CADDi D 轮融资估值翻倍以上，但工厂数据才是真正考验

CADDi 以 12 亿美元估值完成 1.14 亿美元 D 轮融资，较这家制造业 AI 初创公司 2025 年 3 月披露的估值增长超过一倍。CADDi 的 D 轮融资使这家专注型软件公司成为市场密切关注的试金石：AI 能否真正处理工厂内部的图纸、生产记录和未被记录的决策。

这家总部位于东京和芝加哥的公司，并未承诺打造更出色的通用聊天机器人。它希望在计算机辅助设计文件、技术图纸、采购记录、企业软件及其他制造系统之间构建共享数据层。其软件随后利用这些互联信息，支持搜索、设计评审、采购决策以及专业 AI Agent。

这一思路让 CADDi 面对的对手比任何一家初创公司都更根深蒂固。制造商早已依赖成熟供应商提供的产品生命周期管理、企业资源规划、文档存储和工程工具。CADDi 必须证明，新的智能层能够连接这些系统，而不会沦为又一个孤立的信息库。

CADDi D 轮融资重估制造业 AI 的押注

这笔新融资所认可的是 CADDi 的数据战略，而不只是其搜索技术图纸的能力。

据公司及 Fortune 发布的融资报道，本轮融资于 2026 年 9 月 15 日披露，共有 8 家新老投资者参与。

新投资者包括 Moore Strategic Ventures、Coreline Ventures、Salesforce Ventures、丰田支持的 Woven Capital，以及 Recruit Holdings 旗下 HR Tech Fund。现有投资者 Atomico、Globis Capital Partners，以及由日本邮政银行一家子公司管理的基金也参与了本轮融资。

CADDi 的日文D 轮融资公告显示，本次交易金额为 177 亿日元，公司估值为 1820 亿日元。公告称，其累计股权融资额已达到 363.1 亿日元。

此次融资延续了短期内的大幅重估。CADDi 在 2025 年 3 月披露的估值为 4.7 亿美元，最新的 12 亿美元估值约为当时的 2.6 倍。

该公司表示，本轮融资使其累计融资额达到 2.34 亿美元。这笔资金将支持四项重点工作：自主 AI 研发、制造业数据平台扩展、以北美为中心的国际化增长，以及招聘。

这些重点反映出 CADDi 的雄心已发生变化。该公司最初聚焦于重复零件、技术图纸和采购决策这一相对狭窄的问题，如今则希望成为支撑多种工程和生产工作流的信息基础。

其原始产品 CADDi Drawer 可导入技术图纸，并在制造商记录中寻找相似零件。这种搜索能够帮助客户复用库存、重新选择既有供应商，或重新评估采购决策。

此后，CADDi 将该产品更名为 CADDi Explorer，并围绕它扩展出更大的软件产品组合。CADDi Agent 负责处理明确界定的制造业分析任务，工作流应用则面向设计评审、成本分析、报价和生产准备等场景。

这一扩展的重要性超过了“独角兽”标签。搜索是有用的切入点，因为员工能够立刻理解四处寻找图纸的挫败感。更大的商业机会取决于能否将这个搜索索引转变为贯穿产品生命周期的基础设施。

CADDi 表示，其销售额每年增长超过一倍，但尚未披露营收或客户总数。该公司称，其客户分布在 22 个国家，且日本 100 家最大制造商中超过一半使用其软件。

这些数据由公司提供，而非经审计的上市公司指标。不过，它们仍有助于解释投资者为何支持其扩张战略，而非仅押注于单一功能产品。

本轮融资也为 CADDi 推进企业级部署争取了时间，而这通常涉及安全审查、系统集成、数据准备和员工培训。这类项目不能按照消费软件的采用周期来评估。

因此，这笔融资设定了一个严苛的衡量标准。CADDi 必须证明，其扩展后的产品线能够在工程、采购、质量和生产团队中形成更深入、可复制的应用。

制造业数据为何成为争夺焦点

制造商并不缺少信息；他们缺少一种可靠方式，来连接由不同人员、格式和系统生成的信息。

一张技术图纸所承载的不只是几何信息。它还可能包含材料、公差、表面处理、尺寸、修订历史和制造备注。相关决策可能散落在采购系统、质量报告、电子表格、电子邮件，或资深工程师的记忆中。

通用语言模型最擅长处理易于获取的文本。当任务需要解释几何结构、匹配视觉上相似的部件，或追踪设计变更在生产和质量记录中的影响时，它们的可靠性较低。

CADDi 表示，它通过面向制造业专属数据的自主模型来填补这一空白，包括二维图纸和三维 CAD 文件；对于文档和电子表格，则使用通用大语言模型。

这种区别界定了其战略。平台并非要求一个模型理解所有工业格式，而是将专业化解析能力与更广泛的语言能力结合起来。

其制造业平台包含四个概念层。第一层导入并分析运营数据；第二层加入关联关系和业务语境；第三层通过搜索和 Agent 提供信息访问；工作流产品随后捕捉新的决策和结果。

