为什么说评判AI味的人，正在错过原始积累的红利窗口

关于原始资本积累、红利窗口，以及为什么“评论 AI”和“焦虑地学 AI”是同一种不行动

by Sagasu · 2026年10月

你大概见过这几种人。

有人发了一张用 AI 做的海报，评论区第一条是：“一股 AI 味。”点赞最多。

有人刚被裁，转发了一篇《AI 就是资本的又一场骗局》，配文：“早就看穿了。”

还有一种最常见，也最让人心疼：下班地铁上刷到“普通人如何用 AI 月入三万”，顺手收藏；周末买了一门 Agent 课，又买了一门提示词课；收藏夹里躺着几十个教程，真正打开过的没几个。每天都觉得自己又落后了，每天都在“准备开始”。

如果你在里面看到了自己，先别急着关掉。我想说一个暴论：

在当下这个时间节点，普通人的最优解，是用 AI 拿到商业结果，完成自己的原始资本积累。 不是给别人的作品打分，不是在评论区控诉，也不是被自媒体营销搞得焦虑、列一张从 a 到 n 的学习清单，然后极大概率竹篮打水。

每个时代都有红利。红利从来不是全民暴富，它是留给有准备、有执行力的人的。

先交代立场，免得你以为我是来卖课的：我自己在写一个系列叫「没赚到钱」，专门记录我做出来、跑起来、但没赚到钱的产品。所以这篇不会告诉你 AI 能让人人暴富，失败才是常态，后面有数据。下面所有判断，只基于两样东西：基本的商业逻辑，和人性的惰性。

一、红利不是风口，是一个时间差

很多人把红利理解成“风口”，好像站上去就能飞。这个理解是错的，它让人要么盲目冲进去，要么因为看到有人摔下来就断定风口是假的。

用商业语言说，红利就是一个时间差：生产成本下降的速度，快过市场价格下降的速度。在这段时间里，客户仍然按旧成本给结果定价，而你已经在用新成本生产。中间那块差额，就是利润。

举个最直观的例子。拍一套职业照，在客户脑子里的价格是“约摄影师、去影棚、花几百块”；用 AI 生成一套，算力成本可能只要几块钱。只要客户心里那个“几百块”还没被打下来，中间就全是你的。

$$毛利窗口 = 客户按旧成本锚定的价格 - 你的新生产成本$$

这一轮的成本下降有多快？a16z 统计过，同等能力的大模型，推理成本大约每年下降 10 倍。2021 年 GPT-3 水平的能力要 60 美元一百万 token，到 2024 年底同等水平只要 0.06 美元，三年降了 1000 倍。Stanford HAI 的数据是，GPT-3.5 级别的推理成本在 2022 年 11 月到 2024 年 10 月之间降了约 280 倍。（a16z: Welcome to LLMflation、Report AI: LLM Token Price Index）

而价格呢？一张专业职业照、一套产品详情页、一个企业内部小工具、一份行业调研报告，客户心里的价格锚还停留在“要请摄影师/设计师/外包团队/分析师”的年代。价格是由客户的认知决定的，认知的迭代速度远远跟不上 token 价格。

这个时间差不会永远存在。当足够多的人进场，竞争会把价格压到新成本附近，客户心里的价格锚被打穿，窗口就关了。

国内最好的标本是妙鸭相机。2023 年夏天，阿里大文娱几个产品经理做的这款产品喊出“9.9 元实现写真自由”，一度登顶 App Store 总榜。它吃的正是上面那个公式：照相馆一套写真几百上千块，它卖 9.9 元，中间是巨大的毛利窗口。然后，同类产品一拥而上，用户的价格锚从“照相馆几百块”变成了“AI 写真不就几块钱”。妙鸭的收入几乎全靠 9.9 元的一次性制作费，营收完全依赖新用户持续涌入，新用户一放缓，故事就结束了。2026 年 5 月有报道称，团队已于 2025 年 9 月底解散，产品只维持最低成本运营。从爆款到解散，不到两年。（新京报贝壳财经，经新浪财经转载）

