# Sandhill

商业洞察

May 12, 2026

设计合作伙伴：大多数 AI 创始人忽视的发布前优势

作者：Bessemer Venture Partners | 来源：SandHill.io #283 在写（或生成）第一行代码之前，最难回答的问题是：你到底应该为谁构建什么，以及客户愿意为什么付费。 设计合作伙伴（Design Partners）是一小群经过精心挑选的目标客户，他们从一开始就帮助塑造产品，以换取早期访问权和优惠价格。做得好的话，设计合作伙伴项目能验证你的产品、告诉你首先应该构建什么、确认客户愿意为什么付费，并有可能成为你在正式销售之前的第一批付费倡导者。 Ada：成为客户才能理解客户 在 Ada 成为产品之前，它只是一个问题：企业如何在不牺牲质量的前提下扩展客户服务？联合创始人 Mike Murchison 和 David Hariri 没有委托做调研，而是亲自去了七家不同公司的客服岗位上班——在写第一行代码之前。 这七家公司最终成为了 Ada 最初的”设计合作伙伴”。这种沉浸式的产品前合作也塑造了 Ada 的定价演进：团队早期发现，企业客户不想要与单个解决工单绑定的结果导向计费。他们想要可预测性——可以预测和预算的年度承诺。 Strella：冷外联作为信号，而非最后手段 Strella 采取了同样严谨的方法，但有一个不同的结构性转折。在验证了核心行为假设（人们确实愿意与 AI 访谈者坦诚交流）之后，联合创始人 Lydia Hylton 和 Priya Krishnan 完全通过 LinkedIn 冷外联招募了 12 位设计合作伙伴。 没有来自朋友和家人网络的热情介绍。 这是刻意的——她们想看这个产品创意是否足够吸引人，能让设计合作伙伴对她们的潜在公司产生兴趣。 “说服互联网上的陌生人比说服一个帮你忙的人要难得多。如果你能让陌生人成为设计合作伙伴，你可能真的有某种东西。” —— Lydia Hylton 12 位合作伙伴全部转化为付费客户。Strella 在第一年的商业化中达到了 160 万美元 ARR，首批续约客户的净收入留存率（NDR）达到 150%。 核心原则 1. 转化是信号，而非反馈。 […]

阅读全文

AI

May 12, 2026

AI 面临公关危机 (AI has a PR problem)

作者：Saanya Ojha (BCV) | 来源：SandHill.io #283 行业赢得了模型竞赛，却输掉了信任竞赛。 我是一个 AI 乐观主义者。我认为它将是我们一生中具有决定性意义的技术之一。但我也认为，这个行业正在严重误读公众的情绪。 在硅谷内部，对话听起来仍然像 2023 年：更强大的模型、更好的基准测试、更快的代理、更便宜的推理、更长的上下文窗口。但在硅谷之外，故事已经变了。公众不再问 AI 是否能写代码、通过考试、生成视频或回复邮件。人们越来越多地在问一个更基本的问题：这是谁要求的？ 人们越来越感觉到，AI 正被一小群公司强加给公众，这些公司背后有巨大的资本支持，消耗着巨大的能源，利用他人的工作成果进行训练，威胁着他人的工作，并将这一切作为“不可避免的趋势”卖回给社会。对于一个民主社会来说，这是一种糟糕的引入通用技术的方式。 Evan Spiegel 最近警告说，科技领袖低估了即将到来的针对 AI 的社会强烈抵制。甚至 Sam Altman 也承认，“目前 AI 在美国不是很受欢迎。” 民调结果比感觉还要糟糕。在 2026 年 3 月的一项民意调查中，只有 26% 的选民对 AI 持积极看法，而 46% 持消极看法。它的净形象评分为 -20。这意味着该行业采用了一种可以帮助治愈疾病、辅导儿童、加速科学发展并使数百万人提高生产力的技术，却不知何故将其打造成了跟地缘政治敌人差不多的形象。 这真是“费了不少功夫”。 效用不等于合法性 该行业的错误在于假设效用等于合法性。其实不然。一种技术可以是有用的，但同时被怨恨。它可以被广泛采用，但同时被不信任。 矛盾就在于此：人们正在使用 AI，但他们对此感觉并不好。 部分原因是经济方面的。 AI 进入工作场所时包装着一种威胁：要么使用这个，要么被使用它的人取代。两年来，该行业发出最大的声音一直在论证：整个类别的工作将消失，白领劳动力是下一个，一个人就可以取代整个团队。即使被包装成乐观主义，这个信息听起来也像是威胁。 你不能在星期一告诉人们他们在经济上已经过时，然后期望他们在星期二为你的产品发布鼓掌。 抵制也是实体层面的。 缅因州立法机构最近通过了一项针对大型数据中心的临时禁令。AI 已经从一个软件故事变成了一个土地使用故事。土地使用的政治要困难得多。人们可能会容忍他们不喜欢的一个应用程序更新，但绝不容忍在他们家附近建一个 20 兆瓦的设施，因为他们认为这会提高电价、耗尽水资源。 抵制甚至涉及个人安全。 报道称嫌疑人向 […]

