這種模式說明：照護AI若能影響一個高價值、原本就有付費者的決策，商業模式會比單純向家庭收取App月費更清楚。

Navina：把破碎病歷轉成醫師可行動的摘要

Navina整合電子病歷中的診斷、用藥、檢查與風險資料，整理成醫師可使用的臨床摘要與提醒，2025年完成5,500萬美元Series C。它與BrainNode構想較接近的地方，是不要求醫療團隊另外搜尋所有紀錄，而是在原有工作流程中呈現需要注意的資訊；但Navina主要服務臨床端，並不等同於家庭照護或長照敘事整合。

這些照護AI新創共同賣的不是搜尋框

Luffu賣的是家庭健康資訊整合與主動提醒，但產品仍在早期測試。

Aidin賣的是後急性照護搜尋、媒合與轉介效率。

Cariloop賣的是人機協作的照護導航，由雇主採購。

Waterlily賣的是長照風險預測與財務決策支援。

Navina賣的是臨床資料整合，以及醫師工作流中的可行動摘要。

共同點是：它們都不是建立一個更大的照護資料庫，而是把搜尋、整合或預測放進一個已有明確付費者的決策流程。商業價值來自縮短時間、降低照顧負擔、改善轉介、支持財務規劃或提高臨床效率。

BrainNode可以借鏡什麼？目前只能提出待驗證假設

BrainNode API目前尚未完成，因此不能把patient-month、API授權或惡化節點分析寫成已成立的商業模式。現階段較合理的說法是：BrainNode可以參考Luffu的家庭資料整合、Aidin的工作流嵌入、Cariloop的人機協作，以及Navina的臨床摘要，但必須先用NarrativeBio或小型場域驗證三件事：照護團隊是否真的需要跨來源變化摘要、誰願意為它付費，以及它能否節省可被量化的時間或降低漏接風險。

在這些假設被驗證以前，BrainNode比較適合作為一個待測試的產品方向，而不是電子報裡的成功案例。

AI搜尋新創的高估值合理嗎？

這些估值當然包含對未來市場的提前定價，並不等於每家公司今天已經產生相應獲利。基礎模型快速進步，也可能吞掉只做單一功能的產品。

但是，若一家公司握有稀缺資料、專業使用者入口、持續使用的工作流與可累積的驗證回饋，它就不再只是模型外面的薄包裝。投資人支付的是它成為某個產業預設資訊層的可能性。

真正危險的不是估值太高，而是創業者把「垂直AI」誤解成替通用模型換一套術語。真正的機會，是找到一個通用模型無法自行取得、驗證或承擔責任的專業節點。

想做垂直AI新創，應該先回答哪三個問題？

你的領域中，哪一種資料很多，卻始終沒有形成可行動的證據？

哪一個高價值決策仍依賴人工搜尋、拼貼與反覆確認？

你能否不取代既有系統，而是在其上方建立一層可信整合能力？

AI搜尋新創的高估值告訴我們：AI時代真正稀缺的，不再只是產生內容的能力，而是讓機器在正確時間找到正確證據，並把它交給能夠負責的人。下一批垂直AI獨角獸，很可能就藏在這些尚未被整合的專業節點裡。

AI搜尋新創估值與商業模式資料來源

Exa：2.5億美元Series C、22億美元估值