Dan Maccarone：有工具的创始人不等于有判断力的创始人

AI 让单人创始人能够做出产品，但目前还无法帮助他们判断这个产品是否真的好……至少现在还不行。那种专业能力，以及支撑它的来之不易的判断力，向来是决定谁赢、谁悄无声息（或轰轰烈烈）失败的关键。

创业圈里有一种流行的说法，声称如果你不能靠自己、靠 AI 把产品做出来，那你根本就不该去做。这种“建议”主张单人创始人应该用 AI 包揽编码、设计和营销，完全不需要雇佣传统团队。

无论是找代理机构、承包商还是早期员工来为你的产品做设计或工程，都被视为你并不真正理解自己产品的证据，而且越来越多的投资人不会支持这样做的创始人。

大多数创始人正在做的，恰恰就是他们被告知有效的事情，而且通常他们也并不更懂。把“需要帮助”视为一种弱点，会定下一种最终适得其反的基调，因为大多数人并不是独角兽，因为独角兽并不存在。

Y Combinator 的创始人Paul Graham 多年来一直表示，他更青睐能亲手把东西做出来的创始人。ElevenLabs 的早期投资人 Carles Reina 告诉 CNBC，他第一个立刻亮起的红灯，就是那种“根本做不出产品”的创始人。如今超过三分之一的新创公司是单人创办的，因为 AI 让人们无需那些过去必不可少的人，就能从想法走到可用的产品。

这整套立场背后，埋藏着一个危险地偏离现实的假设。它假设：既然你现在能做出东西，你就具备了判断这东西好不好的专业能力。这两件事从来就不是一回事。

AI 把做东西的成本降到了几乎为零，但对判断力的成本毫无影响——那种对人们行为方式的研究、对什么会让产品显得值得信赖的洞察，需要多年积累。

我们免费得到了产品创造能力，却忘了专业能力并没有随之而来。

能在一个周末里靠 vibe-coding 做出一个应用，只让你在一件事上成了专家。你能猜到是哪件事吗？就是在周末里 vibe-coding 做出一个应用。

我和任何人一样重度依赖这些工具，日程排得飞快、AI 含量极高，每天都在对这项技术进行压力测试。即便以这样的速度，也很明显：产出的东西常常接近正确却并不对，而且常常需要真正的经验和来之不易的知识才能发现差别并做出判断。

这一切并不是在贬低那些亲手打造产品的创始人。说真的，向他们致敬。一位创始人把自己的想法 vibe-coding 成真实的东西，是在做一件真正的好事——他们把脑子里的东西迅速带到了世界上，而这向来是最难的部分。

麻烦始于为他们提供资金的人把那份初稿当成成品，并且认为开口求助是一种弱点。

AI转移了思考，而不是消除了思考。那些为专家之死欢呼的人，混淆了两件不同的事：做出你要求的东西，和知道做出来的东西到底好不好。

他们说对的地方

Dario Amodei 是 Claude 背后的公司 Anthropic 的 CEO，他表示，他认为第一家由单人运营的十亿美元公司最早可能在 2026 年出现，他给出的概率大约是百分之七十到八十。他显然对此成真有切身利益，而且他的公司开发的工具正是使之成为可能的工具，但无论如何，这个预测可能是现实的。

风险投资人兼哈佛商学院教授 Jeff Bussgang 从投资角度描述了同样的转变，甚至提到他那些科技公司 CEO 朋友们之间有一个赌注池，赌的是第一家单人十亿美元公司何时出现。

生产软件、打造品牌、开展营销活动、做出可用原型的成本已经跌到谷底。拥有合适 AI 技术栈的创始人，现在一个周末就能完成过去需要一个团队一个季度才能完成的工作。

Andreessen Horowitz 表示，构建变得如此便宜，以至于创始人现在跳过了过去必须先回答的问题。他们的 Speedrun 团队的观点是，有趣的问题不再是“你能不能把它做出来”，因为答案现在永远是肯定的。有趣、或许也更重要的问题是“你该不该做”，而这一直都是那个问题。Marty Cagan 几十年来一直告诉产品团队，他们的工作不仅是问你能不能做出这个东西，还要问你到底该不该做。

