过去三年，我一直在打造一家AI 原生服务公司。从零起步、以产品为导向的执行，到服务+平台的战略。从受限于既定论点的执行，到聚焦营收与利润的适应度函数。从 2025 年的 10 万美元营收，到 2026 年上半年约 300 万美元营收，其中超过 100 万美元来自美国。

过去一个月里，有几位正在考虑创办 AI 原生服务公司的创始人来找我聊。这份清单就是那些对话的提炼。

列清单之前先说一个前提。以下所有内容都适用于 AI 原生服务、早期阶段、面向企业做 B2B 销售。消费者和中小企业的动态不一样，我并不声称这些内容可以照搬过去。

1. 当模型变得更好时，你的 TAM 应该变大

这是每家 AI 原生企业首先必须确保的事。大多数 AI 企业，从结构上说，都建立在模型能做什么与客户需要什么之间的差距之上——脚手架、检索、编排、评估。每一次模型发布都会吃掉其中一层，你的市场也随之缩小。如果更好的模型对你的业务来说是坏消息，那你就是在为一个有时限的能力差做套利。

对服务公司来说，只要你为此而构建，这个测试反而对你有利。更好的模型让更多工作在经济上变得可行。在 40 小时人力投入下毫无意义的项目，在 8 小时下就完全说得通。“值得一做”的边界随着每一次发布向外推移，而你的任务就是在它推移时站在那条边界上。

2. 转型不是问题，而是必须

AI 能力的每一次阶跃，都应伴随一次顺势而为的转型。创始人往往把转型视为承认出了差错，在大多数领域，这种直觉是合理的。但在这里不是。能力的地基每两个季度就会移动一次，而一个没有随之移动的战略，早已过时。像规划招聘那样规划转型：在一个基本面每季度都在变化的空间里，它是做生意的常规组成部分，而不是对紧急情况的应对。

3. 重建陷阱在于用户体验，而非架构

无论你构建什么，都必须可被重新工程化，以便利用下一次阶跃变化，而不必从头再来。所有人都以为这一约束的难点在于架构或技术，但架构在模型更替中的存活能力出奇地好。活不下来的是用户体验——工作流的假设、交互的颗粒度、产品悄悄编码了模型曾经有多强的那些地方。从头重建正是由此而来，而这恰恰是没人做预算的部分。

2023 年和 2024 年，我们在为 Salesforce Apex 代码构建单元测试编写 harness，那时“harness”这个词还没流行起来——我们花了其中 4 个月来解决精确 diff 的问题，因为糟糕的 diff 会把负担转嫁给人类，这是糟糕的用户体验。然后 4o 发布了，解决了这个问题。4 个月白费了。

这里要缓解的风险是：把时间、精力和资本投入到那些没有多年变现窗口的问题上。

4. 产品是从真实业务中提炼出来的

它不是论文里设计出来的，也不是和风投辩论中打磨出来的。真实业务是真实的企业客户愿意为之付费的工作，最好还能盈利完成。这两个约束条件——有人付钱、你能盈利——正是筛掉那些只在销售和融资演示中成立的产品点子的关键。产品早已潜藏在业务之中；交付过程就是你发现它的方式。

需要说明的是，仍有大量产品有待构建——死掉的那个东西是可摊销资产意义上的软件，而非产品本身。如今稀缺的是 PMF。它已悄然变成一个两阶段问题：先是在市场中的 PMF，然后是在客户中的 PMF。一个不与变革管理服务绑定的产品，永远无法实现第二阶段——它会变成搁置品。搁置品在 2010 年代是可存活的结果，因为 B2B SaaS 对采用率从来只是嘴上说说——合同一签，有没有人用就是别人的问题了。消费级软件从未有过这种奢侈；消费级公司没有采用率就会死。虽然为时尚早，但那些消费级动态——快速迭代、参与度、采用率——正在进入企业领域。

本质上：警惕只有销售市场匹配而没有产品市场匹配。前者足以造就数十亿美元 B2B SaaS 帝国的时代正在终结。

5. 按认知负荷对用户进行细分

每一个 AI 解决方案都沿着一条线一分为二：用户是在不承担更多认知负荷的情况下获得更多、更好的成果，还是要承担更多认知负荷？

第一类是理想形态——市场空间大，符合克鲁格的“别让我思考”。但它也有风险：极度依赖用户体验设计，难以达到 PMF，面对阶跃式变化时很脆弱。第二类则是相反的取舍：能快速达到 PMF，易于迭代，但依赖人才，市场空间也更小，因为用户是在用自己的注意力为生产力买单——他们深度参与其中，以缓解粗制滥造的产出。Claude Code 和 Codex 就属于这一类，它们的用户也是，而且乐在其中。

