What Actually Makes A Startup Durable

YC 合伙人 Tom Blomfield 说：现在用 AI 写代码比人快 1000 倍，工程师没理由不用，创业公司最难的事已经不是写软件，而是找到真正难啃的硬骨头。

AI让软件不值钱，创业反而要挑难仗

这是一场 YC 多位合伙人参与的圆桌问答，发言者包括 Tom、Matild 和 Gray。Tom 曾在 2011 年创办 GoCardless，Gray 是这家公司约第三位员工；他们也反复强调，YC 的合伙人自己都是做过 YC 的成功创始人。这层经历决定了他们看 AI 的角度不只是“模型能做什么”，而是“公司在能力突然变便宜后，究竟还靠什么活下来”。本期最尖锐的结论是：AI 没有把创业变简单，它只是拿走了“写出软件”这道旧门槛，逼创始人去面对更难绕开的东西。

这期回答了 8 个问题：

1. 当写软件不再是难点，什么才是创业公司真正的护城河？
2. 模型成本每年降 10 倍，创始人还该为 token 成本焦虑吗？
3. 为什么 YC 说，最优秀的创始人不是想得更久，而是更早丢脸？
4. 一家小公司该从哪个环节开始，真正变成 AI-native？
5. AI 可以代替大量工作，为什么创始人最不该外包客户对话？
6. AI 会把公司压缩到几十人，共同创始人为什么反而更重要？
7. 没有深厚技术背景的人，现在是否也能做出 AI 公司？
8. 软件融资需求下降后，VC 会流向哪些更难、也更贵的问题？

被问到“所有工具都能内部瞬间造出来后，B2B 产品还有什么意义”时，嘉宾没有直接宣布 B2B 已死，而是把问题改成一条难度光谱：十年前，写很多软件本身就是难点；现在，这一部分已经不够稀缺了。于是，创业公司不能只卖一组功能，而得占住某个别人难以复制的约束条件。正如他说的："Your startup has to have a hard bit."（你的创业公司必须有一个真正难的部分。）

他给出的“难”并不只有算法。可能是往一个保守行业里做艰苦的 B2B 销售；可能是银行牌照这样的监管门槛，他本人说过，拿银行牌照几乎把他拖垮；也可能是火箭发射涉及的物理规律。硬件尤其如此，因为“原子”不会像代码一样被一键生成。基于这个判断，他直说今天不会再做 Calendly 或 DocuSign 那类纯软件产品：复制门槛太低。Partiful 则被留下例外，因为它“可能有网络效应”——用户越多，产品越有用，这种关系网络不是抄界面就能抄走的。

这意味着，选题本身成了第一道防线。以前可以先做一个功能，再慢慢补销售、合规和渠道；现在若功能实现本身已近乎廉价，创始人要先问：客户为什么不能自己做，或让另一个团队两周后做出来？答案若只是“我们做得更快”，那通常不够。难题未必好做，但它会让公司有更长的存活时间。

被问到 AI 有时比工程师更贵、尤其 token 成本高得吓人时，嘉宾先开玩笑说，加入 YC 可以拿到 100 万美元免费 token，之后还有数百万美元级别的额度。token 可以简单理解为模型处理和生成文本时计费的单位。但真正的回答不在补贴，而在成本曲线：即使今天一项工作交给模型还不划算，6 到 12 个月后也可能划算。"It's like it's a 10x cost reduction per year roughly speaking for the same intelligence."（粗略说，同等智能的成本每年都在下降 10 倍。）

另一位嘉宾把生产率差距说得更猛：带着模型工作的工程师，比不用 AI 的工程师“1,000x better”。随后还有一个更强的限定判断：如果你用的是“absolute best intelligence”，也就是当下最强的模型，那么没有任何一项编程任务，人类做起来会比模型更有效率。这里的重点不只是“模型更便宜”，而是智能正在同时变强、变便宜。

这意味着，不能只拿今天一次调用的账单，判断某个 AI 工作流值不值得建设。更该问的是：当推理价格继续下降时，这条流程能否承接更多任务、更多客户、更多频次？如果能，今天的试运行可能是在为半年后的规模化铺路。当然，这不是让人无视当下成本。发言者的强判断明确限定在最强模型上，且“6 到 12 个月”是预期而非承诺。现金紧的小团队仍要算账，只是别把短期单价误当成长期战略边界。

被问到研究型创业者该继续做研究，还是该去找客户、做业务时，嘉宾给出的答案很直接：尽快让产品碰到真实市场。YC 创始人在 batch，也就是一轮创业营结束后，最大的遗憾往往不是“产品做得不够完整”，而是没有更早发布。"The biggest regret that YC founders have after the batch is not having launched soon enough."（YC 创始人在 batch 结束后最大的遗憾，是没有更早发布。）

