CADDi在这些系统之上叠加一层AI智能层，摄入所有类型的数据（包括PLM里的数字化文件和没进过任何系统的手绘图纸），通过语义理解、形状搜索和AI Agent自主分析，让"存而不用"的数据变成可搜索、可推理的知识资产。详见第五章品类辨析。

第一章 公司全景

本章回答"CADDi是谁"。从基本信息、创始人背景、发展历程三阶段转型、融资脉络与投资方判断、全球布局、团队构成六个方面展开。核心判断：CADDi从采购撮合转型为制造业AI数据平台，估值一年翻倍至12亿美元，不是运气，是战略升级的结果。

1.1 基本信息

1.2 创始人：加藤优史郎

加藤优史郎创立CADDi时31岁。关于他的详细职业背景，公开可查的英文和日文资料有限。但从业务演进路径和署名文章可以拼出几个关键侧面：

制造业一线出身：早年做过钣金件缺陷修正、组装整机、全球建厂，不是"软件公司外部人做制造业"。

痛点中看到机会：最初做制造业供需匹配时发现，真正卡脖子的不是"找不到工厂"，而是"图纸数据不透明导致撮合低效"，选择从表层交易下沉到底层数据。

以人为本的制造业理念：在署名文章"THE PATH TO INDUSTRY 5.0"中批评Industry 4.0"投入大量资金但生产力提升微乎其微"，主张"以人为中心的创新来增强人的能力"，而非用自动化替代人。这个理念直接解释了CADDi的产品设计逻辑：不是用AI替代工程师做决策，而是把制造业所有数据资产用AI理解、搜索、推理，让人站在AI的理解之上做更好的决策。CADDi的Design Review不是自动标错，而是把资深工程师的know-how汇聚成可调用的专家系统，帮工程师做判断。人机协作比自动化替代更现实，这不只是加藤的理念，也是制造业复杂度和安全要求决定的商业判断。

1.3 发展历程与战略转型

CADDi的发展经历了清晰的三阶段战略转型：

第一阶段（2017-2021）：定制件采购匹配平台

CADDi最初做的是制造业定制件的采购/匹配平台，把有产能的中小工厂和有订单的大厂商对接起来。创业头4年筹集了80亿日元（约5400万美元）。据《失落的日本制造》记载，加藤正是在日本中小制造企业的土壤中看到了机会，这个采购匹配平台一度成为该品类全球三大平台之一。

这个阶段的本质是"做中介"。但加藤在撮合过程中发现了一个更深的问题：撮合效率取决于双方信息透明度，而制造业最大的信息不透明就是图纸数据。数据不透明，撮合就低效，这成为CADDi转型的直接动因。

第二阶段（2022-2023）：砍掉采购主业，all-in AI数据平台

2022年，CADDi做出了一个关键决定：砍掉采购主业，全力投入制造AI数据平台。推出核心产品CADDi Drawer，业务重心从"连接供需"变成"用AI让制造业图纸数据变成可搜索、可推理的知识资产"。

投资人对此的评价是："少数公司敢做这样的转型，更少的公司做成了。"这个转型的底层逻辑是：与其在数据不透明的基础上做撮合，不如先把数据本身变成可用的。从"做中介"到"做基础设施"，这是一个战略升级，不是业务调整。

第三阶段（2023至今）：全球化AI数据平台

定位升级为"制造业AI数据平台"，从单一产品扩展为四层平台架构。2023年在芝加哥设立北美总部，全球布局加速，覆盖美洲、东亚、亚太、EMEA四大区域22个国家。

1.4 融资脉络

累计股权融资：2.34亿美元（约363.1亿日元）。另获以瑞穗（Mizuho）及多银行为主的约0.3亿美元长期债务。

D轮投资方完整名单：

• 新进
  ：Moore Strategic Ventures、Coreline Ventures、HR Tech Fund（Recruit Holdings旗下）、Woven Capital（丰田成长基金）
• 老股东跟进
  ：Atomico、Globis Capital Partners、JPS Growth（日本邮政系）

关键数据解读：

• D轮估值12亿美元，较C轮4.7亿美元一年内翻倍以上。从"制造业撮合平台"到"AI数据平台"的定位切换，打开了估值想象空间。
• 投资方阵容跨了汽车（Woven Capital/丰田系）、科技（Atomico）、产业资本（Globis Capital）、人才（HR Tech Fund/Recruit），说明不同领域的资本都看好这个方向。
• D轮融资由Fortune杂志记者Jeremy Kahn于2026年9月15日独家报道。

