夜雨聆风
前几天写 Agent 横评，留言里出现得最多的一个问题是：工具这么厉害了，普通人到底怎么靠 AI 赚钱？
这个问题听起来像在问技术，实际是在问生意。
很多人现在的路径是这样的：先让 AI 想十个创业点子，挑一个听起来最大的；再让 Codex、Claude Code 或其他 Agent 在两天里写出 App；接着上线、发朋友圈、等用户来。最后通常不是产品写不出来，而是根本没人需要它。
我并不觉得这是能力问题。恰好相反，今天最危险的错觉就是：写产品变得太便宜了，于是“我能不能做出来”被误当成“有没有人会买”。
AI 可以是一个很好的程序员、设计助理、运营助理，甚至能陪你做用户访谈纪要。它不能替你确认一个人会不会掏钱。它也不会从空白聊天框里，凭空算出一个真实的市场。
这篇不是“AI 副业项目大全”，更不是收益承诺。我把 12 个常见的 AI 赚钱方向按需求质量打分，顺便把找需求、卖前验证、用 AI 交付这件事拆开。看完你至少能分辨：哪些是可验证的生意假设，哪些只是模型很会写的想象力。
先给结论：不要卖“AI 能做什么”，要卖“某一类人今天已经在为哪个麻烦花时间、花钱，或者丢单”。
第一个误会：代码不再稀缺，需求仍然稀缺
以前想做一个小软件，先得找程序员，做原型要几周，改一次功能又是一轮。现在你把流程、页面、数据库字段讲清楚，AI Agent 确实能把第一个可用版本拉出来。这个变化是真的。
但“能做”只解决了供给侧最贵的一环。客户不为你的代码付款，客户为自己的结果付款：少漏一张单、少花三小时对表、快一天拿到报价、少一次客服投诉、让新人能上手、让一个项目能按时交付。没有结果，产品再丝滑也只是一张漂亮的 Demo。
这不是故意泼冷水。OpenAI 对 150 万段去标识化 ChatGPT 对话的研究显示，绝大多数使用都集中在实用建议、信息获取和写作；在工作场景里，写作是最常见任务，纯编程在所有消息中的占比很小。OpenAI 的使用研究 这至少说明了一件事：人们要解决的，远不止“有人替我写代码”。
企业里的情况也类似。真正能沉下去的 AI，不是一个孤立的聊天框，而是接进已有邮件、文档、报表、工单、知识库和审批流程里。OpenAI 近期的 Work 使用指南说得很直白：最有用的输入，不是从空白提示词开始，而是团队已经在使用的日历、消息、文档、仪表盘和表格。ChatGPT Work 的实务说明
换成创业语言就是：别先问“AI 还能做一个什么”，先看“某个工作流里，信息已经在哪里堆积、谁正在为它抓狂”。
AI 当然能帮你找线索。它能读行业论坛、整理访谈、归类工单、找重复动作，甚至帮你做竞争对手扫描。但它只能生成假设，不能替代证据。真正的证据是：一个具体的人把自己的流程打开给你看；他承认这里每周要耗掉几小时；他愿意试用，最好愿意付定金。
我用一张 100 分评分卡，淘汰“看上去很酷”的项目
下面这套评分卡，我建议你用在任何 AI 项目上。不是给“AI 能力”打分，是给需求本身打分。每一项 0 到 5 分，再乘权重，总分 100。
算式很简单：总分 = 每项得分 ÷ 5 × 权重，再相加。分数不是科学仪器，它的作用是逼你说清楚依据。
举个例子。“做一个帮所有人写朋友圈的 AI”在 AI 杠杆上可以给 5 分，模型确实会写；但痛感不高、既有支出少、你很难找到稳定付费的人、同质化又严重，最后大概率不过 40 分。
反过来，“帮一家外贸小团队把散落在邮件、表格和聊天记录里的询盘整理成可跟进的报价任务”，界面可能一点也不性感，却更容易拿到高分：它每天发生，有人已经在靠人工处理，错误会丢单，结果也能量化。
拿两个项目算一遍，你会马上看出差别
项目 A：给一个 12 人外贸团队做“询盘优先级 + 缺失资料提醒”。访谈后发现，跟单每天要从邮件、表格和聊天记录里找线索；有些客户三天没回，有些报价缺参数，老板只能在周会上追着问。这个项目可以先打：痛感与频率 4.5 分、既有支出 4 分、第一批客户 4 分、结果可量化 4 分、独有上下文 4.5 分、AI 杠杆 4 分，折算大约 83 分。
它不是因为“用了最强模型”才高分。它高分是因为客户已经在付出：跟单的时间、错过的询盘、主管的追问，都是成本；而输出也足够具体，一张按优先级排好的跟进表就能验收。第一版甚至不需要接邮箱，只要客户愿意给你一批脱敏历史邮件，让你用人工加 AI 做出一份样品就够了。