很多人会把妙鸭当成“AI 是泡沫”的证据。我读出来的恰恰相反：**窗口是真的，而且关得比你想象的快。**妙鸭在窗口里赚到了钱，也在窗口关上时离场。真正一分钱没拿到的，是那年夏天在朋友圈嘲笑“AI 写真千人一面”的人。

所以红利天然是有期限的，它奖励的是在窗口开着的时候已经在场的人，而不是窗口关了以后终于学完课程的人。

二、窗口是真的：别看情绪，看谁在付钱

判断一个东西是不是骗局，最简单的办法是看有没有人真金白银付钱。情绪可以造假，付款记录很难。

Stripe 分析了平台上收入最高的 100 家 AI 公司：它们达到 100 万美元年化收入的中位时间是 11.5 个月，比 SaaS 黄金年代最快的那批公司还快 4 个月；达到 500 万美元年化收入用了 24 个月，而 2018 年头部 SaaS 公司用了 37 个月。Stripe 在年度信里点名的例子更夸张：Lovable 3 个月做到 1700 万美元 ARR，Bolt 2 个月做到 2000 万美元 ARR。（Stripe: Indexing the AI economy、TechCrunch）

中国团队的数字一点也不逊色。Manus 2025 年 3 月上线，8 个月后宣布年化收入突破 1 亿美元，号称全球从 0 到 1 亿美元最快的创业公司；当年 12 月 Meta 宣布以超过 20 亿美元收购，2026 年 4 月这笔交易被国家发改委叫停。收购的结局还在变，但那 1 亿美元订阅收入是用户一笔一笔付出来的。（CNBC）

快手的可灵更有戏剧性。2026 年 3 月 25 日，OpenAI 宣布放弃 Sora 视频生成，同一天快手发布财报：可灵 2025 年第四季度收入 3.4 亿元，12 月单月收入超过 2000 万美元，年化收入运行率 2.4 亿美元，全年收入超过 10 亿元。同一个赛道，同一天，一家在退场，一家在收钱。“AI 视频是骗局”和“AI 视频是印钞机”，这两句话都不对；对的是，谁找到了愿意付钱的人，谁就留在牌桌上。（新浪科技）

这些都是公司，离普通人远。那看小团队和个人。Danny Postma 的 HeadshotPro，一个人做 AI 职业照，年经常性收入约 360 万美元；Maor Shlomo 的 Base44，上线六个月做到 25 万用户并盈利，2025 年 6 月以 8000 万美元卖给 Wix；Pieter Levels 没有员工、没有融资，一年收入 300 万美元以上。（Grey Journal、Taskade）

HeadshotPro 和妙鸭做的是同一件事，赚的都是“影棚几百块”和“算力几块钱”之间的差价。区别在于它卖给职场人做 LinkedIn 头像，场景更窄、更刚需，客户愿意为“看起来专业”多付钱。

一人或几人的公司，效率有多夸张？Aleph 和 Benchmarkit 统计了 342 家 SaaS 和 AI 公司 2025 全年数据，人均 ARR 中位数是 19.3 万美元；在传统企业软件里，人均 20 万到 30 万美元已经算强。上面这几家，人均产出是这个基准的十倍甚至更多。（mean.ceo 汇总的 Aleph × Benchmarkit 数据）

回到国内，离普通人最近的现象级案例是 AI 漫剧。漫剧早在 2015 年就有，过去被调侃成“PPT 动画”，每分钟成本几万元，做一集要几个月，没几个人做得起。AI 进场之后，成本降到每分钟 500 元左右，十来个人的小团队 20 天能做 50 集。2025 年被称为 AI 漫剧元年，市场规模 168 亿元。（中新网）生产成本从几万元一分钟掉到几百元，平台的广告分成和付费点播价格却没有跟着掉 99%，这就是一个完整的时间差样本。

就连那份被反复转发、用来证明“AI 是泡沫”的 MIT 报告，里面也有另一半话。MIT NANDA 的《GenAI Divide》说，95% 的企业生成式 AI 试点没有带来可衡量的利润影响，这句话传遍了全网。但同一篇报道里，报告主笔 Aditya Challapally 说的是：一些由十九、二十岁年轻人领导的创业公司，“收入一年之内从零涨到了 2000 万美元”，原因是他们“只挑一个痛点，执行好”。（Fortune）

