01 · 创业中最贵的错误
创业失败最常见的原因不是团队不行，不是执行不力，而是：花了 6 个月时间和几十万人民币，做了一个没有人真的需要的东西。
这个错误的根源：创始人在没有验证核心假设的情况下就开始执行了。他们爱上了自己的想法，选择性地寻找支持它的证据，把"朋友说感兴趣"当作"市场验证"，把"功能强大"等同于"用户会付费"。
残酷统计：中国创业公司中，约 42% 在第一年倒闭，90% 在五年内关闭。事后分析最常见的原因之一：产品没有解决真实问题（"No Market Need"）。这个问题几乎可以在真正开始执行之前就被发现。
AI 不能替你创业，不能替你见投资人，不能替你拜访客户——但它能帮你做一件极其宝贵的事：在你还没开始之前，用最小成本把你的核心假设系统性地压力测试一遍。
02 · 案例：健康咨询小程序的生死验证
小吴，30 岁，在三甲医院做了 5 年医疗器械销售，准备创业做一个面向年轻人的健康咨询小程序。想法很清晰：用 AI + 执业医生，提供比"去医院排队"更快、比"网上随便搜"更专业的健康咨询服务。
他开始执行之前，花了两周时间，用 AI 系统地测试了他的核心假设。
第一步：把"想法"拆解成"假设"
这是大多数创业者跳过的步骤。任何商业想法本质上都是一系列需要被验证的假设。
拆解核心假设
我的商业想法是：
面向25-35岁年轻人的AI辅助健康咨询小程序，核心价值主张是"比去医院快、比自己搜索准"。
请帮我列出这个想法成立所需要的核心假设，分成三类：
1. 用户假设（关于目标用户行为和需求的假设）
2. 市场假设（关于市场规模和竞争的假设）
3. 商业模式假设（关于如何赚钱的假设）
AI 给出了 14 个核心假设，其中高影响假设 6 个。小吴感到不安——他意识到自己在启动前只"验证"过其中 2 个。
第二步：最危险的假设是哪个？
💣 假设压力测试
小吴的六个高影响假设。点击任意一个，查看 AI 提出的致命质疑。
年轻人对健康咨询有付费意愿
点击查看 AI 的质疑
⚠️ 质疑：年轻人会为健康信息付费吗？目前用医保卡挂号费 10-20 元，还有大量免费选择（百度健康、丁香医生、微信搜索）。你的差异化定价空间在哪里？愿意付费的用户，真的是因为"快"还是因为"有焦虑但病情不重"？后者是否会带来大量不必要咨询，增加医生端压力？
执业医生愿意在平台上提供咨询
点击查看 AI 的质疑
⚠️ 质疑：医生端的获取成本可能极高。医生在正规医院工作，在第三方平台咨询面临执业合规风险——出了医疗问题谁来承担责任？即使有医生愿意，他们的时间成本如何定价？你有没有调研过好大夫、丁香园、微医失败或成功的原因？
AI 能提高咨询质量而不是降低它
点击查看 AI 的质疑
⚠️ 质疑：医疗 AI 的幻觉风险在这个场景里可能是致命的。如果 AI 给出错误的健康建议导致用户延误就医，你的法律责任是什么？中国医疗 AI 在消费者端的监管要求是否已经明确？你是否有能力审查 AI 输出的医疗准确性？
小程序是最合适的交付形式
点击查看 AI 的质疑
⚠️ 质疑：健康咨询需要持续的关系（随访、复诊），而小程序用户留存率普遍偏低。用户在微信里搜索到你的小程序，咨询一次，下次还会回来吗？不如考虑私域（企业微信、社群）来构建持续的用户关系。
市场足够大，没有强力竞品
点击查看 AI 的质疑
⚠️ 质疑：健康咨询赛道已经有多年的"坟墓"——好大夫、春雨医生（已被并购）、微医都在这个方向探索过。你的差异化到底是什么？是用户群体更窄（年轻人）？是 AI 更好用？是价格更低？这些差异化足够形成护城河吗？
用户会信任 AI + 医生的混合模式
点击查看 AI 的质疑