日本的政策东风（时代背景）

日本政府2026年7月改定《AI基本计划》，首次将"垂直AI"（领域特化型AI）列为国家战略支柱，并指定制造业为重点领域之首。这条政策与CADDi的产品逻辑形成共振：通用大模型解决"泛知识"，垂直AI解决"行业数据"。CADDi恰好在制造业图纸数据这一最窄的领域扎得最深，与国家鼓励的方向一致。

资本背后的判断（投资人原话）：

1.5 全球布局

注意：CADDi在中国有业务布局，但具体业务形态、是否有办公室、合作伙伴、客户案例均未公开。这是判断CADDi在中国战略意图的信息缺口。

1.6 团队信息

员工规模：约910人。2025年初约600人，近一年增长约50%。

联合创始人兼CTO——小林彰（Aki Kobashi）：斯坦福大学电机工程本硕，曾在Lockheed Martin负责大型卫星图像处理系统，后在Apple主导iPhone/AirPods产品开发。这个背景直接解释了CADDi为什么能做图纸AI——CTO本身就是图像处理+硬件产品出身。

客户成功团队，超过100人，比销售团队还多。CADDi大规模招聘"前向部署工程师"（FDE）驻场帮客户把AI真正用起来。加藤明确表示，CADDi最大的障碍不是技术，而是变革管理（change management）。这个"客户成功先于销售"的组织设计，说明CADDi深知工业软件落地的核心难点不在技术而在改变人的工作习惯。

第二章 产品深度拆解

本章拆解CADDi的产品和技术。从四层架构到核心功能（图纸数字化、关键词搜索、形状相似性搜索），再到技术壁垒和与CAD软件的关系。核心判断：CADDi不生成CAD，而是解读和放大已有CAD数据的价值。

2.1 四层平台架构

CADDi已从单一产品升级为四层垂直整合平台。四层从底到顶依次是：

第一层：数据层（Data Layer）——摄入、结构化、分析各类数据

这一层能摄入所有类型的数据（data of every kind）：PLM里的数字化CAD文件、ERP里的BOM表、没进过任何系统的手绘图纸、扫描PDF、甚至照片。有两块自研核心技术：一是专利形状解析，从3D/2D数据中读取形状、结构、规格值，判断产品相似性；二是非结构化数据的结构化。

第二层：语义层（Semantic Layer）——加含义、建立关联

给分析过的数据加含义，让AI能在每个公司独特的上下文中推理，而不是给通用答案。语义层本质上是在画一张各公司独有的"数据地图"，同时做权限和治理。

第三层：发现与智能体层（Discovery & Agents）——搜索、洞察、AI自主分析

标志着CADDi已经从"搜索工具"进化为"AI Agent平台"。AI智能体能自主执行分析任务，比如自动比对相似零件、自动识别重复设计、自动生成采购建议。

第四层：工作流产品层（Workflow Products）——加速执行、捕获隐性知识

商业化落地层，把平台能力变成面向设计、采购、制造工程等具体场景的产品。共6个业务特化产品。关键设计是"决策和结果自动捕获为数据"——工程师在使用过程中做的判断、选的方案，会被系统自动记录，回填到语义层的数据地图上，形成知识创造和使用的持续循环。

四层架构的整体逻辑：从底到顶是一条"数据→理解→发现→执行"的链路。每一层的输出是下一层的输入，形成闭环。

2.2 产品体系演进：从Drawer到四层平台

2026年8月，CADDi将整体定位重新定义为"下一代产业OS"。产品体系如下：

横向产品（第3层）

业务特化产品（第4层：6个Workflow产品）

其中Design Review是典型代表：根据历史同类零件的缺陷记录给新图纸自动标错。加藤称之为"超级老工程师"概念——把资深工程师的know-how汇聚成一个可调用的专家系统。

技术架构：自有垂直AI模型（专门读图纸/2D图/3D CAD，核心壁垒）+ 通用大模型（处理文档、表格等非结构化文本）分层使用。加藤原话："我从未见过有人用LLM做设计评审，LLM根本不懂图纸和CAD。"