同一份报告，有人读出了“骗局”，有人读出了“大企业船大难掉头，小团队的机会来了”。区别不在报告，在读的人想证明什么。

三、泼盆冷水：一半的产品，没赚到一分钱

说到这里，如果你开始热血沸腾，那就到了该泼冷水的时候。上面那些案例全部是幸存者，而幸存者偏差是这个行业最大的骗局之一，比“AI 是骗局”这句话本身还大。

更诚实的数据来自 TrustMRR。这个平台直接对接 Stripe 等支付渠道，展示的是经过验证的真实收入。2026 年 9 月 4 日，有研究者抓取了平台上全部 10,150 个产品：

指标	数据
有收入的产品占比	约 49%
年化收入达到 10 万美元（MRR ≥ 8,333 美元）的产品	272 个，约 2.7%
AI 产品有收入的比例	49.3%
非 AI 产品有收入的比例	49.0%
已有一个产品月收入超 5000 美元的创始人，其他产品有收入的比例	73%

（Tech Startups 对 TrustMRR 数据集的分析）

这个样本还是自我选择的，愿意公开收入的人本身就偏乐观，早早死掉的产品根本不会出现在里面。也就是说，真实的基准概率只会比这张表更低。

这张表里有两个数字值得盯着看。

第一个是 49.3% 对 49.0%。用不用 AI，产品有没有收入的概率几乎一样。AI 不是印钞机，它没有改变“做出来的东西有没有人买”这个基本问题。它改变的是成本，是速度，而不是需求。

第二个是 73% 对 49%。已经做成过一个产品的人，再做的产品有收入的概率明显更高。数据集没法控制所有变量，但方向很清楚：真正起作用的是做过的次数，是在定价、分发、找客户这些事上积累下来的手感。

国内的 AI 漫剧，是同一张表的放大版。2025 年全年上线漫剧超过 6 万部，播放量破亿的只有 96 部，破亿率 0.16%。（中国 AI 漫剧行业白皮书征集稿，东方财富网）成本降了九成，门槛降了，所有人也就都进来了。168 亿元的市场是真的，大多数入场者没分到钱也是真的。

至于我自己，就在 TrustMRR 那张表里没有收入的 51% 里。马良是我做的 SVG 配图工具，跑在 Cloudflare 免费套餐上，活着、能用、没有增长；SkillMint 是我做的 AI Agent 支付实验，我连 GA4 都没加，到今天都不知道有没有人付过那 0.02 美元。

所以这篇的暴论从来不是“AI 让人人暴富”。恰恰相反，数据说明的是：工具对所有人一样，结果差异来自执行和次数。这正是“红利只留给有准备和执行力的人”这句话的数据版本。

四、评论区为什么永远比牌桌热闹

如果窗口是真的，失败率也是真的，那理性的人应该怎么做？答案是增加尝试次数，同时控制每次尝试的成本。但现实里，大多数人选的是另一条路：评论。

这不难理解，算一下两种行为的成本收益就明白了。

评论的成本是零。说一句“AI 味太浓”不需要任何技能，还能立刻获得一种审美上的优越感，评论区有人点赞，社交回报即时到账。下场的成本是真实的：要花时间，要花钱，要暴露自己的作品，要面对大概率的失败和别人的嘲笑。人天生厌恶损失，在“零成本、即时回报”和“有成本、延迟回报、大概率失败”之间，惰性会替你做选择。

这种情绪是有数据的。Pew 2026 年 6 月的调查显示，52% 的美国成年人对 AI 在日常生活中的普及“担忧多于兴奋”，2021 年这个比例是 37%，只有 9% 的人兴奋多于担忧。而在 AI 专家那边，47% 的人兴奋多于担忧，普通公众只有 11%。（Pew Research, 2026、Pew Research, 2025）

