Khosla Ventures千万投资启示：Ian Crosby再创业的深度测评与前景分析

2024年，Ian Crosby创立的会计服务公司Bench Accounting宣告失败并被低价收购。但这位连续创业者并未沉寂，他迅速投身于一个更具颠覆性的新项目：构建一个能彻底实现会计工作流程自动化的AI系统。

他的新创企业Synthetic，目标直指开发一套完全自主的AI记账系统，旨在无需人工直接操作即可自动生成符合权责发生制的财务报表。尽管产品尚处概念设计阶段，且Crosby本人承认该技术目标极具挑战性，Synthetic仍成功获得了1000万美元的种子轮融资。领投方为Khosla Ventures，跟投方包括Basis Set Ventures以及Shopify的首席执行官Tobias Lütke。

对于多数风险投资者而言，一位刚刚经历公司清算、且描绘的愿景可能超越当前技术可行性的创始人，通常被视为需要规避的高风险对象。然而，Khosla Ventures的合伙人Jon Chu却秉持着相反的投资哲学。他对TechCrunch坦言：“我有时会刻意寻找存在争议的标的。”

“在争议性事件中，主导舆论的常常是群体性情绪，而非客观事实。”他引用了Parker Conrad的案例——2016年，Conrad在压力下离开Zenefits，但其后续创立的Rippling目前估值已接近170亿美元。“我相信创始人具备深刻的成长能力，”Chu在解释投资Crosby及Synthetic的逻辑时强调。

谈及Bench的失利，Crosby澄清自己并非直接导致公司崩溃的责任人。据其陈述，他在2021年拒绝了金融科技公司Brex提出的2.5亿美元收购要约，三个月后便被董事会解除了CEO职务。核心矛盾源于战略方向上的根本分歧，尤其是在公司持续亏损的背景下。有内部报道指出，当时的管理团队对其决策风格也存在不同看法。

“他当时采取了激进策略，过程中犯了一些错误，最终结果未能如愿，”Chu如此评价Crosby在Bench的那段经历。而Bench的最终崩塌，发生在新管理团队接手之后，他们未能独立挽救公司的业务颓势。

离开Bench后，Crosby曾加入Shopify，并创立了另一家会计创业公司Teal，该公司在运营18个月后被Mercury收购。Chu在投资尽调过程中，与多位在Crosby离开Bench后与其共事的高管进行了深度访谈，获得的反馈是“对Ian的专业能力评价极高”。Chu分析认为，Crosby在Bench之后的三段职业经历，恰恰为他提供了系统复盘与修正过往决策失误的宝贵机会。

此次创业，Crosby的目标极为清晰：他要打造的是真正端到端由AI驱动的记账服务，而非像Xero等主流会计软件那样，本质上仍依赖大量后台人工会计进行数据核对与处理。“我们绝不会推出任何不具备完全自主运行能力的产品，”Crosby明确表示，“要么实现全自动化，要么就不做。”

现阶段，Synthetic计划将服务范围严格限定于AI和软件领域的创业公司。Crosby也坦诚指出，现有的AI大语言模型在处理复杂记账任务时仍会产生事实性错误。尽管原型产品已能为一小部分测试客户提供服务，但其可靠性能否支撑更大规模的客户拓展，仍是未知数。

他用一个精准的类比描述了当前的技术瓶颈：“这就像一辆自动驾驶汽车，目前只能安全地在一条经过反复测试的街道上行驶，而我们的目标是让它能够通行于任何街道。我们尚未积累足够的道路测试里程，无法预知它会在何处出现故障。”

尽管如此，Crosby表示公司已做好长期技术攻坚的准备。本轮融资足以支持公司数年运营，他有耐心等待底层AI模型在会计逻辑与计算可靠性上取得关键突破。“我们有足够的时间等待技术成熟，”他总结道。

Q&A

Q1：Synthetic这家公司是做什么的？

Synthetic是一家由连续创业者Ian Crosby创立的AI会计科技公司。其核心目标是研发一套完全自主的AI记账系统，实现从交易数据导入到权责发生制财务报表生成的全流程自动化，无需人工干预。目前公司处于产品研发早期，主要聚焦于服务AI及软件行业的初创企业。

Q2：Khosla Ventures为什么愿意投资有过失败经历的创始人Ian Crosby？

Khosla Ventures合伙人Jon Chu的投资逻辑在于，他善于在市场争议中识别被低估的创始人价值。他认为Bench的失败案例中，群体叙事可能掩盖了Crosby的实际能力与成长潜力。通过对其离开Bench后职业轨迹的深度尽调，尤其是来自后续同事与合作方的高度评价，Chu判断Crosby已从过往经历中积累了关键的运营教训与领导力洞察，具备了再次成功创业的基础。

Q3：Synthetic的AI记账系统目前面临哪些技术挑战？

Synthetic面临的核心技术挑战在于确保AI模型在会计处理中的精确性与可靠性。当前模型在复杂科目分类、跨期费用匹配等核心记账任务中仍会出现错误，导致其原型产品仅能服务于结构相对简单的特定客户。能否将系统能力泛化，以处理不同行业、不同规模的企业的复杂账务，是决定其商业可行性的关键技术瓶颈。这本质上是一个需要攻克高精度与强泛化能力的AI系统工程难题。