Demo 光鮮 付費慘澹：AI 技術創業者的賽道實戰反思

導語

牛來電影火了——一張水墨畫海報，成品卻是3D建模。AI創業何嘗不是如此？Demo精美無比，投入市場又是另一回事。在金色財經「進取派會客廳」第六期直播中，Carl與主持人Tina聊了一個多小時：AI創業的核心矛盾如何從」能不能做」轉向」能不能賣」、純功能為什麼沒有護城河、Agent到底是工具還是僱傭兵、行業經驗怎麼變成真正的壁壘、以及新手到底該不該裸辭all in AI。以下為對話實錄整理。

Tina： 先跟大家做個自我介紹，也聊聊你目前在 AI 行業主要做什麼。

Carl： 我目前在香港知識產權領域擔任首席人工智慧技術官，同時也是 AI 基地的聯合發起人，TGO 鯤鵬會會員。這幾年一直在 AI 創業一線，從技術掃盲到商業落地，經歷了完整的周期。

一、從」能不能做」到」能不能賣」——AI創業的矛盾徹底變了

Tina： 牛來電影海報是精美水墨畫，成品卻是3D建模。跟我們AI產品很像——Demo都漂亮，投入市場又是另一回事。您怎麼看這個落差？

Carl： 這個落差其實蠻大的。所有OPC都面臨這個問題。2026年3月OpenClaw興起，大概3月10號左右開始提出OPC經濟。後來發現其實不是2026年提出的，25年就已經提出來了。每一個OPC背後都不是一個人，一般都是幾個OPC聯手。國家現在也說8個人以下也算OPC。一個人本身就不是普通人，他一個人就能頂一個組。你去看孵化器，真正入駐的都有很多背景，不是只懂技術，又有分發渠道，才是一個OPC。

我們看到一些AI產品金玉其外，用起來就比較demo，其實也比較正常。大家還是把編程的門檻想得太低了。你要做一個產品，要先做好架構，各方面去排查，至少技術債要比較小。但對於一個web coder來講，完成就完事了，他不管這些。功能是好的，他就覺得沒bug了，他也不清楚什麼叫沒bug——他認為發現不了bug就是沒bug。所以他覺得完成了。確實在這種情況下會有很多問題。

Tina： 如果AI產品能在48小時內被複製，什麼還能成為真正的護城河？如果明天有家融資多100倍的公司把你的產品全部複製，你最希望手裡還剩下什麼？

Carl： 純功能沒有護城河。但當一個東西做得足夠複雜的時候，也是有護城河的。大家都在抄美團，但餓了麼和美團用戶體驗還是有差異的。抄到後面軟體越來越複雜，必然會有相當的不同，是組織原因和人力所不可達的。

數據會成為一個護城河。一個東西的數字資產非常重要。你和一個用戶交流的閉環，他在你平台上留下的東西，都是很重要的。比如飛書，你在團隊里聊了2000條消息，就不會去換釘釘，因為這2000條也有成本。如何讓產品以最快速度達到2000條、3000條這樣的數量，是創業公司比較重要的事。

搶先發優勢也是。行動網路時代說的占據用戶心智——你在打空白市場的時候成本很低，但要拔掉別人已經占領的心智，成本可能要付出三五倍。哪怕巨頭都害怕這種競爭。所以就算他完全複製了，也不必過於擔心。創業公司有創業公司那種小打法、小的心思，基本都奏效。最重要的還是數據護城河、用戶交互和價值。

Tina： 當下AI創業的核心矛盾，已經從」做不出來」變成」人人都能做出來」了嗎？

Carl： 2月末3月的時候，其實是一個掃盲階段。你說Opus，很多老闆真不知道是什麼——那是Claude家最先進的模型。當時在北京，很多老闆說這邊工作流打通了AI，那邊也打通了，每個環節都用了AI自動化，但我們的問題非常困難能不能用AI打通。我說可以的，因為所有工程問題都是編碼問題。那個時候根本矛盾是大家都不知道怎麼落地。

到了六七月份，很多企業都說需要前端部署工程師，有了更深入的了解。AI創業的矛盾從完全的資訊差，轉變成了落地性。現在很多東西大家其實沒有做出來，但大家都覺得AI能做出很多東西。在我的感知中，大家都是在玩，可能就幾個行業真正能落地。