最大的罪过，就是在没有做这种区分的情况下动手构建。

Lovables 和 Emergents 这类公司确实是从第一类起步的，而且确实行得通。但存在一条边界，这条边界就是林迪产出。任何意在长久存续、并被在此基础上继续构建的东西——一个代码库、一篇长篇文案——都会开始向用户索取认知负荷，而且通常是以指数级的速度。高质量的小片段文案，没问题。林迪意义上的较大篇幅作品，就很吃力。否则，代码也好，文案也好，无论什么，最终都会变成粗制滥造的东西。

而且，既然模型和智能体吹捧用户如今已是整个技术栈的一项基础特性，那么自我觉察、品味、判断力和执行纪律，就全都是循环中那个人的责任了。

6. 别把 AI 原生服务当 B2B SaaS 来卖

AI 原生服务，顾名思义，应当交付人力根本无法企及的工作流——以及业务影响。客户开始以竞争对手靠人力根本无法追赶的方式前进。这种结果在商业上无异于强效可卡因。

而你不会像卖 B2B SaaS 那样去卖一种让人上瘾的东西——B2B SaaS 恰恰与之截然相反。

7. 如果一件事重要，它这个季度就重要

AI 原生的核心价值主张，是人力无法企及的速度与质量。令人不舒服的地方在于：企业大多并不想要它。速度和质量只有在最高层才重要，甚至在那里也未必——而在银行、保险这类行业，即便在最高层，速度也被视为一种严重风险，而且这种看法不无道理。再往下，在企业中层和底层，你只能在零星的角落里找到需求，而且通常受限于有限的风险承担能力。

所以，你要把速度和质量卖给那些真正在乎它们的细分市场和个体决策者。而判断他们是否真的在乎，有一个干净的检验标准：如果它重要，它这个季度就重要。明年才重要的事，按定义就是慢的。

8. 不要锁定你的论点——跟着钱走

你的适应度函数是收入，紧随其后的是利润率。这是一个新品类。所有前瞻性优化——无论是 B2B SaaS 的还是传统服务的——都是为已经存在的品类调校的，这让它们在这个品类上失灵。运行一个贪心算法：接下眼前报酬最高的工作，提取其中可复利的部分，重复。第 1 点中的 TAM 测试是对你要追逐什么的约束，而不是一份 5 年计划——围栏内的贪心搜索依然是贪心搜索。

B2B SaaS 的 GTM 后遗症正是早期扼杀势头的元凶。那时候，先选一个垂直领域，再选一个细分市场，再选一个渠道——然后在论点层面锁定它，是合理的。AI Native 的 GTM 完全是另一头野兽，在销售动作中既有不同的优势，也有不同的摩擦点。这里的错误假设可能扼杀实现 PMF 的全部机会。我们为此损失了一年——过早地在论点层面锁定 Salesforce 实施。用贪心搜索和上面的适应度函数迭代出一个 ICP；不要在起步时就锁定。

9. 迄今为止，炒作周期一直都是错的

前沿实验室的模式已经定型。生态系统的其他部分还没有——品类创造仍在继续。而 tpot/VC 炒作周期在预测这些创造最终会落在哪里这件事上的记录堪称完美无瑕：微调、RAG、LangChain、“包装技术很糟糕”（哈哈——Claude Code、Codex 和 Pi 全都是包装技术，而它们给了我们第一批真正的智能体），再到如今的软件工厂。不要把其中任何一个当作你的核心论点来锚定。

上一点中的适应度函数，才是你在解空间中搜索 PMF 和增长时真正要依据的东西。

10. 人才始终是核心支柱

AI 原生服务作为一种模式，其上限受制于它需要在环路中有人。如果环路中不再需要人，上面的大部分规则就不再成立，前沿实验室会来吃掉你的午餐——而这还是在假设全球经济没有因为不再需要人而崩溃的前提下。也就是说，这个上限同时也是护城河——对人的需求是实验室无法绕开的东西，而品味、判断力和执行纪律（又回到第 5 点）正是这些人所提供的东西。

所以，人才始终是任何 AI 原生服务战略的核心支柱。没有它，那就只是闪闪发光的 B2B SaaS 而已。