见山行科技

中文

English

中文

English
Sponsored by [KnowFun]: Transform your materials into personalized learning with AI.

AI不创造价值，人创造价值 ​

魔当实验室 · 2026年10月

本文是"AI时代的核心能力"系列第三篇。前两篇讲了AI的放大器效应，以及审美与判断力。这一篇我们来看一些具体的人和事——同样是用AI，为什么差距能大到离谱？

先讲两个故事。

第一个故事，关于一个人。

Pieter Levels，荷兰开发者，一个人做了三个网站：NomadList、RemoteOK、Rebase。三个产品加起来，月收入超过39万美元，年收入大概470万美元——差不多3400万人民币。

他有多少员工？零。一个人。

他的成本呢？每个月基础设施和工具费不到200美元。

他怎么做的？用AI写代码、用AI做设计、用AI处理数据、用自动化工具跑运营。一个人，靠AI和自动化，顶了一个几十人团队的产出。

"I don't have a team. I have scripts and AI agents that do the work for me."

— Pieter Levels

翻译成中文：我没有团队。我有脚本和AI智能体替我干活。

这不是孤例。2025年被Wix以8000万美元收购的Base44，也是一个几乎没有团队的极简产品。还有一个叫Zine的SaaS产品，创始人一个人，用AI编程工具8周做完MVP，4个月就有了付费客户。

这些人用AI，赚了大钱。

一人公司：正在全球爆发的新物种 ​

这些"一个人顶一个团队"的案例，不是个例——它们是一场全球性创业浪潮的缩影。

这种模式有个专门的名字，叫一人公司（One-Person Company，简称OPC）。

"OPC仅凭一人、一台电脑、一套AI工具，便可独立完成产品研发、内容创作、市场拓展、客户服务等全业务链条，成为人工智能发展背景下极具活力的全新创业模式。"

— 中国日报，2026年7月

翻译成英文就是：一个人、一台电脑、一套AI工具，就能跑通从产品到市场的全链路。

这个趋势有多猛？看几组数据。

美国：单人企业主已经达到近3000万人，占所有小企业的82%，每年贡献1.7万亿美元的GDP——相当于一个中等国家的经济总量。MBO Partners的数据显示，2025年美国独立工作者达到7290万人，而2020年这个数字还是3820万——五年几乎翻了一倍。

创业股权平台Carta的数据更能说明问题：

"Roughly 36% of new startups founded on the platform in 2025 had a single founder, up from 31% in 2024. AI tools lowering the barrier to entrepreneurship is a core driver."

— Carta data, reported by Xinhua, 2026

翻译成中文：2025年通过Carta成立的初创企业中，约36%是单人创始人，2024年这一比例约为31%。AI工具拉低创业门槛，是推动这一趋势的核心因素。

欧洲：单人自雇和单人持股公司早已成熟，但AI给了个体第一次挣脱工时约束、撬动规模化业务的工具。Stripe的经济研究报告显示：

"New business registrations have risen roughly 40% in Australia, 70% in Finland, and 80% in France since 2017, with meaningful acceleration in 2025 alone."

— Stripe Economics, The Age of the Solopreneur

翻译成中文：自2017年以来，澳大利亚新增企业注册增长约40%，芬兰70%，法国80%，仅2025年就有明显加速。

中国：这场浪潮来得也很快。截至2025年底，全国新设一人公司超过73万户。更值得注意的是政策层面的跟进——全国已有23个城市出台OPC专项扶持政策：

  • 上海浦东：新注册一人公司最高提供30万元免费算力
  • 深圳：推出AI驱动OPC创业生态引领地行动计划，是全国首个省级层面的AI单人创业政策框架
  • 四川：出台16项重点任务，打造区域OPC创新生态
  • 国家层面，人社部、税务总局、市场监管总局联合发文，推动个人创业"高效办成一件事"，简化注册、登记、办税全流程

为什么现在一人公司突然火了？ 答案很简单——AI。

以前，一个人再能干，时间和精力也是有限的。你要做产品、做运营、做客服、做设计、做财务……一个人根本忙不过来。所以创业必须招人，招人就有管理成本，有管理成本就需要更多收入，形成了一个"必须做大"的循环。

AI打破了这个循环。AI写代码、AI做设计、AI处理数据、AI做客服、AI生成内容——以前需要一个团队干的活，现在一个人加一套AI工具就能搞定。

这不是简单的"创业更容易了"，而是对"创业"这个概念的重新定义。

以前创业的标配是：找合伙人、组团队、租办公室、融资、扩张。 现在创业的新可能是：一个人、一台电脑、一套AI工具、一个细分市场。

小而美，不再是"做不大"的代名词，而是一种主动的选择。

第二个故事，关于很多大公司。

MIT的NANDA实验室在2025年发布了一份《AI商业现状报告》，里面有一个数字很惊人：

"Roughly 95% of enterprise generative AI pilots produce no measurable P&L impact."

