页面顶部
已进入：阅读页
笑来搜
← 返回

个人网站文章2026-07-31lixiaolai.com作者：李笑来原文链接

当建造近乎免费，你该做什么

廉价的 agentic 劳动，并没有替你回答“我该做什么”。它给你的，是极大变便宜的搜索——而大多数人仍然坐在扶手椅里消耗它。

图 1：一张简洁网格上的两条成本曲线：建造成本急剧降向零，而最后一公里的成本——接入、集成、例外、责任、信任——仍然高企；两者之间越来越宽的间隙被标注为“利润去了哪里”。

廉价的 agentic 劳动，并没有替你回答“我该做什么”。它给你的，是极大变便宜的搜索——而大多数人仍然坐在扶手椅里消耗它。

有一种很现代的烦恼：“我现在几乎什么都能建造——为什么还是想不清什么值得建造？” 那种感觉是，丰裕本应让选择变容易。事实恰好相反。本文解释为什么，并给你一个方法：用廉价、可证伪的实验替代冥想式思考。

这篇文章不是一个自信声音的产物，而是一次对抗性过程的产物：一个第一版框架，一轮严厉批判，后者击碎了框架里几条承重主张；还有带日期的网络研究，用来约束双方诚实。凡是证据和批判赢了的地方，原框架就输了——而那些修正，正是最有用的部分。

换个框架：建造变便宜了，最后一公里没有#

从第一性原理开始。当生产一个东西的边际成本降向零，它的价格也会被竞争压向零——除非 买家与这种商品之间隔着某个不可复制的东西。这是标准经济学，也正是为什么“建造很便宜，所以机会到处都是”这个直觉是反的。让_容易_的部分成本坍缩，只是把全部价值重新搬到那些一直困难的部分。

但真正重要的修正是：​AI 让代码和某些认知劳动变便宜了。它没有让交付结果变便宜。 任何真实业务背后的完整生产函数，仍然包括理解没有文档的工作流、获得系统和客户的接入权、接入丑陋的遗留基础设施、处理例外、承担责任、为应收账款融资，以及改变人们的工作方式。这些都没有变便宜。机会很少是“拥有一个稀缺资产”。它通常是：​跨过那段所有其他人都拒绝跨、或者跨不过去的最后一公里。

数字让这个缺口变得具体。​88% 的调查受访者说，他们在至少一项业务职能中经常使用 AI——一年前是 78%；但只有 39% 说 AI 在企业层面对 EBIT 产生了影响（McKinsey，The State of AI in 2025，2025 年 11 月）。几乎人人都在“使用 AI”，但只有少数人从中得到真实利润——整个游戏都在这一项统计里。区分二者的不是模型接入，而是工作流重设计、组织改变，以及那些毫不华丽却能闭环交付的工作。

问题不是 “我能建造什么？” 建造现在已经是商品。问题是 “我能赢下什么交易，以及当我反复赢下它时，会积累下什么？”

先决定你在玩哪一局#

在选择想法时，最大的单一错误，就是用同一个框架回答三个不同问题。它们不是同一个问题，奖励的市场、证据和防御程度也不一样：

这局游戏 真正的问题 不该借来的错误工具
现金流​——例如每年 50 万美元所有者收益 我能不能可重复地赢下一笔付费交易？ 风险投资式的“耐久护城河”要求
耐久公司 我服务每个客户时，什么会复利增长？ “开始之前我必须先有护城河”
风险投资级​——幂律异常值 这能不能成为一个定义品类的垄断者？ Bootstrapper 式的“只跟着发票走”

一个生意可以靠本地性、便利、关系、运营卓越、市场碎片化和普通的客户惯性，连续多年赚到很好的所有者收益——这些都不是耐久的“护城河”，但全都能还房贷。把风险投资级的耐久性标准搬进普通现金流生意，是有能力的人说服自己放弃好钱的方式。

重要

先做这件事，再做别的。 写下你的目标函数：目标年收入、可接受的首笔收入时间、愿意冒险的资本、最长销售周期、对雇员和运营的胃口、对监管和责任的容忍度。没有它，“我该建造什么？”这个问题在字面上就是不可回答的——而一旦把它说清楚，大多数时髦想法会当场消失。

