夜雨聆风AI创业的新门槛：不是你能造什么，而是你是否能做出正确的判断
现在AI让你三天出原型。听起来是好消息——但这反而暴露了一个更深的问题。
原型容易了，但死亡率没降
Anthropic前段时间出了一份创业手册，里面有个数据让我印象深刻：42%的创业公司死亡原因是做了没人要的东西。
不是技术不行，不是团队不行，不是钱不够。是方向选错了。
AI把造Demo、MVP原型的成本打到了接近零。三天出原型，一周上线测试版，一个人干五个人的活。但问题是——AI对好想法和坏想法同样热情。你让它造一个没人需要的产品，它会非常高效地帮你把这个没人需要的东西造出来。
你甚至会比以前更快地烧完钱，因为：
• 原型出得快，你误以为自己离成功更近了
• AI给出的代码看起来能跑，你跳过了本该有的验证环节
• 确认偏差被AI放大——你心里已经觉得这事能成，AI的输出会不断"佐证"你的预设，因为它在迎合你的提问方向
• 三天的时间投入太轻了，不够痛，不会让你停下来认真问："真的有人需要这个吗？"
• 你的竞争对手也是三天出原型——差异化窗口被极度压缩
以前造个MVP要半年，这半年本身就是一种过滤器——如果你花了半年还想做，说明你至少认真想过。现在三天就能出东西，这个过滤器消失了。
结果就是：市场上会涌现出大量"看起来有模有样但实际没人要"的产品。AI让起跑更容易了，但终点线没变——你得找到真正愿意付钱的用户。
瓶颈不再是你能造什么，而是你选择造什么。
我在ARTi上学到的一课
我自己做ARTi——一个AI金融投资工具——踩过这个坑。说真话，不是踩了一次，是反复踩了好几次才真正学会。
过去分析一家公司，我要读十几份报告，花两天时间，还可能有遗漏。行业报告、财务数据、管理层访谈纪要、同行对比——光是把信息收集齐就是一个巨大的工程。作为CFA持证人，我知道完整分析一家公司应该覆盖哪些维度，但时间永远不够用。你投入两天分析的那家公司，可能还有十家值得看的被你错过了。
现在呢？AI在15分钟内做完数据收集、财务分析、风险扫描。以前两天的工作量，压缩到一顿饭的时间。效率提升了几十倍。
但早期我犯了一个错误：我以为有了AI工具就等于有了分析能力。
具体说就是——AI会给出非常自信的判断。"这家公司基本面优秀，估值处于合理区间，建议重点关注。"语气确定，逻辑完整，数据详实。研报格式漂亮，图表齐全。你看了会觉得：嗯，AI都这么说了，应该没问题吧。
结果呢？有几次我就这么跟着AI的"高置信度"判断走了，事后证明完全错误。
不是AI的数据错了，是它的"自信程度"和"准确程度"之间没有任何关系。AI不会告诉你"这个我其实不确定"——它永远用同样确定的语气说话，不管它说的是对的还是错的。一份看起来严谨的研报和一份表面类似但方向完全错误的研报，在AI那里的"自信度"可能一模一样。
这是一个很微妙的陷阱。以前你自己做分析，你心里有数：这个结论我有七成把握，那个判断我其实在猜。你对自己的不确定性有感知。但AI帮你做分析之后，这种"不确定性感知"被吞掉了——一切看起来都很确定。
后来我想明白了一件事：
AI做信息处理，人做判断。这不是妥协，是架构设计。
什么意思？
数据收集——从几十个来源同时抓取，不漏不重
财务指标计算——PE/PB/ROE/自由现金流，比人精确一万倍
行业横向对比——同行排名、市占率变化、估值分位
风险清单生成——政策风险、财务风险、行业风险，逐项扫描
这家公司值不值得投？——需要对商业模式的理解
现在是不是好时机？——需要对市场周期的体感
管理层靠不靠谱？——需要对人的判断
风险清单里哪个才是真正的风险？——需要区分"理论上的风险"和"实际会发生的风险"
听起来简单。但创业早期最大的诱惑是：AI太能干了，你会不知不觉把判断的权力也交出去。你开始依赖AI的结论，而不是把它当成信息输入。
ARTi后来的架构设计就是围绕这条线建的：AI负责信息处理层，人负责判断层。两者之间有清晰的边界。AI的输出永远是"信息"，不是"结论"。结论由人来下。
