这是我认为判断一个 AI 创业方向是否健康，最值得先问的一个问题：
当基础模型能力继续提升时，你的公司会变得更强，还是更弱？
如果 GPT 每升级一次，你就担心自己的产品会被顺手做掉，说明你的公司很可能建立在模型当前的能力缺口上。
模型今天不会做，所以你来做；模型今天做得不够好，所以你补一层；模型今天还不能稳定完成某个流程，所以你暂时占据这个位置。
这种关系的危险在于，AI 越强，你的生存空间反而越小。
换句话说：
如果是这样，那么创业公司和 AI 之间其实形成了一种负相关关系。
这背后往往是一种“分工”思维。
我们把今天已经存在的任务看成一块固定大小的蛋糕，然后讨论哪些任务由人做，哪些任务由 AI 做，哪些任务由创业公司帮 AI 补齐。
只要蛋糕大小不变，AI 多做一点，其他参与者就只能少做一点。
这就是零和。
而更值得寻找的 AI 创业机会，应该满足前面的第一个公式：
AI 越强，你的产品越好；AI 越强，你能够进入的市场越大；AI 越强，用户愿意交给你的事情越复杂；AI 越强，你能够创造的新需求越多。
这时，基础模型的升级不是威胁，而是红利。
所以，AI 创业也许不应该从“怎么和 AI 分工”开始。
不要和 AI 分蛋糕。
要和 AI 一起做新的蛋糕。
“分工”为什么容易走向零和
很多关于 AI 的讨论，表面上是在谈效率、协作和分工，背后却常常藏着一个没有被说出来的假设：
人和 AI 面对的是一块固定大小的蛋糕。
如果 AI 多做一点，人就少做一点；如果 AI 更强一点，人类的工作空间就缩小一点。
于是问题自然会变成：
哪些工作应该交给 AI？
哪些工作应该留给人？
哪些岗位会被替代？
哪些岗位还能保住？
“分工”这个词本身没有问题。
到了具体组织和具体任务层面，人和机器当然需要分工。
但如果我们一开始就用“分工”来理解 AI，就很容易默认任务总量是固定的，默认未来只是把今天已经存在的工作重新分配一次。
假设今天一个行业里有 100 个任务。
其中 60 个由人完成，40 个由 AI 完成。
那么只要 AI 的能力从 40 提高到 70，人能够保留的空间似乎就从 60 缩小到了 30。
在这个模型里，AI 进步天然意味着其他参与者退让。
很多“AI 将取代人类”的叙事之所以听起来具有很强的必然性，并不一定是因为它已经证明了 AI 一定会取代人，而是因为它在一开始就设定了一个固定任务池。
只要接受这个前提，后面的零和结论几乎自然成立。
问题在于，真正重要的技术进步，往往并不是重新分配已有任务，而是扩大原来能够做的事情的边界。
互联网的价值，并不只是让寄信更快。
智能手机的价值，也不只是让打电话更方便。
它们真正重要的影响，是创造了一大批此前根本不存在的行为、需求、职业和商业模式。
AI 很可能也是如此。
所以，比“人与 AI 应该怎么分工”更值得问的问题是：
人与 AI 组合以后，会出现哪些过去根本不存在的能力？
这些能力能解决哪些过去无法解决的问题？
会产生哪些今天还不存在的工作、需求、产品和组织？
这是一种“共同做蛋糕”的思路。
从“谁做什么”转向“以前什么做不了”
如果问：
“AI 能帮研究人员做掉多少工作？”
讨论很容易进入替代。
但如果换一个问题：
“如果每一个研究人员都拥有一个可以同时阅读大量论文、处理数据、编写代码、模拟假设和整理实验结果的 AI 合作者，那么会有哪些今天根本无法进行的研究第一次成为可能？”
整个问题就变了。
AI 的进步不再意味着人的空间减少。
它可能意味着整个研究空间扩大了。
同样，一个五个人的小团队，如果因为 AI 获得了过去五十个人才能拥有的一部分能力，它未必只是少雇四十五个人。
更重要的问题是：
这个五人团队会开始做哪些以前五个人根本没有能力尝试的事情？
这就是从“任务分配”转向“能力扩张”。
也是从分蛋糕转向做蛋糕。
AI 创业不要建立在模型的无能之上
很多 AI 产品其实隐含着这样一种逻辑：
“模型现在只能做到 70 分，我来补剩下的 30 分。”
这类公司看起来是在利用 AI，实际上它的生存空间来自 AI 的不足。
模型越弱，它越有价值。
模型越强，它越危险。
这可以称为“能力缺口型创业”。
模型不会处理某一种文件，所以做一个工具；
模型不够准确，所以增加人工修正；
模型不会执行某一步流程，所以在外面包一层工作流；
模型无法稳定完成某项任务，所以创业公司暂时承担这一部分。