当制造东西几乎免费时，纪律就从执行转移到了对什么才值得存在的判断上。

资金不出所料地随之转移。在 TechCrunch Disrupt 上，包括 Elizabeth Yin 在内的种子投资人敦促早期创始人尽可能利用 AI 编码杠杆，Renegade Partners 的 Renata Quintini 也同意，这是寻找产品市场契合点的正确做法，而不是把早期资金花在他们暂时还不需要的人手身上。

Rebecca Lynn 指出，以“演示模式”搭建一家公司从未如此容易，这也正是她对自己投资什么格外谨慎的原因。

这些投资人所回应的是这样一个事实：过去在公司创立之初必不可少的许多角色，现在变得可选，或者至少可以推迟。

初创公司有着过早膨胀的历史。Startup Genome Report 分析了 3,200 多家初创公司，发现过早扩张——过早雇用太多人——是初创公司失败的最常见原因。

从小团队起步通常更明智，但一个能自己构建第一个版本的创始人、一个因为亲身经历而理解问题的创始人、一个不需要雇个“翻译”把自己的想法变成实物的创始人，拥有真实而持久的优势。

最典型的例子是为与自己一模一样的人打造产品的技术型创始人，也就是为工程师打造工具的工程师，他既是构建者也是使用者，确实不需要任何中间人。

这一趋势正转向由创始人独自构建，但现实是他们往往不该这么做。

Travis Howell 和 Todd Hall 研究了单打独斗的创始人能否与联合创始团队抗衡，发现他们可以，但有一个条件：当这位单人创始人拥有深厚而广泛的经验可供借鉴时。

当创始人的真正专长在于打造产品本身——工艺、风险、以及让产品优秀的那些细节，而不只是在于它所解决的问题时，这种方法才奏效。一位为工程师打造产品的技术型创始人可以做到这一点，因为他们的所知与产品所需相契合。

对一个行业、一个市场或一个客户了如指掌很有价值，但这与知道如何打造出人们愿意使用的东西并不是一回事。

目前，这个行业一直在混淆这两者。以为某个工具就能解决问题，实在是愚蠢。

告诉一位创始人，向那些能真正带来专业视角或经验的人求助是一个危险信号，这是本末倒置。它是在惩罚一个人没有亲自掌握一家公司所需的每一点知识，而这是任何真实的人类都不应被要求达到的标准。

会议室里的八个人

1999 年的一个周六上午，我们五个人在 iXL 位于曼哈顿联合广场的办公室碰头，准备发动一场悄无声息的政变。我们特意选了这一天。那里空无一人，没有客户总监，真的没有任何人会听到我们接下来要做的事。只有我们自愿聚集在一张桌子旁，把自己关在一间会议室里，讨论一个我们觉得只要缩小规模就能挽救的项目。

iXL 是那种通过吞并其他代理公司而变得庞大的公司，这在互联网 1.0 时代很常见。代理公司的规模无所谓美德或罪恶，它只是这个行业的现实。我们参与的项目至少有四十个人，预算在公司里数一数二，而它正被自身的重量压得下沉。

流程太多，做决定之前必须知会的人太多，发布日期一再推迟。

这并不是什么新现象（尽管我当时并不知道）。1975 年，计算机科学家 Fred Brooks 目睹了 IBM 试图通过增加程序员来挽救一个延期的软件项目，结果看到它变得更加延期。他将其总结为 Brooks 定律，即在项目后期增加人手只会让项目更加延期。

这是一个残酷的、数学上的现实。随着你增加人手，每个新加入的人都需要熟悉情况，这会把那些已经知道该怎么干活的人从工作中拉走。每个新人都会与其他每个人增加一条沟通线路，因此协调成本的上升速度超过了产出的上升速度。

四十个人并不会比十个人快四倍。他们反而更慢，到处制造阻碍，但他们感觉自己更忙了。

我们想把团队削减到八个人，并极度聚焦。八位专家，每个人都是这栋楼里某一件特定事情上的最强者。我们想要的阵容是：

• 一位前端开发工程师
• 几位后端开发工程师
• 一位项目经理
• 一位信息架构师（当时对 UX 设计师的称呼）
• 一位艺术总监
• 一位创意总监
• 一位设计师