⚠️ 质疑：这是个信任问题。涉及健康，用户对"AI 说的"天然有怀疑，同时也担心"网上的医生是不是真资质"。你的信任建立路径是什么？是否需要先从某个极小的垂直场景切入（如皮肤科、心理咨询），而不是做综合健康？
第三步：最快验证核心假设的方式
最小验证方案
对于假设"年轻人愿意为健康咨询付费"，请给我设计一个
不需要开发任何产品的验证实验，要求：
- 2周内可以完成
- 预算在 3000 元以内
- 能得到有说服力的定量 + 定性证据
- 告诉我什么结果代表假设成立，什么结果代表需要调整
AI 给出的验证方案：用小红书或微信群招募 30 个目标用户（25-35岁、有健康焦虑），组织 3 场深度访谈，在访谈末尾提出一个"预售报价"（不是真实收费），记录转化率和反馈。2 周内，花费约 1500 元（用户激励礼品卡），就可以得到真实的付费意愿数据。
验证结果：小吴做完了前两个假设的验证，发现年轻人愿意付费——但只为"私人医生关系"而不是"一次性咨询"。这个洞察彻底改变了他的商业模式设计，从单次付费变成订阅制，并将 AI 定位为"私人健康助理"而不是"咨询分诊工具"。在没花一分钱开发之前，他已经找到了更好的方向。
转折点：当 AI 帮你发现，你想要的东西是错的
验证的结果让小吴陷入了一种混乱。他用两周时间认真走完了假设测试流程，发现自己最初的商业模式有两个致命问题：一是年轻人不愿意为"一次性咨询"付费，二是医生端获取成本极高。按照最初的路线走下去，多半是一条死路。
他说那几天情绪很低落。"花了这么多时间想出来的方案，被 AI 和自己一起'杀死'了——有点像是失去了一个我爱得很深的东西。" 但他也承认：这个"失去"，花了两周和 3000 元；如果没做这步，等到真正开发出来才发现，代价可能是六到十二个月和几十万。
真正的转折来自那个"年轻父母"的洞察。AI 给出的用户画像里，有一类他根本没想过的用户——30 岁出头、有 1-2 岁孩子的新手父母。孩子一发烧，半夜叫不到儿科号，他们的健康焦虑频率是普通年轻人的 3–5 倍，付费意愿更强，口碑传播快。小吴把这个洞察发给了他在医院的前同事，对方回答："这个我信，我见过太多凌晨三点在急诊哭的年轻父母了。"
关键时刻：小吴后来把他这段经历总结成一句话——"AI 不是告诉我'做什么'，而是帮我看清楚'我以为是什么'和'实际是什么'之间的差距。" 他认为这种能力，才是创业者使用 AI 最有价值的方式：不是生成方案，而是系统性地拆穿自己的幻觉。
03 · 用 AI 做用户洞察：比自己猜靠谱
很多创始人对"目标用户"的理解，实际上是对自己的描述。AI 可以帮你快速构建多维度的用户画像，找到你可能忽视的用户类型。
用户画像生成器
我的产品是
面向年轻人的订阅制AI健康助理，目标用户是25-35岁城市白领。
请帮我生成 3 个
完全不同的典型用户画像，要求：
- 不只是人口学特征，要有真实的日常场景、痛点和行为模式
- 其中一个是理想用户，一个是"看起来像用户但其实不是"的用户，一个是被忽视的潜在高价值用户
- 对每个画像，说明他们会和不会为什么付费
每周刷小红书会焦虑各种"初期症状"，去医院嫌麻烦，随便搜索又更焦虑。最大痛点：不知道这个症状"到底要不要去医院"。为什么付费：为了"安心"，愿意每月花 99 元换一个随时可以问的健康顾问。
公司有商业医疗保险，有家庭医生可以随时打电话。他会下载你的小程序，免费体验一次，但绝不会付费。为什么不付费：他已经有更好的替代方案，你的产品是边际改善，不是刚需。
孩子一发烧就不知道该不该去医院，半夜根本叫不到儿科号。健康焦虑频率极高，决策痛点明显。为什么高价值：复购率高（孩子常生病），决策情绪化（愿意为安心多付），口碑传播快（宝妈群体）。
