AI coding的爆发让软件创业的逻辑彻底改变——Claude两周复刻你的创意，demo变得廉价但稳定体验愈发稀缺。本文深度剖析AI时代创业者的认知陷阱：从vertical agent终将回归SaaS的宿命，到prosumer市场的残酷真相；从用户真正购买的‘少走一步’体验，到软件维护成本远超想象的现实。当技术叙事泡沫褪去，什么才是AI创业者必须死守的护城河？

今年做 AI 软件，最刺耳的一句话大概是：这个东西，Claude 两周就能做出来

这话刺耳，但说的是事实。AI coding 把“做出来”的门槛降得太快了，快到很多创业者忽然发现，自己过去半年讲的产品逻辑，可能真的会被别人用几天的工程拼装复刻出一个 demo

所以我越来越觉得，AI 软件创业最难的地方不在模型能力、融资节奏、团队配置。最难的是创始人要先戒掉自己的虚荣心：别急着造概念，别急着证明自己懂 AI，别急着站在技术叙事的最高处。借此，今天咱们就来聊聊 AI 软件创业这个话题

模型越强，软件越需要重新被尊重

AI coding 的进化速度，正在改变软件创业的心理结构

过去做一个软件，大家会问：团队有没有工程能力，产品理解够不够深，业务场景是不是抓得准

现在很多人先问：Claude 会不会直接做？MCP 生态里会不会有人用一个 skill 把这件事干掉？几个人两周能不能搓出一个差不多的东西？

这个问题值得聊。代码生成能力确实在指数级增强。有些 AI 团队内部的 post training 工作里，已经有很大比例代码由 agent 生成。开发者没有因此轻松太多，因为要做的事情也变多了，但软件“外壳”的生产速度被整体抬高，这一点已经很明显

问题在于，demo 变便宜之后，真正的软件反而更贵了

老模式 vs 新模式，可以这么看：老模式下，一个团队花半年做出产品，另一个团队很难快速追上；新模式下，另一个团队可能两周复刻出一个 demo。但再往下看：老模式里复制功能很难，新模式里复制功能容易，复制稳定体验依然很难

AI 让软件更容易被“做出来”，也让真正能用的软件变得更稀缺

过去一年，很多 AI 产品做过发布、做过 PR、讲过“全球首款”。但真正打开以后不挂、长期运行顺畅、交付结果稳定、用户愿意第二天继续用的产品，比例并不高

这也是为什么一些看起来 idea 并不神秘的产品能火。它们未必赢在“没人想到”，而是赢在真的 deliver 了承诺的价值

未来很多赛道都会明牌。sourcing agent、AI writing、AI browser、AI desktop、coding assistant、personal workflow，没什么方向是别人完全想不到的。真正的差异化会越来越落在体验、稳定性、交付质量和持续维护上

每个明牌赛道里，最后留下来的，大概率是愿意干脏活的那家

vertical agent 最容易做回 SaaS

很多 AI 软件创业者都会经历一个看起来非常正确的选择：general agent 太拥挤，那就做 vertical agent

这个逻辑太顺了

general agent 有一堆玩家，竞争激烈；vertical agent 有具体场景、有明确用户、有更清晰的商业化路径。比如做 sourcing agent，先帮品牌找达人，再迁移到找候选人、找专家、找客户。听上去，这是一层可以泛化的能力

推导时非常性感，落地后经常变形

一个典型问题是：当你服务专业用户，专业用户会不断把你拉回 SaaS

专业用户要可审计，要自己定义指标，要自己筛选，要确认中间步骤。他们不会满足于“你给我一个结果”。他们会要求过程可控、字段可配、逻辑可解释、每一步都能插手

给专业剪辑师做 agent，他会一直提需求，直到产品长得越来越像 Adobe；给专业营销人员做 agent，他会一直提需求，直到产品长得越来越像旧时代的营销 SaaS

很多 vertical agent 的宿命，是从“智能体”出发，最后长成一个加了 AI bar 的 SaaS

更深一层的问题是，AI 往往先摘走价值链里最容易自动化的 low-hanging fruit

比如 sourcing。找到人只是工作的一部分，后面还有沟通、谈判、报价、排期、追稿、交付确认。真正耗时的事情不一定在“找”这个动作里

如果只做最容易自动化的 30%，产品看起来很 AI，但商业价值不够厚。继续往后做，又会进入 agency 的重交付逻辑

于是 vertical agent 很容易掉进三个坑：服务专业用户，越做越像 SaaS；想交付结果，越做越像 agency；产品留给投资人看，收入靠服务来撑

这也是很多 to B agent 的结构性困局。你说破天，它仍然是 to B 生意。销售周期、客户服务、组织流程、采购心智，一个都逃不掉

更残酷的是，to B agent 能吃到的新模型红利，经常只体现在内部开发效能上。coding AI 让团队写代码更快，但你的产品给客户带来的效率提升，未必有 10 倍、20 倍