这个前提并不是要解雇团队里另外四十名成员。他们在路线图上的下一个项目里会有很多工作要做，但要真正把这个东西发布出去，我们需要的是尽可能小的一群人，每个人都能运用自己的专长协作，更聪明、更快速地推进这项工作。

多年以后，亚马逊将此发扬光大，称之为两个披萨团队（two-pizza team），这是杰夫·贝索斯（Jeff Bezos）的规则：任何团队的规模都不应超过两个披萨能喂饱的人数，大约十人左右，因为这个规模才能保持 fast。

我当时二十三岁。在那个房间里，我远不是最资深的人，尽管不知怎么的，我竟然是整个纽约该项目上最资深的信息架构师，这应该能告诉你头衔和真正的专业能力之间关系有多 小。

顺便说一句，我还有点爱惹麻烦，这就是为什么你会在周六出现在一间空办公室里，试图把自己的项目削减百分之八十。我们写好了计划，向客户总监逐一讲解，不知怎么的，他同意 了。

然后我们就得去执行，而我们 做到了。

那个小团队变成了一件精密仪器，每当公司需要快速构建困难的东西时，就会伸手去拿它，我确信它为他们赚了 很多钱。

至于那些忙于扩张的巨头，大多数都没能活下来。iXL 大幅缩水。MarchFirst，这些并购体中最大的一家，一家拥有九千名员工、价值六十亿美元的网络咨询公司，在十四个月内烧掉了一十五亿美元，并申请了该行业历史上最大的 破产。

整个行业萎缩了百分之七十到八十。事实证明，庞大是代价最昂贵的脆弱 方式。

这一切都是为了说明，小而灵活的团队这个想法很少是坏主意，所以当一位风险投资人说一位创始人不需要四十个人时，我无法反驳 这一点。

需要理解的是我们在那个房间里所做之事的策略，因为那并不是为今天受到鼓励的单人创始人秀所作的 辩护。

我们把四十个人削减为八位专家。而今天的说法是把它削减为一位创始人和一个工具。这两者听起来可能相似，但其中一个集中了专业知识，另一个则移除了专业知识，并寄希望于软件悄悄填补它曾经所在的 空缺。

Patrick Neeman 认为，在人工智能时代，当任何人都能搭建出相同的模型和相同的功能时，让你的产品脱颖而出的是围绕它构建的体验和判断力。你拥有使你与众不同的东西——工作流、设计、品味、对用户的深刻理解——而你购买或借用底层的通用 商品。

单人创始人说法中的错误在于，假设工具把能让你与众不同的部分交给了你。它真正交给你的只是一种通用 商品。

Ethan Mollick，他对工作场所中人工智能的看法几乎比任何人都要乐观，他坚称人工智能奖励专业知识。它让那些已经知道好作品是什么样的人能够评判输出、发现那些自信的错误，并推动工具超越其默认设置，而其他人则照单全收机器交给他们的 东西。

人工智能为你构建了一个漂亮的仪表盘，却从不会想到去问在没有任何数据之前它看起来是什么样子，或者当某个东西坏掉时它看起来是什么样子。它给你一个干净的界面，白底配上浅灰色文字，而懂行的人会发现你的很多用户根本看不清。只有当有真实经验的人在判断它是否真的完成了，或者花时间要求人工智能去审查它时，这些东西才会被 发现。

Tao An，夏威夷太平洋大学的一位研究员，把这个分歧讲得很清楚：在常规工作上，AI 把新手提升到胜任的基准线，这是真实而有用的。然而在困难、需要大量判断的工作上——正是那种决定一个产品究竟好不好的工作——它的作用恰恰相反。它拉大了懂行的人和不懂行的人之间的差距，因为两者之中只有一个人能看出那个看起来很自信的答案是 错的。

工具放大了在场者的专业能力，它并不提供 专业能力。

归根结底，这一切取决于一件事：专业能力必须在场。一名员工、一名外包、一位联合创始人、一位合伙人，或者你自己——只要你真的具备。用你想要的任何方式把它凑齐，并让团队保持在工作所允许的最小规模。工具几乎能造出你要求的任何东西。它做不到的是告诉你这东西好不好。这一部分从来都属于懂行的人，现在依然 如此。

