夜雨聆风
一場從「我懶得複製微信文章」開始，最後差點變成搞笑諾貝爾獎的商業實驗
Project Goldmine｜Problem Repricing Experiment 001｜2026.08.10
◆ ◆ ◆
事情的起點荒謬到不像一個商業研究。
凌晨，我只是突然受夠了一件很小的事。
我經常把微信文章丟給 AI 分析，但 ChatGPT 本身讀不到微信。以前我的解法很原始，打開文章、複製全文、切換 App、貼上內容；如果文章裡還有圖片，再截圖、上傳、補充說明。
遇到一篇圖文混排的長文，五分鐘就這樣不見了。
五分鐘不算什麼。
問題是，一天兩篇、三篇，一年累積下來，人類竟然還在替 AI 做資料搬運工。
於是我冒出一個念頭：
乾脆讓 ChatGPT 自己讀不就好了？
接下來幾個小時，一支完全由 AI 組成的施工隊開始工作。
ChatGPT 幫我拆架構。
OpenClaw 負責實作。
Mac mini 跑本地服務。
Agent-Reach 負責外部資料抓取。
我們接上 MCP、OAuth、Cloudflare，處理微信頁型差異，再補一個本地 OCR。
最後我在 iPhone 上只要丟一條微信網址，ChatGPT 就能自己抓正文、判斷文章裡還有七張圖沒讀，再自動調 OCR，把圖片文字一起吃完。
原本五分鐘的人肉 API，剩下幾秒鐘。
本來故事到這裡就可以結束了。
一個很實用的小工具，一個晚上完成。
結果凌晨四點左右，我們把事情聊歪了。
而且歪得非常遠。
一個很危險的問題突然冒了出來
做完這套工具後，我們聊到一件事。
以前資訊自動化很昂貴。
一個人每天可能浪費半小時做某件重複工作，大家明明知道這件事很蠢，但找工程師寫程式、測試、部署、維護的成本更高。
最後只能接受：
算了，繼續人工做吧。
企業裡其實充滿這類事情。
Excel 搬資料。
ERP 匯出之後再整理。
PDF 抄數字。
郵件附件重新命名。
每天固定登入幾套系統查資料。
家裡也一樣。
找不到保固卡。
忘記哪天換過濾芯。
替父母掛號。
幫長輩操作手機。
為了退 30 元貨款，翻半天訂單、聊天紀錄和平台規則。
人類已經習慣這些事情了。
習慣到甚至懶得把它們稱作「問題」。
但 Agent 出現之後，一個很關鍵的經濟條件改變了：
解題成本突然大幅下降。
以前值得花兩週工程時間解決的問題，現在可能一晚完成。
以前必須服務十萬人才值得開發的軟體，現在服務幾百人可能就能算得過帳。
於是我突然問 ChatGPT：
如果把人類以前沒有解掉的問題全部抓出來，用 2026 年的 AI 能力重新算一次帳，會發生什麼事？
這句話一出口，我自己都覺得有點神經病。
ChatGPT 卻回答：「這可以做成 Problem Repricing Engine。」
問題重新定價引擎。
我看到這個名字直接笑出來。
世界上可能存在大量「已經過期的問題」
這個概念其實很簡單。
很多問題當年沒有被解掉，背後可能有很多原因：技術不成熟、人工太貴、軟體開發太貴、資料處理成本太高、客製化不划算、市場太小、使用者付不起錢、需要太多人協作，或者模型能力不足。
當年如果 Solution Cost > Problem Value，這個市場自然不會成立。
可是 AI 出現後，如果變成 Solution Cost << Problem Value，問題本身完全沒有改變，商業世界卻已經換了一張資產負債表。
所以真正值得重新檢查的，也許不是「AI 還能做什麼」。
哪些人類已經存在很多年的麻煩，今天突然解得起了？
這有點像金融市場重新定價一項資產。
以前大家覺得不值錢。某個基本條件突然改變。價格整個重算。
而 AI 正在做的，很可能就是把大量「問題」重新定價。
然後我們真的開始挖礦
問題是，真的要做這種研究，算力可能很可怕。
