15 min read

AI 正在把“怎么做”压到零,创业者该卖什么

Source: http://x.com/i/article/2029889911248277505

凌晨三点,我盯着终端里跑完的日志发愣。

一个跨境电商品牌的全平台上架——产品列表、合规文档、物流对接、广告账户、支付通道——刚刚在 2 小时内自动完成。三个月前,同样的事情需要一个代运营团队干两到三周,收费三到五万。

而我,只靠搭建的 Agent 系统,就直接把这件事给做完了。

这种加速是真实的,但加速之后呢?

当每个人都能这么快,你的优势在哪?当 AI 把“怎么做”的成本压到趋近于零,创业者到底该卖什么?

要回答这个问题,得先回到更远的地方。

规律:500 年来,商品化只做一件事

当复制变得免费

1440 年前后,古登堡在欧洲搞出了实用的金属活字印刷。接下来 50 年,书价降了三分之二,欧洲书籍总量从 3 万册暴增到 2000 万册。供给爆炸了,但爆炸的后果远不止“书变多了”。

原先,欧洲每一本书都靠修道院抄写员一个字一个字地抄,印刷术的出现让抄写员消失了。

抄写员花了十年练就的字迹,在印刷机面前一文不值。修道院的抄经室在几十年内走向消亡。但与此同时,一整条新的产业链诞生了——排版工、校对员、出版商、书商。这些职业在古登堡之前根本不存在。

价值没有消失,它迁移了。从“能复制”迁移到“复制什么”。出版商——而非印刷工——成了新的权力节点。

当动力变得廉价

19 世纪末,工厂围绕蒸汽机设计。一根巨大的中央传动轴驱动所有机器,工厂必须建成狭长的多层建筑。电力改变了这一切。到 1929 年,电动机占美国制造业动力的 77%。

但这里有一个极其重要的教训。

经济学家 Paul David 发现,从电力商业化(1881 年)到产生可衡量的生产率提升(1920 年代),中间隔了 40 年。为什么?因为早期的工厂只是把蒸汽机换成了电动机,其他一切不变——布局不变、流程不变、组织方式不变。他们在用新工具做旧事。

真正的生产率爆发发生在 1920 年代,当新一代工厂完全围绕电力的特性重新设计:单层建筑取代多层建筑,机器按工艺流程而非动力传输来布局,这催生了福特的流水线。福特的工厂不是“用电力驱动的旧工厂”,而是“围绕电力特性设计的全新生产系统”。

当基础设施变得透明

2000 年,运行一个基本互联网应用每月要花 15 万美元——买服务器、租机房、雇运维。2006 年 AWS 推出,到 2011 年同样的应用每月只要 1500 美元,成本下降 100 倍。

启动一家互联网公司的成本从百万级降到几千美元。Instagram 被收购时 13 个人,Airbnb 不需要自建数据中心。SaaS 市场从 2015 年的 314 亿美元涨到 2024 年的 2500 亿,美国有 16,500 家 SaaS 公司——但每个垂直领域最终收敛到 2-3 家赢家。

同一个剧本,反复上演。

公式

Clayton Christensen 提出过一个叫“利润守恒定律”的东西:当价值链的某一层被商品化、利润消失时,相邻层会出现新的利润高地。

Ben Thompson 说得更直白:打破原有的整合系统,商品化并模块化它,会摧毁现有企业的价值——同时让新进入者在价值链的不同位置捕获新价值。

价值不会凭空消失,它只是搬家了。

AI 正在商品化 Coding,但没有商品化“解决什么问题”。

当“怎么实现”不再是瓶颈,“实现什么”和“为谁实现”成了唯一的差异化因素。

机会:不卖工具,卖结果

理解了商品化的规律之后,下一个问题是:钱会流向哪里?

红杉资本的 Sequoia 最近给出了一个非常清晰的框架,他们的核心观察是: 每花 1 美元买软件工具,背后有 6 美元花在服务上。

一家公司可能每年花 1 万美元买 QuickBooks(做账工具),但花 12 万美元雇会计来做账。花几千美元买合同管理软件,但花几万美元请律师起草 NDA。

过去的 AI 创业公司都在抢那 1 美元——做更好的工具,卖给专业人士。Sequoia 把这种模式叫 Copilot:你把 AI 交到律师手里,让律师决定怎么用,律师对结果负责。Harvey 卖给律所,Rogo 卖给投行。

但现在出现了另一种模式:Autopilot。不卖工具给律师,直接帮客户把 NDA 出好。不卖工具给会计,直接帮客户把账做完。客户买的不是一个更好的工具,而是一个结果。

一个卖提效,一个卖交付,这个区别不是语义游戏,它决定了你能吃到多大的市场:

Copilot 吃的是 1 美元的工具预算,Autopilot 吃的是 6 美元的服务预算。

更关键的是:模型每次升级,Copilot 被威胁(“下一版 Claude 会不会让我的产品变成一个 feature?”),Autopilot 被加强(模型越强,交付越快、越便宜、越难替代)。

这就是为什么 Sequoia 说:2025 年增长最快的 AI 公司是 Copilot,但 2026 年,很多会试图转型成 Autopilot——然后撞上创新者的窘境:卖结果意味着砍掉自己的客户做这件事的理由。

最聪明的切入点

Autopilot 听起来很美,但怎么切入?

