AI能力越强，创业风险越大

Anthropic 最近发布了一份实用性很强的创业指南——《The Founder's Playbook: Building an AI-Native Startup》（创始人手册：打造 AI 原生创业公司），专门为那些从创立之初就将 AI 作为核心基础设施的创始人编写。需要原文的朋友可以在评论区留言。

"AI越强，创业失败率越高"

这是读完这本AI原生创业手册后，我脑海中挥之不去的一句话。

这句话很反直觉。但仔细想想，确实有道理。

先看数据。过去42%的创业公司因为"做了没人想要的东西"而倒闭。这个比例已经很惊人了。

现在AI将从想法到产品的距离压缩到一个下午的时间。按理说失败率应该下降——结果却相反，正在加速上升。

刚开始读到这句话时我不信。想了一天后，信了。

原因说穿了很简单：以前开发需要真金白银和三个月时间，这个成本本身迫使你想清楚再动手。融资路演、技术评审、排期计划……这些看似麻烦的环节，其实在帮你过滤掉一堆烂主意。每个摩擦点，都是一道让你停下来思考"这真的值得做吗"的关卡。

现在这堵墙没有了。你可以直接跳进去开干。

手册里称这为"假阳性PMF"。

PMF是产品与市场的匹配。判断标准只有一个：有人愿意为这个东西付钱。把"做出来了"当成"验证过了"，是这个时代最常见、也最隐蔽的自我欺骗。

我自己早期做coinift时也踩过这个坑。有个功能我觉得一定有用，花了两天做出来，上线，没人付费。我当时以为是推广问题，继续推，还是没人付费。后来在一次用户访谈里才明白：人们想要解决这个问题，但不愿意为解决它付钱。

这两件事差得很远，但在做之前真的分不清楚。更危险的是，AI会让你在这个坑里待得更舒服——因为它每次都告诉你：你的方向是对的，继续干。

(假阳性PMF)

第二个打中我的是AI的确认偏误问题。

你让AI帮你验证商业想法，它一定说好。你让它分析竞争对手，它会帮你找到一堆你比对方强的地方。你让它算市场规模，它一定给你一个能忽悠投资人的漂亮数字。

AI是顺着你走的。这不是它的问题，是它的设计——它被训练成对你有帮助、对你友好。但在商业验证这件事上，"有帮助"和"说真话"有时候是矛盾的。它在帮你把一个烂点子包装得无比精致，让你沉在里面出不来。

手册的建议是：把AI设定成魔鬼代言人。

不要问"我这个想法好不好"，要说：

"你是一个极其挑剔的硅谷VC，刚从十个失败项目里走出来，对创始人的自我感觉良好有强烈的过敏反应。帮我论证：为什么我的产品一定会死、我的竞争对手一定会赢、我现在最大的盲区是什么。"

我测试过这个prompt，第一次用在自己的项目上，有点不舒服，因为它说的有几条是对的。

那几条不舒服的地方，才是真正值钱的信息。

还有一个细节：不要在同一个对话里先夸你的项目、再切换成批评模式。AI有上下文惯性，它已经进入了"支持你"的状态，切换不彻底。直接开一个新对话，开篇就是批评框架，效果完全不同。

(确认偏误)

第三个是技术债的部分，这个跟我最近用Claude Code的体感完全吻合。

让AI自由写代码，像请了一个手脚极快但严重失忆的施工队。每次对话重置，上下文丢失，今天建个欧式阳台，明天挖个中式地窖，代码库最后成一盘散沙，没人能说清楚整体逻辑是什么、为什么这样设计、哪个部分动了会牵一发动全身。

这时候再想重构，成本比从头写还高。

手册给的解法是维护一个CLAUDE.md文件，把架构原则、命名规范、技术决策全部写进去，每次AI写代码前先读它。这个文件的作用不是限制AI，是给它记忆。

我现在在补的内容大概是这几类：这个项目是干什么的、核心用户是谁、哪些设计原则不能动、之前做过哪些重要决定以及为什么这样决定、已知的技术债在哪里、哪些区域是雷区不要乱碰。

这个我之前没做，吃过亏，现在亡羊补牢。

(失控的迭代)

最后一个数据我觉得值得单独说一下。

斯坦福数字经济实验室研究了51个真实的企业AI部署案例。结论是：77%的最难挑战不是技术，是变革管理、流程重组、数据架构。而且61%的成功项目，之前都有过至少一次彻底的失败。

这两个数字放在一起很有意思。大多数难题不是技术难题，而且成功之前几乎必须先失败一次。

手册里有个案例让我印象很深。一家翻译公司想用AI优化招聘，第一次让CTO主导，失败了。原因不是技术选型错了，是他们以为引入AI就能解决问题，但原来的流程本身就是断的——信息孤岛、审批节点混乱、评估标准不统一。AI进来，只是让这些问题暴露得更快、更难看。

第二次CEO亲自下场，先花三周把流程重新梳理清楚，统一标准，打通数据链路，然后再接AI进来。一个月之后，单岗位筛选时间从三小时降到三分钟。

同一家公司，同样的AI工具，完全不同的结果。

差别不在AI，在AI碰到的那个流程。

AI只会放大它碰到的系统。系统是烂的，AI让它烂得更快、更彻底、更难救。系统是好的，AI让它好得出乎意料。

(流程整理前后)

那什么才是真正管用的？

读完整本手册，我自己整理出三件事。

先验证付费意愿，再建产品。 不是做一个MVP，是在动手之前，找到愿意先付钱的人。哪怕是预购、定金、或者一封写了"我愿意为这个付X元"的邮件。有人愿意为此付钱，才是真的PMF。没有，就是你的感觉良好。

主动寻找反对意见。 把AI设定成批评者。把你的想法发给最挑剔的人，不是最支持你的人。主动问"你觉得这件事哪里不对""你不会付钱的原因是什么"。这些问题让人不舒服，但不舒服的地方是信息密度最高的地方。

把流程理清楚再接AI。 如果一件事你自己做都做不利索，让AI来做只会更乱。先把人的流程走通，走通之后AI能给你十倍速。AI是加速器，不是修复剂。

(想清楚了再出发)

读完这本手册，我在想一个问题：

当所有人都能在一个下午造出任何软件，竞争的终点不是执行力，是判断力——你选择造什么，以及你在动手之前，愿意花多少时间真的想清楚。

执行力这个东西，AI基本上已经帮大多数人拉平了。剩下的分野，是你判断"值不值得做"的能力，以及你有没有勇气在答案不确定的时候，主动去找那个最刺耳的反对声音。

我入场AI，做产品，交学费，见过一些项目因为这些原因死掉，也见过一些因为把这些事情想清楚了、活得出乎意料地好。

AI越来越强，这句话不假。但它放大的，是使用它的人。

拿着一个没想清楚的方向，AI会帮你跑得更快地撞墙。

在动手之前，认真问过了最难的问题——AI会让你比以前任何时候都跑得更远。

这件事AI帮不了你。得你自己来。