2.3 CADDi Drawer核心功能

功能1：图纸数字化

批量上传所有2D图纸，自动提取图纸上的所有数据。即使是30年前的手绘图纸也能转换为可搜索和可比较的格式。

功能2：关键词搜索

使用图纸上的任何关键词搜索整个历史图纸档案，包括材料、尺寸、设计师姓名、零件名称、注释等。

功能3：相似性搜索（专利技术）

这是CADDi最核心的技术壁垒。不是基于文字标签的搜索，而是基于零件几何形状的语义匹配。传统搜索是"搜文字"，CADDi是"搜形状"。一个工程师想找"跟这个零件长得像的旧图纸"，靠文字搜索做不到，因为旧图纸可能连标签都没有。

2.4 技术壁垒分析

CADDi的技术壁垒不是单一的，而是三层叠加：

• 壁垒1：手绘图纸识别
  。30年前的手绘图纸没有标准格式，字迹潦草，标注不规范。需要大量制造业图纸的训练数据和专门的AI模型，通用大模型做不了。
• 壁垒2：形状相似性搜索（专利技术）
  。学术界有理论基础，但CADDi已经将其产品化并申请了专利。
• 壁垒3：制造业上下文理解
  。AI经过企业数据微调，随着企业数据增加而变强，形成数据网络效应。

学术验证：壁垒确实存在

OmniMech论文（arXiv 2608.05539，预印本）是首个面向工业机械制造场景的百万级基准测试，包含超过251,000张工业2D正交机械投影图纸。论文核心发现：现有VLMs在工业CAD生成中存在显著局限，即使是视觉上微小的误差也会影响零件的配合、功能和可制造性。

2.5 与CAD软件的关系

CADDi不生成CAD文件，而是读取和解读已有的CAD文件和图纸。打个比方：CAD软件是"造书的人"，PLM是"图书馆管理员"（管书在哪个书架、哪个版本），CADDi是"能看懂书还能帮你找到类似内容的AI助手"。

第三章 商业模式

本章拆解CADDi怎么赚钱。从收费模式推断（大概率三层结构）、ROI导向的销售策略、反直觉的组织设计，到增长数据和客户画像。核心判断：制造业AI的商业化不能只靠软件订阅，需要"人+软件"的价值交付模式。

3.1 定位与收费模式

收费模式未公开披露。但从组织设计、估值规模和行业类比来看，其营收大概率不是纯SaaS订阅，而是多层结构。

推断的第一层：平台订阅费（SaaS基础收入）

按年度合同制收费，可能根据图纸上传量、搜索次数、AI Agent使用量分级定价。

推断的第二层：实施/部署服务费（FDE驻场）

CADDi有100+人的客户成功团队和FDE驻场。最接近的类比是Palantir——Palantir在收入达到10亿美元级别时核心客户仅约百余个，单客户年均收入约1000万美元，其中相当部分来自实施和定制服务。CADDi的FDE团队100+人，占总员工约11%，与Palantir早期类似。

推断的第三层：数据/模型定制费

每个客户都需要对AI模型进行企业数据微调，这种定制训练服务可能按项目收费。

为什么说"不只是SaaS"：①FDE团队规模暗示服务收入；②12亿美元估值按10-15倍ARR推算，客单价约160万-240万美元/年，偏高，除非包含大量服务费；③Palantir先例——收入结构包含平台订阅+实施服务+定制开发+培训。

理论参照：三类软件业务角色。《工业技术软件化：中国工业软件发展之路》提出应用软件交付的三类角色：商业现货软件、工程项目（软件+实施服务）、自研定制。CADDi的三层营收结构恰好覆盖这三类角色。

信息缺口：以上三层营收结构均为推断，CADDi的具体收费模式、价格区间、营收中订阅与服务占比、ARR绝对值均未公开。

3.2 ROI导向的销售策略

CADDi对外销售强调可量化的回报，不打理念牌。核心ROI指标：降低直接材料成本、缩短工程交期、减少重复采购、压低供应商报价。收费很可能与业务场景挂钩。

3.3 "客户成功先于销售"的组织设计

客户成功团队超过100人，比销售团队还多。这个反直觉的设计背后是一个清醒的判断：工业软件落地的核心难点不在技术，而在改变人的工作习惯。这个判断直接影响了CADDi的收费结构（需要FDE驻场服务费）和增长路径（增长受交付能力制约）。