这就是那42%创业公司的死法——不是没有AI工具，而是用AI更快更自信地做了一个错误的判断。工具越强大，判断失误的代价越大。
AI时代的技术债：一种新的失控
方向判断是第一个坑。第二个坑是技术层面的，而且更隐蔽。
Anthropic那份手册里提到一个我深有体会的概念：AI技术债会复合增长。
传统技术债大家都懂——代码写得糙，先上线再说，以后再还。但AI生成的技术债有个特殊问题：AI没有持续的记忆。
你今天让AI写了一段代码，明天让它改另一段。它不记得昨天写了什么。后天你让它加一个新功能，它又从零开始推导应该怎么做。三周之后，代码库变成一片丛林——不是因为AI写得差，而是因为每次对话它都在从零推导架构决策。今天觉得用方案A更好，明天在另一个上下文里觉得方案B才对。
没有持久化的上下文，就没有一致性。没有一致性，代码量越大，系统越脆弱。
这不是假设，是我们自己的经历。系统在早期迭代飞快，AI两天写的功能比一般团队两周的产出还多。所有人都觉得效率惊人。但到了第三个月，开始出现各种诡异的bug。
不是那种"变量名拼错了"的简单bug。是设计风格不一致导致的系统性问题——不同模块之间的假设互相矛盾，因为它们是在不同的对话里、被不同的上下文写出来的。模块A认为用户认证是同步的，模块B假设它是异步的。模块C的错误处理逻辑和模块D的完全不同。单独看每个模块都没问题，放在一起就炸了。
这种债务的复合增长速度远超传统技术债。传统技术债是线性的——代码越多，债越多。AI技术债是指数的——因为每一段新代码都可能和之前的代码在设计理念上冲突，冲突的可能性随代码量指数增长。
解法其实很直接：
• 给AI留一份"项目记忆"——架构决策、接口约定、设计原则，写成文档让它每次都读
• 不让AI做跨模块的大重构，一次只改一个小范围，改完验证再继续
• 人来守住架构边界，AI在边界内干活
• 每次大的架构决策，写下"为什么这么选"——不是给人看的，是给三个月后的AI看的
• 定期做"一致性审查"——不是审查功能对不对，是审查不同模块之间的设计假设是否一致
但大部分创业者不会在第一天就做这件事。因为三天出原型太爽了，谁想在那个阶段写架构文档？
然后三个月后，你发现整个系统没人能维护——包括你自己，也包括AI。因为AI读了这一堆互相矛盾的代码，它也会"困惑"——不是真的困惑，是它生成的新代码会随机选择跟哪个旧模块的风格保持一致，然后和另一个旧模块产生新的冲突。
恶性循环。
AI Native团队到底长什么样
说完了坑，说说机会。AI确实在重新定义创业团队的形态，但不是大多数人想的那种"一个人单挑一切"。真实情况更微妙，也更有意思。
不是人人写代码，而是人人能编排AI
传统团队的分工是按技能：有人写前端，有人写后端，有人做设计，有人做运营。
AI Native团队的分工是按判断域：
• 谁来判断产品方向？
• 谁来判断技术架构的关键取舍？
• 谁来判断增长策略的优先级？
• 谁来判断用户需求的真伪？
每个人不需要亲自执行——执行交给AI。但每个人必须在自己的判断域里做决策，并且为结果负责。
"编排AI"不是一个技术概念。它的意思是：
• 你知道该让AI做什么——任务拆解能力
• 你知道该在什么时候检查AI的输出——质量判断能力
• 你知道什么样的结果是对的——领域专业知识
• 你知道AI的输出在哪里可信、在哪里需要打折——校准能力
这四项能力里没有一项需要写代码。但每一项都需要你真正懂那个领域。一个不懂金融的人用AI做投资分析，结果不会比一个懂金融的人好——只会更快地得到一个看起来很专业但实际可能离谱的结论。
创始人角色的变化
以前创始人是最大的贡献者——写最多的代码、签最多的客户、做最多的决策。
现在创始人更像是编排者：
• 定义"我们在赌什么"——方向判断
• 设计"AI在哪里干活、人在哪里把关"——系统设计
• 决定"什么时候放手、什么时候收紧"——节奏控制
• 判断"这个AI输出我该信几分"——校准直觉