项目 B：做一个“任何人输入一句话，就自动生成创业 App”的平台。AI 杠杆可以给 5 分，页面也很容易做得炫；但痛感也许只有 1 分，既有支出 0.5 分，第一批付费客户难找，结果更无法定义。这个项目算下来可能只有 30 分左右。它不是一定做不成，只是需要极强的流量、品牌或分发能力来弥补需求弱，而这恰好是多数个人开发者手里没有的东西。
这就是评分卡的用处：它不替你预测成功，而是防止你把“实现很轻松”误判成“生意很容易”。
有一个硬门槛我会单独加上：如果你找不到 10 个目标用户，就先不要做产品。
这句话会让很多人不舒服。因为“做产品”很有掌控感，打开 Agent 下指令，几个小时就能看到页面；找人聊天会被拒绝，会暴露自己其实不懂行业。但客户在哪里，恰恰决定了你以后获客成本是不是会把全部毛利吃掉。
12 个 AI 赚钱方向，我按需求质量打分
下面的分数是基于上面那张卡的方向分，不是收入预测，也不是让你照抄。它们的差异主要在于：问题是否已经发生、谁愿意付钱、你是否能接近第一批用户。
这张表里，前八个方向有一个共同点：它们都不是“AI 行业”的需求，而是原来就存在的工作。 AI 只是让以前很贵、很慢、很碎的一段流程变得可交付。
拿“销售会前准备”举例。低分做法是做一个“AI 销售助手”，首页摆五个大按钮，谁都不知道怎么用。高分做法是盯住一个具体动作：销售每天 9 点前，要把当天约见客户的公开资料、上次沟通、未解决问题、可提的问题整理成一页。交付物就是一页会前卡片，谁负责、什么时候生成、销售有没有用、约见结果如何，都能看到。
再拿“电商运营”举例。低分做法是“我能一键写 100 条标题”；这几乎没有壁垒。高分做法是帮一个类目团队把近 30 天差评按原因聚类，带上对应 SKU、图片、客服话术和处理优先级。前者是内容，后者是决策。客户更容易为后者掏钱。
需求不是坐在电脑前想出来的，是在别人的工作里捞出来的
我很不建议一开始就搜“2026 年最赚钱的 AI 赛道”。这种文章给你的通常是大词：医疗、教育、出海、智能体、机器人。它们都不算错，但对一个今天要开始的人几乎没用。
更有效的起点是你已经够得着的人。不是一个行业，而是一类有具体动作的人：
你认识的外贸跟单，每天在哪些表格和聊天窗口之间切换？ 朋友开的连锁店，客户预约之后，为什么有人再也没有回来？ 做 SaaS 实施的团队，项目经理每周最怕收集哪几类材料？ 一个做设计或咨询的工作室，交付前总要重做哪份文档？
不要问“你想不想要 AI”。这个问题没有信息量，谁都会客气地说想。换成下面四个问题：
- 上周最后一次发生是什么时候？ 请他把那一次从头到尾讲出来。
- 你当时用了什么替代办法？ Excel、微信群、加班、找实习生、外包，都是付费信号。
- 最坏会损失什么？ 时间、钱、客户信任、延误、合规风险，哪一个最具体？
- 谁有权决定花钱？ 使用者、部门主管和付款人常常不是同一个人。
访谈时最有价值的不是评价，是证据。对方能不能给你看一张脱敏后的表格、一封邮件、一段工单、一份周报？能不能告诉你“这个动作一天做 12 次”？有没有一个现成预算，比如“我每个月已经花 3000 元请人做这件事”？
这些材料才是 AI 真正该读的上下文。没有它们，模型只能从互联网平均值里猜；有了它们，AI 才能开始做分类、抽取、比对、起草、提醒和生成第一版交付物。
当你已经拿到几段访谈记录后，AI 在这里很有用。不要再发一句“帮我想十个 AI 赚钱项目”，那只会得到一串没有责任人的名词。可以把脱敏的访谈、工单或邮件摘要贴进去，让它按证据工作：
1 2 3 4 5 6 7 8 9 10
下面是 8 位 [目标用户] 对最近一次 [具体工作] 的复盘记录。
不要提出产品点子，也不要补全我没有给出的事实。
请只做四件事：
1. 找出反复出现的动作、等待、返工、错误和损失；
2. 对每一条标注出现次数，并保留原话或原始步骤；
3. 区分“使用者的抱怨”“付款人的损失”“我自己的推测”；
4. 给出最值得继续验证的 3 个假设，并写清还缺什么证据。
最后按：目标用户｜触发场景｜现有替代办法｜可交付结果｜风险｜下一步访谈问题 输出。 这段提示词的价值，不在于让模型灵光一现，而在于让它把你已经收集到的零碎证据摊平。它最适合做研究助理，不适合替你宣布“市场已经成立”。
Anthropic 在 2026 年 6 月的 Economic Index 里也观察到，随着 Claude Code 和 Cowork 的发展，越来越多会话变成持续运行的 Agent 任务，而不只是一次问答。Anthropic Economic Index：Cadences 这不是“Agent 自己找到生意”的证据，反而提醒我们：当任务有持续输入、明确产出、可回到下一轮的数据时，Agent 才更像生产工具。