— MIT NANDA, State of AI in Business, 2025

翻译成中文：大约95%的企业生成式AI试点项目，没有产生任何可衡量的利润影响。

95%。什么意思？就是20个AI项目里，19个是白折腾。

Gartner的数据更具体。他们2025年的调研显示：

"73% of AI pilots never reach production. The average company wastes $21.5 million on failed AI initiatives."

— Gartner, AI Project Success Rates, 2025

翻译成中文：73%的AI试点项目根本没进入生产阶段。平均每家公司在失败的AI项目上浪费了2150万美元。

IBM 2025年CEO调研的结论也差不多：

"Only 25% of AI initiatives have delivered expected ROI, and just 16% have scaled enterprise-wide."

— IBM Institute for Business Value, 2025 CEO Study

翻译成中文：只有25%的AI项目达到了预期的投资回报率，只有16%扩展到了整个企业。

RAND公司2025年的分析更悲观：

"80.3% of AI projects fail to deliver their intended business value."

— RAND Corporation, 2025

八成以上的AI项目，没产生预期的商业价值。

这些公司用AI，烧了大钱。

一边是一个人靠AI年入几千万，另一边是大公司花几千万美元打水漂。

同样的AI技术，差距为什么这么大？

是模型不够强吗？不是——大家用的都是差不多的模型。 是工具不够好吗？不是——好工具人人都能用。 是钱不够多吗？更不是——大公司的预算是个人的成千上万倍。

那差距在哪？

差距一：有没有找对真正的问题 ​

先看那些成功的个人和小团队，他们有一个共同点：他们非常清楚自己要解决什么问题。

Pieter Levels的NomadList，解决的是"数字游民去哪生活"的问题——一个非常具体、非常窄的问题。他没有做一个"AI生活方式平台"，他做了一个"帮数字游民找城市的排行榜"。问题很窄，解法很清晰，AI帮他把数据处理和网站维护的效率拉满。

Base44呢？它解决的是"小企业主怎么快速建网站"的问题——同样很具体。它没有做一个"AI万能建站工具"，它聚焦在一个场景里，把体验做到极致。

Midjourney更极端。David Holz创办Midjourney的时候，市面上已经有很多AI绘画工具了。但他没有说"我要做最好的AI绘画"——他说的是：

"We're a research lab focused on new mediums and tools for empowering imagination."

— David Holz, Midjourney founder

翻译成中文：我们是一个研究实验室，专注于新的媒介和工具，赋能想象力。

听起来很虚，但Midjourney的产品其实非常聚焦——它就是做"文字生成图片"这一件事，而且全程在Discord里运行，连自己的App都没有。11个员工，5亿美元年营收——因为他们把一个问题解决到了极致。

反过来看看失败的企业项目 ​

失败的企业AI项目，问题通常出在哪？

不是技术不行，是问题没找对。

MIT的报告里总结了失败的几个主要原因：

"The failure pattern is rarely technical. It is operational: weak success criteria, fragile data foundations, missing MLOps, and no feedback loop after launch."

— MIT NANDA, State of AI in Business, 2025

翻译成中文：失败很少是技术原因。更多是运营层面的：成功标准不清晰、数据基础薄弱、缺少MLOps、上线后没有反馈闭环。

注意排在第一位的：weak success criteria——成功标准不清晰。

什么叫成功标准不清晰？就是你连"做成什么样算成功"都没说清楚，就开始上AI了。

比如很多公司说"我们要上AI客服"——这不是问题，这是个技术选型。真正的问题可能是：

  • "客服响应太慢，用户投诉多"
  • "客服成本太高，占了营收的15%"
  • "重复问题太多，客服团队疲于应付"

如果这些问题没搞清楚，就直接上AI客服，结果大概率是：

  • AI客服上线了，回答质量不高
  • 用户更生气了，转人工的更多了
  • 成本没降下来，用户满意度还降了
  • 项目黄了，钱白花了

技术是锤子，但你得先知道钉子在哪。 很多公司是先买了锤子，然后到处找钉子——找来找去找不到，最后锤子落灰了。

BCG的调研也印证了这一点：

"Leading firms focus on 3.5 AI use cases versus 6.1 for lagging firms, yet generate 2.1 times more ROI."

