技术越强,越容易掉进「优势迁移陷阱」
真正危险的不是不够聪明
技术创业者最危险的时刻,往往不是产品做不出来,而是产品终于做出来了,才发现没有人愿意为它改变行为。弗朗索瓦·肖巴尔(Francois Chaubard)在 Y Combinator 的 Startup School 分享里给出一个更刺耳的解释:很多顶尖研究者创业失败,不是不够聪明,而是过去最引以为傲的能力,在新的评价体系里变成了障碍。他把这称为一场身份转换——想成为真正的创业者,必须先杀死一部分过去的自己。 1 2
两套评价体系
| 维度 | 研究者的默认答案 | 创业者必须回答的问题 |
|---|---|---|
| 什么算好 | 足够新,能通过同行评审 | 对某个具体的人足够有用 |
| 价值如何证明 | 论文、引用、实验结果 | 客户改变行为并付出真实成本 |
| 问题怎么选 | 越难、越深,越有研究价值 | 越重要、越值得付钱,越有价值 |
| 时间怎么用 | 等到证据充分再下结论 | 用有限信息快速行动,再修正 |
| 能力边界 | 个人在细分领域的深度 | 组织理解、交付和获取价值的能力 |
这不是否定专业训练。相反,研究者对因果、证据和边界的敏感,在处理安全、合规和不可逆决策时仍然不可替代。问题在于,创业把「什么值得做」的裁判权从同行评审手里拿走了,交给了客户、市场和现金流。所谓杀死过去的自己,准确地说,是停用那套只在学术环境里有效的默认设置。
原创回答「有没有人做过」,商业回答「为什么选你」
在科研世界,不够原创,论文可能被拒绝;在商业世界,太想原创,反而可能失去市场。肖巴尔引用了乔·朗斯代尔(Joe Lonsdale)的一种形象分类:麻省理工式创业先发明一项突破性技术,再寻找它能解决什么问题;斯坦福式创业先找到一个真实而具体的客户问题,再不断改进解决方案。这不是说两所大学的人只能这样创业,而是两种起点对应两种风险。 1
两种创业路径
| 路径 | 起点 | 核心动作 | 成功标准 | 主要风险 |
|---|---|---|---|---|
| 麻省理工式 | 一项新技术或新发明 | 为技术寻找应用场景 | 技术指标领先、形成壁垒 | 技术很新,但问题不够痛 |
| 斯坦福式 | 一个具体、重复发生的客户问题 | 围绕同一个问题持续迭代 | 客户采用、留存、愿意付钱 | 执行慢,或被更快的对手抢先 |
送货、打车、订酒店,这些需求都不是哪一家创业公司在某一天凭空发明出来的。Instacart 也不是第一家做线上生鲜配送的公司。它成立于 2012 年,真正建立优势的地方,是把选品、下单、采购、配送和履约体验持续做得更可靠,而不是发明「把菜送到家」这件事。对创业者来说,这里有一个关键区分:原创回答的是「以前有没有人做过」,商业回答的是「客户为什么现在要选择你」。 1 3
很多技术创业者容易把「与众不同」误当成「有价值」:因为这项技术从未出现过,所以客户理应为此付钱。但客户不会为你的技术履历付钱,只会为自己的问题付钱。真正的创新不一定非要是新发明,也可以是用更便宜、更快、更可靠的新方式,解决一个老问题。原创性可以成为壁垒,但它本身不是需求。
难的问题,不一定是重要的问题
研究者喜欢挑战复杂问题,因为问题解决得越深入,越可能产生新的论文、方法和声誉。但客户不为研究兴趣付钱。一个算法准确率提高 10 个百分点,技术团队可能很兴奋,客户却可能无动于衷——他真正需要的,也许只是少做一次人工复核,或者把运营成本降低一点。难的问题不一定重要,复杂也不等于有价值。
肖巴尔自己就付过这笔学费。他创办的 Focal 曾花三个月训练计算机视觉模型,分析零售店里顾客的行动轨迹。商家一开始都说这个问题很重要。模型训练好后,团队告诉商家:中午顾客会集中在熟食柜台和收银台,容易排队。技术成功了。可当他问客户愿不愿意为这个结论付钱时,对方直接拒绝——因为这些情况,商家本来就知道。 1
如果当时先做人工验证,会看到什么? 不必先训练模型。找几个人手动标注几段视频,或者直接在店里观察几个中午,就可能得到同样的结论,并更早听到客户的那句「这我早就知道」。这不是反对自动化,而是把验证顺序倒过来:先用最低成本证明信息有没有价值,再决定值不值得用 AI 把它自动化。
- 先确认问题真实存在,而且足够痛。
- 用人工、脚本或半自动流程跑通一次完整交付,观察客户是否愿意为结果买单。
- 只在重复成本足够高、质量足够稳定时,才投入模型和自动化。
- 上线后继续用客户行为校准,而不是用技术指标替代商业判断。
