创业建议：AI 上市策略、转型与招聘之道

摘要

本期 YC Office Hours 汇集了多位合伙人对创始人核心问题的深度解答。节目首先聚焦 AI 公司进入传统行业的三种上市策略：向现有企业销售软件、自建全栈服务型公司、收购现有企业并注入 AI，并深入分析了各路径的优劣与自动化率这一关键指标。随后讨论了企业级 AI 产品的市场切入问题——在投资者急切期待增长与长销售周期之间，创始人应优先追求学习速度，而非一味追逐大客户。在 AI 销售代表 (AI SDR) 的话题上，合伙人一致认为：创始人必须先亲自跑通销售流程，AI 工具才能在已有框架上放大效率，而非作为"最后手段"来弥补销售能力的不足。节目还回应了是否应为等待下一代模型而暂缓投入的疑问，强调过程中的学习积累才是真正的价值。转型部分以 Firecrawl 和 Algolia 等真实案例，阐释了如何在已有一定营收时判断是否需要转型、如何建立内心确信，以及技术难度恰恰可能是最好的护城河。最后，关于招聘时机的判断——当你忙到无暇面试时才是真正的信号，以及开源企业级 SaaS 产品在建立信任和缩短销售周期方面的独特优势，均得到了详尽讨论。

AI 进入传统行业的三种路径

创始人创业之初必须回答两个核心问题：我的客户是谁？如何获取他们的注意力？这是每位创始人必须完成的两大"魔术"。一位创始人提问：如果在传统行业中构建 AI 公司，长期愿景是用智能体 (Agent) 或大语言模型 (LLM) 全面自动化一切，但第一天无法交付这样的成果，应该如何上市？

以会计行业为例，有三种路径可供选择。第一种是构建面向会计师销售的 AI 软件公司，这也是 YC 孵化公司最常见的方式。团队会深入理解会计领域，找出其中最有价值且在创业初期六个月内合理可行的自动化方向，然后将该服务卖给会计师。关键在于：不需要支撑会计事务所的全部功能，只要把那一件事情做到极致，且对客户足够有价值即可。

第二种是自建一家会计事务所，即"全栈"模式。挑战在于你必须处理报税、结账等诸多繁杂业务，需要雇佣持证会计师，前期会有大量手工工作。选择这条路径时，核心追踪指标应是"工作自动化百分比"——这个比例必须随时间持续上升。软件出身的创始人在此模式下更具优势，因为他们能审视全部工作流程，识别哪些部分最容易率先自动化，而会计师出身的创始人可能不具备这种视角。

第三种是收购一家现有会计事务所，然后在其中注入 AI。好处是客户已经存在，但困难在于改变现有公司的文化，且公司越大，变革越难。目前尝试第三种路径的公司不多，第一种最为普遍，第二种紧随其后。

自动化率：衡量 AI 公司核心价值的指标

关于第二种路径，一个常见的失败模式是：公司实现了 20% 自动化、80% 人工，然后过早开始规模化营收，疯狂招聘会计师，最终沦为一家人工操作为主的会计事务所，附带一点软件。这绝非正途。

一个实用的框架是追踪"技术人员占比"——当非技术人员过多时，他们只会不断向技术人员提需求，导致团队什么都做不出来。技术人员占比应维持在一定水平（约 30% 以上），才能确保持续推进自动化的同时兼顾日常运营。

更有建设性的做法是设置"强制函数"(Forcing Function)，例如只允许拥有一名会计师、不允许再招，当业务增长时就必须用 AI 来扩展。正如 Airbnb 等公司所践行的，将这个数字公开透明化，让全体员工关注并推动其上升，这本身就是一种文化基石。

如果以 SaaS 投资者的视角看待这类公司，自动化率的增长轨迹比整体营收更为重要。单纯的会计事务所营收并不能证明你具备软件公司的基因——真正要证明的是你能够编写软件来自动化大量任务。因此，更慢的增长加上更高的自动化率，以及清晰的每月自动化递增记录，才是 SaaS 投资者真正看重的。