洞察：AI 帮小吴发现了他完全没考虑过的"年轻父母"细分市场——这个群体的健康焦虑频率是普通年轻人的 3-5 倍，付费意愿更强。这成了他后来的切入点。
04 · 竞争格局分析：站在巨人的坟墓上
任何好的商业想法，通常都有前人尝试过。了解他们为什么失败，比研究他们为什么成功更有价值。
竞争失败案例分析
在中国市场，
移动医疗/健康咨询领域有很多创业公司，包括春雨医生（2021年被平安收购）、好大夫、微医等。
请帮我分析：
1. 这个赛道的主要创业公司的
商业模式演变历史
2. 其中遇到最大困境的公司，核心问题是什么
3. 如果我要在这个赛道做一个新的切入点，哪些"前人踩过的坑"是必须避开的
使用注意：AI 对历史商业案例的分析有参考价值，但部分细节可能不准确或过时。把 AI 的分析当作"研究框架"，用搜索引擎和一手资料核实关键信息。
05 · 创业者使用 AI 的三条铁律
铁律一：AI 帮你测试假设，不帮你产生假设。创业的核心洞察——为什么用户有这个痛点、为什么现在是好时机、为什么你能做到而别人没做——这些必须来自你对行业的深度理解和真实的用户接触。AI 可以帮你系统化地压力测试这些洞察，但无法替代你去拜访 100 个目标用户。
铁律二：用 AI 杀死你的想法，然后看它能不能活下来。让 AI 扮演最挑剔的投资人、最悲观的竞争对手、最难搞的目标用户，给出反对意见。如果你的想法经不住 AI 的基础质疑，它更经不住市场的检验。如果它能在 AI 的全力攻击下依然站立，你就有了更强的信心。
铁律三：AI 的分析必须被真实数据验证。AI 的价值在于帮你快速识别要验证什么、怎么验证。但最终的验证只能来自真实用户的真实行为——不是"说感兴趣"，而是"付了钱"或"用了 30 天"。
最终结果：小吴花了两周、约 3000 元做假设验证，发现了最初商业模式的两个致命问题，并找到了更好的切入方向（年轻父母 + 订阅制 + 私人顾问关系模型）。他估算：如果直接开始开发，6 个月后他可能才会发现这些问题，代价可能超过 50 万元和半年时间。
06 · 创业者 AI 验证工具箱
小吴用的方法，可以被抽象成一套通用框架。不管你的创业方向是什么，这四个模板可以帮你在真正动手之前，把核心假设系统地测试一遍。
工具一：假设拆解器
把你的商业想法拆成可测试的假设列表——这是一切验证工作的起点。
核心假设清单
我的商业想法是：[一句话描述：目标用户 + 核心价值主张 + 赚钱方式]
请帮我列出这个想法成立所需要的全部核心假设，分成三类：
用户假设：关于目标用户行为、痛点、付费意愿的假设
市场假设：关于市场规模、竞争格局、时机的假设
商业模式假设：关于如何获客、如何留存、如何赚钱的假设
对每个假设，标注：
- 如果这个假设是
错的，对整体商业模式的影响程度（高/中/低）
- 这个假设目前是否已经被验证（已验证/部分验证/未验证）
工具二：魔鬼质疑生成器
用 AI 扮演最挑剔的对立面——在真实世界发现问题之前，先让 AI 找出你想法的漏洞。
四角质疑模板
以下是我的商业想法和核心假设：[粘贴你的描述]
请分别扮演四类最挑剔的角色，对我的想法提出最尖锐的质疑：
挑剔的目标用户：你真的愿意付钱用这个吗？为什么不？
见过一千个创始人的投资人：你见过太多类似的想法，这个最可能死在哪里？
这个赛道最了解情况的竞争对手：你知道这条路的坑比他们想象的要多，具体是哪些坑？
最悲观的前辈创业者：如果这个想法失败，最可能的叙事是什么？
工具三：最快验证实验设计
针对最高影响、最低确定性的假设，设计一个"两周内、1000 元内"可以完成的验证实验。
