ARTICLE · 1325045

沃顿 AI 教授:别再开软件公司了,钱不在那

发布时间：2026-11-07 10:52:48 最近访问：2026-11-07 10:52:49

现在最不缺的就是"AI 时代该怎么做"的建议，缺的是有研究数据支撑的判断。Ethan Mollick 是沃顿商学院教授，研究创业与创新，主持沃顿生成式 AI 实验室，《时代》杂志评的 AI 领域百位影响力人物之一。在这场对谈里，他给了几个反直觉的判断：为什么现在不该急着开软件公司；为什么"人人都能写代码"反而让行家更值钱；为什么实习生把作业丢给 AI 正在拆掉延续几千年的职业训练体系；以及他管 AI 智能体的方法为什么和管人一模一样。没有口号，基本每条都能落到你下周的工作里。

别再想着开软件公司：卖铲子不如挖金矿

硅谷这些年有个标准答案：淘金热里，最稳的生意是卖铲子——做工具、做 SaaS、做基础设施。Mollick 直接反对这个类比，他研究技术史：工业革命里真正发大财的，不是卖蒸汽机的人。

“你不想卖铲子，你想用新的挖矿技术，自己去挖金矿。”

意思是：如果你能用 AI 让某个生意效率翻倍，别把这个能力包装成软件卖给别人，自己下场把生意做了。软件正在从"产品"变成"基本功"——他的 MBA 学生过去十年的第一课是"找个会写代码的技术合伙人"，现在不需要了。Anthropic 的一组研究甚至发现，管理者用 AI 写出的代码，第一稿质量已经超过程序员，因为这件事的核心从"会写"变成了"能讲清楚要什么"。

纯 SaaS 公司的处境确实在变差：大客户发现很多创业公司卖给他们的，其实是他们自己用现有模型就能做的东西。这不是说软件行业完了，而是"只会做软件"不再构成一门生意。

好想法没有升值，升值的是把想法试出来的速度

很多人以为 AI 时代"点子"更值钱了，Mollick 的数据正好相反。

他说想法从来就不值钱。创业课上最常见的冲突，就是出主意的人想独占功劳；但一个学期下来，活下来的项目早就不是当初那个想法了。顺带一个反直觉的规律：创意研究里有个"等概率法则"——想法产出越多的人，好点子的绝对数量也越多，数量和质量并不矛盾。现在 AI 能源源不断地产出想法，想法只会更便宜。真正变化的是试错的成本结构：过去二十年整个创业方法论——精益创业、最小可行产品、YC 的小额种子轮——全部建立在"验证想法越来越便宜"这一个事实上，而 AI 把这个成本打到了地板。你甚至可以让 AI 扮演客户做第一轮反馈——它不是真客户，但是个不错的第一关。

“AI 不是你的客户，但它是个相当好的模拟客户。”

背景数据：约一半美国人在过去五年里自认为有过不错的创业想法，几乎没人动手。挡着他们的从来不是想法，是验证的成本和麻烦，这个门槛现在正在消失。

人人都有 Claude 之后，差异从哪来

主持人的问题很扎心：当每个人都让 Claude 帮着定战略，怎么保证自己听起来不跟别人一样？

Mollick 说这不是假设，已经在发生。早期用 Claude 写东西的人占了便宜，因为没人认得出 AI 的笔法；现在打开 LinkedIn 或 X，"那股味道让人反胃"——不只是措辞，连看问题的角度都趋同。他们实验室做过对比实验：使劲引导之后，AI 产出的点子可以接近人类群体的多样性，但把两边的点子铺开对比，AI 仍然盖不住人类点子的全部范围。他的结论是，AI 会把所有人推向一个"最大公约数策略"，在你赖以吃饭的那个领域，差异化和护城河必须有一部分是人贡献的。

“否则你转发的只是 Claude 的想法，而 Claude 的想法长得都一样。”

他给出的解法有四样：深度知识（你在某个领域的真功夫，否则你分不清 AI 给的是金子还是套话）、广博知识（懂一点自己领域外的东西，才能把 AI 用得更宽）、主动性、以及品味。品味是可以练的——他现在把艺术史教授请进创业课堂，让学生学"设计师是怎么看世界的"，因为品味的前提是先有一套描述好坏的语言。