六个听起来聪明、却会让你亏钱的直觉#

下面每一条，都是一种貌似合理的规则；它们一直能活到遇见市场为止。这里按“听起来聪明 → 实际上”列出，因为诱人的那个版本，才是你默认会伸手去拿的版本。

1 · 建造之前，先命名护城河#

听起来聪明。 “没有防御性就会归零竞争，所以没有护城河我不该开始。”

实际上。 大多数早期公司没有护城河——它们有的是一个 wedge 和一个假设。一开始就要求护城河，会让你发明想象中的数据护城河，拒绝利润可观的失衡型生意，并且过度建造。建造之前真正该问的是：“如果这件事成立，每多一个客户、每多一笔交易、每多运营一个月，什么会在结构上变好？” 那是一个复利向量，不是你必须已经拥有的护城河。

2 · 按结果收费意味着高利润率#

听起来聪明。 “卖最终结果，而不是卖席位，你就能拿下整个劳动力预算。”

实际上。 Outcome pricing 改变的是_谁承担风险_——它并不会消除风险。你继承了坏输入风险、范围模糊、返工、人类例外处理、保证、营运资本和归因争议。只有当结果可归因、可审计、高频、有边界且保险成本低时，它才是高毛利。否则，它只是披着软件倍数外衣的咨询。

3 · 工具位置弱；要拥有结果#

听起来聪明。 “谁都能做工具；钱在交付结果里。”

实际上。 轴错了。真正的区分是：​控制点，还是可替代参与者。 一个“工具”如果成了记录系统、授权层、账本，或者工作被_批准_的地方，它就是价值链里最强的座位。一个“结果公司”如果只是调用别人的 API 再交付一个成果，可能什么都没有拥有。

4 · 受众是耐久护城河#

听起来聪明。 “公开建造，积累关注者，你就永远有分发。”

实际上。 大多数 audience 都是从平台那里_租来_的，身份弱、价格敏感，而且附着在一个人格上，而不是一个产品上。Build-in-public 是一种渠道战术：当你的买家活在公共网络里时有效，例如创始人、开发者、创作者；对医院账单团队或市政采购几乎没用。耐久单位不是触达量，而是一个可重复的获客系统：触发器 → 可触达买家 → 可信信息 → 转化 → 留存/转介绍循环。

5 · 从钱已经流动的地方开始#

听起来聪明。 “找到已有支出，把自己插进去——需求已经被证明。”

实际上。 对现金流来说，这是一个强默认选择，但它偏向替代，低估了扩张。既有支出验证了预算，同时也把你锚定在旧工作流上，并邀请竞争者进场。廉价 AI 也可以_创造_需求——“为一个人做的软件”、无处不在的定制、新的消费者行为。既有需求是更高概率的现金路线；新品类是更高方差的异常值路线。不要把这两局游戏混为一谈。

6 · 从你的不公平接入出发#

听起来聪明。 “从你已经有优势的领域、受众或细分市场开始。”

实际上。 这是一个不错的起始启发；但如果你把当前接入当成命运，它就会变成牢笼。优势可以被_制造_：一年偏执地专攻一个领域，收购一个小型在位者，去一线运营岗位干活，和持证运营者合作，或者只是亲手把活干到隐藏结构变得可见。接入应该降低你的搜索成本，而不是定义你的搜索边界。

另一个相关陷阱，是把著名框架当成一套统一教义。它们做的是不同工作。Thiel 讨论的是幂律风险投资回报；Helmer 的 7 Powers 解释的是商业系统形成之后的_持续_回报；Hormozi 是 offer 构造；indie-hacker 实践是低资本搜索；roll-up 讨论的是收购价格和营运资本。没有哪一个是“该建造什么”的通用算法——每一个都只是索引到你上面选择的那局游戏的工具。

方法：付费 wedge 锦标赛#

廉价 agentic 劳动真正给你的礼物，不是更便宜的_建造_，而是更便宜的搜索​。所以，不要坐在扶手椅里_选择_一个想法。让三个候选市场用证据竞标你的投入。这个过程会一起发现需求、分发、可行性、例外成本和可能的防御性——而不是试图提前把它们全都想明白。