最小验证实验
我想验证的核心假设是：[粘贴那个影响最高、最不确定的假设]
请帮我设计一个验证实验，要求：
-
不需要开发任何产品或代码
- 两周内可以完成，预算不超过 [X 元]
- 能得到有说服力的证据（定量 + 定性）
- 告诉我：什么结果代表假设成立，什么结果代表需要调整方向
请给出 2–3 个不同的验证方案，我来选一个最可行的。
工具四：竞争格局快速扫描
了解前人在这个方向上走过的路——他们的失败，比他们的成功更有参考价值。
前人踩坑分析
在 [你的赛道] 领域，过去几年有哪些创业公司或产品尝试过类似的方向？
请帮我分析：
1. 典型公司的商业模式演变历史
2. 遇到最大困境的案例，核心问题出在哪里（用户、商业模式、技术、时机？）
3. 如果我要在这个赛道切入，哪些"前人踩过的坑"是必须提前了解的
这套工具箱的使用节奏：用工具一拆出假设清单（1–2 小时），用工具二找到最危险的假设（1 小时），用工具三设计验证实验（30 分钟），然后去做真正的用户访谈和市场验证。AI 帮你搭好"要验证什么"和"怎么验证"的框架，真正的验证数据还是要来自真实世界——这一点无法绕过，也不该绕过。
踩过的坑：创业者的 AI 失败教训
创业圈有一句话："想法本身不值钱，执行才值钱。"但有一个更危险的假设常被忽视：执行基于的"前提假设"。如果前提错了，执行得再好也白搭。AI 很擅长强化你的假设，但不擅长挑战它。下面三个故事讲的是创业者如何被 AI 带进沟里。
坑 1: AI 验证了一个不存在的市场
⚠️
赵创始人的"市场验证"
真实案例 · 初创公司创始人
赵创始人有个想法：做一个 AI 工具，帮助"小镇中小企业快速生成商业计划书"。他问 AI："这个市场的规模有多大？"
AI 的回答非常乐观："中国有 5000+ 万中小企业，其中仅县级以下城市就有超过 3000 万家。假设其中 10% 每年需要商业计划书（融资、申报补助、银行贷款等），这是 300 万家企业，潜在市场规模至少 50 亿元……"
赤创始人很兴奋。他用这份"市场分析"去融资，投资人也印象深刻。他拿到了天使轮资金。
然后他开始实际做市场调查。他去了三个县城，找了五十家企业老板聊天。结果很残酷：几乎没人每年都需要写商业计划书。大多数融资、补助申报，他们要么找当地的小会计事务所，要么直接手写。很少有人知道有"商业计划书生成工具"这回事，更没有为这样的工具付费的意愿。
AI 生成的 50 亿市场？问题是，那 300 万家企业大部分根本不是你的实际客户。AI 的"市场分析"是基于"从上向下"的假设推导（总数 × 渗透率），但完全没有"从下向上"的真实验证（实际有多少人愿意为你的产品付费）。
赤创始人花了六个月和一大笔融资才明白：他的真实市场规模可能只有年收入 500 万，远小于 50 亿的"AI 估算"。
教训：永远不要让 AI 替你做市场验证。AI 的"市场分析"看起来有数据有逻辑，但根本没有真实客户证实。任何市场假设都必须通过"一手采访"来验证：①你能找到 50+ 个符合你用户画像的人吗？②他们真的有这个问题吗？③他们愿意为解决方案付多少钱？在融资前，至少要有 10-20 个真实的、愿意为你的产品付费（或有强烈意愿付费）的用户。AI 的作用只能是帮你制作调查问卷、分析访谈记录，而不能替你进行访谈本身。
坑 2: 投资人一眼看穿 AI 生成的商业计划书
⚠️
刘CEO的融资演讲
真实案例 · 技术出身创始人
刘CEO是个技术天才，但不擅长写东西。他用 AI 生成了一份 20 页的商业计划书：前景分析、竞争对手、市场机会、运营方案、财务预测……看起来专业得不行。