3.4 数据资产化的叙述底色

加藤反复引用一个数据："超过80%的制造工艺知识从未被记录，只存在于有经验员工的脑子里。"CADDi的平台就是要把这些隐性知识捕获、固化、变成可复用的资产。

3.5 增长数据

创始人披露销售额连续多年每年翻倍以上（未披露具体营收额）。需注意：此为创始人自述，缺少独立的财务审计佐证。

3.6 客户画像

3.7 增长路径

四步走：日本起步服务本地制造业→2022年转型推出Drawer→2023年设芝加哥北美总部→2026年扩展为四层平台架构并引入AI Agent能力。

第四章 运营数据

本章用数据说话。核心数据：12亿美元估值、910人团队、22国覆盖、日本100强过半为客户。信息缺口同步标注：收入规模、客户精确数量、客单价均未公开。

4.1 关键运营指标

未公开的关键数据：具体收入规模、客户精确数量、客单价/合同金额、AI模型训练数据量。

4.2 关键里程碑

4.3 客户案例

已披露的标杆客户：日立（Hitachi）、川崎（Kawasaki）、斯巴鲁（Subaru）、东京电子（Tokyo Electron）。

欧姆龙（Omron）案例详解：欧姆龙面临设计者老龄化、隐性知识流失、组织信息分断三大问题。通过CADDi平台把"隐性知识"变成可即时检索的技术数据资产，实现跨部门、跨基地知识即时检索。效果：开发后返工减少、量产品质提升。

以上数据来自CADDi官网案例研究页面，未经第三方验证，可能存在营销包装成分。

第五章 CADDi与传统工业软件的边界辨析

本章回答"CADDi到底算什么品类"。先厘清PLM、PDM、ERP各自管什么；再用对比表划清CADDi与它们的边界；然后回答三个关键问题；最后用数据资产化理论和工业技术软件化理论做交叉验证。核心判断：CADDi不是PLM/PDM/ERP的替代品，而是叠加在它们之上的AI智能层，前者解决"数据有序"，后者解决"数据有用"。

5.1 三大传统系统的定位

这些系统的共同特征是：它们都是"数据管理系统"，管存储、管流程、管版本、管权限。它们解决的核心问题是"数据有序"。

5.2 CADDi与PLM/PDM/ERP的边界

5.3 三个关键问题的辨析

问题1：如果企业已经上了PLM，还需要CADDi吗？

需要。PLM管着数据但没让数据"变聪明"。PLM里的数据本质上是"存着"的，不能被AI搜索、不能做形状比对、不能让AI Agent自主分析。同时，大量历史图纸根本没进过PLM——PLM是近15-20年才普及的，但制造企业可能有30-50年的图纸积累。

问题2：CADDi会往PLM方向延伸吗？

CADDi的第四层涉及设计、采购等功能，但定位始终是"AI数据智能层"而非"流程管理层"。两者是协作关系，不是替代关系。

问题3：CADDi到底算什么品类？

CADDi是一个全新品类："制造业AI数据智能层"。传统工业软件解决"数据有序"，CADDi解决"数据有用"。

5.4 数据资产化理论的交叉验证

《数商：工业数字化转型之道》提出数据成为资产的三个前提：能带来经济收益、能在企业内部自由流动、能传递给正确的人和机器。CADDi恰好解决了这三个前提。

工业技术软件化理论的交叉验证

《工业技术软件化：中国工业软件发展之路》提出核心理论：把工业中"只存在于有经验员工脑子里"的隐性知识，通过软件化变成可积累、可整合、可重用的显性资产。CADDi第四层"决策和结果自动捕获为数据"的设计，本质上就是"隐性知识显性化"的产品化实现。

管理壳→管理核→管理脑。《工业软件云战略》（华为工业软件军团著）提出工业数据管理三阶段演进，与CADDi四层架构存在结构性呼应：

• 管理壳
  ：给多源异构数据套标准化外壳 → 对应CADDi第一层"数据层"
• 管理核
  ：基于对象数据模型构建，数据原生互联互通 → 对应CADDi第二层"语义层"
• 管理脑
  ：数据管理升维到知识管理，具备智能属性 → 对应CADDi第三层+第四层