Tina： 沒人買單。

Carl： 對，沒人買單。OPC關鍵是能把東西賣出去，怎麼去成交。核心矛盾已經轉向了怎麼去賣。

Tina： OPC最大的競爭力，到底是創造產品的能力，還是判斷什麼不該做的取捨能力？

Carl： 目前來講，判斷什麼該做、什麼不該做，優先級更高。大家都能做的時候，創造能力是基礎。但OPC不像專業程序員，他做出來就覺得很爽。你會見到很多小夥伴做了一個產品A，沒來得及賣，就接着做第二個。第二個還沒賣，又想著稍微賣一下，但也沒時間賣。因為寫代碼實在太爽了，通宵達旦地熬，接着開始做第三個。判斷什麼該做、什麼不該做，其實是一個挺嚴重的問題。

AI項目還是要抓住付費痛點。怎麼抓痛點？你在商店裡找那些罵得比較慘的App，用AI重新做一遍，這就是比較好的方式——那是真正的剛需。但很多人光顧自己爽，不想賣，賣不出去，其實他也不是為了創業，就是為了自己開心。

二、Agent到底是工具還是僱傭兵？

Tina： AI Agent到底是幫人工作的輔助工具，還是能直接對結果負責的」責任主體」？如果AI可以對業務結果負責，還能被定義為傳統SaaS嗎？

Carl： 現在它還是一個幫人工作的提效階段。從GPT-3.5開始，我們就說怎麼提效業務。第一個被取代的方向是人工客服——大廠進來，當時GPT-4還很貴，怎麼用GPT-3.5做出GPT-4的效果，給它做工作流，讓它在幾個場景之間判斷是或否，怎麼給用戶賠償……到現在依然是一個輔助的過程。有human in the loop——人在業務循環中，人有審批權。它讓不管是IT從業者還是老闆，都能很快形成代碼或調研行研，但最後還是需要人來負責。

如果Agent本身能對結果負責，那它跟人一樣，也得有信譽。我們也沒有聽說哪個Agent——我的Agent比你的強，最多說Codex比別的強，或者Claude Code和Codex怎麼樣。它本身替人負責，是一個更高階的狀態。

如果AI真的對業務負責，它就不是傳統SaaS。傳統SaaS比如Windows，你買的是使用權，用成什麼樣還不知道，需要你個人對結果負責。但如果AI對結果負責，約等於你花錢雇了個人，要求這個員工有產出。就像美圖秀秀，你P成什麼樣還是取決於你自己。agent和saas，至少目前定位還是不一樣的。

三、行業經驗怎麼變成壁壘？不是堆知識庫，是固化決策鏈路

Tina： 很多創業者深耕行業20年還是沒建立優勢。到底什麼樣的行業經驗才能轉化為AI創業的核心壁壘？

Carl： 它不只是一個知識庫，更多是一種決策的鏈路。比如專家經驗——碰到什麼樣的問題、哪裡異常了，第一個該看哪個監控報表，順着trace順着鏈路去找，問題基本上發生在哪裡。如果只發生在這裡，就接着不思考了，不一定要刨根問底。專家的經驗是非常有用的。所有FDE都希望把專家大腦里怎麼判斷異常處理、隱形的決策鏈路固化成工作流。靜態資料是知識庫，行業經驗是決策流程。失敗的這種經驗，以及對於異常處理，才能形成一個AI決策系統。

四、高留存產品的秘訣：讓用戶看到自己變好

Tina： 很多AI產品曝光不錯、轉化也不錯，但用戶留存極低。怎麼打造高留存產品？

Carl： 很多產品都是獵奇體驗，沒有嵌入用戶的生產生活。占據用戶心智是很難的，不然行動網路時代也不會有那麼多大廠方法論——周留存、月留存、次日留存，都是需要的。一個月之後留存還能達到40%，已經很厲害了，說明不是功能的問題。如果少到一定閾值，就得想想產品有什麼問題。