这些产品当然可能有现实价值，也可能形成不错的生意。
但它们有一个共同风险：
公司的核心价值来自“模型目前还做不到”。
这就像把公司建在一块不断缩小的空白地带上。
一旦基础模型补齐能力，公司的存在理由就会削弱。
另一类公司则完全不同。
可以称为“能力放大型创业”。
模型越强，产品越有价值；
模型越强，用户能完成的事情越多；
模型越强，产品能够进入的行业越广；
模型越强，原来不成立的商业模式开始成立。
这种公司吃的是 AI 进步带来的红利，而不是 AI 暂时存在的缺陷。
它和基础模型之间形成的是正相关关系。
这可能才是“人与 AI 一起做蛋糕”在创业上的具体含义。
不要只寻找今天的客户痛点
这套思路还会挑战一个非常经典的创业习惯：
从当前客户问题出发。
“客户有什么痛点？”当然仍然是一个好问题。
但对于 AI 这种快速改变能力边界的技术来说，它可能不够。
因为今天客户表达出来的需求，是在今天的成本结构、能力结构和行为习惯下形成的。
很多需求并不是不存在，而是因为过去满足它们太难、太贵，或者投入产出比太低，所以根本没有形成。
比如，一家公司过去一年只做一次完整的市场分析。
如果你去问客户，他可能会告诉你：
“我希望这份报告可以更快做出来。”
传统产品思路可能会把目标设成：
把原来需要一个月完成的报告缩短到三天。
但如果 AI 让分析成本下降一百倍，真正值得问的就不再是“怎样更快完成原来的那一份报告”。
而是：
如果分析几乎不再有成本，这家公司还会一年只做一次吗？
它可能会每天分析市场变化；
实时分析所有客户；
持续模拟不同定价策略；
针对每一个区域生成不同策略；
在每一次重要决策之前进行大量情景推演。
原来的需求只有“一份报告”。
新技术出现之后，需求函数本身发生了变化。
这才是更大的创业机会。
所以 AI 创业除了寻找“尚未被满足的现有需求”，还应该寻找另一类东西：
因为过去做不到、做不起或者不值得做，所以从来没有形成的需求。
这类需求今天甚至不会出现在客户访谈里。
因为客户自己也没有理由去想象它。
寻找过去做不到、做不起和不值得做的事情
这是 AI 创业里特别值得区分的三类机会。
第一类，是过去做不到的事情。
问题来自能力边界。
一个人不可能同时精通编程、设计、研究、翻译、法律、数据分析和市场研究。
一个小团队也很难拥有大型组织那样完整的专业能力。
但当 AI 成为能力的放大器之后，个人和小团队可以获得过去根本无法获得的能力组合。
于是问题就变成：
当普通人的能力边界突然扩大以后，他会开始做什么过去根本做不了的事情？
第二类，是过去做不起的事情。
这里的问题不是能力不存在，而是成本太高。
理论上，我们一直可以为每一个学生配备私人教师。
也可以为每一个小企业配备研究团队、数据分析师、设计师、法务和战略顾问。
也可以为每一个消费者提供高度个性化的产品和服务。
问题只是：过去太贵了。
绝大多数人和公司承担不起。
AI 的一个巨大机会，就是把过去只有少数人、大企业和高净值客户消费得起的能力，变成普通人和小企业也能够使用的服务。
这类变化尤其重要，因为它改变的不只是效率，还改变了谁有资格获得一种能力。
第三类，是过去不值得做的事情。
有些事情不是做不到，也不是绝对做不起，而是单位价值太低，不值得投入人力。
一个价值十美元的小需求，不可能投入一百美元的人力去满足。
一个只有几千个潜在用户的小众需求，也很难支撑一个完整团队长期服务。
但如果 AI 把边际成本压得足够低，这些过去“不值得服务”的需求就可能第一次形成商业市场。
所以 AI 可能同时推动三条边界向外移动：
能力边界、成本边界和经济可行性边界。
但这里还有一步非常重要。
看见这些变化，并不意味着应该直接在第一步创业。
AI 创业要“走两步”
这是一个很容易忽略的问题。
假设我们判断：
AI 会让每个人都拥有一个长期个性化导师。
第一反应很容易是：
那我应该做一个“AI 个性化导师”。
但这很可能只是走了一步。
如果长期记忆、个性化理解、课程规划、动态出题、针对性讲解这些能力，未来都会成为通用模型的默认能力，那么“个性化导师”本身未必是一个稳定的创业空间。
用户甚至可能只需要对通用 AI 说一句：
“从今天开始，你做我的长期数学导师，根据我的水平持续调整学习内容。”
一个足够强的基础模型就可以完成大部分功能。
如果你的产品只是把通用 AI 包装成一个“导师”，模型升级反而会不断侵蚀你的价值。
