AI 新創：為什麼這麼難活下來
AI 产品的核心成本是推理（inference）：模型每产生一次输出，就要消耗算力。这个成本与使用量成正比，也与上下文长度、模型大小、是否使用多轮推理、是否搭配检索增强、是否加上工具调用等因素成正比。许多团队在 POC 阶段用最强的模型、最长的上下文做出最好的效果，等到真正上线才发现：一个重度使用者每月的推理成本可能高于他付的订阅费。
更麻烦的是定价难。定太高，客户不愿意买单；定太低，用量一爆就亏钱；用点数制，客户搞不懂自己会用多少；用无限方案，重度用户会把公司吃垮。这就是所谓的「Token 经济学」困局：成本是浮动的、可预测性差的，而客户要的是稳定可预期的价格。团队必须同时懂产品、懂模型、懂成本结构，才有机会把毛利率从负数拉回正数，而这已经超过了很多早期团队的能耐范围。
隐藏成本：资料标注、评估、维运与合规
外界常以为 AI 产品只有「模型 API 费用」这一项成本，实际上那只是冰山一角。真正的成本结构包括：资料清理与标注、模型评估与回归测试、提示工程的持续调校、输出品质的监控、异常与幻觉的客服处理、向量资料库与基础设施维运、资安与隐私保护、以及因应法规而生的稽核与文件工作。这些工作高度依赖人力，很难完全自动化，而且会随着客户数量与使用场景的复杂度线性成长。
换句话说，AI 新创的「变动成本」远比创办人预期的更重，而「固定成本」又被算力与人才推得很高。两头夹击之下，很多公司会在营收成长的同一个月发现现金流出速度也在加快，形成一种「越成功越危险」的诡异状态。这也是为什么有些看起来成长飞快的 AI 公司，最后一轮募资的钱不是拿来扩张，而是拿来补毛利。
三、护城河太浅：模型能力外溢与「套壳」困境
如果说成本结构是 AI 新创的内伤，那么护城河问题是外伤。绝大多数应用层 AI 新创，本质上是在某个基础模型的上面包一层使用体验。这层包装可以很精致、很有品味、很懂使用者，但它的技术门槛往往没有想像中高，而且会随着底层模型每一次升级而快速贬值。
底层模型一升级，你的功能就变成内建功能
这是 AI 创业最常被忽略的风险。你今天做出的杀手级功能——例如长文件摘要、会议纪录整理、图片生成、语音转文字、程式码补全——很可能在下一季就变成模型供应商的原生功能，或是变成作业系统、办公室软体内建的免费功能。当你花了一年建立的功能，对手用一行更新就抹平，你很难说服投资人你能长期收得到钱。
更微妙的是，模型升级有时候不是帮你，而是「降维打击」你。当基础模型变得更强、更便宜、更稳定，客户会开始问：「我自己接 API 不就好了？为什么要付钱给你？」如果你的价值主张只是「帮你串接模型」，那这个价值主张会随著模型使用门槛下降而快速消失。真正能活下来的，通常是那些把价值建立在模型之外的东西上的团队——工作流、资料资产、领域知识、组织习惯、责任承担。
便宜的转换成本与无差别价格战
AI 应用还有一个残酷的特性：使用者换掉你的成本很低。因为大多数产品都是在浏览器里跑的轻量工具，没有深度整合、没有资料锁定、没有长期合约，使用者随时可以跳到下一个更便宜、更炫、更红的产品。这导致 AI 工具市场很容易陷入价格战与功能战：你降价，对手就跟进；你推出新功能，对手两周内抄过去；你花钱买流量，获客成本越垫越高，但客户生命周期价值却没有同步上升。
当产业里所有产品都在拼「功能更快上、价格更便宜」，毛利就会被系统性压缩，而唯一能撑住价格的，是那些已经卡进客户核心流程、掌握客户专有资料、或被写进公司制度里的产品。这也是为什么很多存活下来的 AI 新创，最后都变成了「不像 AI 公司的 AI 公司」。
四、需求端的七个摩擦力：为什么客户说好，却不付钱
很多技术团队会把失败归因于「产品不够好」，但真正的阻力往往在需求端。企业客户不是不想用 AI，而是导入过程有太多隐形的摩擦力。这些摩擦力不会出现在问卷里，却会在采购流程中默默把案子拖死。以下七项是最常见的：
这七项摩擦力加起来，会让销售周期从「一个月」变成「九个月」，让原本预期的 POC 变成无止境的概念验证。新创的现金撑不住这种节奏，于是很多公司在产品还没被真正验证之前，就已经把钱烧完了。这也是为什么「看起来需求很大」和「真的收得到钱」之间，往往隔着一整年的组织变革。
