5 月 14 日，Anthropic 在 Claude 官方博客发了一份 36 页的 PDF《The Founder’s Playbook: Building an AI-Native Startup》，教创始人怎么用 AI 从零开始建一家公司。
过去，创始人被分为两类：技术型（会写代码）和非技术型（懂业务、会卖货）。二者之间需要合伙、协作或外包才能推进项目。
但现在，没有编程背景的人可以用自然语言构建一个完整的产品原型，不懂商业的技术型创始人也可以在 AI 帮助下完成市场策略和投资材料。
报告给出的判断是：创始人的角色正在从「执行者」转向「调度者」，调研交给 AI，写代码交给 AI，运营交给 AI，创始人专注于只有自己能做的事：识别真正的问题，做判断和优先级排列。
这个判断不算新鲜，但报告把它拆得更具体了。它把创始人需要调度的 AI 能力分成了三个方向：
对话式研究与分析。竞品分析、市场规模测算、财务建模，这些过去靠顾问或自己啃几百页报告的活，现在可以让 AI 在几分钟内给出结构化分析。更有用的是「反向挑战」，让 AI 扮演红队角色，专门找你创业假设中的漏洞。报告里有一句话很到位：AI 给了确认偏误一个「强力升级包」，你让 AI 验证想法，它会帮你找到所有支持证据。所以正确的用法是反过来。
Agentic coding。用自然语言描述需求，AI 代你完成写代码、测试、调试、重构的全流程。「从有一个想法到有一个可用的产品」之间的时间窗口确实被压缩了。但报告在这里做了一个诚实的提醒：Agentic Coding 生成的代码同样会积累技术债务，而且速度可能比人工更快，因为你一天能让 AI 写出传统方式一周的代码量，债务也按同样的比例累积。
工作流自动化。更新 CRM、整理周报、调度客户访谈、内容发布，这些琐碎但必须做的事，AI 可以配置成自动执行。创始人的注意力从运营杂事中释放出来。
三个能力串起来，报告的结论是：10 人以下的超轻量团队，在 2026 年已经可以完成过去需要 50 人团队才能做的事。
报告里最有价值的一章，是第一阶段：想法验证。
原因很反直觉。AI 让「有想法就能造产品」变容易了，但正因为容易，跳过验证直接开干的诱惑更大了。报告引用了一个数据：42% 的初创公司失败是因为做了没人想要的东西。而在 AI 时代，这个比例可能更高，因为从想法到原型的成本趋近于零，你会更倾向于先做一个东西出来再验证，而不是先验证再动手。
报告在想法验证阶段给了几个具体方法，最有价值的两个：
第一，问题假设必须可测试。「合同审查太慢」不是可测试假设。「中等市场公司的法务团队每个合同审查周期花费 3 天以上，因为红线修改通过邮件线程管理」才是，你能去找到这些人，问他们是不是这样。
第二，把用户访谈做正反面证据对比。 把访谈笔记全部交给 AI，让它生成两份清单：支持你假设的证据、挑战你假设的证据。如果第一份明显比第二份长，问题可能不在于数据，而在于你只想看到自己想看到的。
报告把创业生命周期拆成了四个阶段，每个阶段的任务和节奏都不一样。
要验证的事情只有一件：你打算解决的问题是不是真的存在，值不值得花时间去解决。
这一步最容易被跳过。AI 让造东西变得太简单了，简单到你可能觉得「先做个原型再验证也来得及」。但 42% 的初创公司死于做了没人要的东西，AI 时代这个数字只会更高，因为试错的门槛低了，你更容易在没有验证的情况下就投入资源。
报告给的办法有两个，一个比一个实用。
把模糊的观察变成可验证的假设。 举个例子，「企业报销很麻烦」这不是假设，你没法据此做任何判断。但「中大型企业的财务经理每周花 4 小时以上核对报销单，因为现有工具跟财务系统不打通」就是一个可验证的假设，你可以去找财务经理确认。
用 AI 做红队演练。 让 AI 主动挑战你的想法：竞品哪里比你强、你忽略了哪些市场信号、产品可能在什么情况下失败。目的是在投入资源之前把盲区扫干净。
这个阶段报告提了三个容易踩的坑：
AI 技术债务。 不加约束地用 AI 构建产品，代码库会变得一团糟。你今天用 Claude 写了一个模块，明天换了一个会话又写了另一个，设计模式不一样、依赖不一样、命名规范也不一样。报告的建议是先写一份架构说明，让 AI 在明确的约束下工作，别让每次会话都从零开始。
伪产品市场匹配。 早期用户的热情不等于留存。有些人只是好奇，过两周就不来了。报告推荐用 Sean Ellis Test 来区分：如果超过 40% 的用户表示「如果没有这个产品我会非常失望」，那才是真正找到了问题-方案匹配。低于这个比例，你看到的可能只是新鲜感。
无痛范围蔓延。 用 AI 加功能太容易了。你有十个想法，让 AI 一天之内全加上去，结果产品变成了一个什么都有但什么都不精的东西。报告的建议是用指标框架管住自己：盯着留存率、活跃度、失望用户比例这三个数字，而不是功能数量。
报告推荐的 MVP 工作流是：先写技术规范，再用 AI 执行；先定义什么不做，再决定做什么。这个顺序很重要。
MVP 阶段证明了产品值得存在，发布阶段要回答另一个问题：你的公司能不能长大。
这两个问题的难度完全不同。产品能跑，不代表组织跟得上。
报告在这一章花了很大篇幅讲创始人瓶颈。MVP 阶段你什么都管，这没毛病，因为公司小，你需要全局视角和快速反馈。但到了发布阶段，用户量涨了、产品决策堆起来了、运营复杂度翻倍了，你还想亲自抓每一条线，公司就会卡在你一个人身上。报告给的信号很具体：如果一个本该一小时做出的决策拖了一周，如果客服请求堆着只有你能答，如果有些事只有你记得去做，你已经成了瓶颈。
怎么办？报告建议用 AI 做一次全面审计：把你亲自处理的每一件事列出来，分三类。可以全自动化的，需要人但不必须是你的人，必须由创始人判断的。然后把第一类交给 AI，第二类分出去，只留第三类。
另外两个风险也值得一提。技术债务在这个阶段会「收利息」，MVP 阶段为了速度做的妥协，在真实流量和新功能压力下开始暴露。报告建议做一轮架构审计，有针对性地重构，同时补上测试覆盖率。还有一个是过早扩张：你在一个用户群里跑通了，不代表换个市场还能跑通，新市场有新的用户行为、合规要求和支付基础设施，变量一多，你连自己的数据都看不懂了。
增长跑通了，组织也得跟上，还得让竞争对手追不上。报告在这一章没有讲太多操作细节，但提了三个值得思考的方向。
把领域知识编码进 AI 上下文。 你懂的那些行业黑话、边角案例、监管陷阱，竞争对手可以招人学，但需要时间。把这些知识结构化为 AI 可调用的 Skills、Prompts 和测试用例，就多了一层别人不容易复制的东西。
用户行为数据。 竞争对手可以买算力、招人才，但买不到你用户的使用习惯、产品里沉淀的几千条精细决策、以及你和用户一起养出来的工作流依赖。这些数据是拿钱堆不出来的。
工作流锁定。 用户不只是用你的产品，而是把自动化流程跑在他们自己的业务系统里。你的产品长进了他们的组织，迁移成本决定了留存。
三个方向说到底就是一句话：AI 工具越来越便宜，越来越容易获得，但领域知识和用户数据不行。钱能买到的，护城河都浅。
模智空间后台对话框私信260518获取完整报告链接！
