夜雨聆风
Anthropic 最近出了一份实用性很强的创业指南——《The Founder's Playbook: Building an AI-Native Startup》（创始人手册：打造 AI 原生创业公司），专门写给那些想从第一天就把 AI 当作公司基础设施来搭建的创始人。需要原文的评论区取。
“AI越强，创业失败率越高”
这是我在这个周末读完这本AI原生创业手册之后，卡在脑子里出不去的一句话。
很反直觉。但越想越觉得它说的是真的。
先说数据。过去42%的创业公司死于"做了没人想要的东西"。这个数字已经够触目惊心了。
现在AI把从有想法到有产品的距离压缩成了一个下午。按理说失败率该降——结果是反过来的，正在加速飙升。
我刚读到这句话的时候不信。想了一天，信了。
原因说穿了很简单：以前开发要花真金白银和三个月时间，这个成本本身逼着你想清楚再动手。融资路演、技术评审、排期计划……这些看起来麻烦的环节，其实在帮你过滤掉一堆烂主意。每一个摩擦点，都是一道让你停下来问问自己"这真的值得做吗"的关卡。
现在这堵墙没了。你可以直接跳进去敲。
手册里把这个叫"假阳性PMF"。
PMF是产品和市场的匹配。它的判断标准只有一个：有人愿意为这个东西付钱。把"做出来了"当成"验证过了"，是这个时代最常见、也最隐蔽的自我欺骗。
我自己做coinift早期也踩过这个坑。有个功能我觉得一定有用，花了两天做出来，上线，没人付费。我当时以为是推广问题，继续推，还是没人付费。后来在一次用户访谈里才搞明白：人们想要解决这个问题，但不愿意为解决它付钱。
这两件事差得很远，但在做之前真的分不清楚。更危险的是，AI会让你在这个坑里待得更舒服——因为它每次都告诉你：你的方向是对的，继续干。
(假阳性PMF)
第二个打中我的是AI的确认偏误问题。
你让AI帮你验证商业想法，它一定说好。你让它帮你分析竞争对手，它会帮你找到一堆你比对方强的地方。你让它帮你算市场规模，它一定给你一个能忽悠投资人的漂亮数字。
AI是顺着你走的。这不是它的问题，是它的设计——它被训练成对你有帮助、对你友好。但在商业验证这件事上，"有帮助"和"说真话"有时候是矛盾的。它在帮你把一个烂点子包装得无比精致，让你沉在里面出不来。
手册的建议是：把AI设定成魔鬼代言人。
不要问"我这个想法好不好"，要说：
"你是一个极其挑剔的硅谷VC，刚从十个失败项目里走出来，对创始人的自我感觉良好有强烈的过敏反应。帮我论证：为什么我的产品一定会死、我的竞争对手一定会赢、我现在最大的盲区是什么。"
我测试过这个prompt，第一次用在自己的项目上，有点不舒服，因为它说的有几条是对的。
那几条不舒服的地方，才是真正值钱的信息。
还有一个细节：不要在同一个对话里先夸你的项目、再切换成批评模式。AI有上下文惯性，它已经进入了"支持你"的状态，切换不彻底。直接开一个新对话，开篇就是批评框架，效果完全不同。
(确认偏误)
第三个是技术债的部分，这个跟我最近用Claude Code的体感完全吻合。
让AI自由写代码，像请了一个手脚极快但严重失忆的施工队。每次对话重置，上下文丢失，今天建个欧式阳台，明天挖个中式地窖，代码库最后成一盘散沙，没人能说清楚整体逻辑是什么、为什么这样设计、哪个部分动了会牵一发动全身。
这时候再想重构，成本比从头写还高。
手册给的解法是维护一个CLAUDE.md文件，把架构原则、命名规范、技术决策全部写进去，每次AI写代码前先读它。这个文件的作用不是限制AI，是给它记忆。
我现在在补的内容大概是这几类：这个项目是干什么的、核心用户是谁、哪些设计原则不能动、之前做过哪些重要决定以及为什么这样决定、已知的技术债在哪里、哪些区域是雷区不要乱碰。
这个我之前没做，吃过亏，现在亡羊补牢。
(失控的迭代)
最后一个数据我觉得值得单独说一下。
斯坦福数字经济实验室研究了51个真实的企业AI部署案例。结论是：77%的最难挑战不是技术，是变革管理、流程重组、数据架构。而且61%的成功项目，之前都有过至少一次彻底的失败。
这两个数字放在一起很有意思。大多数难题不是技术难题，而且成功之前几乎必须先失败一次。
手册里有个案例让我印象很深。一家翻译公司想用AI优化招聘，第一次让CTO主导，失败了。原因不是技术选型错了，是他们以为引入AI就能解决问题，但原来的流程本身就是断的——信息孤岛、审批节点混乱、评估标准不统一。AI进来，只是让这些问题暴露得更快、更难看。
第二次CEO亲自下场，先花三周把流程重新梳理清楚，统一标准，打通数据链路，然后再接AI进来。一个月之后，单岗位筛选时间从三小时降到三分钟。
同一家公司，同样的AI工具，完全不同的结果。
差别不在AI，在AI碰到的那个流程。
AI只会放大它碰到的系统。系统是烂的，AI让它烂得更快、更彻底、更难救。系统是好的，AI让它好得超出你的想象。
(流程整理前后)
那什么才是真正管用的？
读完整本手册，我自己整理出三件事。
先验证付费意愿，再建产品。 不是做一个MVP，是在动手之前，找到愿意先付钱的人。哪怕是预购、定金、或者一封写了"我愿意为这个付X元"的邮件。有人愿意为此付钱，才是真的PMF。没有，就是你的感觉良好。
主动寻找反对意见。 把AI设定成批评者。把你的想法发给最挑剔的人，不是最支持你的人。主动问"你觉得这件事哪里不对""你不会付钱的原因是什么"。这些问题让人不舒服，但不舒服的地方是信息密度最高的地方。
把流程理清楚再接AI。 如果一件事你自己做都做不利索，让AI来做只会更乱。先把人的流程走通，走通之后AI能给你十倍速。AI是加速器，不是修复剂。
(想清楚了再出发)
读完这本手册，我在想一个问题：
当所有人都能在一个下午造出任何软件，竞争的终点不是执行力，是判断力——你选择造什么，以及你在动手之前，愿意花多少时间真的想清楚。
执行力这个东西，AI基本上已经帮大多数人拉平了。剩下的分野，是你判断"值不值得做"的能力，以及你有没有勇气在答案不确定的时候，主动去找那个最刺耳的反对声音。
我入场AI，做产品，交学费，见过一些项目因为这些原因死掉，也见过一些因为把这些事情想清楚了、活得出乎意料地好。
AI越来越强，这句话不假。但它放大的，是使用它的人。
拿着一个没想清楚的方向，AI会帮你跑得更快地撞墙。
在动手之前，认真问过了最难的问题——AI会让你比以前任何时候都跑得更远。
这件事AI帮不了你。得你自己来。
