我叫陆闻池，现在的头衔写出来有点花哨：某垂直SaaS公司的联合创始人，方向正是——ai方面的创业。
讲得直白一点：我不是“技术大神”，也不是投行出身，我只是一个从互联网产品岗转型做AI创业的人，踩过一堆坑，见过很多人入场、退场、被收购、被裁撤。2023 年那波热潮把所有人都推到牌桌前，到了 2026 年，这张桌子上还坐着的人，心态已经完全不一样了。
这篇文章，我想用“圈内人”的视角，把现在做 ai 方向项目的真实难度、机会在哪里、怎么判断“值不值得做”，讲得尽可能透一点。你应该已经被各种“年入千万的 AI 小团队”“一个人月入 10 万的自动化工作流”刷过屏，我就不重复那套故事了。
我只关心一件事：你点进来，是想弄明白自己适不适合做 ai 方面的创业，以及该怎么下手。
2023 年那一波，“有个 ChatGPT 账号 + 会点英文 prompt”，就能在朋友圈装成“AI 顾问”。现在再这么搞，很快就会被看穿。
到 2026 年，环境有几个很现实的变化：
大模型越来越“卷平”
OpenAI、Google、阿里、百度、字节都在做模型，国内 2025 年底工信部统计在册的大模型超过 200 个。模型价格一年年往下降，推理成本大概比 2023 年普遍便宜了三到五倍，很多基础能力直接内置在办公软件里。这意味着：单纯做“AI 翻译”“AI 文案”“AI 画画”这种泛用工具，很难做成像样生意，因为用户自带的工具就够用了。
客户的“免疫力”提高了我在 2024 年跟一些制造业老板聊“AI 质检”，他们会说：“听不太懂，但可以试试”。到 2026 年再聊，人家直接问：
- 模型怎么训练？
- 数据留在本地吗？
- 能做到多少节省？
- 有没有同类案例？如果你只会说“我们有自研大模型、SOTA 精度”，那基本聊不下去。
监管和数据合规变成硬门槛国内《生成式人工智能服务管理暂行办法》落地后，数据安全、隐私、内容合规都不是“写在 PPT 上”的事情，而是你跑项目时客户法务会真的拿出来对表的内容。没合规方案的大模型应用，在大客户场景下会被直接放弃。
2026 年谈 ai方面的创业，更像是在一个“功能差异被压缩、合规门槛拔高、客户更冷静”的世界里找小缝隙，而不是随便做个 App 就能暴涨的年代。
我经历的一个明显错觉：很多人以为“搞 AI 创业一定要算法出身”，结果把自己困住了。
我们公司 12 个人，只有 3 个是做模型相关的工程师，其余全是业务、产品、前端、实施、行业顾问。绝大多数赚钱的地方，根本不在模型本身，而在把 AI 嵌入特定业务场景里。
结合这两年接触到的项目、同行和投资人反馈，我把现在 ai 方向相对有前景、也更接地气的几类方向拆给你看：
垂直行业的“半自动员工”比如：跨境电商的智能选品 + 自动上架；券商研究部的“研报草稿助手”；制造业的质检 + 报告生成。关键不在于“模型有多聪明”，而是：
- 能不能接入业务系统（ERP / CRM / MES 等）；
- 能不能减少人工重复动作；
- 出错时有没有兜底方案。我们有个友商做跨境的自动店铺运营 SaaS，给几家头部卖家服务，2025 年底 GMV 已经破 10 亿人民币，团队不到 30 个人，但他们的核心优势居然是“深刻理解各个电商平台规则”和“熟悉卖家运营流程”。
工具型产品 + 订阅制像自动整理会议纪要、合同条款审阅辅助、视频剪辑提效这种，B 端和专业个人用户愿意付费，关键是持续价值。2026 年很多工作流类产品（类似 Zapier + AI 的模式），ARPU 并不高，但续费率挺可观。这类项目的难点反而不是技术，而是：你能不能真正融入用户日常工作，而不是一个“玩两天就卸载”的工具。
企业内部定制解决方案这个是我们主战场。某集团想要一套内部知识问答 + 工作流自动化，外加合规、本地化部署、安全审计。这种项目单价动辄几十万到几百万，周期长，但一旦做进去了，很容易有二次、三次项目。你会看到表面是一堆“AI 中台”“知识大模型”，本质还是：项目交付能力 + 行业理解 + 稳定迭代。