所以创业者真正应该做的，不只是预测 AI 会让什么成为可能，而是继续往前走一步。
第一步是：
AI 会把什么能力变成普遍、廉价甚至默认的能力？
第二步是：
当所有人都已经拥有这种能力以后，会发生什么？
这才是更重要的问题。
假设每个人已经有了个性化导师
继续刚才的例子。
不要问：
“怎么做一个更好的 AI Tutor？”
先假设：
每个人从今天开始都已经免费拥有一个非常优秀、长期了解自己、随时在线的个性化导师。
然后再问：
接下来什么会改变？
可能学生学习速度开始分化。
那么按照年龄统一组织的年级制，会不会受到挑战？
可能每个人都可以按自己的速度学习。
那么“所有人在同一个时间学习同一门课程”的必要性会不会下降？
可能知识讲解不再稀缺。
那么真正稀缺的东西会不会变成学习动力、目标、同伴、真实项目、社会反馈和认证？
可能一个十三岁的学生已经完成了大学水平的数学学习。
那么谁来判断他的能力？
谁来给他提供下一阶段的项目？
谁把他和合适的同伴、导师、实验室、公司或者机会连接起来？
这时候，新的产品空间就出现了。
机会可能不再是“导师”。
而是新的认证体系、新的学习社区、新的项目市场、新的能力档案、新的同伴匹配机制，甚至新的学校组织形式。
也就是说：
当导师能力变得不稀缺以后，围绕学习产生的其他稀缺会变得更重要。
这才是第二步。
技术不会消灭稀缺，它会移动稀缺
这可能是理解 AI 创业很重要的一点。
一种能力被技术大量供给以后，它本身的价值会下降，但新的稀缺会在别处出现。
互联网让信息变得极其便宜以后，稀缺的就不再只是信息，而是注意力、筛选、可信度和分发。
数码摄影让拍照成本接近于零以后，照片不再稀缺，但审美、品牌、传播和身份表达仍然稀缺。
如果 AI 让写代码越来越便宜，那么“会不会写代码”可能不再是主要稀缺。
新的稀缺可能变成：
什么值得做；
谁拥有用户；
谁拥有分发；
谁拥有真实世界的数据；
谁能够获得信任；
谁能维护系统；
谁能承担责任；
谁能把软件真正嵌入组织和社会。
所以 AI 创业真正值得寻找的，往往不是 AI 即将消灭的第一层稀缺，而是：
第一层稀缺消失以后，新出现的第二层稀缺。
不要停在第一步
这个逻辑可以推广到很多领域。
假设 AI 会让每个人都有程序员。
第一步很容易想到：
做一个 AI Programmer。
但如果写代码本身很快成为基础模型的默认能力，那么更值得问的是：
如果全世界每个人都拥有近乎无限便宜的软件开发能力，会发生什么？
软件数量可能暴增。
于是新的稀缺可能变成发现、可信度、安全、维护、权限、数据连接、协作和分发。
创业机会未必在“写软件”，而可能在“软件极度丰富以后所需要的新基础设施”。
再比如：
假设 AI 会让每个人都有设计师。
不要停在“做 AI Designer”。
继续往前问：
如果任何人一分钟都能生成一百个不错的设计，什么会变得更重要？
也许是品味。
也许是选择。
也许是品牌一致性。
也许是身份和原创性。
也许是“这一百个方案里到底哪一个应该进入真实世界”。
再比如：
假设 AI 会让每个人都有研究员。
第一步可能是 AI Research Assistant。
第二步则应该问：
如果任何人都能低成本生成大量研究和分析，新的稀缺是什么？
可能是可信度。
可能是独特数据。
可能是验证能力。
可能是谁能把结论转化成真实决策。
可能是谁愿意为错误承担责任。
研究本身越来越便宜以后，价值会继续向其他环节移动。
一个两步创业法
所以，可以把 AI 创业的方法压缩成两步。
第一步：预测 AI 会把什么能力变成基础设施。
不要把今天看起来稀缺的能力永远当成稀缺。
要主动假设模型会继续变强。
写作、编程、搜索、总结、教学、设计、研究、分析、翻译，这些今天仍然可以独立形成产品的能力，未来有相当一部分可能迅速商品化。
第一步的目的，不是决定你应该做什么。
而是决定：
什么东西很可能不值得作为长期创业公司的核心价值。
然后进入第二步。
第二步：假设这种能力已经普及，再研究新的需求和新的稀缺。
如果每个人都有导师，会发生什么？
如果每个人都有程序员，会发生什么？
如果每个人都有分析师，会发生什么？
如果每个五人公司都有过去五十人公司的能力，会发生什么？
如果生产内容的成本接近于零，会发生什么？
如果开发软件的成本接近于零，会发生什么？