你无法 prompt 出来的东西

1986 年，Steve Jobs 需要为 NeXT 设计一个 logo，那是他被逐出 Apple 后创办的公司。他聘请了 Paul Rand——大概是当时在世最著名的平面设计师——并请他给出几个方案供选择。Rand 拒绝了。他告诉 Jobs，他会解决这个问题，交回一个答案，Jobs 可以接受也可以不接受。

他收费十万美元。他带回了一个设计：一个倾斜二十八度的黑色立方体，装订成册呈现，书里逐一走过了每个决策——为什么用这个词、为什么是小写的“e”、为什么是这个角度——直到这个 logo 看起来不像是一个选择，而更像是唯一可能的结论。

Jobs 本人确实很有品味，却为一件自己无法独立产出的东西付了六位数。无论他脑子里有什么，他本可以在午饭前生成一千个倾斜的立方体，但那件设计之下的推理源自多年积累的判断力，正是这种判断力让 Rand 能够满怀信心地知道哪一个答案是对的，以及 为什么。

这正是整个“自己动手就行”论调所忽略的鸿沟。产出交付物（无论它是什么）和判断交付物好不好，是完全不同的两种技能。

如今，你可以在一个下午里轻松生成一个 logo、一个落地页、一整个应用。你未必能做到的，是拥有那份判断力去审视产出的东西，看出层级乱了、流程对一个疲惫的人要求太多、语气不适合你想触达的人群，看出屏幕上那个自信而看似完成的东西正在悄悄地、代价高昂地坏掉，或者正在赶走你的客户。

Christian Holst 发现，平均结账流程要求填写约十一个表单字段，而大多数人只需要八个；近五分之一的人仅仅因为流程感觉太长就放弃了购买。在测试中，把表单从十一个字段削减到四个，完成率提升了 120%。给你做出那个表单的工具根本不知道它正在赶走你的客户。

AI 让它吐出的一切看起来都“不错”。它可以干净、现代、专业，但这并不总是优点。它取材的地方和所有人取材的地方一模一样。当每个人都用同样的工具、在同样的样例上训练出来的东西来构建时，一切就开始变得千篇一律。

Aurelie Radom 认为，AI 或许没有让设计判断变得民主化，但它确实让产出变得民主化了。而当所有模型都在同样的数据上训练时，产出空间就会被压缩，原本毫不相干的产品也开始趋同于相同的形状和相同的 布局。

Alwin de Rooij 和 Michael Mose Biskjaer 对此进行了十九项研究的比较，发现这种效应是真实存在的，而且非常容易衡量。人们越是依赖同一个 AI，他们的作品就越趋同，这意味着“看起来完成度高且现代”正迅速成为产品最缺乏辨识度的特质。

“看起来完成度高”曾经是有分量的，通常意味着有懂行的人加入了情境化的考量。如今已非如此。AI 几秒钟就能给你成品般的外观，无论其中是否包含哪怕一个明智的决策。

事实证明，人类天生就容易落入这种干扰的陷阱。1995 年，Masaaki Kurosu 和 Kaori Kashimura 向人们展示了一组界面布局，发现更好看的布局被评为更易使用，即便它们实际上根本不好用。他们称之为审美-可用性效应。

我们看到有吸引力的东西，大脑就会悄悄判定它 好用。

AI 默认就能产出有吸引力的东西，这意味着它在赚取它本不该获得的信任：因为它创造的东西看起来很棒，你就相信它是好的，但没有任何证据表明它真的 能用。

Fabrizio Dell’Acqua、Ethan Mollick 及其同事 研究了 758 名顾问，发现在 AI 不擅长的任务上，依赖它的人表现比不依赖它的人更差。AI 给了他们看起来正确实则错误的答案，而无法分辨差异的人照样采用了这些答案。

另有研究，Yue Liu 及其同事 研究了大量 AI 编写的代码，发现其中充斥着隐藏在光鲜表面之下的质量和可维护性问题。

这在我们领域并非秘密。Nicole Alexandra Michaelis 称之为“品味悖论”：我们都认同“知道什么是好东西”是当下最重要的技能，但我们却建立了一套让人永远学不会这项技能的工作方式。你越是依赖 AI 告诉你什么行得通，你就越难学会如何自己判断。