最后一步很重要。当日常工作持续补充结构化语境时，数据平台会变得更有价值。一次图纸搜索可能揭示过去的缺陷，而一次完成的评审则会记录工程师为何批准新设计。

随着时间推移，这一闭环能够将彼此脱节的文件转化为组织知识记录。它还能降低企业对那些记得文件存放位置，或知道前一团队为何选择某个供应商的员工的依赖。

CEO Yushiro Kato 向 Fortune 表示，超过 80% 的制造业工作流程知识从未被记录。CADDi 尚未提供支持这一确切比例的独立研究，因此应将其视为创始人的判断。

更广泛的基础性挑战已得到认可。McKinsey 发现，46% 的受访首席运营官认为数据、IT 和运营技术系统的局限性构成障碍。其制造业 AI 研究指出，陈旧基础设施和低质量数据是具体阻碍之一。

这一发现有助于解释本轮融资的时机。制造商正在尝试 AI，但许多企业无法超越狭窄的试点阶段，因为其运营数据仍然碎片化。

CADDi 押注于应当将数据问题与应用问题一并解决。其平台不要求客户丢弃所有现有系统，而是旨在从这些系统导入信息、建立关联，并使整合后的记录可供使用。

这种方式具有现实吸引力。替换核心 ERP 或产品生命周期管理系统可能成为持续多年的项目。智能层承诺提供一条更渐进的路径：从搜索缓慢或重复劳动带来显性成本的工作流开始。

然而，在碎片化系统之上叠加软件，并不会自动修复底层数据。重复的零件名称、缺失的修订记录、不一致的访问规则和不准确的数据，仍需要治理。

AI 可以让互联数据集更容易查询，但无法保证数据集反映当前工厂情况、已批准的规格，或一线员工所知的每一个例外情况。

因此，这笔融资正值有利时机，但也面临困难局面。企业买家希望立即获得可用的 AI，而支撑它所需的信息仍分散在数十年的软件系统和本地实践中。

CADDi 正在挑战碎片化的工厂技术栈

CADDi 的主要对手是碎片化的工厂技术栈——一系列至关重要、却很少能够提供统一工程知识视图的系统。

制造商已经拥有用于产品设计、企业规划、质量控制、文档管理、采购和工厂执行的软件。Siemens、PTC、Autodesk、Dassault Systèmes、SAP 和 Oracle 等大型供应商占据了这一环境的不同部分。

这些供应商并不能与 CADDi 简单互换。有些负责管理权威产品记录，另一些则支持设计、规划或生产。它们也持续在各自的平台中增加 AI 功能。

CADDi 的主张是，即使制造商已经部署这些系统，有价值的知识仍然难以检索。工程师可能需要搜索图纸服务器、查看 ERP 记录、打开质量文档，并咨询资深同事，才能决定过去的设计是否可以复用。

这家初创公司希望 CADDi Explorer 成为贯穿该流程的发现层，随后再让 CADDi Agent 及其工作流产品承担明确的分析任务。

例如，CADDi Design Review 会根据与相似零件相关的问题检查新的图纸或模型。该公司称，这能够更早发现潜在错误，并保留原本可能只存在于个人项目经历中的经验教训。

CADDi Agent 还支持零件标准化和质量影响评估。在这些场景中，软件必须识别相关记录，并帮助员工评估拟议变更将如何影响性能或安全性。

相比提供一个带有制造业界面的通用助手，这是一种更具防御力的定位。技术图纸和生产历史需要专业化的数据导入、索引、权限管理和领域关系构建。

但这也更难实现。软件必须在连接记录的同时，保留决定信息是否可信的修订状态、产品语境和访问控制。

CADDi 的优势可能来自在同一数据基础上部署多种应用。以图纸搜索起步的客户，无需为每个工具建立单独的数据集，即可增加设计评审、成本分析或报价工作流。

风险在于，成熟软件供应商也可以采取类似路径。产品生命周期管理供应商已掌控重要的工程记录；ERP 供应商拥有采购和规划语境；云平台能够提供存储、模型和 Agent 构建工具。

