我这两年跟不少创业者、开发者和投资人喝咖啡，话题绕来绕去都会落到同一个点上：AI到底还能不能做出新东西。我的答案挺直接，能做，只是做法跟三年前完全不同。以前大家拼的是模型参数，现在拼的是谁离用户更近、谁把流程吃得更透。这个章节我想把“怎么找机会、有哪些方向、怎么挑适合自己的项目”讲清楚。我会用自己的观察、朋友的案例和投资人的反馈穿插着说，方便你一边读一边对照自己的资源。
1.1 AI创业的宏观趋势与产业链机会
先说我看到的宏观趋势。大模型能力还在涨，调用成本在降，开源模型把门槛拉低了很多。我有个做企业软件的朋友，去年还在犹豫要不要接AI，今年他们团队已经把客服、文档摘要、销售线索评分都做成了内置功能。企业客户不一定关心你用哪个模型，他们关心的是能不能少雇两个人、能不能让响应速度从两天变成两小时。个人用户这边，写代码、做PPT、剪视频、查资料，AI已经像水电一样渗进去了。这个趋势给我的感觉是，AI创业不再需要从零造一个“大脑”，更多是在现有能力上找场景、做产品、拼体验。
产业链机会可以拆成几层来看。底层有算力、数据标注、向量数据库、模型评测、安全合规，这些方向资金重、技术门槛高，适合有工程背景和产业资源的团队。中间层有RAG、Agent编排、工作流自动化、模型路由、成本监控，这一层像AI时代的“中间件”，客户是开发者和企业IT部门。应用层最热闹，营销、客服、法律、医疗、教育、编程、设计、金融、电商，每个行业都能长出垂直工具。我自己更关注应用层和中间层，原因是离现金流近，反馈快，小团队也能靠一个锋利的功能切进去。我跟一位投早期项目的投资人聊过，他的判断是：基础层看团队背景，中间层看技术差异，应用层看获客效率和留存。这个视角对我挺有用。我作为用户时，只在乎好不好用；我作为顾问时，会问客户愿不愿意付费；我作为创业者时，得算清楚毛利和交付成本。同一个AI创业机会，站在不同位置看，结论可能完全不一样。宏观趋势给的是方向，产业链给的是位置，真正动手前，你得知道自己站在哪一层。
1.2 AI创业项目有哪些：主流赛道与典型案例
主流赛道我习惯分成几类。一类是AI原生应用，像ChatGPT、Perplexity、Cursor，用户打开就是为了跟AI协作。一类是垂直行业Copilot，比如 Harvey 做法律、Abridge 做医疗记录、Jasper 做营销文案，它们把AI塞进具体工作流。还有AI Agent，能自己调用工具、查资料、发邮件、做表格，代表产品有 AutoGPT、Devin 这类探索。内容生成赛道一直很卷，Midjourney、Runway、Synthesia 把图片、视频、数字人做成了生意。AI硬件也在冒头，Rabbit、Humane 想用新设备切入口，成败还得看场景。国内的话，Kimi、豆包、文心一言、通义千问这些大厂产品占住了通用入口，创业公司更多在垂直场景找空间。
我自己的使用体验能说明一些问题。我用Cursor写代码，最爽的不是补全，而是它能理解整个项目文件，帮我改bug、写测试。我用Perplexity查资料，省掉了在搜索结果里翻广告的时间。我有个做跨境电商的朋友，用AI生成商品图和模特图，每月省下几万块拍摄费。这些案例背后有一个共同点：产品没有试图替代人，而是把某一段高频、烦琐、有明确交付标准的工作接过去。用户愿意为“省时间”和“省钱”买单，不太愿意为“AI很酷”长期买单。
从投资人视角看，他们爱问三个问题：市场够不够大，客户是不是重复购买，数据能不能形成壁垒。我见过做AI客服的团队，靠几个大客户活得很滋润；也见过做通用聊天机器人的团队，流量很大，收入很少。赛道没有绝对好坏，关键看你能不能在里面找到窄而深的切口。我常跟朋友说，别一上来就做“AI版某某”，先找一群具体的人，他们每天有一件具体的事，做起来很痛苦，你再用AI把它变简单。