Vessence 是上一批次（Spring Batch）的一个案例，两位创始人都没有法律背景，他们在 YC 之前找到了斯德哥尔摩一家大型律师事务所，对方对 AI 软件如此兴奋，甚至允许创始人在其办公室工作了数月，借此构建了最小可行产品 (MVP)。对于想进入传统行业但缺乏行业经验的创始人来说，这是一条非常好的路径。

此外，在第一种路径中向事务所销售时，务必找到决策者真正认同并积极推动软件使用的客户。这甚至早于"跨越鸿沟"(Crossing the Chasm) 模型中的早期采用者——他们是产品尚未存在就愿意采用的人。建议在接触客户时设置充分的资质预审 (Pre-qualification) 问题，筛选出那些高度激励、热衷尝试新软件的早期采用者，否则容易被拖入漫长的企业销售周期，却无法判断对方是否真正会深度使用你的产品。

企业级 AI 产品的市场切入策略

下一个问题涉及企业级 AI 产品的市场选择：像 Viva 或 Palantir 这样的企业级产品需要时间，买家稀少，销售周期漫长，新产品采纳缓慢，而投资者却渴望快速增长。在当前 AI 热潮中，创业公司是否应从中型市场 (Mid-market) 起步？

对于尚处早期的公司而言，最重要的不是市场规模，而是学习速度——多快能了解客户想要什么、他们的痛点是尖锐还是钝性。直接瞄准大型企业就像航天创业一样：签下 50 万美元年度经常性收入 (ARR) 合同的难度不亚于将卫星送入轨道。对航天公司的建议是先找一个更小的目标，确保能成功——软件公司同理。从中型市场起步有助于更快学习、获得更好反馈，并以更灵活的姿态迭代产品、与用户对话。

但有一个重要例外：如果你的产品要解决的问题本身就只存在于企业级，那么别无选择，只能从大客户开始。此时应瞄准"拥有该问题的最小公司"，或大幅缩小产品范围——先以一两个企业内部用户为着陆点，用一个更窄的产品切入以缩短销售周期。

除了选择正确的细分市场，更重要的是精准筛选销售对象。当下各行各业都在采购 AI 软件，但你仍需验证个人：他们是否有决策权？是否有激励去推动这件事？购买软件的后果是什么？许多创始人先想细分市场再想个人，但有时"找对人"比"找对细分"更重要——只要对方有决策权，中型公司的买家可以非常迅速。而大型企业的反馈周期缓慢，创始人容易陷入数月的销售周期，最终仍不确定产品是否奏效。

AI 销售代表与创始人销售

一位创始人通过视频提问：应该招聘增长黑客 (Growth Hacker)、传播者、销售人员、销售开发代表 (SDR) 等，还是尝试用 AI 员工来替代这些角色？

合伙人们对 AI 销售软件持乐观态度，但强调 AI SDR 在已跑通的销售流程中才能发挥效用。当创始人将 AI SDR 作为"最后的手段"——自己完全无法卖出产品，指望 AI 解决问题——这种情况几乎从未成功。弄清楚如何销售产品的苦活，仍然必须由创始人亲自完成。

一位合伙人分享了自己的经历：八年前进入 YC 时，他在消费公司做了五年增长，但不得不花两三年"反训练"自己——过去的学习对创业公司并不适用。大多数增长建议针对消费公司，对创业公司并不奏效。如果你还没有弄清楚什么有效、还没有上百个客户，那么增长工具可能根本不适用，甚至可能带你走向错误方向——看似在进步，实际什么都没学到。

作为创始人，起步时必须回答两个难题：我把产品卖给谁？如何获取他们的注意力？一旦找到答案，就可以让 AI SDR 或智能体来处理后续的大量执行工作——寻找客户、获取关注。但在弄清楚这两件事上，AI 目前帮助有限。