  1. 定义这局游戏。 上一节里的目标函数——现金流目标或风险投资目标、12 个月收入目标、最大投入、最长销售周期、你能接受的运营复杂度。仅这一项就能淘汰掉大多数时髦机会。

  2. 寻找交易形问题。 找一种工作流：有可观察触发器、有具名 owner、有可度量完成状态、反复高频出现、失败代价昂贵、输入可获得，并且_错误可检测_。弱问题：“改善营销。”强问题：“在三分钟内回应每一个合格的商业屋顶 lead，生成合规估价，并预约现场检查。”

  3. 卖出三个付费 concierge offer。 对每个候选方向，在建产品之前，用人类 + agents 交付结果。只接受强证据——钱、系统接入、数据，或者有约束力的运营承诺。拒绝弱证据：赞美、问卷热情、等待名单、无约束力的意向书。

  4. 记录脏活。 跟踪触达 → 会议 → 付费试点转化、成交时间，以及扣除全部人类审核之后的毛利。最重要的是，度量例外集——它是最容易静悄悄杀死大多数“AI 替代劳动”论题的指标。

  5. 用四道门选择，然后只构建瓶颈。​​拉力： 买家是否异常快速地承诺？​经济性： 扣除例外、返工和责任之后，利润率是否有吸引力？​可重复性： 同一个触发器、买家、offer 和渠道，能不能赢下接下来的十次？​复利性： 交付是否积累数据、集成、信任、转介绍或工作流控制？然后，只构建被重复交付暴露出来的那个瓶颈——不要多做。

时钟也支持这个判断。2025 年，​20% 的 Stripe Atlas 初创公司在 30 天内向客户收费；2020 年这个比例是 8%——time-to-revenue 正在压缩（Stripe Atlas，year in review）。

杀手指标：例外经济学#

任何 agent 生意的决定性数字，不是 benchmark accuracy。它是残余例外集的成本与后果​——也就是 agent 无法干净处理的那些 case。

一个 agent 如果能处理 95% 的 case，并且剩下 5% 明显、容易捕捉、处理便宜，那就很好。如果那些失败安静、灾难性，或者需要资深专家诊断，它就毫无价值。所以要跟踪每笔交易里的例外数、人类审核分钟数、返工率、假阴性成本、升级所需技能级别、责任暴露——最重要的是，​例外是否随着规模增长而下降。 如果不会下降，你的“软件”生意就是一个资产负债表更糟的人力生意。

说明

为什么这件事在 2026 年比看起来更重要。 下面的留存和毛利数据不是抽象的市场天气——它们是成千上万家企业的总影子：这些企业的例外经济学从来没有收敛。无声失败最先表现为流失，然后表现为毛利；它们出现时，距离那个完美 demo 已经很久了。

一切都会归零吗？一个诱人的半真相#

只有在严格条件下，价格才会坍缩到边际成本：产品同质、质量可观察、比较便宜、切换便宜、进入自由且即时、产能不受限、没有市场力量，以及需求不会因为价格下降而扩张。真实市场会同时违反其中好几条。软件早就有近零复制成本，Bloomberg、Adobe 和 Salesforce 却从来没有变免费——客户付钱买的是可靠能力、集成和组织合法性，不是复制出来的 bits。

所以，诚实的论题比“一切都会归零”窄得多：​通用能力会商品化；但已交付、可信、特定上下文中的表现，不会自动随之归零。 不过，证据确实两边都切；假装不是这样就不诚实了。

怀疑者的证据——AI-native retention 很残酷。 Revenue retention 衡量去年收入中有多少留存下来；越高越健康。

Cohort Revenue retention
AI-native——gross 40%
AI-native——net 48%
B2B SaaS benchmark——net 82%

ChartMogul 的 2025 SaaS Retention Report 覆盖了大约 2,700 家 B2B SaaS、600 家 B2C SaaS 和 200 家 AI-native 公司，全部 ARR 超过 25 万美元。AI-native 中位 gross retention 从 2025 年 1 月的 27% 升到 9 月的 40%——改善很快，但仍远低于 SaaS 常模。