越靠近这项技术、越在用它干活的人越乐观，越远离的人越焦虑。这不能证明谁对谁错，但能说明一件事：焦虑和距离相关。

逐个拆一下最常见的三种说法。

“AI 味太浓。” 这句话作为审美判断完全成立，我自己也讨厌那种一眼就能看出来的生成腔。但它作为商业判断几乎没有意义。客户付钱买的是结果：问题解决了没有，时间省下来没有，钱赚回来没有。HeadshotPro 的用户要的是一张能放进 LinkedIn 的照片，不是摄影艺术。AI 漫剧更直接：画面一眼就是 AI 做的，可它在 2025 年撑起了 168 亿元的市场，刷它的人在乎的是下一集主角有没有逆袭，不在乎是谁画的。**批评“AI 味”的人在评估作品，付钱的人在评估结果，两拨人根本不在一个市场里。**更关键的是，“AI 味”是一个可以被解决的工程问题，模型每一代都在变好，靠它守护的护城河，每年都在变浅。

“AI 抢走了我的工作。” 这件事是真的，不该被轻描淡写。斯坦福 Brynjolfsson 团队 2026 年 8 月更新的研究发现，在 AI 暴露度最高的职业里，22 到 25 岁年轻人的就业比同龄的低暴露职业低了大约 19%，一年前这个差距是 13%。但同一份研究还发现了两件事：整体经济没有出现大面积失业；而同样职业里有经验的人，就业没有出现类似的缺口。下降主要来自企业少招人，而不是裁人，冲击集中在依赖“可编码知识”的入门岗位。（Stanford Digital Economy Lab、Ars Technica）

把这个结论翻译成商业逻辑就是：AI 压低的是“按岗位出卖标准化劳动”的价格，而判断力、经验和对结果负责的能力，价格没有被压低。抱怨改变不了企业的招聘计划。理性的应对，是从“被定价的劳动力”的位置挪开，挪到“给结果定价的人”的位置上去，哪怕一开始只是一个很小的生意。

“AI 就是一个骗局。” 截至 2025 年 12 月，中国生成式 AI 用户规模 6.02 亿人，普及率 42.8%，一年增长 3.53 亿人。Stripe 上那些 AI 公司的收入，是一笔一笔真实的信用卡扣款。（CNNIC 第 57 次报告相关报道）

估值可以有泡沫，很多公司会死，很多叙事会破灭，这些我都同意。但泡沫和骗局是两回事。2000 年互联网泡沫破裂，死了一大批公司，可互联网没有消失，亚马逊也没有消失。泡沫说的是价格高估了价值，骗局说的是根本没有价值。把前者说成后者，在逻辑上不成立，在行动上的效果只有一个：给自己不下场找一个体面的理由。

五、焦虑地学习，是最贵的一种不行动

比评论者更值得聊的，是另一拨人：他们不否认 AI，反而非常焦虑，于是买课、收藏、关注、列清单。今天要学提示词工程，明天要学 Agent，后天要学 MCP、工作流、RAG、Vibe Coding……从 a 学到 n，一年下来，收藏夹满了，收入为零。

不妨对照一下，下面这几条你中了几条：

收藏的 AI 教程，比真正打开过的多；
买过至少一门 AI 课，没学完；
能说清楚 Agent、MCP、RAG 分别是什么，但没用它们做出过一个给别人用的东西；
最近三个月最常说的一句话是“等我学完这个再开始”；
从来没有因为 AI 收到过一笔钱，哪怕 9.9 元。

中了三条以上，这一节就是写给你的。也欢迎在评论区报一下自己中了几条。

这种行为在经济学里有一个经典样本。DellaVigna 和 Malmendier 追踪了美国三家健身房 7,752 名会员三年的数据：选择月费超过 70 美元的会员，平均每月只去 4.3 次，摊下来每次要花 17 美元以上，而他们本可以买 10 次卡，每次 10 美元。平均每人因此多花了约 600 美元。他们高估了未来的自己。（American Economic Review, 2006、Stanford GSB）

买课是同一种心理。付款的那一刻，你买到的不是能力，而是“我已经在努力了”的安心感。课程有没有学完，反而变得不那么重要。

在线学习的数据也是这样。Reich 和 Ruipérez-Valiente 2019 年在《Science》上发表的研究，分析了 MIT 和哈佛在 edX 上的 565 门课、1267 万次注册：所有注册者里拿到证书的只有 3.13%，而在付费学员里这个比例是 56%。（Elite Content Marketer 汇总、AI Tutor Code）