别急着做 SaaS，先卖一次“人工 + AI”的交付
这是最实用的一步，也最容易被忽略。
假设你发现一家小团队每周都要把 50 封询盘邮件整理成报价优先级。第一反应往往是：做一个邮箱插件，再做后台，再做权限、账单、团队协作，最后两个月过去了。
我会先卖一个小服务：“每周一上午，我把上周询盘按金额、紧急程度、产品线、缺失资料整理成一张跟进表；你们确认后再发。”
背后当然可以用 AI：抽取邮件、归类、填表、起草追问信。但在客户眼里，你卖的是“每周少漏单、少花半天整理”，不是“我调用了哪个模型”。先人工兜底有四个好处：
你会很快知道模型究竟在哪一步最容易出错。 你能看到客户真正会改什么，而不是猜功能。 你先获得流程和数据，才知道值不值得产品化。 最重要的是，客户愿意付款这件事可以被验证。
这里要有一个边界：医疗建议、法律结论、财务决策、招聘筛选、信贷审批等高风险场景，不能因为“先人工兜底”就放松要求。AI 可以协助整理、检索和起草，最终判断仍应由具备责任与资质的人完成，并遵守数据和行业规则。
你会发现，“人工 + AI”不是落后的过渡方案。很多小生意的第一阶段，恰恰靠它建立交付标准。只有当同一种输入、同一种判断、同一种输出反复出现，才值得把流程封进软件。
AI 在赚钱流程里的位置：不是创始人，是一支执行队
把 AI 当成万能创始人，很容易走偏。它缺三样最关键的东西：对用户处境的第一手感受、承担承诺的责任、长期获得客户的渠道。
但把它当成执行队，你会发现它非常能打。
所以真正稀缺的能力没有消失，只是换了位置。以前稀缺的是“把一个网页做出来”；现在更稀缺的是“看见一个真实工作流，定义一个别人愿意验证的结果，并持续把它卖出去”。
OpenAI 在企业规模化 AI 的经验总结里，反复提到的也不是“模型再强一点”，而是工作流设计、治理、信任和能经得住生产环境检验的证据。OpenAI：企业如何规模化 AI 这是厂商自己的观察，当然不是普适定律，但和一线做项目的体感很一致：模型接上以后，最难的是把人、数据、权限和验收接上。
一个 7 天验证法：别再用三个月换一个“没人要”的产品
如果你今天想开始，别给自己立“做个 AI SaaS”的大目标。用下面 7 天，换一个更有价值的答案：这个需求是否真的存在，是否有人愿意为第一个结果付钱。
第 1 天：只选一类人。 不选“中小企业”，选“年销售额 500 万到 3000 万、靠邮件跟进客户的外贸小团队”这种粒度。人群越具体，你越能听懂他们的话。
第 2 天：约 5 个人聊天。 不推产品，只复盘他们最近一次处理这个问题的过程。你要的是截图、文件、步骤和抱怨，不是点赞。
第 3 天：给需求打分。 用上面的 100 分卡打分。低于 70 分先放下，除非你手里有非常强的渠道或行业资源。
第 4 天：做一个可交付样品。 用 AI 帮一位真实用户完成一次工作，哪怕你自己在背后大量手工操作。交付物必须可看：一张表、一份会前卡、一份问题清单、一页报告。
第 5 天：提出收费。 可以是很小的试点费，也可以是预付下周服务费。免费试用只能证明别人愿意省钱，付费才证明问题有优先级。
第 6 天：复盘失败。 模型在哪个字段读错？客户最后改了什么？哪些步骤根本不需要自动化？把这些写成流程和验收标准。
第 7 天：做一个决定。 有人付费，就继续把重复部分产品化；没人付费但反馈很具体，换交付方式再测一次；没有人愿意聊，别怪模型，换人群或换问题。
这个方法看起来慢，实际上比闷头开发快得多。你不是在拖延写代码，而是在排除一个很贵的错误：用最先进的工具，去解决一个不存在的问题。
最后，我想把“AI 怎么赚钱”换成一个更有用的问题：你身边哪一类人，正在为了一个重复、昂贵、容易出错的结果而焦虑？
先去找到他。把他最近一次卡住的过程看一遍。试着交付一个更好的结果，再开口收费。
这之后，AI 才轮到上场。它会是你见过最不抱怨、也最便宜的一支执行队；但你仍然得负责看见需求、建立信任、把结果交到客户手里。生意这件事，没法外包给聊天框。
资料与核对入口
OpenAI：150 万段 ChatGPT 对话的使用研究 OpenAI Academy：ChatGPT Work 如何基于现有工作材料产出结果 Anthropic Economic Index：持续 Agent 任务与实际使用节奏 OpenAI：企业规模化 AI 的工作流与治理经验