这个角色转变不容易。尤其是技术型创始人——手快的人最难接受"我不该亲自写这段代码"。我自己就经历过这个过程：明明觉得自己写更快，但慢慢发现，创始人亲手写代码的每一分钟，都是没花在判断方向上的一分钟。
而方向错了，代码写得再好也没用。
真正的门槛变了
能力门槛降低了——出一个产品比以前容易十倍。
判断力门槛升高了——选什么值得做比以前难十倍。
因为当每个人都能三天出原型的时候，原型本身就不值钱了。值钱的是你选对了方向、你懂那个领域、你知道用户真正痛在哪里。
Anthropic的手册里提到一个测试方法我很认同——Sean Ellis测试：问你的用户，"如果这个产品明天关了，你会有多失望？"如果超过40%的人说"非常失望"，你可能找到了产品市场契合点。低于40%，你还在猜。
这个测试在AI时代更加重要。因为过去你造得慢，有时间在过程中纠偏。现在造得太快，三天就上线了——如果方向不对，你可能来不及反应就已经在错误的路上跑远了。
更危险的是：你可能还同时在跑三个方向，因为AI让你"什么都能试"。但什么都试和什么都不试，结果一样——都是没有聚焦。
我见过不少创业者同时开三四个项目，每个项目都有AI加持，每个项目都出了原型。但没有一个项目真正和用户磨合到位。他们把"能造"当成了"该造"，把"原型"当成了"验证"。原型证明的只是你能把东西做出来——它不证明有人愿意用，更不证明有人愿意付钱。
护城河的新形状
代码不再是护城河。AI能写代码，而且写得越来越好。你今天花三个月写的功能，明年别人可能一周就复制出来。
那什么是护城河？
第一层：领域知识编码——你对一个行业、一个人群、一个场景的深度理解，变成了系统规则和数据结构。这个东西别人抄不走，因为它不在代码里，它在你和用户的每一次交互中慢慢沉淀出来的。我做投资分析这么多年，沉淀下来的不是分析模板，是"什么时候该相信数据、什么时候该怀疑数据"的直觉——这种东西没法从代码仓库里复制。
第二层：用户行为数据——你的系统跑了一年，积累了一年的用户行为数据。AI模型可以开源，但你的数据不会。数据是时间的函数，无法速成。你的竞争对手可以用同样的AI模型，但他没有你这一年的数据积累。
第三层：工作流锁定——用户把你的工具嵌入了他的日常工作流程。不是因为你最好，是因为切换成本太高。这是所有SaaS公司都懂的道理，在AI时代依然成立——甚至更成立，因为AI工具和用户工作流的耦合度比传统软件更深。
这三层护城河有一个共同特点：都不是第一天能建起来的。
它们需要时间、需要真实用户、需要在正确的方向上持续积累。你不能跳过这个过程。AI能帮你更快地写代码，但不能帮你更快地积累领域知识、用户数据和工作流锁定。
这就回到了最开始的问题——方向选对了，时间就是你的朋友，每一天都在帮你加深护城河；方向选错了，AI只会帮你更快地在错误的路上跑远，而你积累的一切——数据、知识、工作流——全都建在了错误的地基上。
回到那个问题
AI确实让创业门槛变了，但不是大多数人以为的那个方向。
降低的是能力门槛——造东西更容易了。
升高的是判断门槛——选对造什么更难了。
瓶颈不再是你能造什么，而是你选择造什么。
这不是一句鸡汤。这是我做了ARTi、踩了坑、被AI的自信误导过、在代码丛林里挣扎过之后，能总结出来的最真实的一句话。
我做咨询的时候，常说一句话：战略不是你决定做什么，而是你决定不做什么。AI时代这句话的重量翻了一倍。因为以前你不做某件事，可能是因为做不了。现在你不做某件事，是因为你主动选择了不做——明明能做，但不做。这种克制力，在AI让一切变得可能的时代，才是真正的竞争力。
所以最后想问一个问题：你现在花最多时间的事，是在判断该造什么，还是在造东西本身？
如果是后者——也许该停下来想想了。
因为在AI时代，造东西这件事会越来越便宜。但选对造什么——这件事永远昂贵。
我叫 Eason
CFA持证人 · 前战略咨询合伙人 · 创业者 · 投资人
在东京经营几家餐厅，用AI做投资研究和餐饮零售管理——然后把踩过的坑写出来