1.3 如何筛选适合自己的AI创业项目：需求、壁垒与可行性
筛选项目时，我习惯拿一张纸画三个圈。一个圈写需求，一个圈写壁垒，一个圈写可行性。需求看四件事：谁痛、痛多久、愿不愿意付钱、付多少钱。壁垒看数据、场景、分发、工作流嵌入、品牌信任，还有成本控制。可行性看团队能力、启动资金、合规要求、技术风险和时间窗口。三个圈的交集越大，项目越值得做。我自己的经验是，很多人被需求吸引，忽略壁垒，结果做出来就被大厂或同行抄走。也有人技术很强，选了一个没人愿意付钱的需求，只能靠融资续命。
我作为顾问时，会陪创始人做一轮“反着问”。如果大厂明天做一个一模一样的功能，你靠什么活？如果模型成本突然涨三倍，你的商业模式还成立吗？如果客户数据不能出域，你的产品还能交付吗？如果核心算法工程师离职，项目会不会停摆？这些问题很烦，能提前把坑挖出来。我有个做AI招聘的朋友，早期靠模型打分吸引客户，后来发现客户更在意合规和解释性，他们转头去做面试记录和流程自动化，续费率上去了。这个例子说明，需求会变形，壁垒会转移，筛选不是一次性的动作。
我还会从三个角色去验证。作为用户，我自己愿不愿意每天用；作为技术负责人，我能不能在三个月内做出可用版本；作为投资人，我能不能看清三年后的退出路径。三个角色都点头，我才建议动手。如果只有技术视角兴奋，先别急。如果只有用户视角喊痛，但没人愿意付费，也先放一放。AI创业的机会很多，适合你的通常没那么多。我的做法是列十个方向，每个方向找五个潜在用户聊，聊完再砍掉八个。剩下的两个，才值得投入时间和钱。
我经常被问：“找到方向之后，下一步该干嘛？”我的答案很简单，把方向变成产品，把产品变成收入。这个过程听起来顺畅，做起来到处是坑。我见过技术团队做出惊艳Demo，却找不到客户；也见过销售出身的创始人靠一个粗糙工具，跑出了正向现金流。我打算从团队、MVP、商业模式、增长壁垒四个角度来聊。每个角度我都会把自己放在创始人、顾问和用户的位置上，来回切换着看。
2.1 团队组建与关键能力配置
先说团队。AI创业早期不需要很多人，需要的是关键能力。我自己的观察是，一个能打的早期团队通常有三类角色：懂用户的产品人、能快速实现的全栈工程师、能把模型调出效果的算法工程师。产品人负责判断做什么不做什么，全栈负责把想法变成可用的界面和流程，算法负责让效果达标。我做过一个小实验，让纯技术团队和带产品经理的团队同时做一个合同审查工具。纯技术团队两周做出功能，用户不知道从哪开始用。带产品人的团队多花一周，做了引导和示例，用户留存高出一截。团队人数少的时候，创始人自己得补位。不懂技术，至少要懂用户；不懂算法，至少要懂数据。
我作为投资人看团队时，会特别关注两个人：创始人和第一个技术负责人。创始人能不能把需求讲清楚，能不能拉到头一批客户，能不能在没钱的时候稳住节奏。技术负责人能不能搭出可迭代的架构，能不能控制推理成本，能不能带两三个工程师打硬仗。这两个人如果互补，项目就有骨架。我见过不少团队，创始人技术很强，不愿意跟客户聊天；或者创始人销售很强，技术负责人频繁更换。这些信号比PPT上的参数更让我警惕。
我还会建议早期团队找一个懂合规的顾问。AI产品涉及数据隐私、版权、行业监管，很多问题不是写代码能解决的。顾问不用全职，要在关键节点帮你过一遍风险。我的一个朋友做医疗AI，早期省了顾问费，后来被客户法务卡了三个月，损失远超顾问成本。团队配置没有标准答案，核心是能力覆盖，不是人数堆砌。
2.2 MVP开发、数据闭环与模型选型
聊完人，说产品。MVP这个词被说烂了，我的理解是：用最小成本验证一个核心假设。这个假设通常不是“技术能不能实现”，而是“用户愿不愿意为这个解决方案掏钱或持续使用”。我做顾问时，会让创始人写一句话：谁在什么场景下用我的产品完成什么任务。写不出来，MVP就别做。写出来之后，我会问：这个任务现在怎么做？用户花多少时间？花多少钱？替代方案是什么？这些问题的答案决定了MVP的边界。