阅读全文

商业洞察

May 12, 2026

创始人：在搞清楚如何自己卖产品之前，不要急着招销售

作者：Joe DiMento (Bain Capital Ventures) | 来源：SandHill.io #283 如果你自己都卖不出产品，AE 也卖不出。招人是为了规模化已经有效的东西，而不是为了弄清什么可能有效。 我看到早期技术创始人犯的最常见错误之一就是过早招聘 AE（客户主管）。他们成交了几笔订单就兴奋起来，决定是时候”规模化销售”了。但如果你自己还没搞清楚销售节奏——客户为什么买、反对意见是什么、交易到底是怎么成交的——那你就是在付钱让别人去搞清楚这一切，而且做得不如你，还没有创始人头衔的光环加持。 这很少奏效。结果就是浪费资金、烧掉线索、错误招聘和突然解雇，然后你回到原点，手里的跑道更短了，什么也没留下。 知道你什么时候准备好了 没有一个干净的指标会告诉你”现在该招销售了”。但所有成功的创始人都有一个共同点：他们在引入销售资源之前，已经以可重复的方式独自取得了有意义的牵引力。 Jesse Zhang（Decagon CEO） 很直白：”你只应该在创始人销售进展顺利并且感觉到可重复性的时候招人。如果创始人销售不顺利，AE 也解决不了。” Jesse 和联合创始人 Ashwin 仅凭两人就做到了 100 万美元 ARR。 Albert Gozzi（Aleph CEO） 描述这更像是”直觉而非指标。它源于感觉我们有了一定程度的可重复性——同样的初次通话脚本持续地发掘出正确的痛点，与合格线索的对话正在转化到下一个阶段。” Han Wang（Mintlify CEO） 坦承他可能等太久了。Mintlify 在 150 万美元 ARR 时才招了第一个 AE，而 Han 认为 50 万美元时就可以了：”我们被涌入的交易淹没了。我们经常掉球、漏回复、错过回应交易的时间。” 找到合适的人 Albert 采取了完全不同的路线：”我对我喜欢的公司中成功的 AE 做了大量冷外联，可能发了 100 多条消息才约到几次会面。” 基本上，他用找第一批客户的同样心态来对待招聘。 让最初的销售招聘取得成功 每位创始人都强调了共同销售（co-selling）作为入职机制的重要性： […]

