结论先行
AI 技术红利会快速扩散,创业公司的长期价值不会只由模型能力决定,而由能否形成入口、数据、网络效应、运营效率和可持续商业闭环决定。
朱啸虎强调的 3S 框架可以作为第一层过滤器:Size 足够大,Scalable 能快速复制,Sustainable 能长期防御。
最危险的是做成“大厂可以免费集成的功能”。如果没有入口、数据、场景深度、工作流绑定或网络效应,容易变成替平台验证需求。
一、技术领先为什么会变成阶段性优势
在技术快速变化的早期,领先模型、领先算法、领先交互确实能创造窗口期。但当技术扩散速度也很快时,窗口期会被压缩。模型能力趋同、开源模型成熟、推理成本下降、云厂商和大厂产品线快速集成,都会让单点技术优势变短。
这意味着创业公司不能只问“我是不是用了最强模型”,而要问“我是否掌握了一个别人不容易拿走的商业位置”。这个位置可能是高频用户入口,可能是专有数据闭环,可能是复杂供应链和服务网络,也可能是社区、品牌、渠道、成本结构和运营效率。
二、3S:判断项目的第一层过滤器
3S 框架的价值在于它足够朴素,也足够残酷。很多项目看起来“AI 味很浓”,但一放进 3S,就会暴露出市场太窄、交付太重、壁垒太薄的问题。
市场是否足够大,需求是否真实存在,用户是否已经在为类似问题付出时间、预算或注意力。
产品是否能低边际成本复制,还是每个客户都要重新开发、部署、培训和服务。
一旦需求被验证,是否具备数据、入口、网络效应、品牌、供应链或组织能力,让大厂和同类公司难以轻易吞掉。
三、为什么高度定制化业务很难成为产品公司
企业 AI 项目最容易掉进“看似高客单价,实则服务公司”的陷阱。一个客户一个流程、一个客户一套权限、一个客户一轮私有部署、一个客户一批定制开发,收入可以增长,但交付能力很难非线性增长。
这不是说定制化没有价值。早期定制可以帮助团队理解真实需求,沉淀行业 know-how。但真正的产品化拐点,是把重复出现的需求抽象成通用模块,把客户差异留在配置层、数据层和插件层,而不是永远靠项目经理与工程师手工兜底。
| 业务形态 | 增长表象 | 真实风险 | 改进方向 |
|---|---|---|---|
| 重交付定制 | 短期收入好看 | 毛利被人力吞掉,复制速度慢,销售越多交付越痛 | 沉淀标准对象、标准流程、标准集成和模板库 |
| 标准化产品 | 规模化更强 | 早期可能不够贴合大客户复杂流程 | 用配置和生态扩展覆盖差异,不把差异写死进主干 |
| 平台型网络 | 壁垒更厚 | 冷启动难,需要同时组织供给和需求 | 先选高频、标准化、强痛点的楔子场景 |
四、最好的增长不是买量,而是用户带来用户
社交网络、社区、双边平台和多对多市场的强处,不只是获客便宜,而是产品价值会随着参与者增加而提高。用户不是单纯消费产品,也在贡献内容、关系、供给、评价、数据和分发。
这也是为什么高频业务比低频业务更容易形成独立入口。若用户至少每周使用一次,产品还有机会占据心智、沉淀习惯、形成自然传播;若一年只用几次,除非客单价极高或场景极痛,否则很容易被超级入口、搜索、平台插件或线下服务商截流。
五、AI 创业最危险的形态:大厂功能试验田
AI Feature 很容易让人兴奋:一个 prompt、一个工作流、一个小插件,就能做出过去做不到的体验。但如果它不能独立占据入口,不能沉淀用户数据,不能绑定复杂工作流,也不能形成网络效应,大厂只要把同类能力免费集成进现有产品,创业公司的差异就会迅速消失。
因此,AI 创业更适合寻找“旧需求 × 10 倍体验”的机会:需求已经被验证,用户已有预算或习惯,只是旧方案慢、贵、复杂、体验差。AI 的作用不是制造概念,而是把原来的体验提升一个数量级。
六、用户数不是商业价值,留存和付费才是
用户数量本身不等于商业价值。AI 产品尤其容易出现“尝鲜用户很多,真实留存很薄”的情况。朱啸虎在纪要中提到,看 AI 产品时希望看到大致次月留存 50%+、六个月留存 20%+。这个口径的含义不是机械设门槛,而是提醒创业者关注用户是否真的把产品纳入日常工作或生活。
| 指标 | 健康信号 | 危险信号 |
|---|---|---|
| 留存 | 用户每周自然回来,任务变成习惯 | 发布期冲高,随后快速衰减 |
| 付费 | 用户愿意为结果、省时或收入提升付费 | 只愿意免费试用,付费转化弱 |
| 升级 | 从个人版自然升级到团队、企业或高阶服务 | 客单价被模型成本和客服成本压住 |
| 传播 | 产物、协作或社区机制自带分享 | 完全依赖投放和渠道补贴 |
七、从 Token Maxing 到 Value Maxing
“所有任务都用最强模型”不是成熟产品的终局。成熟 AI 产品应该把模型和 prompt 隐藏起来,让用户只关心任务是否完成、成本是否合理、体验是否稳定。系统内部再根据任务难度、延迟要求、隐私要求和成本目标,自动选择模型、工具和执行路径。
这也是开源模型可能成为基础设施的重要原因。随着能力趋同和成本下降,很多场景不需要最强闭源模型,而需要可控、便宜、可私有化、可微调、可嵌入工作流的模型组合。类比 Linux 的意义在这里:开源不一定赢在最炫能力,而是赢在生态、成本、可控性和长期基础设施属性。
八、三个值得关注的 AI 应用方向
纪要中提到角色扮演、Coding 和视频,是因为它们同时具备高频、强需求和 AI 体验提升明显三个特征。
九、机器人创业:别先追求通用,先解决高价值具体任务
机器人创业的难点不只是模型智能,而是硬件、场景、维护、安全、成本、供应链和责任边界。相比追逐同质化人形机器人,更务实的路径是优先选择高价值、任务明确、环境可控、泛化要求低的场景,例如水下清洗、工业装配、巡检、危险环境作业等。
这和 AI 软件创业的逻辑一致:先找到真实付费需求,再用技术把效率提升到足够明显。不要用“通用”掩盖商业闭环不足。
十、给 AI 创业项目的一页检查表
| 问题 | 通过标准 | 警惕信号 |
|---|---|---|
| 需求是否已存在 | 用户今天已经在花钱、花时间或忍受低效方案 | 需要长期教育市场才知道为什么要用 |
| 使用频率是否足够 | 至少周频,最好日频或嵌入核心工作流 | 低频、可替代、难形成心智 |
| 交付是否可复制 | 配置化、模板化、模块化,边际成本下降 | 每单都像新项目,每个客户都要重做 |
| 是否有长期壁垒 | 入口、数据、网络效应、品牌、供应链或运营效率之一成立 | 只是 prompt、插件或单点模型调用 |
| 经济账是否成立 | 模型成本、获客成本和服务成本低于可持续毛利 | 收入增长靠补贴、人工和算力硬撑 |
最终判断
这次演讲纪要最有价值的地方,是把 AI 创业从“模型能力崇拜”拉回到商业基本功。AI 会降低很多能力的门槛,也会让很多单点功能更快商品化。真正能留下来的公司,需要在旧需求中创造 10 倍体验,并把这种体验沉淀成高频入口、稳定留存、可扩展交付和长期防御。
换句话说,技术先进不是答案本身,而是拿到答题资格。后面的题,仍然是商业。