因此，CADDi 必须证明其在这些系统之间的价值。它需要比制造商内部集成团队更有效地连接记录，同时交付现有供应商尚未提供的应用。

其从一个发现产品扩展至六个工作流产品，体现了它计划如何守住这一位置。每个工作流都能生成更多结构化数据，并使核心平台更难被替代。

这一战略类似于一个复利式知识系统。搜索让历史数据变得可用，应用程序在实际工作中使用这些数据，而已完成的工作则为后续决策创造新的上下文。

但这也需要严格的产品纪律。若要支持设计、采购、质量和制造工程，产品套件很容易在每个应用真正成为必需品之前就变得过于庞杂。

投资者正大举押注 CADDi 管理这种张力的能力。公司必须足够广泛，才能成为共享基础设施；同时又不能过于分散，以至于无法与专业工具竞争。

从图纸搜索到 AI Agents

CADDi 估值背后的机制，是从查找文件转向利用制造业上下文执行决策。

传统企业搜索回答的是位置问题：相关文档在哪里？CADDi 希望其平台回答的是关系问题：这一设计与此前的零件、供应商、成本、缺陷和决策如何关联？

这需要的不只是光学字符识别。系统必须能够解读文字和图形，关联相关记录，并保留源系统中的元数据。

图纸之间的视觉匹配可以揭示，两个团队曾以不同编号订购了几乎相同的部件。采购数据可以显示每个部件的成本及其生产供应商。质量记录则可以揭示某一版本是否反复引发缺陷。

当这些关系变得可见，平台就能支持业务决策，而不只是检索文件。工程师可以评估复用机会，采购人员可以比较采购历史，质量团队则可以检查此前的纠正措施。

AI agent 层将这一模式进一步延伸。Agent 是利用模型和工具完成特定工作序列的软件。在 CADDi 的场景中，相关工作包括分析标准化机会，或评估工程变更带来的影响。

公司决定为图纸和 CAD 数据构建专有模型，针对的是一个真实限制。Kato 对 Fortune 表示，通用语言模型对技术图纸的理解尚不足以独立执行设计审查。

这并不意味着 CADDi 的模型能够独立批准安全关键型工程变更。该公司将其产品定位为分析和决策支持工具，而工程判断的责任仍由人工团队承担。

一个实际案例来自美国结构紧固件制造商 Unytite。该公司借助 CADDi Drawer 集中了超过 60,000 份图纸和生产文档。

CADDi 表示，Unytite 的研发团队将工程和生产搜索时间缩短了逾 90%。公开的客户案例还描述了质量员工如何交叉核对图纸、警报和纠正措施。

由于该案例由 CADDi 发布，所称改进最好被视为供应商报告的客户证据。不过，它仍说明了为何搜索是一个有效的起点。

初始任务容易理解，客户也可以衡量部署前后查找记录所耗费的时间。搜索还能在不立即将复杂决策委托给 agent 的情况下创造价值。

更困难的阶段始于客户利用关联数据改变设计、采购选择或生产流程之时。届时，错误将带来更严重的运营后果。

错误的搜索结果会浪费时间。不完整的质量影响评估则可能忽略重大风险。这一区别使可追溯性至关重要。

用户需要知道哪些记录支撑了 AI 回应、这些记录是否代表当前修订版本，以及仍存在哪些不确定性。制造业 AI 不能只依赖看似合理的语言。

CADDi 的工作流产品可通过将 agent 限定在明确的上下文和任务中发挥作用。相较于试图回答所有制造业问题的开放式助手，范围有限的工作流更容易评估。

产品转型仍将需要证据。CADDi 必须证明，其 agents 能够缩短工程交付周期或降低材料成本，同时不会在其他环节增加审查负担。

如果成功，数据平台就不再只是可搜索的档案库。它将成为制造商复用机构知识、协调跨部门决策的一层基础设施。

估值并不能证明什么

12 亿美元估值表明了投资者信心，但并不能证明 CADDi 的扩展平台已经实现持久采用。

该公司尚未披露收入、客户数量、留存率、合同规模，或使用多种产品的客户占比。这些指标对于评估 CADDi 是否正在成为基础设施，还是仍然只是若干前景可期的部署项目，至关重要。

据报道，过去一年销售额增长超过一倍。由于未披露比较基数或收入数字，这一增长无法与其他工业软件公司直接比较。

员工规模提供的也是不完整信号。CADDi 已从 2025 年初约 600 名员工增至约 900 名。这种扩张支持产品研发和国际销售，但也提高了维持增长的成本。

北美将是一个尤其严苛的市场。制造商在数据成熟度、监管义务、内部术语和软件架构方面差异很大。适用于一位客户的集成方案，可能需要为另一位客户进行大量调整。

变革管理也是另一项障碍。根据 Fortune 的报道，Kato 将其视为采用过程中的最大阻力。员工必须信任结果、调整熟悉的流程，并以足够一致的方式记录决策，才能改善共享数据层。