他拿 Cursor 创始人在 Hacker News 的发布记录举例：第一次发布，0 个赞；第二次，2 个赞；第三次，还是 2 个赞；后来记录上出现“sell to XAI for $60 billion”。这个故事不是说每次冷启动都会通向天价结果，而是说明好创始人愿意反复把自己暴露在反馈里。另一个观察也很具体：最好的团队每两周都会遇到一个新问题，不是因为他们摇摆，而是因为他们已经集中资源解决掉上一个最大瓶颈。

这意味着，早期创业更像实验，而不是考试。聪明人习惯在图书馆里多想一会儿，把答案推导得更完整；创业却要求先形成假设，再让用户用“要”或“不要”把它打脸。研究、开发、客户对话应该构成循环：做一点，去问；发现没人要，再回去研究。边界也存在。深科技、太空项目的周期不可能照普通 SaaS 产品执行，但它们同样要尽早验证“有人是否需要它”。“早上线”不是粗糙上线，而是早一点得到足以改变方向的证据。

被问到一家已经在运营的小公司，怎样真正开始搭建 AI-native 结构时，嘉宾反对“大改造”式的想象。他建议先让公司信息变得可读、可查：邮件、Google Drive 文档、客服工单，都应能被 agent，也就是能读取信息并执行任务的软件代理访问。接着，不要同时自动化销售、客服、产品和财务，而是挑一个窄得足够看清结果的流程。"I'd pick a single loop basically."（我基本上会先挑一个单一闭环。）

最基础的例子是：每次销售电话结束后，系统自动起草一封跟进邮件，列出讨论要点和下一步事项。更进一步，销售通话被实时转录，客户提出某个产品想法时，后台 agent 就开始生成原型；等电话结束，销售能直接把原型演示给客户。前者是信息整理，后者已经把“客户反馈—产品构建—现场验证”压进了一次通话。

这意味着，AI-native 不是公司里装满聊天机器人，而是把一个原来断裂的行动回路接起来，并让结果能够被人检查、修正。嘉宾还泼了盆冷水：绝大多数 AI 的初始输出仍然很差。真正改变结果的，是系统是否记住你每次指出的问题，并把反馈持续更新进流程。只有这样的自学习闭环，才可能在几周内从“帮点小忙”变成公司工作方式的一部分。先选最窄环节，是因为窄环节最容易看出它究竟省了时间，还是只制造了更多返工。

被问到如果从头重建一家 AI-native 公司，最后才会自动化什么，或者干脆永远不自动化什么时，一位嘉宾几乎没有犹豫：和客户交谈。他不是说 AI 不能帮忙总结会议、写邮件或筛选线索，而是说，创始人不该把自己与客户之间的直接连接切掉。"Talking to customers. I think that is what kept me focused on what was important and it's the last thing that I would trust."（和客户交谈。我认为这让我一直聚焦于真正重要的事，也是我最后才会愿意交出去的工作。）

他的理由是，客户对话让创始人始终是“closing the loop”的人：既看到客户的问题，也知道公司实际上能做什么，于是保有决定下一步该建什么的完整上下文。另一位嘉宾补充，即使是 self-serve 的 PLG 公司——即主要靠用户自助注册、使用并增长的产品——也仍应直接接触客户，哪怕不是每一个客户都聊。

这意味着，AI 会让执行层的信息更容易流动，却也可能让创始人更容易待在仪表盘后面，以为数据足够代表需求。客户说“我不买”，客户在电话里反复绕开某个功能，客户愿意为某件看似边缘的事付钱，这些信号往往比报表更早改变战略。边界不是要求创始人亲自处理所有客服请求。公司规模变大后，那不现实。真正不能外包的是直接曝光渠道：创始人必须持续听见用户未经转译的语言，否则自动化越多，离真实需求反而可能越远。

被问到未来会不会出现“一人十亿美元公司”，以及创始人是否应该单干时，嘉宾承认理论上完全可能。但他认为这不是最优解。AI 更可能把原本 2,000 人的公司压缩到 100 人、50 人左右，并尽量维持在 Dunbar number 之下。Dunbar number 指人能稳定维护关系的规模，约为 150 人。组织层级和跨部门协调会被压缩，可加入第二位创始人的收益却依然很大。"The utility you get from adding a second person will always outweigh the cost at that level."（在那个规模上，加入第二个人带来的效用永远会超过成本。）