不同 cohort 的毛利差异极大。 不存在单一的“AI 毛利”。

高增长 AI 公司 cohort Gross margin
“Supernova”（增长最快、agent/compute-heavy） 约 25%，经常为负
“Shooting Star”（更像 SaaS） 约 60%
LLM-native vertical AI（Bessemer cohort） 约 65%

前两个 cohort 及其毛利来自 Bessemer 自己的 State of AI 2025；约 65% 是 Bessemer 在其 vertical-AI thesis 中报告的、2019 年或之后成立的 LLM-native vertical AI 公司总体。按照下面校准说明的精神，这里有一个 caveat：那个很诱人的解释——这种差异跟工作负载有多依赖 inference 有关——是我的解读，不是 Bessemer 的说法。他们报告的是毛利和 cohort 定义；他们并没有把差距归因于 inference intensity。一个相关且被直接报告的事实是：AI coding tools 在转向 usage-based pricing 之前，毛利是零到负数（TechCrunch，2025 年 8 月）。高人均收入不等于高 gross margin。

与怀疑者案例相对的，是一个真实的乐观者案例。2025 年，企业在生成式 AI 应用上的支出估计为 190 亿美元​，基础设施为 180 亿美元​；其中 application startups 的收入大约是 incumbents 的两倍（Menlo Ventures——它是利益相关方，但这个方向确实反驳了“所有价值都会坍缩到模型层”）。Wrapper 显然也能变成真正的生意：Cursor 大约两年里从约 100 万美元 ARR 到约 20 亿美元 ARR；Harvey 从约 1 亿美元到约 3 亿美元；Sierra 从零到 1.5 亿美元以上。那些 case 里的价值存在于分发、工作流和品牌里——不在它们共同调用的商品化 API 里。

怀疑者案例（留存支持它） 乐观者案例（收入与估值支持它）
AI-native retention：40% gross / 48% net，而 SaaS 为 82% net（ChartMogul） 190 亿美元 app spend > 180 亿美元 infra；app startups 约为 incumbents 的 2:1（Menlo）
面对 AI risk，switching costs、network effects、intangible assets、efficient scale 显示出“几乎没有预测力”；只有 physical cost advantage 仍然保护公司（Helfert / Westwood，Morningstar，2026 年 2 月） Cursor、Harvey、Sierra——建立在商品化 API 之上的 wrappers，成为十亿美元级生意
“No inherent endemic moat in the tech stack”（Martin Casado，a16z） Casado 自己的更新：“brand is emerging as a real moat”；分发经常胜过 AI 本身

真正悬而未决的是： AI-native 的低留存，究竟是一个会成熟过去的生命周期现象（gross retention 确实 在 2025 年 1 月到 9 月之间从 27% 升到 40%），还是对可替代产品的结构性判决。现在还没有多年份 cohort 数据能定案。看起来可能在商品化之后幸存的东西包括：控制点、例外和责任的最后一公里、实体和受监管运营，以及一个能_可度量地_扩大领先优势的数据反馈循环——最后一个也是所有护城河里最常被过度宣称、最少被证明的。

注意

校准说明。 那些病毒式传播的数字——“到 2026 年 80% 的 AI wrappers 会失败”、“OpenAI 吃掉了 200 多家获融资初创公司”、“90 天流失 65%”——在各种博客里反复出现，却找不到可追溯的一手来源。把它们当作民间传说，不要当作证据。本文引用的数字都有来源和日期；这三个数字因为缺乏可追溯一手来源，被有意排除。

专业人士真正分歧在哪里#

“专业人士怎么看这个问题”没有单一答案，因为他们公开分裂。更有用的动作，是看清断层线，然后有意识地下注：

断层线 最可能的解法
Apps vs. models/incumbents 谁捕获价值 都会。通用横向 wrappers 会被碾碎；如果 apps 拥有写入权限、工作流重设计、责任或专有反馈，就能活下来。
Agents replace SaaS vs. strengthen systems of record UI 和例行操作会迁移到 agents；systems of record 会继续存在。奖品是成为那个_有权限写回的行动系统_。
Services-as-software vs. high-margin SaaS Services-as-software 会在狭窄、可审计、例外率下降的工作流中获胜；在质量主观、失败很晚才浮出水面的模糊知识工作中令人失望。
Existing demand vs. new-category vision 既有支出 = 更高概率的现金；新品类 = 最大异常值，但需要真正能承受 timing risk。不同游戏——不要混用建议。
Moat-first vs. speed-first Speed-first，但带着复利假设。“产品之前先有护城河”太早；“增长却没有走向 power 的路径”同样天真。
Pure software vs. atoms & regulated markets 风险调整后最好的下注，往往是混合体：AI 实质改善一个实体或受监管运营——是更高利用率的管道_运营者_，不是“给水管工的 AI 软件”。纯软件保留最大上行，但面对最快克隆。