你可能会发现：这些方向都不太“性感”，没有什么“光速致富”。但残酷一点讲，在 2026 年的市场里，这些默默赚钱的项目，更容易活下来。
很多准备入场的人，会问我一个类似的问题：“我不是 AI 专业出身，会不会完全没有机会？”我每次都会反问：“你擅长的行业是什么？”
原因很简单：在 2026 年，基础技术门槛被云服务商和大厂帮你抹平了一大块。
- 你要用大模型？国内外主流云厂商提供的 API 足够成熟。
- 你要搭聊天助手？低代码平台可以在几天内做出 demo。
- 你要构建 RAG 检索？有一堆向量数据库和开源框架帮你。
真正拉开差距的，是这些东西：
你能不能跟真实业务场景“对得上暗号”举个很具体的例子。我们帮一家区域性银行做智能客服升级。光是把他们内部的业务手册和 FAQ 整理干净，就花了快三个月。模型接入反而只用了两周。你要理解他们柜台上到底会被问什么、什么问题必须转人工、哪些话术涉及合规。这些不是写程序能解决的，是靠大量访谈、现场观察、和运营团队反复对齐。
你能不能判断“什么该用 AI，什么别硬上 AI”很多项目翻车是“能用 AI”就“到处用 AI”。我们有个被我亲手砍掉的功能：让客服在回复客户时，自动生成“更礼貌”的回复建议。问题是这家客户已经有非常成熟的标准话术库，客服打字速度飞快，还习惯用快捷语。AI 生成的文案再好看，也是多一步点击。没人愿意用。所以真正的门槛，是你敢不敢把“炫技”的功能砍掉，只保留那些真正让流程变短、让人更省心的部分。
你扛不扛得住“看起来没那么 AI”的落地形式很多时候，最终落地的东西，是一个看起来很朴素的 Web 控制台、一个桌面小工具，或者是集成在现有系统的小侧边栏。它不会有“黑科技”的视觉冲击，也不容易被媒体报道。但财务报表会很诚实地告诉你：这类产品更容易被买单。
如果你现在正纠结要不要做 ai方面的创业，或者已经在路上了，我想给你三个我亲身踩过的坑，有点现实，但可能帮你少走弯路。
问题一：你到底想做“公司”，还是做一个“有AI 元素的副业”？
2024 年有一阵子，自动化工作流、AI 辅助搬运内容的玩法特别火。我身边有人靠这些模式，一个人一年做几十万收入，听上去还不错。
但当他们想“升级成公司”时，会遇到一个尴尬现实：
- 业务高度依赖平台规则，一旦平台调整接口或者封号，收入可能瞬间腰斩；
- 客户关系不稳定，很难形成复购和长期合同；
- 很难吸引好的技术和运营人才，因为公司故事讲不大。
如果你只是想利用 AI 赚一笔钱、增加现金流，这种轻量玩法完全没问题。可如果你想做的是可持续的公司，就需要考虑：
- 有没有你能真正扎进去的行业；
- 有没有空间做成产品化，而不是完全靠人力堆服务；
- 两三年后，这个方向是否还会有需求。
这两个选择，没有高低，但路径完全不同，心态和规划也应该不一样。
问题二：你愿不愿意在冷门行业“蹲坑”？我们当时选择做企业知识问答 + 工作流，是因为看过一圈后发现：那些“看着不酷”的行业，反而有更稳定的预算。
比如：
- 传统制造的工艺文件管理；
- 区域性连锁医院的诊疗指引查询（在合规框架内）；
- 大型物业公司的报修流转自动化。
这些东西没什么媒体报道，但真金白银都在这里。《中国人工智能产业发展报告（2025）》里提到，制造业、金融、医疗和政务，是 AI 投入最持续、预算最稳定的几个领域，大概占到行业整体投入的六成左右，2026 年这趋势还在延续。
问题在于：
- 你能不能接受日常跟一堆表格、制度文件、线下流程打交道；
- 你愿不愿意每个月往工厂、营业网点、医院现场跑；
- 你有没有耐心和 IT 部门、业务部门、法务部门一轮轮过方案。
如果你骨子里更喜欢做偏 C 端的产品，喜欢极致体验、视觉冲击，可能会觉得这些场景“太土”。但如果你接受这份“土”，创业成功率往往会高很多。
问题三：团队谁来“翻译”技术和业务？我们团队最值钱的人，反而不是最懂模型的那个，而是能把业务需求翻译给技术、再把技术方案讲给客户听的那个角色。