一个有趣的启示是：AI SDR 公司自身的经验也印证了这一点——当他们把产品卖给无法自行销售的创业公司时，客户流失率 (Churn Rate) 极高。他们的真正目标客户应该是那些已有好产品、能自己销售、已经破解了"魔术"的公司，然后帮助其用 AI 规模化。

这与 YC 一直以来关于招聘第一位销售人员的建议如出一辙：几乎总是太早了，除非创始人已经亲自跑通了所有环节——如何获取注意力、客户会有哪些异议。创始人应该在销售变成纯粹的执行工作、只需跑已有手册时，才考虑招聘。对于 AI SDR 和新型销售角色，这条原则的重要性甚至要乘以十倍。

此外，创始人在大规模招聘或扩建团队之前，应当对每个岗位充满好奇心并亲自学习。市场副总裁 (VP of Marketing) 的流失率出了名地高，不是因为这些人能力不足，而是因为创始人对其职责抱有错误预期，且从未花时间真正了解该岗位。营销的效果也比工程更难量化，因此创始人更应先亲身体验再决定招聘。

是否应为模型跃升而延迟投入

创始人提问：应该现在大胆投入获取暂时优势，还是等待下一代模型跃升，试图让产品免费且更易获取？

这需要从两个层面回答。首先，创始人应自问：我正在构建的东西在 GPT-5 发布后会变得无关紧要，还是会因新模型而变得更强？如果只是在解决当前模型尚未解决的痛点，那很可能是个糟糕的主意。

但如果属于第二类——模型改进会使你的产品更好——那么即使现在投入可能"过度花费"，过程中的学习积累却是无价的。当你提前投入，你会从过程中学到大量经验，一旦新模型就绪，你直接接入，产品从第一天就远超竞争对手。2024 年 Claude Sonnet 模型发布时就是一个典型案例：许多之前勉强工作的内部工具突然变得好用起来。代码生成 (Code Generation) 工具也是如此——之前几乎无法使用，但在新模型加持下宛如魔法。早期投入的团队在新模型到来时立刻获得了巨大优势。

何时考虑转型

转型是创业中最脆弱的时刻之一。当你问自己"是否应该转型"时，首先要确认自己是否还有足够的精力——转型意味着放弃数月甚至数年投入的成果，从零开始，进入一段不确定的时期。

Firecrawl 是一个经典案例。它现在是一款非常成功的开源网页爬取产品，服务大量 AI 智能体客户。但在此之前，团队在做一款名为 Mandible 的产品，当时已有数十万美元的 ARR 和大客户标志。他们最初做的是文档之上的问答系统，增长却相对缓慢。在构建 Mandible 的过程中，因为找不到满足自身需求的爬虫工具，他们自建了一个——随后与其他创始人交流时发现，每家 AI 智能体公司都需要这个爬取功能。他们意识到，大产品中那个边缘的小组件，实际上远比主产品更有价值。他们没有一夜之间从 A 跳到 B，而是先实验性地推出该组件，发现需求爆发后才做出重大决策——放弃数十万美元营收，从零开始。结果证明这是极其正确的选择。

Algolia 自身也有类似经历。最初产品是一个嵌入移动应用的端侧 SDK，每月仅有几千美元收入，销售艰难，客户并不真正重视产品。团队意识到这最多只能做成一家生活方式公司 (Lifestyle Company)，不是他们想要的，于是果断转型。

判断是否转型的一个关键信号是：用户是否真正重视你的产品？许多创始人在有一定营收后就不再与用户深度交流。Greile（Winter '24 批次）在获投时已有数千美元 MRR，几十个付费客户，数字持续上升。但经过反复催促，创始人与用户深入访谈后发现，没有任何两个人对产品的描述一致——产品与用户之间的关系杂乱无序。他们随后聚焦于一两个核心价值点，才实现了真正的增长。

转型的另一个框架是：不要只带着一个新想法来寻求验证，而应同时探索一系列不同的想法。这样当某个想法被否定时，你不会因为唯一的选择被否决而彻底气馁。转型的本质是从零开始，需要建立确信和保持精力——框架和建议可以帮助，但最终决策取决于创始人自身。