真正该记住的一个重构#

停止试图识别一个永久可防御的想法​。识别一笔你现在能赢下的交易，证明它在例外和责任之后的全栈经济性，并追问：反复赢下它，是否会导致一个更强的位置积累起来。

利润首先来自解决问题和完成销售。防御性是反复解决问题的_后果_——不是你开始之前必须拥有的入场券。廉价 agents 没有回答“我该建造什么”。它们让搜索变得极其便宜；专业反应，是把这份礼物花在可证伪的付费实验上，而不是更用力地沉思。

周一就做什么#

  1. 写一段你的目标函数。三局游戏里，你在玩哪一局？
  2. 列出三个你已经能触达买家的交易形问题。
  3. 选最强的一个，写出 concierge offer，并在本周向一个真人索要钱、接入或有约束力的承诺。
  4. 用手工交付它，让 agents 参与其中。从第一笔交易开始记录例外集。
  5. 只有在拉力 + 经济性 + 可重复性成立之后，才构建那个被反复交付暴露出来的唯一瓶颈。

方法#

先写出第一版框架，然后用一次独立的对抗性批判对它做压力测试；那次批判击碎了其中几条主张——“先命名护城河”、“outcome = 高毛利”、“tool = 弱位置”这些反转都来自那一轮。随后，二者都被拿去和三组带日期的网络研究交叉检查：商业模式、防御性、具体 playbooks。凡是证据与框架相冲突的地方，框架都被修正。文中数字都注明了来源和日期；三个广泛流传却找不到一手来源的统计被排除。

发布前，每一个承重数字都被拿回一手来源重读，而不是相信摘要。McKinsey 的 adoption 和 EBIT 数字，ChartMogul 的 retention 数字和样本构成，Bessemer 的 cohort margins，以及 Menlo 的应用与基础设施支出，都与各自来源一致，并且已经按来源自己的措辞在这里重写。那次核对改变了两件事：一个原本标成“inference-light vertical AI”的 margin row，实际是 Bessemer 的整体 vertical-AI cohort；而 inference-intensity 解释原来是我的解释，不是他们的解释。现在两者都已明确标出。Morningstar 的 moats 主张也核对无误，且是按作者自己的话说的：Westwood 多资产策略首席投资官 Adrian Helfert 给 460 家 S&P 500 公司按 moat strength 和 AI risk 打分，发现五个经典支柱中的四个——switching costs、network effects、intangible assets、efficient scale——“在今天的 AI 环境里几乎没有预测力”，只剩 physical cost advantage。依赖它之前，有一点值得知道：采访时，这项研究仍然即将发布在 SSRN，尚未公开。它是本文最醒目的反护城河数字，而它依托的是一项当时尚未公开的工作——这正是读者应该被直接告知，而不是自己事后发现的那类事。

这和我在 No Verification, No Claim 中描述的是同一种纪律：在没有机械检查的领域里，唯一诚实的防线，就是清楚说出哪些数字有来源，哪些只是民间传说，哪些问题仍然开放。这里的一切，都是在同一约束下进行的推理——有论证、有来源、有日期，但在强意义上没有被验证。

来源#

商业模式与定价

防御性与护城河

Playbooks、数据与运营

这里引用的投资人文章都是方向性的，并且常常有自利色彩——基金会描述它们投资的品类。诸如“4.6 万亿美元服务”或“13 万亿美元劳动力”这样的 TAM 数字，是框架，不是已测量收入。留存、毛利和支出数字才是更承重的证据，而且都按来源标了日期。把一切都当作 2026 年中期的状态来看待；这是一个快速变化的领域。