夜雨聆风模型、Agent 和工作流都能很快做出 Demo。真正难的是，让一段 AI 能力变成有人愿意持续购买的结果。
我把 Josh Kaufman 这段访谈看了两次。印象最深的不是 MBA，也不是“20 小时学会任何东西”。而是一个有点刺耳的问题：一个产品已经做出来了，和一门生意真的开始了，中间还隔着什么？
对 AI 应用来说，这个问题更扎心。把模型、RAG 和 Agent 接进产品以后，一天搭个原型，晚上录个视频，第二天就能发到朋友圈。可当有人问“谁会为它掏钱？为什么是现在？出了错你怎么兜底？”很多产品的叙述突然断了。
这事儿不是技术不够好。技术只是其中一段。
我更在意的，也不是下一次模型发布会把参数抬到多高。对关注 AI、大厂和商业趋势的人来说，真正值得盯住的分界线是：一项能力走进真实工作以后，能不能替用户换来足够明确的时间、风险或收入，明确到他愿意持续付钱。
AI 产品从 Demo 到生意的分岔
● ● ●
AI 应用商业化，要穿过五道门
Kaufman 把任何生意拆成五个相互依赖的部分：价值创造、营销、销售、价值交付、财务。他的说法很干脆：少了其中任何一个，你有的可能是爱好、失败项目、公益组织，甚至是骗局；但不是一门能持续运转的生意。《The Personal MBA》对五部分的原始解释在这里。
把这张图贴到 AI 产品上，判断会清楚很多。
- 价值创造
：不是“我能调用最新模型”，而是“法务助理每周能少翻 30 份合同，且不会漏掉高风险条款”。问题要具体到一个人、一段流程和一个代价。 - 营销
：不是发一条“Agent 上线了”，而是让正被这件事折磨的人看见你。你得知道他们在哪儿出现，用什么词描述痛苦，原来又是怎么将就的。 - 销售
：不是收一堆“求内测”的邮箱。销售是有人面对价格、预算、迁移成本和风险之后，仍然说“行，我买”。 - 价值交付
：不是把一个链接发出去。用户真的把合同交给它以后，答案有没有用？错了能不能追溯？卡住以后找谁？ - 财务
：回款能不能覆盖模型调用、人工审核、获客、退款、服务器、税费和你自己的时间？把 token 单价算得很细，却漏掉 20 分钟人工交付，也会把账算歪。
AI 产品的五个部分：价值、营销、销售、交付、财务
我不太相信“更强的模型会自动带来更好的生意”。模型能力当然重要，但它通常只是在帮你完成价值创造。有人注意到你、愿意冒险付款、交付后继续留下来，这几步没有捷径。
● ● ●
● ● ●
别问“你会不会用”，要看“你肯不肯付”
访谈里有个判断很适合贴到创业者电脑上：亲友说“这个主意真不错”，基本不算需求验证。人们可能真心喜欢你的点子，也可能只是不好意思扫兴；但付款、迁移数据、改变原有流程，是另一套成本。
所以我会把验证问题改得更难听一点：这件麻烦事，是否大到值得对方现在掏钱解决？
对消费者产品，答案可以来自一笔小额预售；对企业产品，可以是带价格的付费试点、付费设计合作，或者写明范围、期限和价格的意向书。别把三者混在一起。等待名单只说明有人愿意留下邮箱，意向书说明采购意愿更强，真实回款才意味着预算被挪过来了。
不过，上面这句话我得收回来一点：回款也不是终点。预售会被取消，试点会被拖延，客户也可能只买一次。Hacker News 上曾有创业者分享，第一次花约 8 个月打磨产品仍没人愿意付费，第二次先用短周期 MVP 预售再投入；同一串讨论里也有人提醒，预售本身同样可能高估需求。这正是原帖里值得同时读到的两面。
把“有人付款”当作强信号，而不是胜利宣言。 之后还要看交付成本、退款、复购和转介绍。
从好评到付费验证的信号强度
AI 产品有一个很实用的起步方式：先做“人工 MVP”。比如你想做一款为跨境卖家整理差评并给出改进建议的 Agent，先不要急着搭多 Agent 编排。找 3 位目标卖家，拿到真实评价，用现成模型加人工核对，交付一份他们愿意带进周会的报告。
关键是别装自动化。你可以坦白告诉客户：目前有人工审核，目的是先确认结果是否值得他们付费。然后记下四件事：交付花了多久、哪一步必须人工介入、客户删改了什么、他们下次还想不想要。这些记录才是下一版产品的需求文档。
