> ## Content Index > Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt > Use this file to discover other available public pages before exploring further. # AI创新者的困境 - URL: https://www.hubwiz.com/blog/ai-innovator-s-dilemma/ - Published: 2026-02-26T15:09:28.000Z - Updated: 2026-02-26T15:09:28.000Z - Description: 在今天的AI环境中，这种动态被极大加强。拥有可以快速调整以捕获AI用例产品的初创公司比现有企业具有显著优势，这将使AI成为近代历史上最具破坏性的技术转变之一。 - Author: admin - Tags: STARTUP, #Import 2026-10-14 14:41 我目前正在构建一个[AI驱动的事件调查 产品](https://incident.io/ai?ref=hubwiz.com#investigations)，当事件被声明时，它可以自动调试和分类生产问题。 我们是"代理SRE"空间的许多新进入者之一。在这里工作让我对AI生态系统的竞争动态有了第一手的观察，我越来越将其视为创新者困境的放大版。 这个困境描述了成功的公司如何因为听从客户并投资于承诺最高回报的项目而失败。这种理性行为使它们容易受到较小公司的攻击，这些公司最初服务于利润较低的小型市场，但最终发展成威胁现有企业的核心业务。 在今天的AI环境中，这种动态被极大加强。拥有可以快速调整以捕获AI用例产品的初创公司比现有企业具有显著优势，这将使AI成为近代历史上最具破坏性的技术转变之一。 这是大多数AI"影响者"会看到的标准姿态，所以我将直接跳入我每天都在使用这项技术时看到的内容。 ## 1、指数级更高的GA成本 大型现有企业在AI产品上面临一个关键问题：他们必须从一开始就为巨大的规模解决问题，而我们这样的初创公司可以专注于狭窄的市场并更早发布。这种进入市场要求的差异为较小的参与者创造了惊人的优势。 经济学充满挑战，因为构建复杂的AI产品所需的投资随着客户群的大小和多样性而扩展。这不仅仅是线性扩展——它是乘法的，而且这种成本不仅仅出现在你的AI账单上。 当你将AI系统扩展到更大的问题空间时，会发生两件事： 1. 你需要更多的评估数据集和测试 2. 问题的范围可能会在你的团队获得解决它的动力之前爆炸 当构建我们的事件调查代理时，我们首先专注于完全为自己解决问题，从一个发现导致我们事件的代码更改的代理开始。使该系统良好是一个构建训练数据、运行重复评估、对我们适度的数据集进行持续测试的过程。我们的规模意味着我们在薪水上的支出远远超过我们的AI账单，生成的代理可以泛化到我们用户群的一大部分。 现在想象一下你是PagerDuty或GitHub，这两个公司都有代理SRE非常适合他们的产品。为了使这个代理值得构建，它需要为如此大量的客户工作，以至于你会淹没在多样化的技术堆栈和不同的编码实践中。实现在各种用例上的一致性能将需要一个评估套件，其运行成本极高，以至于你的团队需要有效地迭代的频率。这经常导致大公司延迟投资，同时等待承诺降低这些成本的技术改进。 这为公司创建了一个窗口，而我们这样的公司可以在更大的竞争对手仍在研究如何使经济学工作的同时构建、部署和迭代AI系统。当他们解决规模问题时，我们将有多代改进和真实反馈融入到我们的系统中。 这种领先优势甚至更关键，因为…… ## 2、初始投入是相同的 我最近写了一篇博客文章叫["超越AI MVP"](https://www.hubwiz.com/blog/ai-mvp/)，讨论了你可以多么容易地构建一个看起来可信但实际上在实践中毫无用处的AI原型。只有当人们开始真正使用产品时你才会意识到这一点。 在这一点上，真正的工作开始了，因为为了有效地构建AI系统，你需要： - 一个拥有为真实用户在现实世界用例中部署AI经验的团队 - 由你特定的公司用例驱动的工具投资 - 你的团队学习新工具的时间 无论你是为大规模用例构建代理AI系统还是更适度的客户档案，在你的团队可以开始有效地实施系统之前所需的投入是相似的。这种投入包括构建与AI一起有效的工具，例如评估套件、回测和记分卡。它还关于改变你的工作方式和提升你的团队技能。 所有这些学习和投资都是缓慢的，关键是，不会通过向问题投入更多资源而大大加速。你可以把整个公司放在它上面，但它不太可能加速工程师的个人学习曲线，而且每个人在没有明确方向的情况下构建竞争的内部工具的混乱不太可能有所帮助。我们发现很难将这项投资并行化到超过两三个人。 能够为更简单的客户环境部署AI系统的初创公司将在专业知识、内部工具方面建立有意义的领先优势，并避免AI MVP陷阱。 也许大公司会在稍后投入资金但最终追上，但到那时他们的资源允许他们超过吗？嗯…… ## 3、小团队优势 大公司的一个优势是人，你可以（假设）把人投入到问题上使事情进展更快。 但是如果你环顾四周，AI突破公司如Cursor并不是庞大的——它们很小，<20人的年经常性收入达到1亿美元！标准解释是"新市场的先发优势"，但我认为这比那更根本。我们根本没有破解如何用大型团队构建引人注目的AI工具。 "功能工厂"将无法将代理系统发展到精致的用户体验。至少现在不是：在这些早期阶段，你需要一个小核心团队，他们可以在脑海中掌握整个系统，这样他们可以捕获在错误呈指数级复合的系统中小的提示调整经常引起的不可预测影响。