夜雨聆风
AI 时代，创业公司应该如何被构建。
它把 AI 原生创业拆成四个阶段：Idea、MVP、Launch、Scale。每个阶段不只是工具变化，而是创业方法论的变化。
我认为这份 playbook 最重要的一句话可以概括为：
AI 让“把东西做出来”的门槛大幅降低，但让“判断什么值得做”的重要性大幅上升。
过去创业的瓶颈是资源、团队和执行力；未来创业的瓶颈是判断力、编排力和系统化能力。
一、从“执行型创始人”到“编排型创始人”
AI 原生创业最大的变化，是创始人的角色变了。
过去，创始人要亲自写代码、做产品、跑客户、写材料、盯运营。
现在，AI 可以承担大量执行性工作，创始人更像一个“智能体编队的指挥官”。
关键 insight：
创始人的核心能力，从“我能不能亲自干”，转向“我能不能定义问题、拆解任务、编排 AI、判断结果”。
这意味着创业公司早期不一定需要快速扩张团队，而是先构建一套“人 + AI + 工作流”的高效系统。
未来优秀创业公司的形态，不一定是“大团队”，而可能是：
少数高判断力的人，编排大量 AI 能力，完成过去一个团队才能完成的事情。
二、Idea 阶段：不要急着做产品，先验证问题是否真实
AI 让原型变得太容易了。
这反而带来一个新陷阱：一个能跑的 demo，很容易让创始人误以为需求已经被验证。
但实际上，能做出来只证明技术可行，不证明用户真的需要，更不证明用户愿意付费。
Idea 阶段的重点不是“让 AI 帮我写代码”，而是让 AI 帮我拷打问题。
创始人应该用 AI 做三件事：
第一，把模糊想法变成可验证假设。
第二，让 AI 扮演反方，质疑这个需求为什么可能是伪需求。
第三，用 AI 辅助客户访谈、竞品分析和市场研究。
关键 insight：
AI 时代，不缺快速构建能力，缺的是高质量的问题验证能力。
所以 Idea 阶段最重要的问题不是：
“这个东西能不能做？”
而是：
“这个问题是否真实、频繁、严重，并且现有方案无法很好解决？”
三、MVP 阶段：AI 加速构建，但不能放大技术债
进入 MVP 阶段，AI coding 工具可以极大压缩产品构建周期。
但这里有一个危险：
AI 生成的代码往往“看起来能跑”，但不一定可维护、可扩展、可协作、可安全上线。
Anthropic 在 playbook 里特别强调，要防止 AI-generated codebase 积累技术债。
关键 insight：
AI 可以降低构建成本，但不能降低工程标准。
AI 原生创业公司不是“让 AI 随便写代码”，而是要从第一天建立 AI 参与工程的规范：
架构先行； 边界清晰； 上下文文档完整； 测试和安全不能缺； 关键代码需要人类 review。
一个很重要的变化是：
文档不再只是给人看的，也是给 AI 看的。
比如项目架构、代码规范、技术选型、已知限制、产品原则，都应该沉淀成 AI 可读取的长期上下文。这样 AI 才不会每次重新理解项目，也不会不断制造新的混乱。
MVP 阶段真正要验证的，不是“产品能不能做出来”，而是：
是否有一群明确用户，会持续使用它，并愿意为它付出成本。
四、Launch 阶段：不是发布产品，而是建立可重复增长系统
很多人把 Launch 理解为“上线”或“发布”。
但 Anthropic 的 playbook 里，Launch 更接近于：
从产品验证，进入业务验证。
MVP 证明有人需要这个产品；
Launch 要证明这个需求可以被稳定触达、稳定转化、稳定服务。
这个阶段，AI 的价值不只是写营销文案、生成销售邮件，而是帮助创业公司建立可重复的增长和运营系统。
关键 insight：
Launch 阶段最重要的不是一次性爆发，而是把增长、销售、客户成功和反馈收集变成可复用流程。
比如：
客户线索如何自动收集？ 销售跟进如何自动提醒？ 用户反馈如何自动归类？ 客户流失原因如何被总结？ 产品需求如何进入 roadmap？ 哪些问题需要创始人亲自介入？
Anthropic 提到一个很关键的概念：用 agentic workflows 替代 founder attention。
这句话非常重要。
早期创业公司最大的瓶颈，经常不是能力不够，而是创始人的注意力被无数琐事吃掉。
AI 原生公司要做的，是把创始人大脑里的提醒、判断、跟进、总结、分发，逐步变成系统能力。