一个佐证来自肯尼亚的实地实验：创业者拿到 AI 经营建议后，本来生意就好的那批人利润提升了 18%——这在创业干预研究里是个夸张的数字；但生意已经在下滑的创业者完全没被救回来，因为他们没有能力执行建议。AI 放大的是你已有的东西。

实习生把作业丢给 AI，拆掉的是四千年的学徒制

这是整场对谈里 Mollick 最担忧的一点，和"AI 抢工作"的常规担心不是一回事。

白领行业的训练体系几千年来都是学徒制：新人什么都不会，但便宜、肯拼命，替中层干脏活累活；作为交换，他们得到指点、学会门道、往上爬。这个交换现在断了：新人交上来的东西，直接就是 Claude 的答案——不是因为他 digital native，而是他也不知道自己交的是什么；而中层很快发现，给真人改三遍不如自己让 AI 重做一遍。于是新人失去了被训练的机会。

“我们把培养了四千年职业品味的系统，整个拆掉了。”

公司面前有两条路。省事的：只招资深的人——初级岗位受挤压的早期信号已经出现。费事的：把培训重新当成正经事做，允许新人"低效率"，甚至给特定岗位增加一年定制训练。个人的应对只有一条：刻意给自己保留摩擦。学习科学里有个概念叫"合意困难"（desirable difficulties）：过程不费劲，就说明你其实没学到东西——思考这件事和健身一样，不出汗不算数。Mollick 的 Substack 有近五十万读者，所有文章初稿他仍然自己一个字一个字敲出来——不是清高，是他清楚 AI 的说服力太强，一旦让它起头，你读到的就只剩"Claude 的想法经你过滤一遍"。

管 AI 的最大错误，是太信任它

主持人提到一个插曲：她的 AI 助手自作主张把一份表格发出去了，同事回消息说"这不像你写的"。Mollick 自己也被 AI 给系主任发过邮件，他的管法是"MBA 的复仇"：过去商学院学生到处找技术合伙人，现在每个人都要管一群 AI，而管人的技术恰恰都适用。他在沃顿生成式 AI 实验室的实验结论是——对人有效的管理技术，对 AI 也有效。具体到操作：布置任务时写清楚什么算好、什么算坏；要求它在关键节点主动汇报，而不是一口气跑完；要求它给出几个不同方向的方案让他挑，而不是直接执行它自认最好的那个；项目早期盯得特别紧，因为"Claude 有自己的执念"，不及时纠正就会一路跑偏。

“人们犯的最大错误，是太信任智能体。”

他还点了一个产品层面的问题：现在的 AI 界面故意做成"魔法"——思考过程被藏起来，过程摘要在消失。这对自动化很友好，对协作是灾难。经理管人从来不是全程盯着，而是分配任务加设置汇报节点；对 AI，你得强制把这些汇报点建出来。

留一张"AI 还做不到"的清单，每月试一次

对"我快被甩下了"的焦虑，Mollick 的安抚很实在：你的冒名顶替综合征，人人都有。

“坐在这把椅子上接受你采访的 Anthropic 和 OpenAI 的人，也在现编。”

他的具体建议是反直觉的：别去追每一个新模型、新功能，而是给自己留两三个"未饱和基准"——AI 目前还做不到、但你能稳定复测的事。他自己的清单包括：从零产出一篇有品味的学术论文（现在能做到"正确"，做不到"有趣"）；从零 vibe code 出一个真正的创业公司；从零写出一个他真正想读的故事。每隔一段时间重测一次。清单里任何一项被攻破，就是他更新工作方式的信号——这比刷评测网站可靠得多。

同样别犯的另一个错：把今天的问题当成永恒的问题。主持人引用了一个"2030 年一半企业任务会跑在本地模型上"的预测，他直接说这是编出来的数字。企业连本地部署都不想搞，真正的解法永远是下一代更好的模型——别为今天的限制设计你的人生，要骑在指数曲线上。