开发MVP时，我主张砍掉一切不影响核心验证的功能。登录、支付、权限、报表，这些可以先用现成服务或人工后台。我一个做AI简历筛选的朋友，初版没有后台，用户上传简历后，他手动跑模型，再把结果发邮件。听起来很土，两周内验证了二十家企业愿意付费。拿到反馈后，他才去开发自动化流程。数据闭环是AI产品跟传统软件不一样的地方。用户每次使用，都会产生反馈。你要把这些反馈收集起来，用于评估、标注和迭代。我的做法是，在产品里埋一个轻量的反馈按钮，让用户标记结果好坏，每周人工看一百条。这个动作很枯燥，它能让模型效果持续变好。
模型选型上，我不建议一上来就绑定某个大模型。可以做一个路由层，根据任务类型、成本预算、延迟要求、数据敏感度来切换模型。开源模型适合数据不能出域的场景，闭源模型适合追求效果和稳定性的场景。我见过一个团队，所有功能都用最贵的模型，结果毛利被推理成本吃光。后来他们把小任务换成小模型，复杂任务才调用大模型，成本降了六成，体验没怎么变。模型选型不是选最强，是选最合适。你还要考虑供应商锁定、API稳定性、价格变化。这些细节在产品早期就要有预案。
2.3 商业模式、成本结构与合规风险
产品能跑通，就要算账。商业模式我见过几种：订阅制、按量付费、按效果付费、私有化部署、混合模式。订阅制适合高频工具，按量适合API或计算密集型产品，按效果付费适合销售、营销、招聘这类能算清ROI的场景。私有化部署适合大客户和敏感行业。我的经验是，早期不要只盯着一种模式。你可以先用订阅制验证需求，再针对大客户推出私有化。我一个做AI客服的朋友，标准版收年费，大客户按坐席数收费，定制开发单独报价。同一套技术，三种收入结构，现金流更稳。
成本结构里，推理成本、人力成本、获客成本是三座山。推理成本跟模型选择、调用频率、缓存策略有关。人力成本在早期主要是工程师和标注人员。获客成本取决于你的增长渠道。我建议创始人每个月做一张简单的损益表，把收入、推理支出、人力、营销、合规费用列出来。不用很精确，但要看清钱花在哪。我见过一些团队，收入增长很快，毛利一直为负，融资一停就危险。定价时，我常让创始人做一个测试：把价格提高三成，看看客户流失多少。很多AI产品定价太低，导致越卖越亏。
合规风险在AI创业里不能忽略。数据来源是否合法，用户隐私是否保护，生成内容是否侵权，行业是否有牌照要求。这些问题的答案因行业而异。我做金融AI的朋友，产品上线前花了两个月做合规审查，慢，后来拿下银行客户时，这些审查材料成了信任凭证。另一个做内容生成的朋友，早期爬了很多图片，后来被版权方找上门，赔了钱。我的建议是，从第一天起就记录数据来源，跟客户签清楚数据使用协议，对生成内容做标识。合规不是刹车，是安全带。你开得越快，越需要它。
2.4 增长路径、竞争壁垒与生态合作
产品有了收入，就要想怎么放大。增长路径我大致分成三条：产品驱动、销售驱动、渠道驱动。产品驱动适合工具类产品，靠口碑和病毒传播。销售驱动适合客单价高的企业服务，靠创始人或销售团队直接谈。渠道驱动适合垂直行业，靠代理商、集成商、行业协会触达客户。我自己更看好早期创始人做销售。你亲自去见客户，能听到最真实的反馈，能调整产品，还能建立信任。我一个做AI法律工具的朋友，前五十个客户都是他自己跑出来的。这个过程很累，让他知道了哪些功能是刚需，哪些是自嗨。
竞争壁垒在AI创业里经常被低估。模型能力会扩散，功能会被复制，价格会被卷低。能留下来的壁垒通常是这几种：专有数据、工作流嵌入、品牌信任、切换成本、生态网络。专有数据不是指你拥有多少数据，而是你能拿到别人拿不到的数据，并且能合法使用。工作流嵌入是指你的产品变成客户日常流程的一部分，换掉你要付出很大代价。品牌信任在垂直行业特别重要，客户买的是安全感。生态网络是指你跟上下游伙伴形成合作关系，互相导流。我作为顾问时，会问创始人：如果大厂明天做一个一样的功能，你靠什么活？这个问题很残忍，必须回答。