这个角色往往具备几个特点：
- 懂一点技术，但不会和工程师抢键盘；
- 能听懂行业黑话，愿意和客户业务部门一起梳理流程；
- 说话不过度包装，敢说“不合适用 AI”。
如果你打算做 ai方面的创业，又恰好擅长沟通、整理信息、画原型图，你可能就是这个关键角色。不要因为“自己不是写模型的人”而觉得低一等，在很多项目里，这个位置才是真正决定项目能不能成的中枢。
讲到这，你可能已经有点方向感了：
- 要做 To B 还是 To C？
- 想做副业还是公司？
- 是走垂直场景还是通用工具？
一旦定下，大概率会遇到一些共通的坑，我挑几个比较典型的展开讲讲。
产品做得“太AI”，反而没人用
我们早期有个版本特别执着于“智能化程度”：什么都想用生成式模型来做，哪怕一个简单的筛选条件，也想让用户用自然语言描述。
结果 internal 测试时，业务同事直接吐槽：“我就想点两个勾，不想跟系统聊天。”
后来我们调整成 “AI 只是加速器，主干流程还是结构化操作”。比如：
- 搜索知识时，有筛选条件 + 一个自然语言搜索框；
- 填写表单时，用 AI 预填，但用户可以快速修改；
- 文档草稿用模型生成，但保留清晰的模块，让人能一块块改。
用户接受成本明显下降，使用频次上来了，才有资格讨论“智能程度”。
忽略“冷启动”和数据整理的巨大成本很多人以为接个大模型、接个向量数据库，就能开始“知识问答”。现实是：
- 客户的知识库散落在 Word、PDF、老系统、甚至纸质文件里；
- 一堆已经过期的文档、重复内容、版本冲突；
- 没有清晰的分类体系。
我们做过一个项目，前期 2 个月基本都在帮客户整理、清洗、结构化这些资料，AI 真正发力是在后面。这部分工作没有“技术光环”，但却是效果好坏的关键。
如果你准备做 ai方面的创业，尽量提前在产品设计里考虑：
- 有没有简单的导入工具；
- 能不能先从一小块高质量数据起步，而不是一下子吃掉全部历史数据；
- 有没有办法让用户在日常使用中，顺手把数据“养干净”。
忽略交付、实施和培训的工作量在 To B 的世界里，一个项目的成功，不是“上线那天”结束，而是：
- 有多少人在持续使用；
- 客户有没有把它纳入正式流程；
- 半年后，还有没有预算做二期。
这背后全靠实施团队和培训。你需要有人：
- 在客户那边帮不同岗位配置权限与看板；
- 给使用频率低的部门做针对性的培训；
- 定期拉数据看真正被使用的功能在哪些地方。
很多 AI 创业团队死在这一环：技术不错，demo 惊艳，但上线后没人用，半年后项目自然就消失了。
围绕 ai方面的创业，这几年我听过太多口号式的建议，比如“抓住时代红利”“不入场就会被淘汰”。我更想给你一个脚踏实地、但不那么华丽的建议：
把“AI”先从脑子里拿掉，当成一个强大的“新元件”，然后回头问自己一句：哪种真实的业务问题，是你愿意花三年以上时间去琢磨、去服务的？
当你认真回答了这个问题，剩下的动作反而变得清晰很多：
- 你会开始找那个行业的人聊天，而不是埋在大模型论文里；
- 你会更在意“客户每个月愿意为我付多少钱”，而不是“模型参数有多大”；
- 你会接受产品形态可能并不炫酷，但真的有人愿意每天打开它。
我不是来浇冷水的，我自己就是在 ai 方向上赌了一把，而且到 2026 年，这个选择对我们团队来说，已经算是“走通了”。只是我更加清楚地看到：这个领域的机会，表面是技术浪潮，核心还是那句老话——谁愿意踏踏实实替别人解决问题，谁就更有资格留下来。
如果你还在纠结，不妨先做一个小小的验证：找一个你熟悉的行业，从身边的朋友或客户开始，问他们三个问题：
- 哪件重复的工作，让你觉得最浪费时间？
- 哪个流程里，信息最容易错位、遗漏？
- 如果有个“聪明的工具”能帮忙，你愿意每个月为它付多少钱？
把这些答案写下来，再去想“AI 能帮上什么”，而不是反过来。这可能是你走向 ai方面的创业，最不华丽、却最真实的一步。