他去见了一个知名投资人。投资人翻了几页，问了一个问题："你这里说'预计三年后市场占有率 15%'，这个 15% 是怎么算出来的？基于什么假设？"
刘CEO支吾了半天，说不清楚。原因是：这个数字和背后的逻辑都来自 AI 的生成，他自己从没真正推导过。他没有做过市场分析，也没有计算过合理的增长路径。他依赖 AI 来填充这份计划书，而不是用真实的思考和研究来驱动这份计划。
投资人接着问："那你怎么保证能获得这些市场份额？现在的竞争对手有哪些？"刘CEO又说不上来——他能讲出的只是 AI 在计划书里生成的通用竞争分析框架，没有深度的行业洞察。
整个融资就此结束。投资人后来告诉他的朋友："他这份计划书像是标准模板，看不出他真正思考过什么。"
教训：任何数字、任何假设、任何战略，你都必须能够用自己的话解释它背后的逻辑。如果你用 AI 生成计划书的某一部分，你要确保自己已经深度思考过这部分，AI 只是帮你表述。最致命的错误是：让 AI 生成你还没想清楚的内容。这样当别人追问时，你会无言以对。好的做法是：先自己做完完整的思考和分析，再让 AI 帮你组织成表述。如果你对计划书里的某一条数据无法自信地防守（即无法在敌意提问下解释为什么这个数字成立），那就说明你的分析还不够深。
坑 3: 速度陷阱
⚠️
林联合创始人的 MVP 快速失败
真实案例 · AI 工具创业者
林和合伙人决定做一个"AI 智能合租分租平台"。他们估算，传统做法需要 3 个月才能完成 MVP。但用 AI 编程助手，他们只用了 4 周就把整个系统搭出来了。速度快得让人惊叹。
他们直接上线，开始拉用户。结果很扎心：用户加入后，点了点功能，就没再用过。没有人想在这个平台上找室友。
事后分析，问题很清楚：他们从一开始就没问过真实用户"你的找室友痛点是什么"。他们直接用 AI 快速构建了一个"他们想象中的解决方案"。这个想象的解决方案，关键逻辑全错了。比如：他们以为用户会重视"智能匹配算法"，实际上用户根本不信任算法，他们想看的是真实的照片、评价、实际交流。
如果他们花了两周时间先做用户研究、做原型访谈、迭代需求，然后再花四周开发，产品的匹配度会高得多。但他们被"AI 加速开发"的速度迷住了，跳过了"思考什么是真正的问题"这一步。
这是创业中最经典的失败模式之一：快速构建了错误的解决方案。
教训：AI 可以让你快速执行，但不能让你快速验证假设。产品成功的关键是"方向对"，不是"速度快"。如果你用 AI 把错误的方向执行得更快，你只是在加速走向失败。正确的创业节奏应该是：① 用两周充分的用户研究验证最关键的假设 → ② 做低保真原型和用户测试（不需要代码）→ ③ 有了验证的信号后，才用 AI 快速开发 MVP。不要因为 AI 可以快速编码就跳过第①和②步。也许你本可以一周的用户研究加三周的AI开发，但如果你直接四周 AI 开发，你快是快了，但方向错了。
🎯 本章练习：30 分钟假设审计
如果你有任何商业想法（副业、创业、内部项目），花 30 分钟做这个练习。
- 用一段话描述你的商业想法，包括：目标用户、核心价值主张、赚钱方式。
- 把这段话发给 AI，要求它列出"这个想法成立的所有必要假设"，按影响程度排序。
- 对影响程度最高的 3 个假设，让 AI 分别扮演"最挑剔的用户"，提出这个假设可能是错的理由。
- 对影响最大且最不确定的假设，让 AI 帮你设计一个"两周内、1000 元内可以完成的验证实验"。
- 最后，让 AI 扮演"见过 1000 个创业者的投资人"，对你的想法提 5 个最犀利的问题。把你能答上来和答不上来的分开记录——答不上来的，就是你下一步要弄清楚的。