五、与巨头共舞：平台依赖与被收编的风险
AI 新创几乎无法避免与巨型企业共处一个生态系。你的模型来自三大云端供应商之一，你的算力来自它们，你的分发管道可能也来自它们的应用商店或作业系统。这种依赖带来效率，也带来结构性风险：价格由对方决定、政策由对方决定、功能 roadmap 由对方决定，甚至连你的产品能不能被使用者看见，都握在对方手里。
更现实的风险是「被收编」。当你的产品验证了某个场景，平台方最简单的做法不是收购你，而是把这个功能内建进自家产品，免费提供给数以亿计的使用者。你的市场瞬间被蒸发，而你连谈判的筹码都没有。这也是为什么有些 AI 新创会刻意走「反平台」路线：选择开源模型自建、选择垂直领域深度客制、选择与特定产业伙伴绑定，用「不方便但难以取代」换取生存空间。
另一个经常被忽略的问题是「供应商转换成本」。当你的产品完全建立在某一家模型供应商之上，一旦对方涨价、限流、变更条款，你的成本结构与服务承诺就会立刻失衡。成熟的团队会把模型层做抽象化设计，保留多模型切换能力，并在合约与技术上为自己留后路。这件事听起来像工程细节，实际上却是决定公司能不能活过下一次平台政策变动的关键。
六、合规与信任成本：法规、着作权与隐私的三重门
AI 新创的第四道关卡，是越来越重的合规负担。过去软体创业可以「先做再说、等大了再补合规」，但在 AI 领域，这个策略越来越行不通。欧盟 AI 法案（EU AI Act）确立了风险分级的管理框架，高风险应用需要风险评估、技术文件、人类监督机制与事件通报；各地对于资料跨境、生物辨识、自动化决策的规范也持续收紧。即使是台湾或亚洲市场，金融、医疗、公部门客户对 AI 的稽核要求也在快速提高。
除了法规，还有两件事会吃掉大量资源。第一是着作权与训练资料的争议：生成内容的来源、授权状态、侵权风险，都会在商业合约里被客户放大检视，尤其是媒体、出版、法律、设计相关产业。第二是隐私与资安：客户会问你的资料存在哪里、会不会被拿去训练、如何防止提示注入与资料外泄、有没有做渗透测试与存取控制。这些问题没有标准答案，但每一个都需要人力与时间来回答。
对于资源有限的新创而言，合规成本是一种「看不到营收的支出」。它不会让你的产品变好，但少了它，你就进不了大客户的门。很多 AI 新创不是被竞争者打败，而是被客户的资安问卷、法务审查与合规要求拖到放弃。这也是为什么越来越多团队从第一天就把「可稽核、可追溯、可解释」设计进产品，而不是等客户要求才补。
七、团队与组织：技术很强，不等于活得下来
AI 新创的创办团队通常技术背景很强，这既是优势也是盲点。技术强的人容易高估模型能力、低估商业复杂度；容易专注于把模型调得更好，而忽略客户真正要的是「工作变简单」；也容易把「使用者说很酷」误认为「市场愿意付钱」。这种工程导向的思维，在产品早期没问题，但到了要建立销售、客户成功、法务与财务制度的阶段，就会成为瓶颈。
第二个组织问题是人才结构。AI 新创同时需要研究型人才与产品型人才，但这两类人的语言与节奏差异很大。研究导向的成员习惯追求指标上的进步，产品导向的成员关心使用者留存与商业成果，两者若缺乏明确的目标对齐，很容易在「要不要继续优化模型」这类议题上消耗大量时间。再加上 AI 人才薪资被巨头拉得极高，新创往往留不住关键成员，技术资产就随着人员流动而流失。
第三个问题常被忽略：治理与决策速度。AI 领域的市场变化以季为单位，但很多新创的决策仍然靠创办人一人拍板，缺乏清晰的产品优先级与资源分配机制。当公司同时想做太多场景、接太多客制专案、追太多模型更新，团队就会陷入「每个人都很忙、但公司没有进展」的状态。能在这种环境中活下来的团队，通常都很擅长说「不」。
八、存活者的做法：十个把死亡率往下压的具体策略
谈完困境，接下来谈解法。需要先说明的是，这些策略不是万灵丹，也无法保证成功，但它们的共同点是：把公司从「依靠技术领先」转向「依靠结构性优势」。在模型能力快速商品化的环境里，后者才是决定存活的关键。