如果客户原来的 SaaS 已经够用，AI 方案又没有明显提升结果，客户为什么要换？

prosumer 是趋势，OPC 还不是现实

AI 产品很喜欢讲 prosumer，也喜欢讲 OPC（one-person company）

方向没错，但这里面有个很容易踩的坑：把趋势当成现实

OPC 当然会变多，但现实世界里的 OPC 还没有那么多。能赚到钱、愿意付费买工具、持续为增长和效率投入预算的 OPC 更少

独立开发者首先要自己吃饱，才会拿钱买你的增长工具、营销工具、自动化工具

而且最强的 prosumer 往往最会自己拼工具。Claude、ChatGPT、Cursor、API、workflow、各种插件和脚本，他们自己就能组一套。最有 information access 能力的人，反而没那么容易为你的产品买单

所以 AI to C 生意大概会分成两类：第一类是高 ARPU 的 token 生意，用户不一定多，但 power user 很强，一个月消耗很高，愿意为高频使用付费；第二类更像健身房，用户订阅、买 credit，但不会每天把额度打满，产品赚的是持续陪伴、低流失，以及使用强度和订阅价格之间的空间

前者要抓住一小批重度用户。后者要做出每天都愿意打开的陪伴感

这也是为什么 Steam 上一些番茄钟、todo list、习惯养成、ADHD 陪伴类产品很值得看。它们很难被简单归类为游戏，也很难被简单归类为生产力工具。用户打开它们，第一感受更像“有人陪我进入状态”

AI consumer 产品会越来越模糊：工具、游戏、生产力、情绪价值，会揉在一起

过去效率工具主要解决“快”。现在只快不够。产品还要有人格、有触感、有安全感，甚至要有一点陪伴

用户买的不是 AI，用户买的是少走一步

很多人会低估一个按钮的价值

比如用户想用 AI 改一段文字。理论上，他可以截图、打开 ChatGPT、粘贴上下文、写 prompt、等待返回、复制结果，再贴回原来的窗口

这个链路能跑通，但太长了

如果一个按钮就在光标旁边，用户点一下，它自动理解当前上下文、当前字段、当前意图，然后直接给出结果，这个按钮就有价值

它的价值并不一定来自模型更聪明，而是来自意图到结果之间的距离被缩短

AI 应用层最重要的产品价值之一，就是缩短用户意图和解决方案之间的距离

这个逻辑也解释了为什么一些看起来“只是套壳”的产品仍然有人用。用户不是为了膜拜技术而来，用户是为了少一次截图、少一次切 tab、少写一句 prompt、少做一次 context switching

体验这件事说起来抽象，拆开看就是五个方向：更快是减少等待，更近是减少跳转，更稳是减少失败，更安全是让用户知道权限和隐私怎么处理，更舒服是让交互本身带一点情绪价值。比如客户端产品都会遇到隐私问题，用户会担心：它为什么要这么多权限？数据存在哪里？隐私协议那么长，我根本看不懂

这里的解决方案不一定是再写一页法律文本。更好的方式可能是一张漫画、一套可视化说明、一组更明确的权限解释。让用户真的看懂，体验就已经在提升

在 AI 产品里，交互不是锦上添花，它是产品本身

软件是一块草坪，铺好以后还要天天修

AI 让“创造”的快乐来得更快，也让“维护”的痛苦暴露得更明显

一个客户端产品听起来很简单：在浏览器之外也能唤起 AI，能理解 Slack、Gmail、文档、网页和各种窗口，帮用户在不同 context 之间切换

真做起来，可能三个月、四十九个版本，还是会有 bug

这不是工程团队太慢。软件天然由大量细节组成，不同系统、不同版本、不同窗口、不同权限、不同用户习惯，都会制造 corner case

以前大家说“做一个产品很快”，更多说的是把雏形做出来很快。真正让它能用、好用、稳定、长期可用，需要一遍遍吃掉那些难看的细节

软件就像草坪

铺一块草坪不难，难的是持续修剪。你可以 vibe code 出一个小工具，创造那一刻很爽；但后面维护、修 bug、处理 corner case、适配用户习惯，才是真正的成本

AI 时代，软件最贵的部分正在从生成代码转向长期维护

这件事反而让我对软件更乐观

如果一切都只是生成代码，那应用层确实很容易被压扁。但只要软件仍然需要体验、维护、稳定性、隐私设计、用户反馈、长期打磨，应用层就还有大量空间

用研比追概念更能缓解焦虑

AI 创业者太容易被信息轰炸

今天 harness，明天 agentic workflow，后天 conversation UI、GUI、LUI、TUI。每个概念都像下一波浪潮，每篇文章都在提醒你慢了

结果就是，创始人特别容易把概念塞进产品里

做 to B 产品时，看到大家讨论 chat UI 和 GUI 的结合，就想赶紧把 GUI 触发、数字员工、agent 架构塞进去。讲的时候很先进，用户用的时候只想说：先把我的问题解决掉