真正的 AI 原生运营，不是自动化一个任务，而是自动化一套注意力分配机制。
五、Scale 阶段：护城河不是模型，而是领域、数据和工作流
到了 Scale 阶段，AI 原生公司要回答一个更重要的问题：
当所有人都能用强模型时，为什么客户还需要你？
仅仅接入 Claude、GPT、Gemini 或 DeepSeek，不能构成长期壁垒。
Playbook 里真正有价值的地方，是指出 AI 原生公司的护城河主要来自三类积累。
1. 领域深度
通用模型可以解决大量通用问题，但行业里的复杂规则、异常场景、隐性经验、业务边界，才是真正难的部分。
关键 insight：
把通用模型容易犯错的行业 edge case，沉淀成产品能力、评测集和工作流，就是 AI 原生公司的第一道护城河。
未来很多 AI 公司的核心资产，不只是代码，而是：
行业案例库、专家知识、失败样本、评测体系、流程模板和复杂场景处理能力。
2. 数据飞轮
AI 产品最有价值的数据，不只是原始数据，而是用户在真实工作流中的反馈：
接受了什么？ 拒绝了什么？ 修改了什么？ 在哪一步卡住？ 什么建议最终带来业务结果？
关键 insight：
用户每一次接受、拒绝和修改，都是产品进化的训练信号。
AI 原生产品要从第一天设计反馈闭环，让产品越用越懂客户、越用越懂场景。
3. 工作流锁定
最强的客户粘性，不是用户习惯了你的界面，而是客户的业务流程开始围绕你的产品重构。
当客户的知识库、API、审批流、报表模板、SOP、团队协作方式都与你绑定时，切换成本就不再是换软件，而是搬迁一套组织流程。
关键 insight：
AI 原生 SaaS 最终不是一个工具，而会成为客户组织工作流的一部分。
六、AI 原生创业公司的本质：从“人力扩张”到“智能扩张”
这份 playbook 隐含了一个非常重要的组织判断：
传统创业公司扩张靠：
招更多人； 建更多部门； 买更多系统； 堆更多流程。
AI 原生创业公司扩张靠：
编排更多 Agent； 沉淀更多 Skill； 自动化更多工作流； 积累更多反馈数据； 复用更多组织知识。
关键 insight：
公司产出开始和员工人数脱钩。
这不是说人不重要了，而是人的价值上移了。
人负责目标、判断、边界、责任和异常处理；
AI 负责信息收集、内容生成、代码执行、流程推进、反馈整理和辅助决策。
所以，未来衡量一家 AI 原生公司的能力，不能只看“多少员工”，而要看：
有多少关键流程被 Agent 化？ 有多少知识被结构化沉淀？ 有多少反馈形成数据飞轮？ 每个人能编排多少 AI 能力？ 组织能否在不线性增加人头的情况下扩大产出？
七、这份 Playbook 最重要的提醒：AI 让创业更快，也让错误更快
AI 时代，创业者会更容易陷入一种幻觉：
因为我很快做出了产品，所以我好像离成功更近了。
但事实可能相反。
AI 可以更快地帮你做出一个错误产品；
更快地服务一个错误用户；
更快地扩张一个错误流程；
更快地放大一个错误判断。
所以 Anthropic 这份 playbook 真正的价值，不是鼓励创业者更冲动，而是提醒创业者更克制。
关键 insight：
当“能不能做出来”不再是最大门槛，“该不该做”就成为真正的分水岭。
AI 原生创业的核心，不是更快地建东西，而是更聪明地判断什么值得被建。
八、一张表总结 AI 原生创业四阶段
九、最后，什么是真正的 AI 原生创业公司？
不是用了 AI 工具。
不是接了大模型 API。
不是让 AI 写代码。
不是融资材料里写了 AI-native。
真正的 AI 原生创业公司，是：
从第一天开始，就把 AI 作为产品构建、客户发现、运营管理、知识沉淀、组织协同和业务规模化的核心基础设施。
它的核心不是“AI 替代人”，而是“AI 放大人”。
不是简单减少员工，而是让每个人拥有更强的智能杠杆。
不是一次性生成产品，而是在真实用户反馈中持续进化。
不是依赖某个模型，而是形成领域深度、数据飞轮和工作流锁定。
最终，AI 原生创业的本质是：
用更少的人力摩擦、更快的验证速度、更强的组织记忆，构建一家能够持续进化的公司。
AI 会让创业变快。
但真正优秀的创业者，会用 AI 让自己判断得更准、验证得更深、组织得更聪明。