— BCG, 2025

翻译成中文：领先的公司只聚焦3.5个AI用例，落后的公司搞6.1个，但领先者的ROI是落后者的2.1倍。

做得越少，赚得越多——因为少而精，比多而杂有用得多。

差距二：对问题理解有多深 ​

找对问题还不够，还要理解得足够深。

创作者的案例：同样是AI绘画，为什么有人出爆款有人出平庸？ ​

你可能刷到过那种AI生成的旅行短视频——镜头从东京涩谷的十字路口扫过，雨夜的霓虹倒映在湿漉漉的地面上，电影感十足。有的账号一条视频72小时就能拿到几千万播放。

他们用的AI工具，跟你用的没什么不一样——Midjourney生成画面，Runway做成视频。工具是公开的，模型是公开的，人人都能用。

但为什么有的人能做几千万播放的爆款，有的人做的视频没人看？

差在对"好内容"的理解。

那些爆款视频的创作者，不是随便输一句话就让AI生成。他们知道什么样的镜头有电影感、什么样的节奏能抓住人、什么样的画面能引发情绪共鸣。他们的prompt里会写：

"Cinematic wide shot, Tokyo scramble crossing, low angle, wet pavement, neon reflections, hyper-realistic, 35mm lens"

这些细节——机位、角度、镜头语言、光影质感——不是AI教他们的，是他们本身就懂的。AI只是帮他们把脑子里的想法快速实现出来。

对内容理解越深的人，AI越能帮上忙。对内容没感觉的人，AI给他什么他就用什么，结果就是平庸。

独立开发者的案例：对产品理解越深，AI越有用 ​

再看那些一个人做产品的独立开发者。

他们用AI写代码，但不是"让AI帮我做个产品"——他们知道产品要做什么、用户是谁、核心功能是什么、技术架构怎么搭。AI只是帮他们把代码写得更快。

Zine的创始人在博客里写：

"I built Zine in 8 weeks with AI. But the 8 weeks was coding time. The thinking, the positioning, the understanding of the user — that took years."

— Zine founder, 2025

翻译成中文：我用AI在8周内做出了Zine。但那8周只是写代码的时间。思考、定位、对用户的理解——那些花了很多年。

AI能帮你写代码，但不能帮你想清楚产品该做什么。 产品感觉、用户洞察、商业判断——这些东西，AI替不了。

企业的反面案例：不懂业务就上AI ​

企业那边呢？很多公司的AI项目，是技术团队在推，业务团队在旁观。

技术团队懂AI，但不懂具体业务；业务团队懂业务，但不懂AI。两边说不到一块去，结果就是：

  • 技术团队做了一个"技术上很牛"的AI系统
  • 业务团队说"这不是我要的"
  • 项目推不下去，最后不了了之

RAND的报告里说：

"Enterprises are acquiring the technology but not the organizational conditions that convert technology into returns."

— RAND Corporation, 2025

翻译成中文：企业买到了技术，但没有建立把技术转化为回报的组织条件。

什么叫"组织条件"？说白了就是——懂业务的人会不会用AI，用AI的人懂不懂业务。

如果业务理解和AI能力是两张皮，再强的技术也产生不了价值。

差距三：是用AI解决问题，还是为了用AI而用AI ​

成功的人和失败的人，还有一个根本区别：

  • 成功的人：我有一个问题，看看AI能不能帮忙解决
  • 失败的人：我有一个AI，看看能用它做点什么

这两种思路，看起来差不多，结果天差地别。

正面：从问题出发 ​

Pieter Levels做NomadList的时候，AI还没火。他先是手动收集数据、手动维护网站，做了很多年。AI出来之后，他把重复性的工作交给AI——数据整理、内容生成、客服回复——自己专注在产品和策略上。

他不是为了用AI而做产品，他是做产品的时候发现AI能帮上忙。

这是一个很重要的区别。从问题出发的人，AI是工具；从AI出发的人，AI是目的。

反面：为了AI而AI ​

企业这边，"为了AI而AI"的情况太常见了：

  • 老板说"别的公司都在搞AI，我们也得搞"，然后找供应商买一套
  • 技术团队想学习新技术，找个项目练手，做完就没人管了
  • 市场部想蹭热点，搞个"AI发布会"，发布完就没下文了