AI 正在把「做出一个产品」的成本压得更低。过去要半年才能写出的软件,现在可能一周就能做出十个原型。生产能力提高的同时,错误生产的能力也提高了。如果方向错了,效率越高,浪费越大。一家 AI 创业公司最大的风险,有时不是产品做不出来,而是产品真的做出来了,才发现根本没人要。
夸奖不是需求,付款才是
客户需要你,往往不是一句「这个想法不错」就能证明的。好想法和好生意之间,隔着客户的真实行动。觉得有意思,不代表需要;觉得有用,不代表会采用;说愿意尝试,更不代表愿意付钱。市场真正有效的反馈,不是有多少人夸你的产品,而是有多少人愿意为它改变原有流程、付出真实成本。
反馈的含金量
| 客户说的话或做的事 | 能证明什么 | 还缺什么 |
|---|---|---|
| 「这个想法挺有意思」 | 引起注意 | 需求强度、采用意愿 |
| 「这个技术很厉害」 | 认可技术 | 客户是否愿意改变行为 |
| 「可以试用一下」 | 有探索意愿 | 真实使用频率和切换成本 |
| 「我愿意付钱」 | 有支付意愿 | 是否真的付款、能否持续 |
| 已经改变流程并复购 | 创造了被验证的价值 | 规模化与单位经济模型 |
还要区分两种认可:投资人愿意投钱,说明他看到了机会;客户愿意掏钱,才说明产品创造了价值。这两种认可不能混为一谈。肖巴尔反复强调,创业者必须走出办公室,直接面对客户。不是只去找投资人,而是去客户生活和工作的地方,听他们为什么拒绝、为什么犹豫、为什么最后愿意购买。 1
70% 就行动,但方向不要每周换
即使找到需求,技术创业者还有一道坎:追求完美。研究工作强调证据充分、结论严谨;商业竞争里,时间本身就是成本。肖巴尔引用贝索斯的「70% 原则」:大多数可以快速试错、可以回头的决策,在掌握大约 70% 的理想信息时,就应该考虑行动。如果一定要等到接近确定,竞争对手可能已经发布了产品,已经拿到了客户。 4 1
70% 原则是不是意味着可以草率? 不是。贝索斯在 2016 年股东信里把许多决策称为可逆的「双向门」:可逆决策可以轻量、快速;不可逆决策则要更谨慎。肖巴尔也补了一句,涉及重大安全风险和不可逆后果的决定,必须更加严谨。70% 原则适用于那些能够快速验证、错了还能改的事情;它的前提不是「信息不重要」,而是「等待的成本更高」。
商业世界最残酷的地方,是它不保证最好的技术一定获得最大的市场。肖巴尔举了早期数据库竞争的例子:Michael Stonebraker 的 QUEL 在技术路线上有优势,但 Larry Ellison 的 Oracle 把 SQL 更快推向市场,最终 SQL 成为主流。据他转述,Ellison 曾说过,QUEL 也许更好,但 SQL 会赢。决定胜负的不只是技术优劣,还有推出速度、用户采用和生态积累。技术人员习惯问「哪个方案更好」,创业者还必须问「哪个方案更容易被采用」。 1
但行动要快,方向却不能总变。研究者往往喜欢同时探索很多方向;创业不是写完一篇论文就开始下一篇。产品发布不是终点,客户开始使用也不是终点。真正的创业,是围绕一个重要问题持续改进很多年。这里有一个容易被忽视的区别:持续验证,不等于频繁换方向。优秀的创业者对问题保持耐心,对方案保持灵活。 1
在同一个问题上快速迭代
快速试错发生在方案层,不是每隔几周就换一个问题。只有当客户行为证明原问题不成立时,才应该回到起点重选问题。
flowchart TD
A["选定一个重要问题"] --> B["提出可验证的假设"]
B --> C["用最低成本做实验"]
C --> D{"客户是否改变行为或付费?"}
D -->|"是"| E["保留有效部分,继续改进方案"]
E --> B
D -->|"否"| F{"问题本身还成立吗?"}
F -->|"成立"| G["调整方案或渠道,再试一次"]
G --> B
F -->|"不成立"| A 商业能力不能外包
很多技术创始人会说:我负责研发,找个懂商业的人负责销售,不就行了吗?听起来没毛病。但销售不只是把产品卖出去,销售本身就是理解市场的过程。客户为什么拒绝、为什么犹豫、为什么最后愿意购买,这些问题背后藏着产品真正的价值。如果创始人从来不直接接触客户,就很可能始终不知道客户到底在为什么付钱。销售可以分工,但客户理解不能外包。 1
这还涉及另一种能力:价值表达。科研强调精确,商业需要让人迅速理解价值。你可能花半小时解释一个算法,却不如一句话告诉客户,它能帮他节省多少时间。肖巴尔举了 GEICO 的保险广告:花 15 分钟,可能省下 15% 甚至更多的车险费用。它厉害的地方不是把保险计算解释得多完整,而是直接说出了客户关心的结果。当然,简洁不等于夸大,更不能编造事实。真正好的商业表达,是用最短的距离把真实的价值传递给客户。 1