策略一：站进不可替代的工作流缝隙
第一个策略是选择「模型很强，但流程很烦」的领域。单纯做生成、做摘要、做翻译的产品，很容易被模型本身取代；但如果你的产品必须串接客户的既有系统、处理复杂的权限与审批、承担出错后的补救责任，那你的价值就不只是模型，而是一整套工作流的整合。客户买的不是 AI，而是「这件事终于有人帮我处理完」。
实务上，这意味着团队要愿意做「不性感」的工作：拜访现场、研究客户流程、处理例外状况、做客户成功。这些工作无法靠模型自动化，却正是护城河的来源。当你的产品被写进客户的 SOP、被纳入教育训练、被列进年度预算，转换成本才真正建立起来。
策略二：先把单位经济模型跑正，再谈规模
第二个策略是纪律。AI 新创最容易犯的错，是在毛利还是负数的时候就全力扩张，期待「规模会带来效率」。但在推理成本随用量线性成长的情况下，规模有时反而会放大亏损。比较务实的做法是先找到一个小而明确的市场，把每一个客户的取得成本、服务成本、推理成本、留存时间算清楚，确认单位经济模型（unit economics）能够转正，再复制到下一个市场。
这代表团队必须建立成本可视性：知道每一种功能、每一种模型、每一种使用情境分别花多少钱，并且能够对应到收入。这件事听起来很工程，实际上却是财务与产品的共同责任。能够在早期就把这件事做好的团队，在募资时会比对手更有说服力，因为它能回答投资人最关心的那个问题：「你长大之后会更赚钱，还是更亏钱？」
策略三：从卖工具到卖成果，改变计价方式
第三个策略是重新设计商业模式。当客户不确定 AI 能带来多少价值时，卖订阅制的工具有时会遇到阻力；但如果改成卖成果——例如按处理完成的案件数、按节省的工时、按成功导入的流程收费——客户的决策门槛会降低，而你的收入也能与实际价值挂勾。这种「成果定价」或「服务化交付」的模式，在法务、客服、行销、财务等领域已经开始出现。
当然，成果定价对供应商的要求更高：你必须能衡量成果、承担部分风险、并且在交付过程中保持效率。但它也带来两个好处：第一，它让你从「又一个 AI 工具」变成「帮我解决问题的人」；第二，它让价格不再直接与 token 成本比较，而是与客户的人力成本比较，毛利结构会健康得多。
九、其余七项存活策略：把风险管理变成日常
延续上面的思路，以下七项做法可以视为存活者的共同习惯。它们不一定会让公司变快，但会让公司变得比较不容易死。
这十项策略的共同精神，其实只有一句话：把公司从「模型能力的展示品」变成「客户流程的一部分」。前者会随模型进步而贬值，后者会随时间累积而增值。这也是为什么有些看起来技术不特别炫的 AI 新创，反而活得比明星团队更久。
十、结语：这不是泡沫破裂，而是一次残酷的筛选
回到最初的问题：AI 新创为什么这么难活下来？答案不是「AI 不好」，而是 AI 同时带来了极高的期待与极高的成本，并且把竞争的门槛降得很低、把技术折旧的速度拉得很快。在这样的环境里，光有技术是不够的，光有热度也不够，甚至光有资金都不一定够。真正决定存活的，是对成本结构的掌握、对客户流程的理解、对平台风险的警觉，以及对商业模式纪律的坚持。
从历史来看，每一波技术浪潮都会经历类似的阶段：先是基础设施与工具的爆炸性成长，然后是大量团队涌入、同质化竞争、价格战与淘汰，最后留下少数真正把技术变成制度与流程的公司。网路泡沫如此，行动应用如此，云端运算也是如此。AI 不会例外，但它会更快、更集中、更残酷，因为资本与算力的门槛让赢家通吃的效应更强。
所以，与其说 AI 新创正面临泡沫破裂，不如说它正在经历一场筛选。这场筛选会淘汰掉那些把 AI 当成捷径的团队，也会留下那些愿意做脏活、愿意理解客户、愿意把单位经济模型算清楚的团队。对创业者而言，这未必是坏消息：当热潮退去、噪音减少，真正有价值的问题才会浮现，而能够解决这些问题的人，才有机会走到最后。
如果你正在这条路上，请记得：能不能活下来，往往不取决于你的模型有多强，而取决于你能不能在客户的组织里，找到一个非你不可的位置。这件事没有捷径，但它比任何一次模型升级都更值得投入。
```