Mitchell Green - Lessons from Cold Calling 10,000 Companies - [Invest Like the Best, EP.464]

好的，这是根据您的要求，对 Mitchell Green 在《Invest Like the Best》播客访谈内容的分析解读。

本期速览

Mitchell Green，Lead Edge Capital 联合创始人兼管理合伙人，其增长型股权基金以“投资机器”著称。本期核心是拆解这台机器的每个部件：从每年冷呼叫近万家公司、运用八项筛选标准，到利用由800位世界级高管构成的独特LP网络。全片最有分量的判断是：Mitchell Green 认为当前AI领域的资本支出泡沫终将破裂，如同当年的电信泡沫，而机会将在市场恐慌时出现。

纪律性筛选：从10,000家公司到5-7笔投资

Mitchell Green 认为，投资的核心资产是时间，因此必须建立一套严格的筛选框架来快速说“不”。

• 冷呼叫的纪律：Lead Edge 每年与约9,000家公司沟通，这源于创始团队早期职业生涯中亲自冷呼叫了约10,000家公司的经验。Green 认为，通过大量接触，能快速建立“什么是好公司”的模式识别能力，并发现“大多数事情只是噪音”。
• Lead Edge 八项标准：这套标准源自 Bessemer 的“Bessemer 5”，旨在将9,000家候选公司缩小到约900家（满足5项以上），再从中筛选出150-175家进行深度尽调，最终每年完成5-7笔投资。标准包括：

1. 营收≥1000万美元（确保已找到产品市场契合点）

2. 年增长≥25%

3. 毛利率≥70%（最终驱动盈利倍数）

4. 经常性收入（提高可预测性）

5. 资本效率（历史累计现金消耗 < 当前营收）

6. 盈亏平衡或盈利

7. 无客户集中度风险

8. 其他

• 框架非预测：Green 坦承，满足8项标准的公司并不比满足5项的表现更好，两者无相关性。标准的作用是定义“击球区”，如同 Ted Williams 的棒球理论，让团队知道该挥哪些球，从而避免在错误的机会上浪费精力。最大的错误往往是在球进入击球区时没有挥棒。

独特的LP网络：一台“价值创造”引擎

Mitchell Green 认为，Lead Edge 最核心的差异化优势并非投资策略，而是其由约800位世界级高管和企业家构成的LP网络。

• LP 画像：95%的资本来自这些高管和企业家，而非大型机构。这并非为了募资便利，而是为了在整个投资生命周期中利用他们的网络。
• 全周期利用：
• 项目源：当公司不接电话时，通过LP（如前通用汽车CEO Rick Wagoner）进行引荐。
• 尽职调查：让LP（如前辉瑞CEO Ian Read）与目标公司交流，甚至进行“backchannel”验证。
• 投后赋能：帮助被投企业（如Toast）对接客户（如餐厅）。
• 关系维护：Green 本人将60%的时间用于LP关系。他认为，要维持95%的LP留存率，必须提供卓越的回报和客户服务。他坚持与每位员工进行年度一对一访谈，并鼓励年轻员工直接与LP会面，以建立真实的人际关系。

卖出艺术：纪律与逆向思维

Mitchell Green 认为，大多数投资机构擅长买入，但很少擅长卖出，而Lead Edge将卖出视为与买入同等重要的纪律。

• 持续再评估：三位合伙人每月召开1-2次投资组合会议，不断评估每笔投资的“远期净回报”。一旦发现风险收益比不再有利，就会果断行动。
• 案例：Toast：Lead Edge 在 Toast 上市前，通过二级市场以每股40-50美元的价格卖出了大量股份（当时股价已跌至30美元）。Green 解释，尽管他们仍看好公司，但认为二级市场的价格“荒谬”，提前锁定了巨额回报（基金三投入3600万美元，最终总回报约3.5-4亿美元）。
• 平均持有期：约3.5-4年。Green 强调，如果在18个月内实现3倍回报，其 IRR 会非常惊人。他批评2020-2021年的投资热潮，认为许多人错误地假设退出倍数永远在20-25倍，这将在未来导致大量基金表现不佳。

