Anthropic 最近发了一篇 The Founder’s Playbook，讲 AI-native startup 怎么从想法走到规模化。

它最有意思的地方，不是说创业者现在可以少招几个人，也不是说 Claude Code 能帮你写一个 MVP。更关键的是，AI 把 founder 的工作重心往前推了一层：过去很多事要亲手做，现在更像是在设计一套能被 AI 放大的工作流。

这不代表 founder 可以退到后面，当一个发号施令的人。恰好相反，判断力变得更贵了。你要知道什么问题值得验证，什么产品应该砍掉，什么用户反馈是真的，什么增长只是新鲜感。

如果把创业拆成四个阶段，Idea、MVP、Launch、Scale，每一阶段都有一件不能外包给 AI 的事。

1. Idea：先验证问题，不要先写产品

很多早期项目死得很快，不是因为产品做不出来，而是因为一开始就验证错了东西。

有了 AI 以后，写 landing page、生成竞品分析、画用户画像、起草 pitch deck 都变得很快。快本身是好事，但它也会让人更容易跳过最难受的部分：直接去问真实客户，这个问题到底痛不痛。

Idea 阶段最该验证的不是“这个点子听起来酷不酷”，而是三件事：

  • 谁现在真的有这个问题；
  • 他们今天怎么解决；
  • 他们有没有强到愿意付钱或换流程的动机。

Claude 在这里很适合做准备工作。比如把一个行业拆成不同客户群，整理常见竞品，生成访谈问题，帮你把十几段访谈记录归类。它能让你更快进入客户语境，不用从空白页开始。

但它不能替你判断客户有没有撒谎。

很多人在访谈里会说“这个很有意思”“如果有我会用”，这些话听起来像正反馈，实际含金量很低。更有用的问题往往是：你上次什么时候遇到这个问题？当时花了多少钱或多少时间？如果明天就有一个解决方案，你愿意从哪个预算里付？

Idea 阶段可以用 AI 加速研究，但不要用 AI 代替现实摩擦。没有客户证据的漂亮总结，只是更好看的幻觉。

2. MVP：能交付，但不要变成一次性代码堆

AI 对 MVP 的影响最直接。过去一个非技术 founder 可能要先找技术合伙人，或者花钱外包一个粗糙版本。现在用 Claude Code、Cursor、Replit 这类工具，很多人可以自己把第一版产品搭出来。

这件事很重要，因为它降低了试错成本。你不必一开始就组一个完整团队，也不必在还没验证需求时烧掉太多钱。

但 MVP 能跑，不等于它能继续长。

AI 写代码最容易带来的问题是：你一开始速度很快，后面越来越慢。功能堆上去了，文件越来越长，状态散在各处，错误处理靠运气，测试没有补，安全边界也没想清楚。到某个节点，你会发现产品不是不能继续写，而是每改一处都担心炸掉另一处。

所以 MVP 阶段的重点不是追求架构完美，而是保留几个基本约束：

  • scope 要小，只做验证核心假设需要的功能；
  • 数据模型要清楚，不要为了赶进度乱塞字段；
  • 登录、支付、权限、用户数据这些边界要认真处理；
  • 关键路径要有测试，至少保证主要流程不会随手改坏；
  • 让 AI 每次改动都解释涉及哪些文件、怎么验证。

如果用 Claude Code 做 MVP，我会先让它生成一个很短的实现计划，再开始写代码。计划里只要写清楚三件事：改哪些文件、先做哪个最小切片、最后跑什么命令验证。

这一步看起来慢，其实是在防止 MVP 变成一次性项目。早期产品可以粗糙，但不能混乱到自己都接不住。

3. Launch：区分新鲜感和真实需求

产品上线以后，最危险的不是没人看，而是有一点热闹就误以为自己找到了 PMF。

AI 产品尤其容易遇到这个问题。用户会因为新鲜感来试，会因为截图好玩转发，会因为“这个东西居然能做”而给你一堆正反馈。但这些信号不一定能变成留存、付费和稳定使用。

Launch 阶段要提前定义什么叫有效 traction。

比如：

  • 用户是否在没有提醒的情况下回来；
  • 是否有人愿意付费，而不是只愿意试用；
  • 用户是否把它接进自己的固定流程；
  • 是否有人在你没要求时主动推荐；
  • 关键功能是否被反复使用，而不是只被体验一次。

Claude 在这个阶段可以帮很多忙。它可以整理用户反馈，归类 bug 和 feature request，分析访谈记录，起草 onboarding 文案，生成不同版本的 landing page，也可以帮你把用户行为数据整理成每周报告。

但 founder 要自己决定看哪些指标。

如果你只看注册数，可能会被一次传播骗到；只看访问量，可能会忽略用户其实没有完成核心动作；只看收入，早期又可能因为样本太小而误判。Launch 阶段最该盯的是用户行为有没有形成重复。

一个产品第一次被使用，说明它有吸引力。第二次、第三次被主动使用，才说明它可能真的进入了某个工作流。

4. Scale：把 founder 的重复劳动系统化

很多早期团队一提 scale，就想到招人。招销售、招运营、招客服、招工程师，把 founder 手里的活分出去。

但 AI-native startup 更适合先问另一个问题：哪些事情不是非得加人，而是应该先变成流程？

早期 founder 会重复做很多事：回复客户问题，整理销售线索，手动看数据，写周报，跟进试用用户，检查订单异常，给投资人更新进展。这些事短期看都不大，但加起来会吃掉大量注意力。

Scale 阶段的重点，是把这些重复动作拆成半自动系统。

比如：

  • 每天自动汇总用户反馈，按紧急度分类；
  • 把销售通话记录整理成 CRM 更新和 next step；
  • 每周生成一份产品指标变化说明；
  • 客服先由 AI 起草回复，人再审核敏感问题；
  • 对异常订单、退款、投诉做自动标记；
  • 把 founder 常写的投资人 update 做成固定模板。

这些流程不一定一开始就全自动。很多时候，人审一遍反而更稳。关键是 founder 不再从零开始处理每一件事，而是让 AI 先完成收集、归类、起草、检查，再把需要判断的部分交回来。

这和单纯“提高效率”不太一样。它改变的是组织形态。过去一个早期团队需要靠人数堆执行，现在可以先靠流程放大少数人的判断。

当然，不能自动化的部分也很清楚：战略取舍、重要客户关系、价值观冲突、融资节奏、产品方向。这些事如果交给 AI，通常不是省时间，而是在逃避责任。

5. Founder 的工作变了，但没有变轻

AI-native startup 容易给人一种错觉：创业会变简单。

实际更像是门槛下降了，竞争密度上升了。以前做不出来的人，现在能做出来；以前要一个团队才能试的方向，现在一个人也能试。结果是同一个想法会被更多人更快做出来，差异不再只来自执行速度。

Founder 真正要练的，是把模糊问题变成可验证任务的能力。

Idea 阶段，你要把直觉变成客户问题；MVP 阶段，你要把客户问题变成最小产品；Launch 阶段，你要把市场反馈变成可判断的指标；Scale 阶段，你要把重复劳动变成流程。

AI 可以帮你写、查、画、算、整理、生成，但它不知道你愿意承担什么风险，也不知道你到底要服务哪一类人。它能把执行半径放大，不能替你决定往哪走。

对创业者来说，AI 最好的用法不是把自己从公司里拿掉，而是把自己从重复劳动里拿出来，留在那些必须由人负责的地方：判断、取舍、承诺和承担后果。