Ruiqi Zhou 从商业视角补充了这一点，指出如果人人都能做出同样的东西，那么“做出来”就不再是优势了。唯一还有价值的，是判断什么值得去做的 能力。

证据

这并非关于产品外观的情绪化争论。数据支持了这一点。专业能力的商业价值是产品领域记录最充分的事物之一，而 AI 出现后，这些数据变得更加清晰锐利。

Hyunso Kim、Hyo Kang 和 Jaeyong Song 研究了 Product Hunt 上超过 160,000 个产品发布，涵盖 ChatGPT 出现前后，发现在 AI 出现后，个人发布的数量激增，尤其是在那些过去需要团队的类别中；但当他们考察质量、考察哪些产品真正跻身顶尖行列时，团队依然占据主导地位，一如既往。

AI 为个人入场打开了大门，却丝毫没有缩小质量差距。更多东西被做出来了。而好的东西，依然出自那些有能力把它做好的人。

资金也遵循同样的规律。First Round Capital 研究了自己十年的投资组合，发现拥有不止一位创始人的公司比单人创始人高出 163%，融资更多，增长更快，而他们将这一优势直接归因于互补的技能以及由此带来的更精准的决策。他们的数据与他们的建议背道而驰。

这并不是一个关于前 AI 时代的怀旧故事。Boston Consulting Group 发现，在 AI 领域领先的公司——他们称之为“面向未来构建”的公司——其收入增长速度是竞争对手的 1.7 倍，股东回报是 3.6 倍。

这些赢家运用真正的专业知识来驾驭新工具，而不是仅仅购买工具来取代专业知识。

Benedict Sheppard、Hugo Sarrazin、Garen Kouyoumjian 和 Fabricio Dore 对数百家公司在多大程度上认真对待设计进行了评分，然后追踪了它们五年的业绩。那些最认真对待设计的公司，其收入增长速度比不认真的公司快约三分之一，给股东的回报也高出一半以上。

同样的研究也解释了为什么这些赢家如此稀少。超过 40% 的公司在开发产品时仍不与用户交流，超过一半的公司没有办法判断自己团队的工作是否优秀。

认真对待设计是赢家与其他人之间的分水岭。认真对待设计意味着能够判断你的设计是否真的有效。大多数公司做不到，或者干脆不去做。

如果大多数公司一开始就分不清好设计和坏设计，那他们当然会相信 AI 为他们做出了好东西。他们无从知道事实并非如此。

判断力不同于某个强势人物的直觉，而“工具无法替你做决定”的答案也不应该是“那就让房间里嗓门最大的意见来决定”。2009 年，Google 的首席设计师 Doug Bowman 辞职，并在一篇题为《再见，Google》的帖子中解释了原因。他写道，公司无法在两种蓝色之间做出选择，于是测试了四十一种。

他曾被要求用数据证明，边框应该是三像素、四像素还是五像素宽。那是另一种错误，而且同样糟糕。当团队中没有人能直接说“四”的时候，你就会测试一切，因为没有人具备做出这一决定的专业知识、信任或地位。

真正的专业知识在于，知道哪些决策你可以一秒钟内拍板并继续前进，而哪些决策确实需要测试。

小规模构建。只管带上专业知识。

Rick Rubin 制作了过去四十年里一些最重要的唱片，横跨摇滚、说唱、乡村和流行，合作的艺人包括 Johnny Cash、Jay-Z、红辣椒乐队（Red Hot Chili Peppers）和 Adele。

当 Anderson Cooper 在《60 分钟》节目中问他是否会演奏乐器或操作调音台时，Rubin 回答说不会。“我没有任何技术能力，”他说，“而且我对音乐一无所知。”

Cooper 合理地问他，那他凭什么拿这份报酬。Rubin 的回答总结了为什么专家视角如此重要。他说：“事实证明，我对自己的品味以及表达自身感受的能力的信心，对艺人们很有帮助。”

他无法自己创作曲目，但他仍然是音乐界最受追捧的人之一，因为创作并不总是重点。判断力才是。

能够静下心来面对一件事，并且笃定地知道它需要什么、什么在阻碍它，这是任何创造性工作中最稀缺、最有价值的能力。它恰恰是工具本身所不具备的东西，无论工具变得多好 。

那些告诉创始人除了自己和 AI 之外谁都不需要的人，在一个关键点上说对了一半。你当然不需要四十个人，甚至可能连十个人都不需要。他们所担心的臃肿问题确实存在，消除它是好事，这一点说得没错；但他们把一个关于团队规模的真相，变成了一个关于专业能力的谬论。