第一性原理的核心，是找到解决问题的最短路径

如果用户只需要一个 workflow 就能解决大部分问题，非要上 agent，只是在增加成本和理解负担。如果传统 SaaS 已经能稳定完成任务，AI 方案没有明显提升结果，用户也没有理由迁移

缓解焦虑最有效的方法，是离开预测，回到用研

Reddit 是一个很好的阵地。可以把一个产品决策拆成决策漏斗，每一层设计问题，大量发帖、发评论、回收反馈。不要只问“你喜不喜欢我的产品”，而是讨论需求、痛点、替代方案、付费意愿、现有产品哪里不好

这样的用研会带来两个结果。第一，你会发现很多简单问题还没被解决——AI 已经很强，但用户每天还在为 context switching 抓狂，还在不同 tab、不同 app、不同文档之间切到崩溃。第二，你会变得克制——需求太多，概念太多，方向太多，没有真实反馈时，创始人很容易一天往产品里塞八百个能力，看到真实用户的抱怨和付费意愿之后，才知道哪些是真问题，哪些只是自己想装进去的先进性

过程产品，可能比平台产品更真实

很多 AI 创业者喜欢做平台

先发一个通用平台，让用户来演绎，让生态来生成，让 market 来告诉我它能做什么

但更扎实的方式，是先解决自己的内部问题

因为自己的 context 是完整的。客户访谈往往是离散的：今天给你两句，明天没空理你，一周后补三句，很多上下文早就丢了。内部需求每天发生，反馈闭环更短，也更容易一层层加细节

比如增长场景里，一个内部 skill 可以每天补七八个细节：某个达人指标没覆盖，某个沟通环节没处理，某个报价判断不准确，某个排期字段没写清楚

一点点补完之后，它可能比一个 all in 半年的 to B 产品更好用

因为它的目标很清楚：交付结果，而非展示概念

AI 交付结果到底怎么定义？有些场景很简单：一张 Excel。里面有合作对象、报价、是否值得、沟通状态、拍摄时间、交稿时间、下一步动作。表格交付完，agent 的使命就结束了

好的 agent 不一定要长得像平台，先在一个完整 context 里把一件事做透，反而更有价值

未来 AI 软件开发流程也可能被重写成三段：发现问题、解决问题、验收结果

中间的 coding 会越来越多被 agent 接管。真正需要人倾注注意力的，是问题如何发起，以及结果如何验收

简单 UI 问题也许 AI 可以自己验收；复杂产品问题还需要人，甚至需要用户参与验收。bug triage、优先级判断、context 汇聚、分发给不同 coding agent、修完以后通知用户，这些都会成为新的产研基础设施

这个方向不一定是 chat，也不一定是传统 GUI。产品界面还没完全想清楚之前，先把内部循环跑顺，比急着发布平台更重要

别急着世界首发，先问自己信不信

过去两年，AI 产品很爱大宣发：全球首款、行业第一、重新定义工作流、下一代入口

宣发当然有价值，但前提是产品值得被推到聚光灯下

如果团队自己都不满意，强行 world premiere，往往只是在给投资人交作业。用户流程不好，留存没起来，流量一波过去，产品也就过去了

对创始人来说，一个更朴素的问题反而重要：夜深人静的时候，闭上眼睛问自己，我信这个产品吗？

如果不信，宣发越大，消耗越大

如果信，哪怕它现在很丑、bug 很多、能力还不完整，也会愿意一版版改。这里面有 spark，有自己真的想做的东西，也有产品可以承载的世界观和性格

AI 能做很多事，但它替代不了人心里那点火苗。那点火苗决定你愿不愿意在别人看不见的细节里继续待着

这也是虚荣心和热爱的区别

虚荣心会让人招一个用不上的算法科学家，只为了显得阵容豪华；虚荣心会让人把最新概念塞进产品，只为了证明自己领先；虚荣心会让人把融资、团队 title、全球首发当成创业成绩

热爱会把人拉回用户身上：这个问题是不是真的存在？这个体验有没有好一点？这个 bug 能不能修掉？这个权限说明用户能不能看懂？这个按钮是不是更顺手？这个产品能不能让一个具体的人今天少崩溃一点？

写在最后

AI 软件创业还大有可为

理由不在于某个新概念还没出现，也不在于某个模型还没发布。更朴素的原因是：AI 渗透率还很低，世界非常分层，真实商业竞争是动态演化，不会因为某个产品发布就瞬间结束

很多公司连 workflow 都没用明白，很多普通用户听到 code 就不想碰，很多日常问题仍然没人好好解决。应用层也许吃不到基础模型最大的肉，但剩下的汤，可能比过去做 SaaS 的肉还多

真正要警惕的是创始人自己。不要把投资人的语言当成产品语言，不要把概念领先当成用户价值，不要把融资好、团队豪华、故事性感当成充分必要条件

最后还是那句话：软件是一块需要持续维护的草坪。AI 能帮你更快铺草，用户只会为那片真正舒服、干净、可靠的草坪停下来