一家 Fall Batch 的公司在整个批次中反复纠结是否转型，几千美元 MRR、拼命做销售却始终没有突破。批次结束后他们转型做了一个开源计费框架 Autumn，目前收入远低于之前，但他们有了确信——你能从他们的语气中感受到。这揭示了一个更高阶的领先指标：也许你应该转型的信号，就是你不再相信正在做的事情能成功。

如何判断好的创业想法与伟大的创业想法

"何时应该放弃一个好的创业想法去寻找一个伟大的？" 这个问题很难回答，因为你通常无法在当下判断一个想法是"好"还是"伟大"，直到你真正从用户那里得到反馈确认它是伟大的。

转型是一个过程，需要框架、流程和实际工作，而非在提问的瞬间就能知晓所有答案。这又回到了"确信"的问题——好的想法可能有一点营收，但伟大的想法让你如此确信，因为客户每天都需要你来解决真正的痛点。

一位合伙人反思自己的早期经历：曾有许多"伟大"的想法，但因为并未真正构建任何东西或展示给客户，最终它们并不伟大。另一位合伙人则质疑是否存在"好的创业想法"这一分类——他认为只有两类：伟大的想法和除此之外的一切，而后者本质上就是糟糕的创业想法。如果你觉得某个想法"不错"，就需要用力去磨砺它，寻找伟大的迹象——像擦洗一块石头看里面是否有钻石，而非仅仅反复端详"看我的石头"。这需要激进的 销售、构建最疯狂的版本在几周内测试用户反应，始终在测试伟大的迹象，并且对自己诚实——很容易盲目相信某个想法伟大而拒绝任何反面意见。

当天早上一位创始人被录取进 Summer Batch 后问了一个问题：顶尖创始人与其他人的区别是什么？答案是：最优秀的人执着且极度专注地寻找一个伟大的创业想法，确保自己走在一条能做大的道路上。而且，真正拥有伟大想法的创始人通常不会说"我有一个伟大的想法"——正如史蒂夫·乔布斯的经典态度："这是个蠢主意"，即便他内心可能认为它很伟大。

因技术难度太高而转型？恰恰相反

如果想法从潜在买家那里得到了验证，产品一旦构建成功就能畅销，但技术难度迟迟达不到门槛，应该如何抉择？

答案恰恰相反：如果某件事在技术上极其困难，那恰恰是更好的想法——没有别人会尝试，门槛高到无人敢于涉足。如果你有勇气、有技能去做，那就是最适合你的方向。

Brahante Biologics 就是这样一支团队。他们原本在做科学领域的软件，市场反响平平。转型后，他们开始建造微型工厂以小批量制造药物。每次讨论时，你可以看到他们眼中闪光，对方向的坚定信念，同时挑战也在堆积——技术上的、监管上的——但他们依然充满斗志：世界需要这个，我们一定要做。这是最令人振奋的能量。

当然，如果某个技术难题确定需要六个月才能攻克，可以考虑缩减范围。Perfect Audience 的案例：最初需要构建连接所有广告交易所的实时竞价 (RTB) 平台，完全不知从何下手。于是他们先找到一家已有该产品的公司及其 API，为其构建了业界最好的前端控制界面，带着这个组合上市，自建了计费系统，积累了用户和动能。随后才有理解、资源和人脉去雇佣团队攻克真正困难的技术部分——把大问题拆分为可攻克的小块。

Optimizely 的第一版产品——一个能在任何网站上运行的可视化编辑器，让非技术人员无需写代码即可创建 A/B 测试——也耗时至少六个月。他们的缩减策略是为内部使用构建最简版本：一个书签小程序 (Bookmarklet)，能在任何网站上弹出文本框，让创始人直接写 JavaScript 在页面上执行。这足以让他们通过咨询合约为其他公司构建 A/B 测试，从而接触客户。虽然极其粗糙，但让他们成为了自己的用户。