第六章 国内外对标分析

本章回答"CADDi有没有对标对象"。分三个层次：先与怡合达深度对比，再扫描国际竞品，最后分析CADDi为何能独占这个位置。核心判断：CADDi目前无直接竞品，做"AI解读已有图纸"的独此一家。

6.1 CADDi vs 怡合达：底层逻辑相似，赛道完全不同

怡合达对标日本米思米（MISUMI），做FA工厂自动化零部件一站式供应。2024年营收25亿元，归母净利润4亿元，毛利率约35%，230余万个SKU，近4万家客户。

怡合达的商业模式：把分散的零部件做标准化设计，整合供应链，做成一站式采购平台。赚的是供应链差价。壁垒是230万SKU体系——"抄几百万个更难上加难，都是时间累积出来的"（金立国原话）。

底层逻辑对比："隐性资产显性化"

关键差异：成本结构完全不同

怡合达卖的是实物，有物理库存和物流成本，总成本随规模线性增长。CADDi卖的是数据服务，多一个客户边际成本几乎为零。这个差异带来三个后果：

• 增长天花板不同
  。怡合达受限于供应链能力；CADDi受限于获客和数据积累。
• 壁垒来源不同
  。怡合达是"时间累积出来的供应链体系"；CADDi是"技术专利+数据网络效应"。
• 利润率结构不同
  。怡合达毛利率约35%-40%；CADDi作为SaaS理论上70%-90%（具体财务数据未公开，行业惯例推断）。

6.2 国际竞品扫描

未找到与CADDi模式高度对标的海外公司。

AI+CAD设计生成方向

关键区别：以上都是生成CAD（从无到有创建设计），而CADDi是解读CAD（从已有图纸中提取和搜索数据）。方向完全不同。

Autodesk、PTC等传统厂商正在给自有CAD/PLM生态叠加AI能力，但都是自有生态内的增强，不是跨系统的图纸数据挖掘。

6.3 CADDi为何能独占这个位置

• 市场认知门槛高
  ："制造业老图纸的数据挖掘"不起眼但价值巨大
• 技术壁垒高
  ：手绘图纸识别+形状搜索需要深厚的制造业领域知识
• 行业壁垒高
  ：需要与制造企业建立信任关系才能获取图纸数据
• 日本制造业的特殊土壤
  ：大量中小制造企业，图纸积累深厚但数字化程度低

理论验证：《工业技术软件化》指出"工业软件平台与国外先进水平的差距并不大"，"掌握了平台也就掌握了未来工业软件制高点、话语权"。CADDi做的不是单点工具增强，而是跨系统的数据智能平台。

第七章 CADDi模式复制到中国的机会与障碍

本章回答"CADDi模式在中国能不能走通"。先看中国土壤，机会和障碍各是什么；再从政策、资本、人才、产业、定价模式五个维度，直接给判断。

7.1 中国土壤：机会与障碍

机会：痛点同构，市场空档，政策已起风

中国制造企业同样有30-50年图纸积累、"存而不用"的老问题。研发设计类工业软件国产占比仅约5%，空档最大。同期中国工业技术软件化率已达50%，工业互联网App培育超30万个，基础设施已有一定积累。

障碍：付费意愿错配，数据上云顾虑

第一道，付费意愿与数字化效果错配。从大客户看，要说服其额外采购一层AI智能，需要的不是理念宣讲，而是可量化的ROI。从中小企业看，他们不是不愿意为数字化付费，而是没见到效果。它们不是没试过，买过系统用不起来，请过顾问没落地，对数字化从期待变成了抗拒。厂商卖的是工具使用权，没卖工具跑通的结果，工具交付了，能力没交付。老板得亲眼看到订单交付准时了、成本可控了，才会相信数字化有用。纯SaaS卖授权的模式，没有提供这个"跑通"的过程。

第二道，数据上云顾虑。大量图纸涉及军工、涉密、高精尖行业，企业对图纸数据上云授权的顾虑比日本更敏感。安全合规是比技术更前置的卡点。

7.2 五个维度的判断

7.1节回答了土壤问题，这一节从政策、资本、人才、产业、定价模式五个维度，直接给判断。

判断一：政策维度——国家在押注垂直AI落地制造业

中日两国政策几乎同步从"通用"转向"垂直"。日本2026年7月《AI基本计划》首次将"垂直AI"列为国家战略支柱。中国工信部等八部门联合发布《"人工智能+制造"专项行动实施意见》，核心导向都是从通用大模型转向行业垂直应用。