现在不少团队会用大模型模拟用户访谈。我会拿它来准备问题、归类反馈，甚至帮我发现盲点；但不会让它替代真实客户。模型不用过预算，也不用承担一次错误推荐带来的麻烦。它给不出那张真正的信用卡。
● ● ●
● ● ●
营销不是喊模型参数，销售也不是硬推
Kaufman 在访谈中把营销和销售分开：营销负责吸引合适的人注意，销售负责让对方完成购买。这个区分听着像课本，落到 AI 产品上却很现实。
一张落地页写着“128K 上下文、32 个工具、三层 Agent 协作”，开发者会觉得信息充分。客户通常不会。客户脑中跑的是另一段小电影：我是不是能少加两小时班？老板会不会问这份报告从哪来的？数据能不能留在公司？
特性不是没用。它们是“为什么你能做到”的证据。可是用户付钱的理由，更多是自己接下来会过怎样的日子。
特性与利益：模型参数不是用户购买理由
这也解释了为什么有些并非技术最强的产品能卖得很好。它们把一件看上去普通的能力，讲成了特定人群能听懂、愿意认领的结果。说实话，“所有人都适用”常常等于没有对任何人说清楚。
我会逼自己把产品介绍改写一遍：
不说“AI 合同审查 Agent”。试试说“把供应商合同里需要法务复核的条款先圈出来，并保留引用位置，让业务同事别再把 80 页 PDF 丢给法务”。
它不一定立刻卖得更好，但至少开始回答“为什么有人要买”。这才是问题。
● ● ●
● ● ●
交付和财务，会戳破许多好看的故事
一笔首单很让人兴奋。可真正难的部分往往刚开始。
如果客户上周买了你的 AI 周报助手，这周他把它生成的数字拿去开会，发现少算了一组数据。他要的不是一句“模型偶尔会幻觉”，而是有人说明错误来自哪里、怎么更正、以后是否还会再发生。交付是承诺被拿去用之后的那一段。
早期客户服务可能一点都不优雅。你得手动查日志、约电话、把错误样本补进评测集。Paul Graham 很早就写过，创业者在早期亲自招募用户、做那些“不规模化”的服务，既是在拉启动，也是在学习真实用户。原文在这里。
我更愿意把首批客户当成共同设计者，而不是一堆工单。他们的抱怨不一定都该照收；但你得能区分“这个人不适合”与“我们把关键承诺做砸了”。
然后，再把账摊开。一个很粗糙但有用的月度问题是：
本月回款 -（模型与云资源 + 人工交付 + 获客 + 固定支出 + 退款与税费）= 还剩下多少？
如果这个数长期为负，注册量再漂亮，也只是把亏损放大。
这里没有高深数学。可它会逼着我们承认一些不舒服的事：某类客户服务成本太高；某个功能调用很多却不带来续费；某条获客渠道看似热闹，实际没有付款。先活下来，再谈扩大。这句话老，但真管用。
AI 产品的月度现金流：回款与真实成本
● ● ●
● ● ●
给自己 20 小时，学一项离钱更近的技能
访谈后半段谈到 Kaufman 的《最初的 20 小时》。它经常被误读成“20 小时成为高手”。不是这个意思。
20 小时更像一张入场券：把一个太大的目标切小，准备好工具，做足够多的刻意练习，从“完全不会”走到“能用、知道下一步往哪儿练”。顶尖水平当然远不止这些时间。
对准备做 AI 产品的人，我会优先练四样离钱更近的东西：
- 01
把一次客户访谈问明白，不诱导对方夸你；
- 02
演示一个具体结果，而不是演示所有功能；
- 03
报出一个真实价格，听完拒绝理由别急着解释；
- 04
把一次交付的成本和返工写下来。
很多人会在“研究模式”里待很久：看竞品、收藏课程、让模型模拟 50 个用户。研究很舒服，因为还没有人拒绝你。可技能不在收藏夹里生长，得在一次不太顺的通话、一份被打回的报价、一次超时交付里长出来。
最初二十小时：把创业技能拆成可练习的小动作
● ● ●
不用先成为创业家，先完成一次小交易
这套框架有个我很认同的好处：它会把“我要创业”这种很大的念头，拆成明天就能检查的动作。
这周，你可以只做一件小事：找一个明确的目标用户，问他最近一次怎么处理那件麻烦事；如果你能替他省下真正的时间或风险，就提出一次有价格的试点。别急着把系统做成宇宙飞船——先完成一次诚实的小交易。
