夜雨聆风文章字数3688字
阅读约需9分钟
2026年，AI创业正以令人眩晕的速度狂奔。
杭州、硅谷、北京、深圳，AI创业者沙龙场场爆满。数据显示，中国人工智能企业已超5000家，是五年前的三倍多。
无数创业者涌入这条赛道，有人6个月跑通MVP，有人从C端转向B端再杀回C端，有人日夜焦虑两个问题：能否抓住真实痛点？产品收入能否覆盖模型调用成本？
然而，在这片繁荣之下，一个更隐蔽的现实正在浮现：大多数AI初创企业，正在经历一场"华丽的挣扎"。
一位AI创业社区的负责人感叹：“AI发展太快了，产品太多了，但真正用起来的专业用户太少。”
为什么同样的配方，规模扩大后利润却没有同步？为什么用户增长的同时，成本像黑洞一样吞噬一切？为什么早期有效的策略，在推广到更广人群后莫名失灵？
这些问题，芝加哥大学经济学教授、沃尔玛全球首席经济学家约翰·A. 李斯特（John A. List）在其新书《势能效应》（The Voltage Effect）中给出了系统性答案。他认为，一个想法能否成功放大，并非取决于运气，而是由一系列可以被科学检验的"势能开关"决定。
开关一：你的数据，是真实信号，还是统计噪声？
2025年初，DeepSeek-R1横空出世，无数AI创业者看到"一夜爆红"的可能。但紧随其后，大批打着"AI+垂直场景"旗号的初创公司，在小范围测试中数据亮眼，却在规模化推广后迅速沉寂。
李斯特在书中揭示了这种现象的真相——“假阳性”。
所谓假阳性，是指你把一些证据或数据解释为它们证明了某件事是正确的，而实际上并非如此。这种情况可能源于统计误差，也可能源于我们大脑本能的认知偏差。
他举了一个亲身经历的例子：在为克莱斯勒公司设计员工健康项目时，第一次试点效果显著，但当他们在同一家工厂的另一群工人中重复实验时，效果却消失了。如果当初没有进行重复验证就直接推广，公司将损失数百万美元。
一款AI文档工具，可能在几百个深度用户手里好评如潮，但当它推向百万大众时，那些被早期用户忽略的交互痛点、学习成本、甚至简单的网络延迟，都可能成为压倒骆驼的最后一根稻草。
更危险的是，早期投资人和团队很容易陷入**“确认偏差”**——只看到那些证明自己"产品-市场契合"的数据，而选择性忽略那些致命的预警信号。
行动方案：
• 对早期亮眼数据保持警惕，主动寻找反面证据 • 在小范围验证后，进行独立重复实验 • 建立"魔鬼代言人"机制，让团队有人专门负责质疑假设
开关二：你的成功，是可复制的通例，还是无法重现的特例？
来福车曾想效仿Costco推出付费会员计划。李斯特起初就反对，他的判断依据是：网约车用户切换成本极低，真正的"乔古斯"（因会员而增加消费的用户）可能远少于"纳古斯"（本就高频，会员只为其省钱的用户）。后来的实验数据证实了这一点：如果强行推广，公司将陷入"补贴常客"的泥潭。
这个案例揭示了第二个势能陷阱：误判早期用户的代表性。
你的早期种子用户往往是技术极客、创业者同行，但当你想要服务更广泛的人群时，他们的需求、支付意愿、使用习惯，可能都与早期用户天差地别。
一个为"AI创业者"开发的工具，可能在一小撮人里口碑爆棚，但当你想卖给传统制造企业时，你会发现他们对价格的敏感度、对稳定性的要求、甚至对AI的认知水平，都与早期用户截然不同。
一个在硅谷验证成功的AI产品，到了东南亚市场可能需要完全不同的定价策略和功能定位。
行动方案：
• 绘制"用户地图"：列出核心用户和规模化后目标用户的特征差异 • 识别你的"乔古斯"和"纳古斯"——谁因激励而增加使用，谁只是占便宜 • 多站点测试，确保样本能代表目标人群
开关三：你的模式，是依赖"天才厨师"，还是依赖"标准食谱"？
名厨杰米·奥利弗的餐饮帝国崩塌，是李斯特在书中重点剖析的案例。奥利弗本人就是品牌的核心，当核心高管离职，他本人又分身乏术，餐厅失去了不可妥协的要素，最终帝国瓦解。
在AI创业圈，这种"厨师依赖症"同样普遍。Meta人工智能负责人Alexandr Wang年仅29岁，AI数学推理系统Axiom MathAI的创始人洪乐潼24岁，公司估值3亿美元。这些"造星神话"让无数创业者心潮澎湃，但他们可能没有意识到，这样的成功在多大程度上依赖于创始人本人的天才光环，而非一套可复制、可传承的方法论。
当一家公司的核心竞争力高度浓缩在创始人或少数核心天才身上时，它就落入了**"天才厨师"的陷阱**。就像杰米·奥利弗的餐饮帝国，一旦核心高管离职、创始人分身乏术，整个系统便迅速崩塌。