他们利用evals等工具来帮助控制混乱，但"工艺"已经成为质量AI体验比过去十年或更多的产品工程更重要的东西。 对于现有企业，这是一个问题。他们将需要更小的、类似臭鼬工厂的团队进行初始发现和开发。既定公司通常在这方面比初创公司更差，虽然后者生活并呼吸这种执行模式。 即使他们创建这些团队…… ## 4、Dogfooding和迭代速度 AI开发中最强大的反馈循环是Dogfooding——在真实场景中使用产品自己。我们被推动构建推测性的代理工具调用来优化我们的聊天交互，使它们足够快以至于人们享受使用它们，例如，并且从AI误解欧洲名字（感谢Leo Sjöberg！）到通过主动使用产品自己捕获奇怪的提示错误的所有内容。 我们还没有将这些系统扩展到为最大的客户工作，所以现有企业正是由于他们的规模和复杂性而被锁定在这种Dogfooding之外。如果迭代是了解构建时间的唯一可靠方式，无法Dogfood是一个巨大的痛苦。 大公司的繁文缛节加剧了这个问题。当每次迭代需要多次批准、安全审查和合规检查时，必要的快速反馈循环被打破。在初创公司需要几个小时的更改在企业可能需要几周或几个月。 这种"迭代优势"不仅仅是关于移动得更快；它是关于学习得更快。在AI产品开发中，你解决方案的质量在很大程度上取决于你遇到和解决的真实场景的数量。每次包含真实反馈的迭代与理论上孤立完成的改进相比都会使系统呈指数级改进。 到现有企业建立基础设施进行大规模测试时，初创公司将经历与真实用户的几十次迭代，开发一种对什么有效的直觉，这几乎不可能走捷径。 那么如果这些大公司实施"战时"政策，放弃所有繁文缛节怎么办？即使那样…… ## 5、传统护城河不能保护现有企业 这些是对小公司的一堆新颖的、AI特定的逆风。但如果你在科技领域工作得足够长，你已经听到了关于既定公司为何被保护的标准叙述：他们有数据、集成和访问最佳技术。 AI正在以反直觉的方式重写这个剧本。 ### 5.1 数据护城河已经转移 在我们的情况中，PagerDuty是一个没有正确数据建立护城河的现有企业的良好例子。我们的产品总是比他们看到多得多的 INCIDENT 过程，我们在那里看到在频道中发布的所有消息和附件、事件跟进、票务、事后分析。 AI创造了全新的产品机会，允许你解决以前无法触及的问题。现有企业永远不会考虑这些问题，因为它们是不可能的，所以他们可能从未开始收集数据。 唯一重要的"护城河"是你可以在你的AI系统上迭代的速度，这需要与你的客户现在有反馈循环。再次，这涉及到困境，其中现有企业正在延迟开始，直到技术允许他们解决企业，而新来者已经获得实践经验并为自己建立领先优势。 ### 5.2 集成优势转向新来者 既定玩家通常有集成优势——每个人都已经连接到他们。令人惊讶的是，在AI中，这种动态逆转了。 现代初创公司有强烈的激励连接到现有工具生态系统，但现有企业有说"连接到我们"的奢侈。这留给年轻初创公司更少的集成，但他们拥有的是他们自己控制下的东西。 当AI改变系统通信的性质时，拥有广泛的现有集成只有在你能够有效地改进和更改它们时才是一个优势。初创公司将没问题，但对于长尾等待集成生态系统进行更改成为锚点，阻碍现有企业。 ### 5.3 尖端技术正在被商品化 AI研发的尖锐边缘发生在像OpenAI、Anthropic、Google这样的大规模AI公司，而不是（或很少）在构建AI产品的公司。 尖端技术对消费者购买者和巨型公司一样可用是非常不寻常的，或者访问以按需付费方式计量，这也破坏了资本优势。本周在ProductHunt上发布的AI初创公司将使用与Google相同的模型，这是一个 unusually 平等的竞争环境。 ## 6、初创公司将赢得这场游戏 这将是一个主要的破坏性转变，并且发生得非常快。生成式AI改变了足够的可能性和实现方式，以至于规则已经改变，而且几乎每个传统优势都已被中和或逆转。 总结一下： - 为大型、多样化的客户群构建比专注于狭窄垂直领域呈指数级更昂贵，为初创公司创造创新空间，并使现有企业难以证明投资的合理性。 - 这种领先优势很重要，因为AI的初始投资需要类似的时间承诺，无论公司大小如何，为初创公司创建构建专业知识和工具的机会。 - 小型、有凝聚力的团队在开发AI产品方面具有优势，因为我们还没有有效地使用大型团队扩展AI开发的剧本，对抗现有企业的最大优势（他们的资源）。 - Dogfooding和快速迭代只有在某些规模下才可能，给初创公司从真实使用中学习并比被自己的复杂性锁定的现有企业更快改进的能力。 - 数据、集成和尖端技术分发的传统护城河不适用。 这并不是说现有企业注定失败。最聪明的将通过创建具有不同经济学和时间线的自主AI部门、早期收购有前途的初创公司，或转向以新方式利用其规模的平台策略来回应。 但现在有一个异常广阔的机会窗口。在接下来的2-3年里，我们将看到初创公司解决"理应"属于既定玩家的问题。只需看看Cursor已经变得如此主导IDE的速度，或者ElevenLabs达到1亿美元年经常性收入的速度，在你期望JetBrains或Google主导的领域。 当那个窗口关闭后会发生什么？我的猜测是我们将看到整合阶段，成功的初创公司要么被收购要么成长为新的现有企业。但到那时，市场将已经被根本重塑，我们将以与现在非常不同的方式思考AI。 在科技领域工作是一个疯狂的时期。如果你正在构建AI初创公司，不要被资金更雄厚的竞争对手吓倒。你有惊人的系统优势，只要你能够移动得足够快以利用它们。 --- 原文链接: [AI Innovator's Dilemma](https://blog.lawrencejones.dev/ai-dilemma/?ref=hubwiz.com) 汇智网翻译整理，转载请标明出处