如果把全世界幾百萬種問題全部拿去讓最強模型深度推理，財務長大概會先把這個計畫掐死。
但我突然發現一件更荒謬的事情：
第一版根本不用寫引擎。
因為我眼前已經有一台。
ChatGPT 本身就能搜尋、讀資料、比較歷史案例、分析失敗原因、估算 AI 能力變化，再用反方論證攻擊自己的結論。
而且對我來說，現階段的增量現金成本幾乎為零。
於是我跟它說：「你去挖礦吧。」
結果它真的去了。
第一鏟：中國可能是一座很奇怪的礦山
第一輪，我們沒有先限定企業。
因為我一直有一個沒什麼證據的直覺：中國搞不好比海外藏著更多這種機會。
原因後來慢慢浮出來了。
中國有巨量個體工商戶、小商家、夫妻店、小型服務業者。
大量經濟活動已經高度數位化，微信、支付、電商、物流、短影音全都很成熟。
但這些人又普遍買不起，或者不願意購買傳統企業軟體。
於是形成一個非常奇怪的社會結構：數位軌跡很多、工作流程很碎、人工操作很多、客單價很低、正式軟體服務又常常太貴。
過去軟體公司看到這種市場，很容易直接放棄。
一個客戶每月只願意付 20 元，誰要替他客製？
Agent 時代的算法可能不同。
如果服務成本只剩 1 元呢？
於是第一個很有意思的 hypothesis 出來了：
中國可能存在大量被「低客單價」壓在市場形成門檻以下的需求。
以前沒人服務得起。
現在可能開始服務得起了。
第二鏟：真正的大市場，可能叫 Long-tail Software
第二輪我們開始殘酷一點。
每個題目都問：誰付錢？AI 到底改變了什麼？三天內能不能驗證？是不是一碰現實世界就死？
砍完一輪之後，出現一個我覺得很有意思的方向：
那些以前小到不值得寫軟體的工作流。
傳統 SaaS 的邏輯是：十萬個人有差不多的需求，做一套軟體，標準化，大量賣。
這是因為開發很貴，所以需求必須高度共通。
Agent-native software 可能有另一種結構。
十萬個使用者，兩萬種略微不同的流程，系統根據共同 primitives 現場組裝。
以前一句：「這需求只有 300 個人，別做。」
現在可能變成：「MVP 只要四小時，300 個人夠不夠？」
如果這件事成立，Long-tail Software 本身就是一個巨大的新市場。
第三鏟，事情開始真的有點邪門
第三輪我說：「不要再找大家抱怨的問題了。」
因為真正被人忍習慣的麻煩，往往早就不抱怨了。
大家只會搜尋：怎麼匯出、怎麼整理、怎麼對帳、怎麼保存、怎麼申訴、怎麼提醒、哪裡有模板、Excel 要怎麼做。
看到這裡，我們突然發現一個非常有意思的方法。
不要搜尋 Pain。搜尋 Workaround。
教程、模板、Excel、Checklist、代辦、跑腿，其實全部都是問題存在的證據。
例如有人天天搜尋：「微信支付帳單怎麼匯出？」
表面上這是一篇教程。
換個角度看：為什麼這件事情還需要教程？
有人搜尋：「如何整理微信和支付寶流水？」
真正的問題可能是：為什麼人類還要自己整理？
有人說：「算了，30 元懶得退了。」
這句話其實非常精彩。
那 30 元的權益沒有消失。只是「追回 30 元」需要付出 40 元的人類時間成本。
所以人類理性地放棄。
如果 Agent 把處理成本降到幾毛錢呢？
突然，一個原本不存在的市場出現了。
我們把這種東西叫「小額權益放棄稅」。
還挖出了售後稅、家庭資產管理稅、代操作稅、家庭認知負荷稅、照護協調稅。
越挖越像搞笑諾貝爾獎開獎現場。
問題是，這些東西全部真的存在。
這時候我已經笑到肚子抽筋
整件事情最荒謬的地方，是我正在使用目前能取得的最強推理能力之一，做一個看起來全世界最無厘頭的科研項目：
重新檢查人類是不是有很多問題其實早就不用忍了。
研究方法也非常不像正常研究。
「這個是不是很蠢？」查。
「以前為什麼沒人做？」查。