这形成了一个困难的循环。CADDi 需要用户参与来捕捉隐性知识，但在平台尚未稳定地帮助他们之前，员工参与的意愿会较低。

公司还必须应对治理问题。工程文件可能包含受出口管制的信息、商业机密、个人数据、供应商条款或与安全相关的规格。

连接记录提高了它们的实用性，但也扩大了权限薄弱的后果。搜索或 agent 界面必须遵守从多个源系统继承而来的限制。

准确性需要在工作流层面进行评估。模型在演示中可能看起来很有效，但仍会遗漏特殊公差、过时修订版本或未记录的生产限制。

制造团队需要可追溯的输出，而不是缺乏依据的建议。他们还需要用于修正数据并将这些修正反馈到系统中的流程。

竞争带来了更多不确定性。现有工程和企业软件公司可以在客户已信任的产品中植入 AI。云服务提供商则可以提供用于构建定制检索系统和 agents 的工具。

一些制造商可能会更偏好这些选择，因为它们能维持现有供应商关系。另一些制造商则可能在其数据或工作流过于专业化、不适合共享产品时开发内部系统。

CADDi 的应对方式是垂直整合。它在一个平台中结合了数据摄取、领域特定解释、发现、agents 和工作流应用。

这种广度只有在各组件彼此强化时才能构成差异化优势。如果部署需要大量服务或人工准备，增长可能会更难标准化。

最有力的证据不会来自又一则融资公告，而是来自客户跨部门扩展使用，并在首个可衡量用例后继续续约。

在 CADDi 报告更多运营指标之前，其估值应被视为对未来平台覆盖范围的一项主张。它并不能证明公司已经取代了自己希望连接的碎片化系统。

三个信号将检验 CADDi 的制造业 AI 战略

下一阶段将通过产品深度、北美采用情况，以及客户从搜索转向可重复 AI 工作流的证据来衡量。

第一个信号是多产品采用。CADDi 已从 Explorer 扩展至 Agent 和六个工作流应用。关键问题在于，现有搜索客户是否会增加使用设计审查、成本分析、报价或生产应用。

这种扩张将强化平台论点。它将表明，一个关联的制造业数据集能够支持多个工作流，而不仅仅是一种文档搜索产品。

有限的扩张则会指向相反方向。它可能意味着图纸搜索解决了一个有价值的问题，而更广泛的应用仍难以部署，或与现有软件重叠。

第二个信号是北美客户增长。CADDi 自 2023 年起在美国开展业务，如今计划将该地区置于其全球扩张的核心位置。

具名部署、续约和客户推荐将比办公室扩张或招聘更重要。北美制造商构成了严苛考验，因为它们运行着多样的遗留系统，并且往往提出严格的安全要求。

来自多个行业的证据将尤其具有意义。汽车、工业设备、电子和合同制造业都面临数据问题，但它们的工作流和监管压力各不相同。

第三个信号是 AI 辅助决策带来的、可验证的运营影响。缩短搜索时间很有用，但 CADDi 更高的估值取决于诸如缩短工程周期、减少重复设计、降低材料成本或加快质量调查等成果。

这些成果应包括明确的基线和定义清晰的衡量周期。它们还应区分软件带来的结果与部署期间引入的更广泛流程变革。

CADDi 已在其平台上强调客户成果，包括节省的工时和调查时间的缩短。更多经独立记录的案例将使公司的表现更容易评估。

读者还应关注 CADDi 如何描述人工监督。从检索走向设计或质量决策，提高了对可解释性、权限和验证的要求。

最可信的扩张将保留与源记录的链接，并让承担责任的员工参与具有重要后果的工作流。一个以流畅回答掩盖不确定性的系统，将削弱更广泛采用的理由。

CADDi 的融资表明，投资者将制造业数据视为企业 AI 的宝贵基础。这个押注可以理解：工厂拥有数十年的知识，但这些知识仍难以检索、连接或复用。

尚未解决的问题是，一个平台能否跨系统组织这些知识，同时不再现它原本旨在解决的碎片化问题。

对于工程和运营团队而言，实际的应对方式是先审视一个可衡量的工作流。识别员工在哪些地方反复搜索图纸、重建过去的决策或比较相似零件。然后评估该平台是否在保留可追溯性的同时改善了这项工作。

构建自有可搜索技术资料库的团队，也可以参考工程知识库应如何处理分散文档与检索。

如果这些初始工作流能够扩展为跨部门使用的可信数据层，CADDi 的 D 轮融资将显得合理。若采用止步于文档搜索，这笔资金就等于将一款有用产品重新定价为一个规模大得多的平台。

未来几次客户部署应会揭示，哪一种结果正在形成。