如果专业知识的获取成本接近于零，会发生什么？
真正的大机会，往往隐藏在这些问题后面。
可以把它写成：
很多 AI 产品停在：
而更值得寻找的创业机会，是：
这就是“走两步”。
为什么要比 AI 多走一步
原因很简单。
AI 自己会快速走完第一步。
今天需要一个专门产品才能完成的事情，明天可能变成基础模型的一个按钮，后天可能连按钮都不需要，只需要一句自然语言指令。
所以如果你的公司建立在：
“AI 已经能做 X，我把 X 包装成一个产品。”
那么你的竞争对手不仅是其他创业公司。
你的竞争对手还是模型下一次升级。
但如果你思考的是：
“当 X 成为所有人的默认能力以后，会产生什么新的行为和新的市场？”
那么模型能力越强，反而越快把用户推向你所等待的那个世界。
这时：
AI 越快完成第一步，你的第二步市场就越快出现。
这才真正形成了与 AI 同方向的关系。
从 Automation 转向 Creation
很多 AI 产品今天关注的是 Automation，也就是自动化。
它的问题是：
“这件事情以前由人来做，现在能不能让 AI 来做？”
这个问题没有错。
但它天然容易进入替代逻辑。
另一种思路是 Creation，也就是创造。
它问的是：
“有了 AI 以后，会出现什么过去不存在的事情？”
Automation 关注旧世界里的效率。
Creation 关注新世界里的活动。
Automation 容易产生这样的公司：
“我们把原来十个人的流程变成两个人。”
Creation 更可能产生这样的公司：
“因为能力和成本边界发生变化，现在有一亿个人开始做过去从来不会做、不能做或者负担不起的事情。”
如果再加入“走两步”的方法，问题还可以继续往前：
当这一亿个人都获得这种能力以后，他们下一步会需要什么？
这往往比“AI 能自动化什么”更接近真正的新市场。
一个更实用的 AI 创业判别框架
判断一个 AI 创业方向，可以连续问几个问题。
第一：
如果明年的基础模型比今天强十倍，我的公司会更强还是更弱？
如果答案是更弱，要非常小心。
第二：
我的价值来自 AI 今天还不会什么，还是来自 AI 越来越会什么？
前者是能力缺口，后者是能力放大。
第三：
AI 正在让哪些过去做不到、做不起、不值得做的事情变得可能？
这是寻找新增量。
第四：
其中哪些能力很快会成为基础模型的默认能力？
不要轻易把第一步能力商品化误认为长期护城河。
第五：
假设这些能力已经人人拥有，新的稀缺会出现在哪里？
这一步通常比“做一个 AI X”更重要。
第六：
我的市场是在服务今天已有的行为，还是服务 AI 普及以后才会出现的新行为？
后者更接近“做新蛋糕”。
第七：
模型升级以后，我是否同时积累更多自己的资产？
这些资产可能包括用户关系、数据、工作流、交易、网络效应、品牌、信任、行业知识或者真实世界资源。
如果模型升级只让模型公司变强，而没有让你变强，那么关系依然很脆弱。
不要把公司建立在 AI 的无能之上
如果始终用“分工”来理解 AI，人和 AI 很容易被摆在一条线上比较。
AI 会写作，人少写一点；
AI 会编程，人少编一点；
AI 会分析，人少分析一点。
创业公司也是一样。
如果你的价值只是：
“这里模型暂时还不会，所以我来。”
那么模型每前进一步，你就后退一步。
更值得寻找的关系应该相反：
模型越强，你能够组织的能力越多；
模型越强，过去做不到的事情开始做得到；
模型越强，过去做不起的事情开始负担得起；
模型越强，过去不值得做的事情开始具有经济意义；
模型越强，第一步能力越快成为普遍基础设施；
而第一步能力越普及，你所面对的第二步需求就越大。
所以 AI 创业可以有两个很简单的原则。
第一个：
不要把公司建立在 AI 的无能之上，要把公司建立在 AI 的成长之上。
第二个：
不要只比市场早一步，要比基础模型早两步。
第一步，看见 AI 会让什么能力变得普遍。
第二步，想清楚当这种能力已经人人拥有以后，人类会开始做什么，什么会重新变得稀缺，什么新的市场会因此出现。
不要急着做 AI 即将免费提供的能力。
去为这些能力全面普及之后的世界造产品。
最后还是回到开头那个判别标准：
如果 AI 每进步一步，你的公司也跟着向前一步；如果 AI 越快走完第一步，你的第二步市场就越快到来，那么你和 AI 之间形成的就不是零和分工，而是一种共同扩张。
这才是真正意义上的一起做蛋糕。