你需要追问自己：如果你的CTO被挖走，你的技术壁垒还在吗？如果你的创始人不再参与日常决策，产品和战略还能持续演进吗？
真正的规模化，需要将"天才要素"转化为"标准食谱"——把不可复制的个人能力，变成可传授、可执行、可迭代的流程、工具和文化。
行动方案：
• 列出你的"成功秘方"，分类为"厨师"型要素和"食材"型要素 • 识别"不可妥协要素"——规模化后缺失就会失败的关键项 • 将个人经验转化为SOP、培训体系、工具平台
开关四：你的增长，是带来网络效应，还是负面溢出效应？
优步曾想通过给小费来提高司机满意度，结果小费功能上线后，吸引了更多新司机加入，反而稀释了原有司机的接单量，整体收入不增反降。
在AI生态中，这种溢出效应同样存在且更加隐蔽。想象一下，你开发了一款AI内容生成工具，早期用户用它来生成营销文案，效果很好。但当你大规模推广后，突然发现大量用户开始用它来生成垃圾邮件、虚假评论。
这些负面溢出效应不仅会消耗你的算力成本，还可能污染你的信息源，导致你引以为傲的生成内容质量也随之下降。
更常见的溢出效应，发生在平台生态中。当你的AI应用开始吸引大量用户时，你是否考虑过对底层大模型提供商的压力？当你的用户量暴增，模型调用成本飙升，这会不会反过来影响你的产品定价和用户体验？
行动方案：
• 识别可能产生溢出效应的关键行动 • 预防：规模化前做前瞻性规避，设计防滥用机制 • 监控：建立早期预警指标追踪潜在负面溢出 • 缓解：一旦发现苗头，快速响应
开关五：你的成本，是越做越薄，还是越扩越厚？
这是当下AI创业者最切身的痛。
李斯特在书中分析了阿里瓦乐公司的悲剧。这家公司以每年3500美元的价格提供基因检测和健康教练服务，客户体验极好，但提供服务的成本"高得离谱"。当它试图降价吸引更多用户时，成本黑洞直接吞噬了公司。
据Siray.Ai联合创始人Yvette Wang观察，**月营收在1万至10万美元的AI初创企业，模型调用成本已经占到了总成本的50%至65%。**她进一步测算，一款AI Agent类产品，早期日活500到1000时，每月模型成本可能只有1000到2000美元；当日活达到1万，Agent开始跑多轮对话、工具调用后，成本会直接跳到1万到5万美元——但收入并没有同步放大10倍。
"规模不经济"的残酷现实，正在逼问每一个AI创业者：你的单位经济模型能否跑通？随着用户量增加，调用大模型的成本曲线是怎样的？是越摊越薄，还是越滚越大？
更令人焦虑的是，大模型的价格并非一成不变。2025年9月，DeepSeek-V3.1模型输出定价较V3版涨幅50%；2024年12月，OpenAI发布的GPT-5.2模型每百万token输入价格较前代涨幅40%。成本端的不确定性，正在成为悬在AI创业者头顶的达摩克利斯之剑。
行动方案：
• 列出所有成本类别，预测规模化后的变化趋势 • 识别规模不经济的风险点 • 追求规模经济：优化供应商关系、采购策略、物流网络 • 重新审视定价策略：如果成本难以压缩，通过提升感知价值来支撑定价
从"疯狂试错"到"科学规模化"
当5000家AI企业都在同一条赛道上狂奔时，决定最终胜负的，可能不再是技术的新颖度，而是你能否在"疯狂试错"中，保持一份基于证据的清醒。
李斯特在《势能效应》中强调，规模化不是一场盲目的豪赌，而是事先的一系列精密检验和事中的有效策略。
他用行为经济学的**“损失厌恶”**理论告诉你，为什么"先给奖励再追回"的激励设计，比"完成任务再给钱"更能激发团队战斗力；
他用边际思维告诉你，为什么80%的势能藏在20%的盲区里，而大多数创业者却在为"平均"买单；
他用比较优势理论告诉你，为什么在正确的时间放弃一个没有前途的梦想，是赢家的终极加速器。
更重要的是，他用优步、来福车、沃尔玛的实战案例告诉你，真正的规模化，需要构建一种可升级的组织文化——一种既保持改变世界的雄心，又守住基于证据的清醒的文化。
《势能效应》没有提供万能的速成秘籍，但它提供了一套基于科学实验的思维框架。它告诉你，在决定"放大"之前，必须先识别什么是真正成立的价值，什么是可持续的能力，什么是能够跨越规模边界而不失真的机制。
它教你如何在迷雾中识别高势能机会，如何用经济学的工具来检验你的假设，如何让每一份新增投入都精准命中"势能"高点。
这，或许正是每一位试图以技术改变世界的践行者，在当前这个技术狂飙时代，最需要的认知校准。
END