阅读全文

企业级应用

May 12, 2026

枯燥即性感：优秀的垂直 AI 初创公司剖析

作者：Amplify Partners | 来源：SandHill.io #283 是什么区分了转瞬即逝的 AI 功能与真正具备防御能力的 AI 公司？最吸引人的 AI 公司往往正在那些你可能从未想过、看似“枯燥”的非科技领域中建立。 当所有人都在注视着基础模型实验室竞相冲刺 AGI（并以惊人的速度烧钱）时，一些最引人注目的 AI 公司却正在那些你可能从未想过的领域中建立。家庭服务、保险经纪、分销商、医疗保健提供商及支付方运营、贷款发起。 强大、易访问的基础模型的崛起，为技术创始人解锁了一套全新的剧本，让他们能够在特定的、复杂的非技术行业中构建定义类别的应用程序。最好的垂直 AI 公司都遵循着相同的“四步走”剧本。以 Avoca 为例（我们很自豪参与了其总计 1.25 亿美元的 A 轮和 B 轮融资）： 它们很枯燥：最激动人心的机会存在于最不“性感”的市场中。 它们掌控“最初的一英里”：拥有与客户的首次互动是项重大的战略任务。 它们构建了专有数据资产：这是连大型 AI 实验室也无法复制的。 它们成为“行动系统（System of Action）”：它们接管了工作流，从而将静态的“记录系统”转变为动态的“行动系统”。 让我们深入探讨其中的每一个要点。 1. 枯燥即性感（且巨大） 想想经济中一些最大的部门，如家庭服务、医疗保健、保险、物流等。这些是世界实际运作中庞大而有弹性的支柱。然而，多年来，它们很大程度上被顶尖技术人才忽视了。 家庭服务是维护该国老化住房存量的重要基础，代表着一个数万亿美元的市场。这些都不是利基机会。它们是基础市场，之所以让人觉得无聊，只是因为它们缺乏传统科技或前沿 AI 研究的光环。但这种“被忽视”正是机会所在，它创造了完美的风暴： 较低的竞争：与销售和营销科技等饱和领域相比，这些竞争较少、“枯燥”的垂直行业提供了更少面临资金雄厚团队竞争的机会。 停滞的现有企业：这些行业中现有的软件通常已有几十年历史。 对生产力的迫切需求：许多此类行业面临严重的劳动力短缺，技术工种正经历大规模的退休潮：每进入两个人，就有五个人离开。 2. 掌控“最初的一英里” 控制客户最初接触点的公司将获胜。智能体工作流需要完整的上下文，并端到端地访问整个系统中的数据。如果你只看到了工作流的一小部分，你就无法智能地自动化它。目标不仅是参与工作流，而是要拥有工作流的“前门”。 在家庭服务领域，80% 到 90% 的收入是通过电话预订的。通过掌控第一次互动，Avoca 开始捕获流经业务其余部分的完整上下文。 3. 你必须构建专有数据资产 […]

阅读全文

算力基建

May 12, 2026

当机器比人类“吃”得更多时

作者：Jamin Ball (Altimeter Capital) | 来源：SandHill.io #283 这是一个有趣的思考实验，通过人类与机器（数据中心）消耗能源的对比，来重新定义 AGI（通用人工智能）的到来时刻。 本周的文章很有趣。我想写写我自己对 AGI（通用人工智能）的新定义。我认为，当作为一个社会，我们决定将边际单位的能源花在 GPU（或当时存在的任何计算原语）上比花在人类身上更好时，我们就会达到 AGI（或者我们可以宣称达到了 AGI）。 换句话说——当计算消耗的能源变得大于人类消耗的能源时，我们就做出了隐含的决定：我们从向机器输送能源中获得了更高的效用。 无论如何，所有关于 AGI 的定义都非常模糊，所以为什么不把另一个定义混入其中呢！我喜欢这个定义的原因是它非常量化。我计算了一下，答案是 2033 年。虽然有很多“充满乐趣的假设”，但这正是它的有趣之处！ 首先，让我们从一些定义开始。在当今世界，人们交替使用“功率 (Power)”和“能量/能源 (Energy)”，但它们是不同的。功率是一个速率（你在任何给定时间使用能量的速度），而能量是一个数量（你随着时间的推移使用了多少）。一个简化的类比——功率是你的车速（英里/小时），能量是你行驶的总距离（英里）。一辆以 60 英里/小时的速度行驶 2 小时的汽车已经覆盖了 120 英里。一个在 2 小时内消耗 100MW (兆瓦) 功率的数据中心，消耗了 200 MWh (兆瓦时) 的能源。 从单位的角度来看，瓦特 (Watts) 是功率的单位。Kilo(千) / Mega(兆) / Giga(吉) / Tera(太) 只是缩放前缀（1,000倍，1,000,000倍等）。例如，xAI 本周租给 Anthropic 的 Colossus 1 数据中心被报价为 300MW。这意味着什么？这意味着 […]