儘可能沉澱用戶私有數據，讓用戶的投入成本高一些，遷移成本高一些，就不會拋棄得那麼快。AI時代構建護城河其實更難——連模型都是，說拋棄GPT就拋棄了，哪個好用就用哪個。

價值要可量化。用戶一定要看到自己使用後的變化。比如智能手環提醒你第二天多睡覺，有一個反饋。用戶覺得自己在變好，要有這種心理。你幫用戶把作業從一天縮短到3.5小時，這樣也可以。不管怎麼樣，一定要讓時間成本或節省的東西是顯性的、可量化的。

分清用戶是主動回來用，還是催着測試的。喬布斯做Next的時候，覺得自己做了很好的東西，市場並不買單。後來發現應該building public——用戶說該哪就該哪，他才取得成功。現在這個時代也是這樣。把東西拋出來，用戶很愛說兩句。抓住這些關鍵幾句，很容易讓產品有比較大的提升。不用擔心自己的東西沒有改進空間。

五、付費才是最高標準，但別被短期現金流綁架

Tina： 創始人怎麼建立自我審視機制，分清自己是看準了市場機會，還是陷入自我執念？

Carl： 付費是一個相當高的標準，比誇獎更能說明問題。評論說好，其實名譽和財富都是流動性很高的東西——你稍微改一點東西，市場可能就變了。但願意為你花錢，這是一個很重要的標準。

不過在AI時代，花錢的東西是最重要的之一，但它可能不是最最重要的。生態空白期，如果你做了一個非常短期看起來就很有效的事，最後可能也不是局部最大化的。你從這個26年看到35年，人工智慧時代從GPT好用、豆包好用是一個標誌，往後到35年可能是一個大的變革。在這個視角下，你的產品現在好用，但也要考慮到它對後面可能是一個負累——你很多時間都花在投入上面，雖然得到了現金激勵，創業是成功了，但未必未來10年就一定好。禍兮福之所倚，福兮禍之所伏。大家也沒有幾個能說清楚的。

六、未來一年，最值錢的是垂類Agent

Tina： 未來一年最具價值、最有潛力的AI公司會是什麼形態？

Carl： 垂類AI。24年死了一波，但現在大家還是在用AI做垂類生態，聚焦一個很小的點，解決精準的業務結果，容易賺到錢、拿到持續付費。基礎設施方面大廠壟斷了，通用Agent像豆包，同質化競爭激烈，用戶用腳投票。

付費付得好的，都是解決了很小痛點的。比如國外有專門做AI證件照的，付費效果很好——出去拍很浪費時間，AI生成真的很剛需。還有數字遊民地圖，數字遊民都很願意付費。解決了一個垂類很小的問題，都是有價值的，都是稅後收入，都比較容易盈利。

豆包你用得這麼頻繁，想一個月掏50塊錢，用戶都不掏。但解決一個具體問題，一個月掏100塊，用戶可能還是願意的。垂直行業、垂直領域、垂直數據，深耕一個小問題，比較容易盈利。

七、給新手的建議：別裸辭，先驗證

Tina： 零基礎、無技術、無資金、無團隊的年輕人，應該裸辭all in AI嗎？

Carl： 直接裸辭all in AI，問題還是蠻大的。我不推薦。AI創業門檻看着其實並不低，商業化門檻很高。無技術、無資金、無團隊，直接辭職風險比較大。

3月份那波風口已經不能再複製了。OpenClaw那一波有資本推波助瀾，有媒體效應，你不可能再想到有這麼一個現象級的東西再出圈。國民熱情已經被消耗完了，流動性已經枯竭了。3月份沒入局，到8月份再找生態位，非常困難。哪怕幾個月，也不太現實。

建議先兼職驗證，不要直接辭職。找到有人反饋，找到志同道合的人，再去找錢，慢慢來。年初的時候很多人想不到——連topcon25年都賣不出去，到了26年大家都哭賣。AI本來是用來coding的，突然就用來改變世界了，什麼都用AI，token供不應求。現在已經過去了，經濟大環境也沒有比25年好到哪去。

建議」雙跑」——一邊把工作做好，另一邊在閒暇之餘做自己的產品，看能不能兼顧。如果有可能的話，比裸辭要好。至少在現在是這樣。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。