两国政策为什么同时转向？因为制造业AI走到了深水区。通用大模型能写文章、能画画、能聊天，但读不懂一张工程图纸。国家押注的是"垂直AI+行业数据"，不是通用大模型的参数竞赛。

判断二：资本维度——资本在押注AI收敛到制造业

华山资本创始合伙人杨镭，被投企业IPO成功率极高，被称为硬科技"狙击手"。他在访谈中说："我不管你今天再先进的AI，再先进的机器人，到最后用一句通俗话说就是最后全是制造业。尘归尘，土归土，都会落到商业现实的那一步。"他还给创业者提了一个忠告："不要光从技术出发，要从市场出发。"

摩根士丹利2026年9月发布220页蓝皮书《中国新工业革命》，预测2026至2035年工业5.0带来的增量资本开支约12万亿美元（约80万亿元人民币），将工业智能列为三大支柱之首。

从华山资本的"狙击"到摩根士丹利的"超级周期"，视角不同，指向一致：AI最终要落到产线上。

判断三：人才维度——复合型人才是最大瓶颈

华为工业软件与工业云首席技术官丘水平披露："未来五年我国工业软件领域的人才缺口大约在20万，人才需求每年以50%以上的速度在增长。"

根因在于工业软件需要既懂软件技术又熟悉工业流程的复合型人才，但当前高校培养体系中，计算机专业学生缺工业知识，传统工科学生难掌握复杂算法开发。2026年教育部新增29个高校专业中就有工业软件，但人才培养是慢变量，20万缺口不可能三五年填上。

判断四：产业维度——核心是帮客户跨越从"买了"到"用了"的死亡谷

行业普遍引用的参考数据显示，科技成果未经中试验证，产业化成功率仅约30%；经过中试验证后，成功率可跃升至50%至80%。这个从30%到80%的跃升，靠的不是更好的软件，而是帮客户把软件真正跑起来的人。

CADDi的FDE驻场模式，本质上就是在帮客户跨越这个"死亡谷"。100多人的客户成功团队比销售团队还大，做的都是同一件事：派人陪客户跑通从"买了"到"用了"的那段路。

判断五：定价模式——从卖工具到卖结果

工业软件的定价逻辑正在被重写。

红杉资本在《Services: The New Software》报告中提出：下一个万亿美元级公司，将是一家"伪装成服务公司的软件公司"。核心论据：企业每花1美元在软件工具上，就要配套支出约6美元在人力和业务服务上。AI让"卖结果"成为可能，直接切入那个远大于工具市场的劳动预算池。

盛景网联董事长彭志强在《AI时代创新法则：AI RaaS模式重新定义企业》（与刘燕合著）中给出更直白的数字：中国99%的SaaS公司都处于亏损状态。他举了一个矿山运输的例子：卖无人驾驶套件（工具模式）利润200万元，按运输量收运营服务费（结果模式）利润可达5000万到1亿元，25到50倍的差距。

实际案例已经在发生。Salesforce正从按席位订阅转向基于成果的定价模式，Agentforce按每次对话收费，AI与数据产品ARR接近39亿美元（据2027财年Q2财报），同比增长超过210%。西门子全球执行副总裁、西门子中国董事长、总裁兼首席执行官肖松说得更接地气：厂长不追问模型架构和参数，想知道的是设备能否适配运营系统、能否稳定完成任务、多久需要人工介入、失误率多高。西门子的Eigen工程智能体生成的PLC代码和设备配置最终要进入真实生产系统，出了错就是返工和停机。

这些信号指向同一个判断：未来真正卷的是能力。CADDi的FDE驻场模式、ROI导向的销售策略、按业务场景挂钩的收费方式，本质上已经在走"对结果负责"的路。杨镭说"所有事情还归到商业本质，能不能活下来"，这个"商业本质"在工业软件领域，就是客户买的不是软件，是软件帮他解决的问题。

附录：数据来源与可信度说明

信息缺口（未公开/待补充）：CADDi的具体收费模式和价格区间、客户精确数量和收入规模、AI模型训练数据来源和规模、在中国的具体业务形态、技术团队的详细构成。