但要注意：这不能成为闭门造车六个月的借口。Algolia 当年花了六个月才把搜索引擎产品做好，结果虽好，但若重来，他们会花更多时间与客户在一起——即使产品还没准备好，仅仅了解客户的痛点、融入他们的日常，就能学到极多。只要不把技术难度当作不与客户对话的借口就好。

何时开始招聘

如果招聘问题是你有大量时间思考的事情，那通常还太早。当这件事每天浮现在脑海时，也还太早。真正该招聘的信号是：你忙到连面试候选人的时间都挤不出来，事情开始"破裂"——工程、销售、客户引导等具体环节出了问题，你和联合创始人不得不超负荷运转才能维持日常运转。

但问题是招聘需要时间，从开始面试到对方入职通常要三个月，期间状况只会更糟。因此更早期的信号是：公司中有某个具体环节正在或即将崩溃——你要诚实地判断这是真正的早期信号还是一厢情愿的期望。一旦确认，就该开始面试或发布招聘信息。

创业公司招聘极其困难——两个创始人加几个客户的小团队在人才市场上毫无竞争力。最初的几名员工通常来自个人关系网——已经了解你和项目、对你有信任的人。这实际上缓解了"早期信号"的问题，因为这些人在某种意义上已经随时待命，不需要从零开始说服。

Algolia 的招聘经历了三个阶段：产品市场契合 (Product-Market Fit) 之前只招极少数人；达到 PMF 后发现永远招不够快；等公司规模更大后又发现招了太多人。在九个人做到 120 万美元 ARR 的阶段，生活如同噩梦，但回头看来，那反而是公司最好的时光。

一个危险的思维是把招聘当作成功指标——"我招了人，所以公司很成功"。招聘根本不是成功指标，它只是维持公司运转的手段。如今的趋势是：以尽可能少的人达到一定营收已经成为一种值得骄傲的标志——有些公司甚至喊出"我们要做十人十亿美元公司"的口号，这与十年前"招够工程师好被 Facebook 收购"的时代已截然不同。

在 YC 批次中，当创始人问是否该招聘时，答案几乎总是"不"。招聘往往不会加速你，反而会拖慢你。唯一的例外是"机会型招聘"(Opportunistic Hire)——你最聪明的朋友刚好毕业或离职，你深知他们极其优秀且与团队高度契合。但要注意，机会型招聘必须有"最高级"修饰——最聪明的朋友、最好的工程师。如果只是"在知名大公司工作过"，那不是机会型招聘，那是糟糕的招聘。

开源企业级 SaaS 产品的利弊

最后一个问题：何时应该将企业级 SaaS 产品开源？开源有哪些优势和弊端？

大多数成功的开源公司是开发者工具，因为向开发者销售时，开源是最常见的上市策略 (Go-To-Market)——开发者关心代码可见、信任开源，且创始人自身往往也是开发者，客户画像与自己一致。

但在企业级领域，开源同样有独特价值。Medplum 构建了开源电子健康记录 (EHR) 系统，对他们而言开源不是面向开发者的上市策略，而是在企业客户中建立信任、缩短销售周期——可能缩短一年之久。客户可以审计代码、自托管，这种透明度带来的信任远比追逐 GitHub Stars 或社区规模重要。

Twenty 是另一个案例，做开源 CRM——纯粹的 SaaS 产品，完全不面向开发者，但客户选择它是因为可以扩展、可以信任、可以查看代码（虽然实际上几乎不会去看，但"知道可以"本身就足够了）。开源还解决了合规问题：自托管意味着无需将敏感数据发送给云端初创公司。

在 AI 领域，开源和自托管更加普遍，核心问题是用户是否愿意将私密数据共享给第三方。不信任 OpenAI 的人同样不会信任初创公司。如今，越来越多小公司找到了快速高效实现自托管的方式，客户要求自托管时直接满足——这在几年前还会被视为不可能的请求，现在已经是一种进步。

但自托管也有明确的弊端：成本高昂，必须为此收取很高的价格。