生态合作是AI创业早期容易被忽视的杠杆。你可以跟云厂商合作，拿到算力和市场资源。跟模型厂商合作，拿到技术支持和早期访问。跟行业ISV合作，把产品嵌入他们的解决方案。跟社群和协会合作，找到头一批种子用户。我一个做AI视频的团队，通过加入云厂商的加速器，拿到了免费算力和客户推荐，省了半年冷启动时间。生态合作不是抱大腿，是交换价值。你要想清楚自己有什么，对方需要什么。聊到这一节的末尾，我想说，产品构建和商业化落地是一个循环。团队做出MVP，MVP带来数据，数据优化模型，模型提升体验，体验带来增长，增长反哺团队。这个循环转起来，AI创业才算真正上路。
我常跟创始人说，产品能卖出去，融资才有意义。上一章聊了商业化落地，这一章聊钱从哪来。融资不是创业的目的，是加速器。用得好，你跑得更快；用不好，你被资本绑架。我自己融过钱，也帮朋友做过融资顾问，还坐在桌子另一边看过项目。三个视角来回切换，有些坑我看得很清楚。
3.1 AI创业如何找投资人：融资阶段与投资人画像
融资阶段分几种，种子轮、天使轮、Pre-A、A轮、B轮往后。每个阶段对项目的要求不一样。种子轮看人看方向，投资人赌的是创始人能不能把想法变成现实。天使轮看产品雏形和早期用户反馈，最好有一点收入。Pre-A和A轮看数据增长和商业模式验证。AI创业有个特殊点，技术门槛高，研发周期长，早期收入可能来得慢。我见过一个做多模态搜索的团队，种子轮拿了五百万，产品打磨了十四个月才有第一笔收入。投资人愿意等，他们相信技术壁垒。
找投资人，先画一张画像。你的项目适合谁？财务投资人、产业资本、战略投资方、政府引导基金，各有各的诉求。财务投资人看回报，产业资本看协同，战略投资方可能想整合你的技术。我做AI医疗项目时，接触过一家药企的战略投资部。他们给钱爽快，要求优先合作权。我建议创始人列一张表：谁能给钱、谁能给订单、谁能给算力、谁能给渠道。不同类型的投资人，你跟他们聊的话术完全不同。跟财务投资人聊市场规模和增长曲线，跟产业资本聊业务协同和成本节省。
我见过一些创始人，见投资人就像撒网，见一个是一个。效率很低。我的做法是，先研究投资机构的portfolio，看他们投过什么AI项目，最近在看什么方向。找到跟你的阶段和赛道匹配的投资人，成功率会高很多。你还要看投资人的决策周期。有些机构流程快，两周给TS；有些机构要走投委会，拖两三个月。融资节奏紧的时候，决策速度比估值更重要。
3.2 融资材料准备：BP、Demo、数据指标与财务预测
BP不用写得太厚。我见过三十页的BP，投资人翻两页就放下了。一份好的BP，十到十五页足够。结构大概是：问题、解决方案、产品、市场、商业模式、团队、竞争、财务预测、融资需求。AI创业的BP里，我建议把技术壁垒讲清楚。不是堆术语，是用人话说明白：你的模型比别人好在哪里，数据从哪来，为什么别人追不上。我一个做AI语音的朋友，BP里放了一张图，对比了不同噪声环境下的识别准确率。这张图比十页文字都管用。
Demo比BP更重要。投资人一天看几十份BP，能让他停下来的是产品演示。Demo要短，三分钟以内，展示一个完整的用户旅程。不要演示后台，不要演示训练过程。展示用户输入、产品输出、结果多好。我建议创始人录一个Demo视频，再准备一个可交互的版本。疫情之后，很多投资人习惯线上聊，视频能保证演示效果稳定。数据指标是硬通货。AI产品早期，投资人会问：日活多少、留存多少、付费转化多少、推理成本多少。你要提前准备好这些数字，哪怕数字不好看，也要诚实。投资人最怕的不是数据差，是数据假。