Gartner把这种现象叫做"solution in search of a problem"——拿着解决方案找问题。

锤子都买好了，总不能不用吧？于是到处找钉子——找来找去，找到的都是假问题、小问题、不值得用AI解决的问题。结果就是花了很多钱，没看到什么效果。

自测：你是在用AI解决问题，还是为了用AI而用AI？ ​

问自己几个问题：

  1. 你最近一次用AI，是先有问题还是先想"试试AI能干什么"？
  2. 你用AI做的事情，如果没有AI，你还会做吗？ （还是说，只是因为有了AI才做的？）
  3. 你能说清楚"用AI之后，具体好了多少"吗？ （省了多少时间？提高了多少质量？赚了多少钱？）
  4. 遇到问题时，你的第一反应是"怎么解决"还是"AI能不能解决"？
  5. 你有没有过"为了用AI而把事情搞复杂了"的经历？

四种状态 ​

状态特征结果
跟风型大家都在用AI，我也得用用了，但不知道有什么用
工具型有具体需求时用AI提效有效，但效果有限
整合型把AI深度融入工作流效率和质量都有明显提升
定义型从问题出发，用AI重新定义解法数量级的提升

大多数人在"工具型"——知道AI能帮上忙，但只用在零散的场景里。真正拉开差距的是"整合型"和"定义型"——不是零散地用AI，而是从问题出发，用AI重新设计整个流程。

怎么从"用AI"升级到"用AI解决真正的问题"？ ​

说了这么多案例和数据，怎么落地？

三个具体的练习方法：

1. 动手之前，先写"问题陈述" ​

下次用AI做一件事之前，别急着输入prompt。先花两分钟，写一段"问题陈述"，包含这几点：

  • 我要解决的具体问题是什么？（不是"写文案"，是"写一封让用户打开率提升的邮件标题"）
  • 这个问题的受众是谁？
  • 解决了之后，怎么算成功？（打开率从20%提升到30%？转化率提高5%？）
  • 现在的现状是什么？差距有多大？

写清楚了再让AI动手。

这个方法听起来简单，但大多数人从来没做过——他们都是想到什么就直接问AI，结果AI给了一堆没用的东西，还怪AI不行。

把问题写清楚的过程，就是理清思路的过程。很多时候你把问题写明白了，答案自己就出来了。

2. 用"五个为什么"找根因 ​

遇到问题，不要上来就想用AI解决，先问五个"为什么"，挖到真正的问题。

比如：

  • "我想做个AI短视频账号" → 为什么？
  • "因为AI视频很火，能涨粉" → 为什么想涨粉？
  • "因为涨粉了能变现" → 想怎么变现？
  • "接广告或者卖课" → 你有什么产品或服务可以卖？
  • "……还没想好"

哦，原来真正的问题不是"怎么做AI视频"，而是"我想做什么生意"。没想清楚生意，视频做得再火也变不了现。

五个为什么能帮你区分"症状"和"根因"。解决根因，才是真的解决问题。

3. 做"减法"：先想想不用AI能不能解决 ​

这是一个反直觉但非常有效的方法。

每次想用AI之前，先问自己：如果没有AI，这个问题怎么解决？

如果不用AI也能解决，而且成本差不多——那可能根本不需要AI。 如果不用AI很难解决，或者成本很高——那才是AI真正能发挥价值的地方。

为什么要做这个练习？因为很多人用AI，不是因为AI能解决问题，而是因为"AI很火"或者"大家都在用"。先做减法，能帮你排除掉那些伪需求。

好的AI用法，是"非它不可"；不是"有它更好"。

最后：AI是放大器，但你得先有信号 ​

回到开头的问题：同样用AI，为什么差距这么大？

因为AI是放大器。

放大器本身不能产生信号——它只能放大你输入的信号。 如果你输入的是清晰的问题、深刻的理解、明确的目标，AI会把这些放大十倍百倍。如果你输入的是模糊的需求、肤浅的理解、跟风的心态，AI放大的就是混乱和浪费。

一个人顶一个团队的独立开发者，不是因为AI让他变厉害的——是他本来就对产品、用户、商业有深刻的理解，AI把这种理解的效果放大了。

烧钱打水漂的公司，也不是因为AI不行——是他们本来就没想清楚要解决什么问题，AI把这种混乱的成本放大了。

所以，别急着学AI技巧。先把问题想清楚。

问题想清楚了，AI是神器；问题没想清楚，AI是烧钱机。

参考来源：