人要更少，是的；专业能力要更少，不是。

目前，AI 给你的是专业能力的产出，而不是专业能力本身。它交给你一件本该由熟练之人完成的作品，却没有给你那个人用来判断这件作品好不好的判断力。

这个差距在今天是真实存在的，在可预见的未来也依然如此，尽管我不会假装知道“可预见”到底有多长。也许模型会弥合它，也许判断力最终会被证明是最难自动化的那一环。

无论如何，你必须在你实际所处的世界里做事，而在当下的世界里，AI 可以做出东西，却无法告诉你这东西好不好 。

真正这样做的创始人最先承认它会在哪里失灵。Anik Devaughn 几乎凭一己之力建立了一个 AI 原生的电商平台，他说，那些对自身业务有深刻理解的创始人可以跑得更快、保持更小的团队，但那些无法评估工作成果的人，只会把糟糕的决策自动化。

基本上，如果你是一位创始人，正在和一位声称不会投资任何雇佣帮手的人的投资者交谈，那这位投资者没有抓住重点。

一个能分辨什么有效、什么无效的创始人，远比一个只能告诉你他拼凑出来的演示看起来很棒的创始人更值得押注。

这并不是在论证应该聘请一家代理机构，或聘请某个特定的人。这是在论证应当重视那些为创造成功所必需的专业能力。它可以是一名员工或合同工，一位联合创始人或合伙人，也可以是你自己——只要你确实投入了足够长的年头。

纽约大学教授 J.P. Eggers 做过一个实验，让 MBA 学生使用 AI 智能体从零开始打造初创公司。他发现，AI 擅长离散的任务和快速的头脑风暴，但它无法取代由真正的专家在场所带来的判断力。

他关于没有这些专家会怎样的那句话总结了很多，他说：“你多少是在凭信念认为 AI 产出的东西相当不错。”

组建你能拥有的最小团队。保持精简以便快速行动，并确保团队里有人能分辨什么是正确的、什么是有问题的。AI 能构建任何东西。判断它是否正确，则需要人。

无论有没有 AI，如果没有真正懂行的人，一切都会崩塌。

任何把创始人愿意引入这样的人视为软弱的人，都把事情弄反了。一个清楚自己不懂什么、并主动去寻求帮助的创始人，才是值得押注的那一个。

参考文献与延伸阅读

你应该自己动手构建的信念

• Diana Bocco，《AI 让单人创始人无需招聘即可打造初创公司》（Inc.）。用创始人自己的话讲述的“AI 单人创始人”运动，其中有一句话说，无法评估工作成果的创始人只会把糟糕的决策自动化。
• Paul Graham，《如何创办一家初创公司》。Y Combinator 的观点：最好的想法是创始人自己就能做出来的那些。
• Carles Reina（CNBC）。ElevenLabs 的投资方谈为什么一个“根本做不出产品”的创始人会立刻亮起红灯。
• 独立创业的现状（Carta 数据）。如今超过三分之一的新公司是由单人创办的。

他们说得对的地方

• Dario Amodei（Inc.）。Anthropic CEO 预测到 2026 年将出现第一家一人十亿美元公司。
• Jeff Bussgang，《AI 与 10 倍创始人的黎明》。一位风投兼哈佛商学院教授谈同一场变革，以及 AI 是在倍增专业能力而非取代它。
• a16z Speedrun，《代码的白痴指数》。构建变得如此便宜，以至于真正的问题从“你能不能做”变成了“你该不该做”。
• Elizabeth Yin 和 Renata Quintini（TechCrunch）。种子期投资人谈在最早阶段就借助 AI 编程的杠杆效应。
• Rebecca Lynn（经由 MLnotes）。谈一家公司有多容易就能“以演示模式”搭起来，以及为什么这让她保持谨慎。
• Startup Genome，《过早扩张》。在 3200 多家初创公司中，扩张太快、过早招太多人，是初创公司失败最常见的原因。
• Travis Howell 和 Todd Hall，《孤独天才还是孤独傻瓜？》（《战略管理期刊》）。单人创始人可以独当一面，但前提是他们本人具备深厚而广博的专业能力。
• Marty Cagan，《产品管理：从这里开始》（SVPG）。数十年来一直主张，这份工作不仅要问你能不能把它做出来，还要问你该不该做。