YC 仍投资单人创始人，但他们观察到，单人创始人在统计上表现更差。嘉宾讲了这一期 batch 的案例：一位很强的单人创始人想做能自我改进、彼此沟通的自治 agent。大约六周后，他陷入信心危机，开始怀疑方向和项目是否可行。嘉宾能提供建议，但他认为，共同创始人的角色正是在人低落时把人拉起来，在人亢奋到失控时把人拉回地面。

这意味着，AI 减少的是技能互补的刚性需求，不是共同承担不确定性的需求。过去常见的配方是“技术联合创始人加商业联合创始人”；现在 AI 让平均工程师更像强工程师，让不会销售的人也更容易学会销售。嘉宾因此建议，别过度执着于技能拼图，更该看你低落时是否愿意和这个人说话，他能否抬高你的士气。YC 不拒绝单人创业，只是门槛会更高。

被问到 AI 是否改变了 YC 对创始人技术背景的要求时，嘉宾没有给出一套新教条。他列出 YC 同时看到的两端：一边是 MIT 核物理博士在造核反应堆，另一边是自学 vibe coding 的创始人。vibe coding 可以理解为主要通过自然语言与 AI 协作写代码，而不是先熟练掌握传统编程流程。YC 过去明显偏好团队中至少有一位深度软件工程师，但现在正在检验这条偏好是否仍然成立。"we don't know the answer yet."（我们还不知道答案。）

这个“不知道”比一个乐观结论更重要。它意味着，AI 的确在降低“谁能把产品做出来”的门槛，却还没有证明技术能力完全不再构成差异。核反应堆、卫星再入飞行器、无线电频率测试设备，仍然需要很深的领域知识；而某些产品问题，可能由能快速学习、理解用户、善用模型的人先做出来。

这意味着，“没有技术背景也能创业”不能被翻译成“能力要求消失了”。YC 保留的三项标准很清楚：聪明、决心、系统思维。系统思维就是能看见一个问题里各部分如何互相影响，而不只盯着某个功能。技术资历可能从过去的硬门票，变成多条可行路径中的一条；但能识别问题、拆解系统、持续把事情推进的人，依然稀缺。对非技术创始人来说，真正的问题不是“我会不会写代码”，而是“我能否在模型替我写代码后，仍判断它该写什么、为谁写、哪里错了”。

被问到 AI 让员工需求下降、投资人会议机会成本变高后，传统 VC 融资路径是否还重要时，嘉宾先承认一个事实：今天要做出五年前同样的软件成果，创始人的确不需要那么多钱。模型、代码生成和更快的迭代，让软件团队可以用更少的人和更少的资本往前走。对这类公司来说，少融资甚至不融资，完全可能是更好的选择。

但他随即把视角拉到另一端。YC 投资的一位小型核反应堆创始人，明年可能要融约 8 亿美元；启动一家受监管的银行，同样离不开大笔资本。"It's really hard to build nuclear reactors without tons and tons of money."（要造核反应堆，没有大量资金真的很难。） 代码成本下降，并不能让反应堆的材料、试验、合规和建设费用消失，也不能替代银行需要承担的监管与资本金要求。

这意味着，VC 不会因为 AI 而失去用途，只是它资助的重点会变化。复制一款旧式软件的资本门槛下降后，最有野心的创始人可能更早把目光投向治愈疾病、无限充足能源、金融基础设施等高资本密度领域。VC 的角色也不再只是给工程团队发工资，而是承担那些必须规模化、且无法靠几台电脑解决的风险。边界同样明确：不是每家公司都该去追逐 8 亿美元融资。能用更少资金快速验证市场的公司，融资越克制，反而越能保留选择权。

“软件实现已不稀缺，耐久公司必须主动选择难题”和“越能自动化，创始人越不能把客户对话交出去”看似分别在谈护城河与工作分工，其实指向同一件事：AI 可以替你完成越来越多动作，却不能替你决定什么值得做，也不能替你承受选错方向的代价。

这也是为什么“AI-native 不是一键重构公司，而是先驯服一个最窄的反馈回路”。自动生成跟进邮件、实时把客户想法做成原型，价值不在于少雇一个人，而在于让公司更快听见市场、更快给出回应。反过来，如果把客户对话也交给机器，公司可能自动化得很漂亮，却失去判断产品该往哪里走的原始信号。

AI 会把 2,000 人的组织压缩到 100 人甚至 50 人，也会让纯软件更容易被复制；但监管、分发、网络效应、物理世界、资本需求和共同创始人之间的校准，不会因此消失。对正在做产品的人，最现实的自问不该是“我还能让 AI 替我做什么”，而是：当所有人都能很快做出同样的功能时，我是否已经找到那个必须靠我和团队亲自穿过去的难处？