但光能创造价值还不够,创业者还必须学会获取价值。很多研究者对商业竞争天然不适应:他们擅长解决问题,却不习惯定价、销售、争夺客户、建立利润。可市场不会因为你的技术优秀就自动奖励你收入。创造价值决定你有没有用,获取价值决定你能不能持续经营。一家公司可以有非常优秀的技术,却因为不懂定价、不懂销售,最终无法生存。所以商业化不是技术完成之后的附加题,它从一开始就是创业的必答题。
肖巴尔在课的最后说了一句最不客气的话:没人关心你有多聪明。在学术世界,你可以用知识和论文证明专业能力;但在客户面前,复杂的解释、先进的参数、漂亮的履历都不构成购买理由。客户真正关心的是:你到底有多理解他的问题。证明自己聪明,可能赢得掌声;理解别人的需求,才可能赢得客户。 1
哪些可以外包,哪些不能? 销售执行、渠道运营、财务、法务都可以找专业的人来做。不能外包的是对客户的直接理解:谁在什么场景下为什么会买,为什么拒绝,什么价格下愿意持续买。创始人不必成为最好的销售,但必须亲自建立这套判断;否则,团队拿回来的只是一张业绩表,不是市场知识。
优势迁移陷阱:当评价体系换了
从原创、技术、需求,到销售、竞争、倾听,这些看似不同的问题,其实指向同一条更深的规律。这篇文章把它概括为「优势迁移陷阱」:一个人在过去的环境里靠某种能力取得成功,就会本能地认为这种能力在新环境里同样重要。研究者相信原创,工程师相信技术,大公司的管理者相信流程。这些能力都没有错,但当评价体系发生变化时,过去最强的优势,可能反而成为今天最大的阻碍。
优势如何变成阻碍
旧环境奖励某种能力,能力带来成功,成功固化信念。到了新环境,同样的动作仍然被重复,反馈却变差;如果把它解释为「执行不够好」,就会加倍投入,反而更难转身。
flowchart LR
A["旧环境"] --> B["被奖励的能力"]
B --> C["成功与地位"]
C --> D["形成「这样做才对」的信念"]
D --> E["进入新环境"]
E --> F["重复熟悉的动作"]
F --> G["反馈变差"]
G --> H{"如何解释?"}
H -->|"再努力一点"| F
H -->|"重设评价标准"| I["学习新的判断方式"] AI 正在让这种迁移变得更普遍。过去,软件公司拥有强大的研发能力,就可能建立很高的技术门槛;现在,AI 不断降低产品开发的门槛,执行本身越来越便宜,竞争会更多转向「值不值得做」「为谁做」「做完之后谁愿意付钱」。这就是为什么说:AI 越强,执行越便宜,判断越昂贵。未来会有越来越多的人拥有过去只有顶尖技术团队才具备的创造能力,但创造能力的普及,并不意味着商业成功也会变得容易。因为 AI 可以帮你解决一个问题,却不能自动证明这个问题值得解决。
评价标准换了
| 旧环境里的高分答案 | 新环境里的关键问题 |
|---|---|
| 这件事以前没人做过 | 谁愿意为它改变行为 |
| 这个方案更复杂、更先进 | 它是否带来了更好的结果 |
| 我证明了自己很聪明 | 我是否真的理解了对方 |
| 产品成功交付 | 价值是否被客户认可并付费 |
| 我掌握了足够多的信息 | 我能否更快地学习并修正 |
从证明自己,转向理解世界
真正危险的不是追求原创,而是把原创当成了价值的证明。你发明了一个新东西,不代表世界需要它;你解决了一个复杂的问题,不代表客户愿意付钱;你拥有别人没有的能力,也不代表你创造了别人无法替代的价值。创业最重要的转变,可能不是从一个聪明的人变成一个更聪明的人,而是从证明自己,转向理解世界。最终决定一个产品命运的,不是你证明了自己有多强,而是你证明了这个世界为什么需要它。
- 这是谁的问题?他上一次为它付出时间或金钱,是在什么场景?
- 他现在怎么解决?我的方案具体好在哪里,好到值得他换掉现有做法?
- 他愿意先付出一次真实成本吗——试用、预付、改变流程,而不只是说「不错」?
- 如果这件事成立,必须为真的关键假设是什么?我能用最低成本先验证哪一个?
这套说法有没有边界? 有。它不是反智,也不是说技术不重要。深科技、医疗、航空、能源等领域,技术壁垒和严谨验证仍然是核心;涉及安全、合规和不可逆后果的决策,也不能拿「70% 原则」当借口。更准确地说,这篇文章反对的是把学术环境的评价标准当成商业世界的唯一标准。技术能力决定你能做什么,理解客户和获取价值的能力决定这件事能不能长期成立。