财务预测是很多技术创始人的弱项。我一开始也不会做。后来我学会用一个简单方法：从下往上算。你每个月能签多少客户，客单价多少，毛利多少，团队要多少人，服务器花多少钱。算出来一个十二到二十四个月的现金流预测。不用很精确，但要逻辑自洽。我见过一个团队，预测第二年收入一个亿，团队只有五个人。投资人一眼就看出不靠谱。财务预测里，我建议单独列一行推理成本，AI创业的毛利率受这个影响很大。你能把这个成本讲清楚，投资人会觉得你懂业务。
3.3 投资人对接渠道：FA、孵化器、大赛、社群与产业资本
对接投资人的渠道很多，我逐个聊。FA是财务顾问，帮创始人梳理材料、对接机构、协调条款。好的FA能帮你省很多时间，还能在谈判时给你建议。FA的收费通常是融资额的两到四个点。选FA要看他们有没有你所在赛道的成功案例。我见过一个AI芯片项目，找了一个只做过消费品的FA，结果FA对技术不理解，对接的机构也不匹配。孵化器和加速器是另一个渠道。它们能给钱、给空间、给导师、给Demo Day。AI方向的孵化器越来越垂直，有的专注大模型应用，有的专注AI硬件。进去之后，你不仅能拿投资，还能认识一批同路人。
大赛和社群适合早期项目。大赛能给你曝光，让你在投资人面前路演。拿奖不是目的，拿到反馈和联系方式才是。社群包括微信群、知识星球、线下沙龙。我在几个AI创业社群里待过，里面经常有人分享投资人联系方式，也有人组团去见投资人。社群的好处是信息流动快，坏处是噪音多。你要学会筛选。产业资本越来越活跃。大厂的投资部、上市公司的战略投资部、传统企业的数字化转型基金，都在看AI项目。产业资本给钱之外，往往还能给订单和场景。我一个做AI质检的朋友，拿了制造业上市公司的投资，直接进了对方工厂做试点。这种资源比纯财务投资值钱。
我建议创始人不要只盯着一类渠道。你可以同时走FA和孵化器，一边准备大赛路演，一边在社群里认识产业资本。渠道之间会互相验证。如果一个项目好几个渠道都感兴趣，说明市场认可度高。如果只有FA热情，机构冷淡，你可能要回头看看产品。
3.4 谈判策略、融资节奏与长期资本规划
拿到TS只是开始，谈判才是硬仗。估值、股份比例、董事会席位、清算优先权、反稀释条款、回购条款，这些都要谈。我的经验是，不要只看估值。高估值可能附带苛刻条款，比如业绩对赌或者强制回购。我见过一个创始人，拿了高估值，签了个人连带回购。后来公司发展不如预期，投资人要求回购，创始人个人背了债。谈判时，我建议创始人找律师看条款，特别是清算优先权和董事会控制权。AI创业早期，创始团队要保持对公司的控制。你可以给投资人董事会席位，不要给一票否决权。
融资节奏很重要。我常把融资比作加油。你不能等油表亮了才找加油站。最好在账上还有十二个月现金时开始接触投资人，有六个月现金时完成交割。融资周期通常三到六个月。如果你只剩三个月现金，投资人会压价，条款也会更苛刻。AI创业还有个特点，技术迭代快，市场变化快。你可能需要在十八个月内融两轮。我建议创始人做一个二十四个月的资本规划。明确每一轮的钱花在哪：研发、算力、销售、合规。每一笔钱都要有对应的里程碑。投资人喜欢看里程碑，那代表确定性。
长期资本规划不只是融钱。你要想清楚，公司最终是独立上市、被并购、还是保持小而美。不同的终点，对应不同的融资策略。想独立上市，你要引入有IPO经验的机构，规范财务和法务。想被并购，你要跟产业资本保持关系，把技术壁垒和客户资源做扎实。我作为顾问时，会问创始人一个很直接的问题：如果明天有人出价买你的公司，你卖不卖？答案会影响你未来每一轮融资的选择。融资不是越多越好，是越合适越好。你拿到的每一块钱，背后都有一份期待。管理好这份期待，比管理好估值更重要。聊到这里，融资这条线差不多讲完了。下一章我会聊AI创业的团队管理与组织进化，那是另一个容易踩坑的地方。
评论
发表评论