3% 和 56% 的差距说明了什么？不是付费让课程变好了，而是付费的人带着明确的目的、承担了真实的成本。学习本身不是问题，没有目标、没有反馈、没有代价的学习才是问题。

再算一笔时间账。《中国网络视听发展研究报告（2025）》显示，截至 2024 年 12 月，短视频人均单日使用时长 156 分钟。一年就是约 949 个小时，差不多是一份全职工作年工时的一半。很多人说没时间做副业、没时间试产品，可时间其实都在，只是被用在了刷“普通人如何靠 AI 月入过万”的视频上。（人民日报微博，经新浪财经转载）

还有一个更扎心的结构问题：为什么焦虑永远学不完？因为在这个时代，工具每隔几个月就换一轮。你花三个月学完的框架，可能在你学完那天就过时了。没有客户需求牵引的学习，等于在一条加速向前的传送带上倒着跑。

而真正的高手是怎么学的？按需学。客户要一个功能，我去学怎么做；产品卡在分发，我去学怎么投放。每一次学习都绑定一个具体的、有人付钱的问题，学完马上用，用完马上验证。这种学习有闭环，知识会沉淀成手感。

最讽刺的一点留在这一节的最后：那些制造焦虑、卖给你从 a 到 n 课程的人，恰恰是在用 AI 时代的红利完成他们自己的原始资本积累。**他们的商业结果，就是你的焦虑。你在学习，他们在收钱。**从商业逻辑上看，他们才是这个故事里执行力最强的那批人。

六、算一笔账：不下场的人，成功率是精确的零

现在把前面的数据放进一个简单的模型。

假设每做一次产品尝试，达到年化 10 万美元收入的概率是 p。按 TrustMRR 的数据，p 大约是 2.7%，前面说过这是一个偏乐观的样本，那就暂且把它当作上限。尝试 n 次，至少成功一次的概率是：

$$P = 1 - (1-p)^n$$

代入数字：

尝试次数 n	至少一次达到 10 万美元 ARR 的概率
0	0%
1	2.7%
4（一年，每季度一次）	约 10.4%
12（三年，每季度一次）	约 28%

这个模型很粗糙。它假设每次尝试相互独立、成功率不变，现实不是这样。但现实的偏差，大多数是对尝试者有利的：前面那个 73% 对 49% 的数据说明，做过的次数越多，后面的成功率越高，p 本身会随 n 一起涨。

不过，这张表里最重要的数字，是第一行的 0%。

做的人面对的是一个很低但不为零的概率，而且这个概率会随着次数和经验上升。不做的人面对的是一个确定的数字：零。不管你学了多少课，收藏了多少教程，说了多少句“AI 味太浓”，在这个公式里，n 都等于 0。

那 n 要怎么加上去？看每次尝试的成本。我做马良，全部基础设施跑在 Cloudflare 免费套餐上，唯一的固定支出是每月 20 美元的 Claude 订阅。放在五年前，同样一个产品至少需要一个前端、一个后端、一个设计师，几个月的工资。单次尝试的成本降了几个数量级，这本身就是这一轮红利里对普通人最友好的部分：你不需要赌上全部身家，你只需要多试几次。

这也是为什么我说“原始资本积累”是当下的最优解。原始资本不只是钱，它还包括第一批客户、第一份能拿出来的案例、对一个细分市场的真实理解，以及“我做成过一次”的手感。更重要的是，钱能买来时间。有了第一笔原始资本，你下一次选择做什么，就可以不被焦虑和房租推着走。在一个变化这么快的时期，能从容做选择，本身就是最稀缺的资产。

七、那到底该怎么做

如果把上面所有的数据和推演压缩成一句可执行的话，就是：选一个有人愿意付钱的具体问题，用最低的成本做出来，第一天就开始收费。

为什么要第一天就收费？因为收费是唯一诚实的验证方式。点赞、收藏、“这个好棒”都不算数，只有付款算数。上一节的公式里，成功率 p 的提升，几乎全部来自对“什么东西有人买”的判断变准，而这种判断只能从真实的付款和拒绝里学到。

为什么要挑具体的问题？因为 MIT 报告里那些一年做到 2000 万美元的年轻团队，靠的就是“只挑一个痛点”。HeadshotPro 只做职场头像，不做写真、不做修图、不做证件照。宽泛的“AI 工具”没有人买，具体的“帮我省掉一次影棚拍摄”有人买。

