Anthropic 最近发布了一份叫《The Founder’s Playbook：Building an AI-Native Startup》的手册。表面上看，这是一份关于如何在创业中使用 AI 的指南；但读完之后会发现，它真正想回答的问题要更根本——

当 AI 把执行成本压低到接近零时，创业公司的瓶颈会变成什么？

答案是：判断力。

AI 可以让你更快做研究、更快写代码、更快搭原型、更快整理用户反馈。但它不能替你决定哪个问题值得解决，哪类需求是真实的，哪些增长是假象，以及什么时候该坚持、什么时候该转向。

这也正是 AI 原生创业（AI-Native Startup）与传统创业最根本的区别：过去的创业者常被“能不能做出来”困住，未来的创业者更容易被“到底该不该做”困住。

一、创始人角色的重写：从执行者到编排者

过去，创业团队天然存在一堵墙：技术型创始人写代码、搭架构，非技术型创始人跑业务、谈合作。这堵墙背后的前提是——构建软件需要专业工程能力，而商业执行需要专门经验。

AI 已经把这堵墙拆掉了。一个完全没有工程背景的人，今天可以做出可部署的软件；一个技术过硬却不懂商业的工程师，也能借助 AI 写出像样的 GTM 策略和投资人路演材料。

更深层的变化是：创始人的工作重心从“亲自完成任务”变成了“定义任务、设定边界、审查结果、持续校准方向”。手册用了一个词——orchestrator，编排者——来概括这种新角色。

它最革命性的后果并不是“老牌创始人变得更高效”，而是创始人池本身扩大了。当深耕某个行业但没有工程背景的人也能独立做出产品时，创业生态会涌现一批此前从未被传统科技通道看见的“真实世界问题解决者”。这或许才是这一波 AI 浪潮带给创业最重要的结构性改变。

围绕这种新角色，AI 提供了三类能力：

研究与对话能力——市场分析、竞品研究、投资备忘录、PRD、客户访谈总结、战略推演。它是创始人随叫随到的“全领域专家”。

Agentic coding（代理式编程）——用自然语言描述产品需求，让 AI 生成、测试、调试、重构生产级代码库。它把“我有一个想法”和“我有一个产品”之间的距离压缩到了不可思议的程度。

工作流自动化——CRM 更新、周报生成、文档维护、用户反馈整理、跨工具协调。它替创始人扛起了那些“必要但不增值”的运营税。

三者结合在一起，让一个极小的团队也能拥有过去十几人才支撑得起的能力堆栈。“十人独角兽”从一个夸张的故事，变成了可以被有意识设计出来的公司形态。

但也正是从这里开始，新的危险出现了：当 AI 让执行变得太容易，创始人会更容易跳过思考。

二、Idea 阶段：AI 越强，越不能急着开做

手册将创业旅程拆为四个阶段，第一个是 Idea。

传统创业里，Idea 阶段意味着头脑风暴、做点调研、尽快做出原型。但在 AI 原生时代，这个阶段反而变得更重要——因为现在“做出东西”太容易了。

过去，做一个原型需要几周甚至几个月的工程投入，这个成本本身会迫使创始人慎重思考。现在，AI 编程工具可以在一个下午之内生成一个看起来不错的产品雏形，于是创始人极易产生一种错觉：

既然我已经做出了原型，这个想法就值得做。

手册明确反对这种逻辑。一个可以运行的原型并不能证明市场需要它，它最多只是帮助你与潜在用户对话的“压力测试道具”。真正的证据来自对话本身，而不是原型的存在。

这一阶段创始人要回答的不是模糊问题，而是可证伪的具体问题：谁在频繁经历这个问题？它对他们多痛？他们现在怎么解决？现有方案为什么不够好？

手册举了一个对比鲜明的例子：“人们在报销上很痛苦”不是一个合格的创业假设；而“中型公司的财务经理每周花四小时以上做对账，因为现有工具无法与会计系统集成”才是一个可以测试的假设。前者是模糊观察，后者是可验证假设。