Sequoia 的回答很实际:从已经被外包的工作开始。

如果一项工作已经被外包,说明三件事:

  1. 公司已经接受这件事可以由外部完成
  2. 已经有一笔预算可以直接替换
  3. 买方购买的已经是结果,不是过程

替换一个外包合同是 Vendor Swap(换供应商),替换内部员工是 Reorg(组织重组),前者的摩擦力比后者小一个数量级。

还有一个维度决定了 Autopilot 的可行性:

写代码、填表单、调 API、跑流程——这些是 Intelligence。规则复杂,但终究是规则,AI 越来越能自主完成。

选什么品类、怎么定价、什么时候发布、要不要进这个市场——这些是 Judgement。需要经验、品味、直觉,短期内仍然是人的领地。

一个领域里 Intelligence 占比越高,Autopilot 越早胜出。

然后沿着这条线扩张:先拿下外包的、intelligence-heavy 的工作,站稳脚跟,积累数据;再向内部的、judgement-heavy 的工作渗透。外包工作是楔子,内部工作是长期 TAM。

这个 Playbook 在每个垂直领域都能找到对应:

  • 保险经纪($140-200B):标准商业险高度标准化,经纪人的核心工作就是跨保险公司比价和填表——纯 intelligence。分销层极度碎片化,数万家小经纪各自跑同样的流程。
  • 会计与审计($50-80B 仅美国外包部分):美国五年内流失了约 34 万名会计师,75% 的 CPA 接近退休,结构性短缺正在迫使行业加速接受 AI。
  • 医疗收入循环($50-80B):听起来很“判断力密集”,但计费层几乎是纯 intelligence——把临床记录翻译成约 7 万个标准化 ICD-10 代码。规则复杂,但它们是规则。

一年前,大多数 Cursor 用户还把 AI 当自动补全用。今天,由 agent 发起的任务已经多于由人类发起的。软件工程占所有职业 AI 工具使用量的一半以上,其他所有职业都还是个位数。原因很简单:软件工程主要是 intelligence 工作。AI 已经跨过了一个门槛——它可以自主完成大部分 intelligence 工作,把 judgement 留给人类。

软件工程最先到达这个临界点,但它会蔓延到每一个职业。

而今天的 judgement 会变成明天的 intelligence。当 AI 系统在特定领域积累了足够多“好的判断力长什么样”的数据,前沿会继续推移。Copilot 和 Autopilot 最终会趋同,但起始位置很重要——它决定了谁能现在就赢得客户,并开始积累最终让它处理 judgement 的数据飞轮。

实验:一个正在发生的故事

我自己正在做一个小实验。不算成功案例,只是一个进行中的验证。

场景

某个主流电商 SaaS 平台上有几千个中小跨境品牌。每个品牌要进入新市场,需要在 3-5 个电商平台完成一整套上架流程:产品列表创建、合规文档提交、物流渠道对接、广告账户配置、支付通道开通。

这些工作有几个特点:

  • 高度标准化:每个品牌做的事几乎一样,步骤固定
  • 极度分散:分布在 5-6 个不同的后台,每个后台有自己的操作逻辑
  • 人力密集:一个熟练运营要花 2-3 周走完全流程
  • 已经被外包:大多数中小品牌没有运营团队,靠代运营服务商完成,收费 2-5 万一次

用红杉的框架检验:intelligence 占比极高(步骤固定、规则明确),已经被外包(预算存在、买方在购买结果),品牌方不在乎怎么做、只在乎结果(店开好了没有),教科书级的 autopilot 场景。

我做了什么

不是做一个运营 dashboard 让品牌自己操作。那是 copilot——帮人更高效地做原来的事。

我做的是直接帮品牌把店开好。

技术路径并不神秘:逆向各平台管理后台的 API,然后用 AI agent 编排全流程自动化。品牌方一次配置(一份资质文件包),之后永久使用。

手动两到三周的流程,压缩到 48 小时内自动完成,人工介入只在最终确认环节。

但这里面有几件事值得展开说:

第一,逆向 API 不是护城河。

我非常清楚这一点。平台随时能封接口,或者开放官方 API。如果我的壁垒建在“我能调别人调不了的接口”上,那我就是下一个被商品化的人。

第二,真正的护城河在编排层。

哪些步骤可以并行跑?某个平台审核失败了怎么自动回退和重试?不同平台的合规要求有冲突时怎么协调?每次某个平台改了政策,怎么快速适配?这些 know-how 不在任何一个 API 文档里,它们是在无数次失败中积累出来的。

第三,信任关系是最深的护城河。

品牌方把资质文件、支付信息、广告账户全部交给你,这个信任一旦建立,switching cost 极高。这不是技术壁垒,但它比任何技术壁垒都坚固。

回过头看,这个项目完美印证了前两幕的框架:

  • 利润守恒:代运营服务商的利润正在被压缩(代码/执行层被商品化),但“全平台编排”和“合规 know-how”作为相邻层,出现了新的利润空间。
  • Autopilot > Copilot:我不是卖一个“更好的运营工具”(吃 $1 的工具预算),而是直接卖“店开好了”这个结果(吃 $6 的服务预算)。
  • Vendor swap > Reorg:品牌方本来就在付钱给代运营服务商,我只是替换了供应商,没有要求任何人改变组织结构,零摩擦。

一个人干了一个团队的活

还有一件事值得说。

这整个项目——从逆向 API、搭建 agent pipeline、到第一个客户上线——是我一个人做的。

这在三年前是不可能的。不是因为我变强了,而是因为代码生产的边际成本趋近于零了。我不需要一个工程团队来写代码,我需要的是判断力——知道该解决什么问题,为谁解决,按什么顺序解决。

OpenAI大神 Karpathy 说他的工作模式在三个月内从“80% 手写代码”翻转成了“80% 用自然语言指挥 agent”。我的体验完全一样。但这种加速有一个容易被忽视的含义:当一个人能干一个团队的活时,“团队规模”不再是竞争优势,“方向判断”才是。

Jack Dorsey 把 Block 从 10000 人裁到不到 6000 人,市场反应是股价暴涨 20%。不管裁员的真实原因是什么,市场选择相信 AI 能让更少的人做更多的事,这本身就说明了什么。

结尾:三个问题

所以呢?

三个时代,同一个剧本:核心能力被商品化 → 价值迁移到相邻层 → 用新工具做旧事的人被淘汰 → 围绕新工具重新设计系统的人胜出。

我不打算给“你应该做什么”的建议——每个人的场景不同,我自己的实验也远未验证。但有三个问题,我觉得每个 AI 时代的创业者都值得认真想: 1. 你在价值链的哪一层?

如果你在被商品化的层——写代码、做 SaaS dashboard、提供标准化工具——价值正在流失。不是因为你做得不好,而是因为这一层的利润正在被压缩到零。

2. 价值正在往哪迁移?

在你的领域里,什么是 intelligence(规则复杂但终究是规则,AI 能做),什么是 judgement(需要经验和品味,人才能做)?价值会从前者迁移到后者。

3. 你在替换蒸汽机,还是在发明流水线?

用 AI 更快地做旧事,只是第一步。短期有套利窗口,但窗口会迅速关闭——你能做的,别人也能做。围绕 AI 的特性重新设计整个系统,才是真正的机会。电力革命等了 40 年才等到流水线。AI 不会等那么久——但“流水线时刻”到底长什么样,可能今天还没人知道。

最后说一件反直觉的事。

很多人觉得 AI 时代应该做 AI 工具——训练模型、做 infra、搞 developer tools,这当然是一条路。但利润守恒定律告诉我们:当 AI 能力本身被商品化时,围绕 AI 做工具的利润会被压缩,而用 AI 去解决具体问题的利润会上升。

古登堡本人不是印刷革命的最大赢家,印刷机制造商也不是,出版商和作者才是。AWS 是赢家,但 Airbnb 和 Stripe 也是——它们利用被商品化的基础设施,创造了此前不可能存在的商业模式。

同样,AI 时代最大的赢家可能不是做 AI 工具的人,而是用 AI 去重新定义某个行业的服务交付方式的人。

不是做更好的锤子,而是直接帮人把房子盖好。

我们正在进入一个这样的时代:技术栈被压平,代码不再稀缺,判断力和行业 know-how 成了真正的稀缺资源。在这个时代,最有价值的创业者不是写代码最快的人,而是最清楚该为谁解决什么问题的人。

福特不是电力专家。他是一个知道“美国人需要买得起的汽车”的人,然后围绕电力的特性重新设计了整个生产系统。

我们需要更多的福特,更少的发电机制造商。