为什么要用最低的成本？因为你大概率会失败，而且不止一次。成本压得越低，你能负担的 n 就越大，至少成功一次的概率就越高。

把前面这些案例放在一起，可以提炼出三个动手前的检查。它们不保证成功，但能帮你少掷几次注定输的骰子。

第一，价格锚检查：客户心里的价格，还停在旧成本吗？ 找那些“过去必须请人做、现在 AI 能做八成”的事：照相馆写真、外包动画、产品详情页、行业报告、企业内部小工具。如果客户已经默认“这东西 AI 几块钱就能弄”，窗口就关了，别进。妙鸭进场的时候，人们心里的写真价格还是几百块；两年后，这个锚已经被打穿了。

第二，复购检查：客户会不会付第二次钱？ 妙鸭栽在一次性付费上，9.9 元做完写真，用户就没有理由再回来，增长全靠拉新。Manus 和可灵卖的是订阅和 API，客户每个月都在用，每个月都在付。同样吃时间差，一个吃完就走，一个能把时间差变成现金流。小生意也一样：能按月收费的，优先于按次收费的。

第三，拥挤度检查：你有没有别人一时进不来的东西？ AI 漫剧成本降了九成，结果是一年上线 6 万部，破亿率 0.16%。工具降低的门槛，对所有人都降低了。真正能让你在拥挤里活下来的，往往不是 AI，而是 AI 之外的东西：你在某个行业干过五年的经验，你手上的二十个客户，你比别人更懂的那个细分人群。AI 是杠杆，杠杆要撬在你自己的支点上。

至于从 a 到 n 的学习清单，删掉。留下当前这个产品此刻真正需要的那一项，学完就用。剩下的，等客户逼你去学的时候再说。

八、我知道你想反驳什么

写到这里，评论区大概会出现这几种声音，我先回答。

“你这就是幸存者偏差。” 对，所以第三节专门放了那张表：一半的产品没有收入，做到年入 10 万美元的不到 3%。我从来没说下场就能成，我说的是不下场一定不成。这两句话的区别，就是这篇文章的全部。

“说到底你也是在贩卖焦虑。” 这个质疑我认真想过。区别在于，贩卖焦虑的人最后会给你一个付款链接，让你买他的解药；这篇文章的结尾没有付款链接，我给的唯一建议是去找一个愿意付你钱的人。如果你读完更焦虑了，那就关掉它，去做一件能收到 9.9 元的小事，焦虑会比读十篇文章消得更快。

“不是每个人都适合做生意。” 这一条我承认，我回答不了。有人有房贷、有孩子，没有任何试错的余量；有人天生不擅长和人打交道，让他去收第一笔钱比让他加班还难受。对他们来说，“下场”的成本比我算的高得多。原始资本积累这条路，对这些人还成立吗？如果不成立，他们的最优解又是什么？这个问题我放在文章最后，留给你。

回到开头那句话：每个时代都有红利。PC 时代有，互联网时代有，移动互联网时代有，现在轮到 AI。每一次，红利都不是全民暴富，它只留给那些已经准备好、并且真的动手的人。窗口开着的时候，大多数人在评论，在焦虑，在学习；窗口关上以后，大多数人开始说“早知道就好了”。

你可以嘲笑那些动手的人，嘲笑他们的作品有 AI 味，嘲笑他们赚的是小钱。但别忘了第六节那个公式：他们每试一次，n 就加一；你每嘲笑一次，n 还是零。

**每过一段时间，你就错过 10 次甚至更多掷骰子的机会。**我得诚实一点：这 10 次里，大概率没有一次是财务自由，按前面的数据，单次做到年入 10 万美元的概率不到 3%。但财务自由从来不是某一次掷骰子掷出来的，它出现在第 8 次、第 15 次之后，出现在前面那些失败教会你的定价、找客户、判断需求的手感里。你错过的不是 10 次暴富，是一条本来可以一次次试、慢慢走通的路。

所以最后，把问题交给评论区：你现在是在场上，还是在场边？如果你认为这条路不适合你，你的最优解是什么？

参考资料