AI 在这个阶段最大的价值，不是帮你证明自己对了，而是帮你找到自己可能错在哪里。

这里隐藏着 AI 时代最尖锐的陷阱之一：确认偏见拥有了一台研究引擎。

如果你问 AI“请证明我的想法有市场”，它一定能找到一份看起来很专业的市场分析；如果你让它“测算我的 TAM”，它一定能给出一个让你看起来很值得融资的数字。AI 是方向中立的——你怎么问，它就怎么答。

解药很简单：用同一把工具，但朝相反方向使用。

不是问“这个方向为什么会成功”，而是问“什么证据说明这个方向不值得做”；

不是问“这个市场有多大”，而是问“市场规模估算里最脆弱的假设是什么”；

不是问“用户会喜欢这个功能吗”，而是问“用户过去是否真的为这个问题付出过时间、金钱或组织成本”。

Idea 阶段的退出条件，不是你有了一个漂亮的产品构思，而是你已经建立了“问题—解决方案匹配”：有足够多的定性证据表明，某一类具体用户确实有一个具体问题，而你的方案有机会解决它。

三、MVP 阶段：最小可行产品不是产品，而是验证装置

很多人把 MVP 理解为“产品的第一个简化版本”。手册纠正了这种理解：MVP 仍然不是真正意义上的产品，而是一个继续收集证据的工具。Idea 阶段验证的是问题是否真实，MVP 阶段验证的是方案是否真有价值。

退出条件落在四个用户行为上：愿不愿意用、会不会回来、愿不愿付费、愿不愿推荐。仅有注册量、点赞、Hacker News 头条带来的流量，都不能算作 PMF。

这一阶段有几个特别值得警惕的 AI 时代陷阱。

第一个是伪 PMF。AI 让创始人能很快做出功能丰富、界面漂亮的 MVP，上线后又能借助朋友、投资人介绍的客户、社交媒体曝光带来一波早期数据。但这种热度的来源是短暂的，真正重要的是第 7 天、第 30 天的留存和复用。

第二个是 Agentic 技术债。传统技术债是线性累积的，可以通过专门冲刺逐步清理。AI 技术债则不同——如果没有写下来的架构约束，每次会话都会从零重新推断系统结构，生成的代码单独看都能运行，但合起来缺乏一致的心智模型。这种债务是复利累积的，一旦失控就只能推倒重来。

第三个是零摩擦下的范围蔓延。过去，“再加一个功能”需要工程时间，这个成本本身就是筛选器。现在加一个功能可能就是一个下午的事。每一次“顺手加上”单独看都合理，合起来就是产品方向的失焦。

这些陷阱的根本对策只有一条：在写代码之前，先把架构和范围写下来。

手册建议在开建之前先准备两份文档：一份是架构上下文文档，也就是 CLAUDE.md 这类文件，说明产品解决什么问题、服务什么用户、技术原则是什么、避免哪些依赖、接受哪些阶段性取舍；另一份是 MVP 范围文档，明确这个版本做什么、不做什么、什么样的用户证据才能触发新功能。

这两份文档不是繁文缛节，而是让 AI 从“自由发挥的代码生成器”变成“在明确边界内执行的工程助手”的关键基础设施。

值得特别强调的一点是：用 AI 写代码并不意味着可以不做软件工程。恰恰相反，因为 AI 让生成代码的速度变快，架构约束、上下文管理和测试体系反而变得更重要。

四、Launch 阶段：从“有人需要”到“业务可以增长”

如果说 MVP 阶段证明的是产品值得存在，Launch 阶段证明的就是业务值得增长。

它有三个退出条件：增长是可重复的、由明确渠道驱动，CAC、LTV、回本周期都是你能讲清楚的数字；产品能扛住真实生产负载；运营不再依赖创始人亲自处理一切。

这一阶段的核心矛盾很微妙：前两个阶段“创始人亲自下场”是优势，Launch 阶段如果还凡事亲为，创始人就成了瓶颈本身。

转变并不容易。它的难处在于，没有一个清晰的“那一刻”提醒你需要从“做事”转向“设计系统”。典型的症状包括：本该一小时就能搞定的决定要拖一周；支持请求堆积如山，因为只有你知道答案；某些运营任务只有你想起来才会发生。