「今天成本有沒有下降？」算。
「誰會付錢？」不知道，砍掉。
「等等，這個好像真的有人會付。」留下。
「反方能不能打死它？」再打一遍。
整個過程沒有華麗的商業計畫書，也沒有先做 80 頁 TAM。
只有兩件事：
把腦洞開到荒謬。
把現實算到殘酷。
我突然覺得，這可能才很接近 Agent 時代應該有的探索方式。
AI 最大的價值，也許不是替我們回答問題
我們習慣問：AI 能不能回答得更好？能不能寫更好的程式？能不能取代某些工作？
但這一晚讓我開始想到另一種可能。
當智能成本、軟體生產成本、搜尋成本、驗證成本同時下降，人類真正應該重新做的，也許是：
重新審視我們所謂的「問題」。
很多問題並不具有永恆性。它們只是某一個技術時代的產物。
二十年前傳送大型檔案是一個問題。
十年前隨時叫車是一個問題。
以前一個普通家庭不可能擁有自己的資料分析師、工程師、研究員和私人助理。
現在這些邊界都在移動。
所以有些今天仍然被當作理所當然的麻煩，可能只是歷史遺留物。
我們之所以繼續忍受，只因為還沒有人回頭看它一眼。
這可能是一種新的 Opportunity Discovery
如果繼續走下去，這個荒謬實驗其實可以形成一套方法。
建立人類問題 corpus。
分析它過去沒有被解掉的原因。
比較今天的 AI capability delta。
重新計算 solution economics。
尋找付款人。
跑反方論證。
最後只留下：
值得花幾個小時做一次真實驗證。
AI 不負責宣布下一個獨角獸。
它只負責從十萬個問題裡，找出十個值得人類抬頭看一眼的地方。
這樣就足夠了。
真正的裁判仍然是現實世界。
使用者會不會用。願不願意付錢。法規允不允許。人類習慣會不會改。物理世界接不接得上。
這些東西，歷史資料庫永遠不可能完整告訴模型。
所以最理想的結構仍然是：AI 負責大規模發散，人類負責感知異常，Delivery Loop 負責快速收斂，市場負責最後處刑。
我開始相信，AI 時代真正的黃金坑可能藏在歷史裡
現在全世界都在找新的 AI use case。
客服、Coding、教育、醫療、金融、Agent、機器人。
大家都往人人看得見的地方跑。
可是更大的機會，也許藏在另一個地方：
人類過去已經放棄解決的問題。
以前太貴。以前太小。以前太麻煩。以前需要太多專家。以前服務不起那群人。以前一筆交易不值得處理。以前一個人的需求不值得寫軟體。
這些「以前」正在大量失效。
所以 AI 時代真正值得問的，也許是：
還有哪些問題，只是因為我們用昨天的成本結構看它，所以才仍然被稱為問題？
如果答案很多，那裡可能就是下一輪真正的黃金坑。
故事到目前為止，還沒有一家新公司。
沒有收入。沒有產品。甚至沒有正式的 Problem Repricing Engine。
只有一個凌晨突然冒出的荒謬問題，和三鏟下去之後越來越奇怪的答案。
但我已經覺得這個實驗值得了。
就算最後所有候選題全部歸零，它至少證明了一件事情：
AI 時代，最危險的習慣之一，可能是繼續用傳統世界的常識判斷現代問題。
而如果最後真的從這堆死人骨頭裡挖出一家公司……
那創業故事大概會非常難寫得正經。
畢竟整件事最早的起點只是：
我嫌複製微信文章太麻煩。
然後凌晨五點，我們開始重新檢查人類文明到底還有哪些問題。
嗯。
這很合理。
非常合理。🤣
後記
寫到這裡，我們決定繼續挖第四鏟。
前三鏟已經從「痛點」挖到了「workaround」，下一步準備直接去翻那些曾經被市場、技術或時代判死刑的產品和想法。
如果前面是在礦坑裡找金子，第四鏟大概就是：
正式開始挖死人骨頭。
我現在也不知道會挖到黃金，還是挖出一堆真正應該繼續埋著的東西。
但這可能就是整個實驗最好玩的地方。
Project Goldmine |