AI时代的机遇与泡沫

Mitchell Green 对当前AI投资热潮持怀疑态度，认为存在巨大泡沫，但长期来看，AI将带来前所未有的生产力革命。

• AI CapEx 泡沫：Green 直言“AI CapEx 泡沫将结束得很糟糕”，并将其与2000年的电信泡沫类比。他认为，模型最终会商品化，而拥有数据和成本优势的科技巨头（如Google、Amazon、Microsoft）将胜出。他质疑：“核电站从哪里来？”以说明当前资本支出假设的不合理性。
• 投资机会：机会将在市场恐慌时出现。他更关注基础设施软件公司，如 ClickHouse（数据库）和 Grafana Labs（可观测性），因为AI代理将消耗比人类更多的计算资源，利好这类消费驱动的商业模式。
• AI Readiness Score：Lead Edge 内部开发了一套评分系统，评估被投企业的AI就绪程度，包括数据结构化程度、AI产品迭代速度、AI相关收入等。Green 认为，企业不应削减工程师数量，而应利用AI让工程师变得更高效，从而创造更多产品。

提及的标的

标的	嘉宾态度	关键数据
Toast	成功案例（已卖出）	投资时营收2500万美元，增长150%/年；基金三投入12%仓位（3600万美元），总回报约3.5-4亿美元
Zoom	成功案例（特殊结构）	通过购买持有Zoom股份的基金LP份额，间接获得1%的Zoom股权
Workday	正面（作为护城河案例）	98-99%的毛留存率，100亿美元营收，30亿美元自由现金流
Alibaba	正面（作为逆向投资案例）	股价从低点翻倍，不增长，交易在15倍市盈率
ClickHouse	正面（作为AI基础设施案例）	早期投资者，资本效率高
Grafana Labs	正面（作为AI基础设施案例）	早期投资者，与Datadog竞争
OpenAI	风险提示	认为估值“有点疯狂”
Anthropic	风险提示	认为其IPO可能成为市场转折点

值得记住的判断

1. “如果你想知道什么是好公司，那就打电话给10,000家。你会很快搞明白的。” —— Mitchell Green。通过大量、重复的接触建立模式识别能力，是Lead Edge投资机器的起点。

2. “我们的目标是打出二垒打和三垒打，而不是本垒打。” —— Mitchell Green。追求稳定、可复制的2-5倍回报（3-7年内），通过避免“零”（仅有一次完全亏损）和利用低杠杆（85%为经常性收入，56%盈利）来实现。

3. “在软件行业，竞争优势从来不是关于研发，而是关于分销、销售、营销和客户成功。” —— Mitchell Green。他认为，微软等巨头可以轻易复制任何SaaS产品，但它们不屑于服务利基市场。因此，软件的护城河在于客户关系和销售网络，这是“在位者的游戏”。

4. “我们使用标准不是为了预测，而是为了过滤。” —— Mitchell Green。满足8项标准的公司并不比满足5项的回报更好，但标准定义了“击球区”，让团队知道该在哪些机会上投入宝贵的时间。

5. “最快的被解雇方式，是当有流动性机会时没有告诉我们。” —— Mitchell Green。卖出是Lead Edge的核心纪律，三位合伙人每月复盘，持续评估“远期净回报”，并在二级市场或IPO后迅速行动。

6. “我认为这个AI资本支出泡沫会结束得很糟糕。这就像电信泡沫的重演。” —— Mitchell Green。他质疑AI基础设施投资的回报率，认为模型将商品化，而拥有数据和成本优势的巨头将最终受益。

7. “当事情变得可怕时，你会想买。” —— Mitchell Green 引用前老板的话。他将竞技滑雪中高速决策的经验应用于投资，认为在恐慌时保持冷静并买入是巨大优势。

8. “如果你想要创造跨代财富或建立一些东西，你需要成为一名企业家。” —— Mitchell Green。他鼓励年轻人趁早创业，因为年轻时没什么可失去的，而随着年龄增长，机会成本会越来越高。