手册建议创始人做一次彻底的“个人事务审计”，把自己手头所有的事情分成三类：可以完全自动化的、需要人但不必是创始人的、确实需要创始人判断的。然后用 Claude Cowork 这样的工具承接前两类，把注意力释放给第三类。

同时，有三件事在 Launch 阶段不能再推：

技术债的偿还。MVP 阶段为速度承担的债，这个阶段开始结息。系统化的架构审计、有针对性的重构、扩展测试覆盖，都必须排进路线图。

安全与合规。MVP 时安全漏洞是理论风险，Launch 时是真实暴露面。手册特别提醒，AI 安全扫描可以作为辅助，但不能替代专业审查——创始人不能因为代码是 AI 写的，就默认它是安全的。

克制扩张。新市场、新行业、新地区看起来都像增长机会，但每一个都会引入新的用户行为、合规要求和竞争格局，让你失去解读自己数据的能力。Launch 阶段真正要做的是把已经有效的增长机制打磨到可复制，而不是盲目铺开。

五、Scale 阶段：护城河从哪里来

到了 Scale 阶段，创始人的角色再次变化——从产品 builder 转向面向外部世界的企业领导者。产品仍然重要，但注意力开始扩展到企业客户、投资人、分析师、监管者、潜在收购方、IPO 准备和组织治理。

退出条件不再是一个里程碑，而是一种状态：即使创始人不再亲自管理日常，公司依然可以持续运行、稳定增长、经受外部审查。

但更值得深思的是这部分关于“护城河”的讨论。在通用大模型能力日趋普及的今天，“我也用了 AI”本身根本不构成竞争优势。手册指出，AI 原生公司的真正护城河来自三个相互强化的源头：

第一是领域深度。许多 AI 原生创业公司不是做通用工具，而是把创始人在某个垂直行业里第一手积累的理解产品化——医疗、法律、采购、金融、公益、企业安全……这些领域充满了通用 AI 无法直接处理的细节：行业术语、监管陷阱、异常场景、流程习惯、“看起来合理但实际上行不通”的隐性经验。创始人需要持续把这些知识沉淀为 AI 可读取、可复用、可执行的上下文。长此以往，这会变成一个通用 AI 无法匹敌的专有知识底座。

第二是用户数据飞轮。用户使用产品时留下的行为信号——哪些输出被接受、哪些被拒绝、哪些被修改——是时间锁定、上下文特定、无法被复制的“行为指纹”。竞争对手买不来这种数据，因为它只能在你的产品里、被你的用户、随着时间慢慢积累出来。

第三是工作流锁定。当一个产品只是工具时，用户可以替换它；当它嵌入客户的日常流程、连接他们的数据源、自动化他们的工作流时，替换就从“产品选择”变成了“组织迁移”。这种锁定来自集成深度、API、SDK、客户在你产品之上构建的内部流程。

换句话说，AI 时代的护城河不再来自“你做了什么”，而来自“你在这件事上做了多久、积累了多深、连接了多广”。这反而把竞争重新推向了一个非常老派的命题：长期主义和专业深度。

六、工作没变，规则全变

通读这份手册，我有一个挥之不去的感受：AI 让创业的门槛降低了，但它也把真正的竞争推向了更高一层。

未来，更多人可以创业——没有工程背景的人可以把领域经验变成产品，小团队可以做过去大团队才能做的事，早期公司可以在融资和招聘之前完成更多验证。

但与此同时，创业也会变得更残酷——当所有人都能更快地做出产品，产品本身就不再稀缺，稀缺的是对问题的深刻理解、对用户的真实洞察、对证据的诚实态度、对范围的克制，以及在高速执行中持续修正方向的能力。

这本手册的最后一句话很有分量：创始人的工作没有变，仍然是找到真实问题、做出解决方案、把它扩展成一家有意义的公司。改变的是路径。

而路径变了之后，新的瓶颈也就浮现出来：

如果判断正确，AI 会让你以前所未有的速度前进。

如果判断错误，AI 也会让你以前所未有的速度撞墙。

所以，未来优秀的创业者，不一定是最会写代码的人，也不一定是最会融资的人，而是最会提出好问题、识别真实信号、并能把判断和上下文系统化地外化给 AI 的人。

执行不再是壁垒。

判断力才是。