当AI将产研成本压缩至十分之一，创业者的试错门槛看似降低，实则暗藏陷阱。本文作者通过多个MVP项目的实战复盘，揭露二手信息与行业认知鸿沟如何让看似完美的AI方案沦为空中楼阁，并分享从技术狂欢转向市场深耕的血泪教训。

今年2月份的时候写过一篇文章用AI重构工作的实践。

这篇文章写了啥呢，但是我在尝试将一个项目的整个环节全部用AI，大模型来串联。

比如寻找ideal，用了一个扣子智能体，整体逻辑是：

1、如果你没有创意想法，那么你可以指定国家，和行业，让智能体帮你搜索，整理这个行业网络上的用户有什么抱怨的问题。

2、然后你可以选择其中的一些问题作为你的创意来源，如果你已经有创意，那么就不用做第1步。

3、你选定创意之后，让智能体按照pest，行业，产品，竞对公司，优劣势分析并给出分析结论

4、如果以上内容没有问题，就让智能体进一步输出商业方案，并转化为产品方案和技术方案。

5、产品和技术方案进行vibe coding（coding的部分，转其它AI编程工具）

6、然后再让智能体输出营销方案。

这个逻辑从理论上看，感觉是没有什么问题的，也确实能够运转。

而且从我的实践中，利用AI编程工具，我不懂编程的人，也能在几个小时内手搓出一个可用的MVP版本。

这给了我极大的信心。

我在比较早之前就会偶尔记录一下我感兴趣的一些项目，差不多有30来个，

这个时候我就想，产研已经很便宜了，效率百倍的提升，那么就可以快速的去尝试这些项目。

因此，我和技术合伙人沟通，我们一致认为，可以采取矩阵的做法，把之前的很多想法快速的落地来做，然后看有哪个项目能够跑出来。

我们确实进行了尝试，比如我自己在百度秒哒上就搭建了10来个MVP项目进行尝试。

更重的自主开发项目，有三个，一个是针对B端各种俱乐部做活动的管理软件，一个是针对C端的AI旅游规划产品，一个是针对B端的电商、生产厂家的合规产品。

但最终结果不是很理想。

原因之前在其它的文章最近几个月的AI大模型独立应用实践-1有详细的讲解。

简单总结就是，做对的事情，比把事情做对更重要。

如果一个事情不对，那么把这个事情做的再好，价值也不大。

有了AI和大模型之后，在软件项目上的产研成本确实是变得很低了，是之前的十分之一，甚至百分之一。

这会给大家一个错觉，就是太便宜了，太便宜之后，就不会很珍惜，对于项目的可行性，筛选标准等就会不自觉的下降。

心理的想法可能就是“反正研发这么便宜，做出来试试也没多大的损失”，那就可能变成，不断去上新项目，不断地去上新功能，将时间和资源在不经意间消耗了。

不是说这个方式完全不对。

但就我个人而言，我确实在这几个项目的是否做的把关上，由于自己的心理和技术合伙人想要不断干活的激情中，对于项目的把关没有这么严了。

这其实是很要命的一个事情。

因为项目本身的市场拓展等各方面的难度其实没有降低。

个人的精力很有限，特别是在没有大量团队配合的情况下（我们的团队总共就2-3人，产品就我一个人，市场等方面也是我来处理），基本不可能同时运行多个项目。

因为每个项目都深度参与，并行工作，那么很可能就会陷入精力争夺竞赛中，最终让自己精疲力尽。

我们再说回前面我提到的我做了一个发现ideal然后完善ideal的智能体，它所收集的信息很多都是二手或者多手的信息。这些信息如果你不进行深度的确认，其实你是无法保证这些信息的真实性的。

另外每个行业有很多本身不太为外人所知的隐形知识，如果你没有在相关行业有深度认知，这些信息是无法知道的，如果你没有直接接触用户，你也不清楚的。

你做出来的方案，在逻辑上完全没有问题，但因为缺少对和行业的真知灼见，缺少与直接客户的长期接触，那么这个方案就很可能是一个外行对行业的想象，是一个似是而非的东西。

因为方案要从逻辑上显得没问题，是非常容易的，但是要贴合实际，反应实际却不是那么容易的一件事情，这是需要下苦功夫的，是需要直面一线用户的，也是要耗费很多精力的。

真实有时候会以一个你完全想象不到的情况呈现在你眼前。

所以，我现在的精力放在技术上的更好，放在业务上，放在用户，放在市场上的更多一些。

把精力放在直接产生高价值信息的地方，减少二手多手信息对现实的判断的影响，将更少的精力放在方案的完善上，更落地，更土气。

真实比看起来逻辑闭环更好！！！