小团队与聚焦策略

• iXL 和 MarchFirst（Unicorn Burn）。互联网泡沫时期的整合巨头，做大之后轰然崩塌；MarchFirst 在十四个月里烧掉了 15 亿美元。
• Fred Brooks，布鲁克斯定律。给一个已经延期的项目加人只会让它更晚，因为协调成本上升得比产出还快。
• 两个披萨团队。Jeff Bezos 的规则：最快的团队要小到两个披萨就能喂饱。
• Patrick Neeman，《买还是做，如今是一个 UX 决策》。把让你产品与众不同的体验和判断力握在自己手里；底层的通用部分则买来或借来。
• Ethan Mollick，《赛博格队友》。AI 奖励专业能力：最清楚“好”是什么样的人，从中得到的也最多。
• Tao An（arXiv）。在常规工作上，AI 把新手往上抬；在困难、依赖判断的工作上，它拉大了懂的人与不懂的人之间的差距。

产出不等于专业能力

• Christian Holst，Baymard Institute。平均而言，结账页面要求填写的表单字段比实际需要的多；精简字段可以将完成率提升 120%。
• Masaaki Kurosu 和 Kaori Kashimura，美学-可用性效应。人们会把更好看的界面评为更易用，即便事实并非如此。
• Aurelie Radom，《AI 让每个人都成了创作者，而不是设计师》。AI 民主化的是产出，而不是设计判断力，所以彼此毫无关系的产品不断趋同于同样的形态和布局。
• Alwin de Rooij 和 Michael Mose Biskjaer，《生成式 AI 让我们想法趋同了吗？》。一项涵盖十九项研究的综述发现了一种真实且可测量的同质化效应：人们越依赖同一个 AI，他们的作品就越趋同。
• Fabrizio Dell’Acqua、Ethan Mollick 及其同事（哈佛商学院）。在 AI 不擅长的任务上，过度依赖它的顾问表现更差，因为 AI 给出的错误答案看起来很像对的。
• Yue Liu 及其同事（arXiv）。一项关于 AI 生成代码的大规模研究发现，其表面看似完成度很高，实则充满质量和可维护性问题。
• Nicole Alexandra Michaelis，《品味的悖论》。所有人都认同判断力是最重要的技能，而当前的工作方式却让人永远无法培养出这种能力。
• Ruiqi Zhou，《品味是新的护城河，而这正是问题所在》。如果人人都能产出成果，那么唯一还有价值的，就是指导这些成果的判断力。

证据如下

• Hyunso Kim、Hyo Kang 和 Jaeyong Song（arXiv）。在 16 万多个 Product Hunt 产品发布中，AI 提升了个人独立入场的机会，但优质产品仍然集中在团队手中。
• First Round Capital，《十年项目》。拥有不止一位创始人的公司，其表现比单人创始的公司高出 163%。
• 波士顿咨询公司（BCG），《为未来而构建》。在 AI 领先的公司，其营收增长是竞争对手的 1.7 倍，股东回报是 3.6 倍。
• Benedict Sheppard、Hugo Sarrazin、Garen Kouyoumjian 和 Fabricio Dore，《设计的商业价值》（麦肯锡）。认真对待设计的公司增长更快，而大多数公司没有客观的方法来评判自己的作品。
• Doug Bowman，《再见，谷歌》。这位设计师在被要求用数据证明四十一种蓝色中该用哪一种后离职，这是另一种失败：用测量来逃避判断。

结语

• Rick Rubin（《60 分钟》）。这位制作人不会演奏任何乐器，他全部的价值就在于对自己品味的自信。
• J.P. Eggers（《财富》）。纽约大学的实验中，AI 智能体构建了初创公司，而缺少真实专家时，缺失的正是判断力。

有工具的创始人不等于有洞见的创始人最初发表于 Medium 上的 UX Collective，人们正在那里通过高亮和回应这篇文章继续这场讨论。