阅读全文

AI

May 12, 2026

AI 现状：2026年5月

作者：Nathan Benaich (Air Street Capital) | 来源：SandHill.io #283 本期《AI 现状》涵盖了 2026 年 4 月在 AI 政策、研究、工业和初创企业领域的主要发展。前沿实验室正在转变为基础设施公司，网络安全攻防战升级，中国的大模型在智能体编码上缩短了差距，机器人技术悄然从演示走向落地。 一些新闻简讯 Profluent（生命科学领域的前沿 AI）宣布与礼来（Lilly）达成 22.5 亿美元的合作，用于大基因插入疗法；Sereact（具身智能）完成了 1.1 亿美元的 B 轮融资！ Air Street AI 聚会 将于 5 月 14 日在纽约举行。 我们正在为《AI 现状报告》招募研究分析师。 前沿 AI 已跨越了进入进攻性网络行动的卢比孔河。英国的 AI 安全研究所（AISI）透露，Anthropic 的 Claude Mythos Preview 是第一个通过其 32 步“最后的人（The Last Ones）”靶场测试的模型——这是一个企业网络模拟测试，通常需要人类红队耗时 20 小时才能完成。Mythos 在 10 次运行中通过了 […]

阅读全文

未来哲学

May 12, 2026

“AI导致失业末日”的说法完全是幻想

作者：David George (a16z) | 来源：SandHill.io #283 没有证据，缺乏想象力，也不懂人类的本质 关于“永久性底层阶级”的 AI 恐慌并不是一个有说服力的故事。这甚至不是一个新故事。它只是换了新包装的“劳动总量固定谬误”(lump-of-labor fallacy)。 “劳动总量固定谬误”声称，世界上只有固定数量的工作要做。它假设现有的工人与任何可能做同样工作的人或事物——无论是其他工人、机器，还是这里的 AI——之间是零和竞争。如果只有固定数量的有用工作需要做，那么如果 AI 做的更多，人类做的就必须更少。 这个前提的问题在于，它违背了我们对人类、市场和经济学的一切认知。人类的欲望和需求绝不是固定的。凯恩斯在近一个世纪前曾著名地预测，自动化将导致每周 15 小时的工作制，但显然凯恩斯错了。他正确地预见自动化创造了“劳动力过剩”，但我们并没有停下来享受闲暇，而是找到了新的、不同的生产活动来填补我们的时间。 当然，AI 绝对会消除一些任务并压缩一些角色（而且有证据表明这可能已经发生了）。劳动力市场的形态将会改变，就像每一次变革性技术被解锁时一样。但是，声称 AI 会导致全经济范围内的、永久性的失业，这不仅是无益的营销、糟糕的经济学，更是更糟糕的历史观。相反，生产力的提高应该会增加对劳动力的需求，因为劳动力变得更有价值了。 这是我们的论点： “将军，人类？” 算了吧。 我们同意末日论者的观点——坦白说，任何睁着眼睛的人都会同意——认知的成本正在崩溃。AI 在做直到最近还被认为是人类大脑专属领域的任务时，变得越来越好。 末日论者的论点是：“如果 AI 可以替我们思考，那么人类的‘护城河’就会消失，我们的最终价值将归零。” 将军，人类。显然，我们已经完成了所有需要或想要的思考，既然 AI 将承担越来越大份额的认知负荷，人类就会滑向被淘汰的边缘。 然而问题是：先例（以及直觉）表明，当一种强大投入要素的成本下降时，经济不会礼貌地停滞不前。成本下降，质量上升，速度加快，新产品变得可行，需求也会向外扩张。杰文斯悖论 (Jevons Paradox) 才是王道。当化石燃料最初让能源变得廉价且充足时，我们所做的不仅仅是让捕鲸者和伐木工失业；我们发明了塑料！ 与末日论者相反，我们完全有理由期待 AI 会产生类似的影响。既然 AI 将承担越来越大份额的认知负荷，人类就腾出手来，去攻克比以往任何时候都更加雄心勃勃的前沿。 如果以史为鉴，我们可以预见技术变革将做大这块蛋糕。每一个“主导经济部门”都让位给了一个更大的继任者……反过来，这也让经济变得更加庞大。今天的科技行业比金融、铁路或工业曾经的规模都要大，但作为整个经济或市场的一部分，它仍然很小。生产力的提高远非负和，而是注射了类固醇的正和力量。将如此多的努力委托给机器的最终结果是，经济和劳动力市场变得更加庞大、多样和复杂。 末日论者希望你无视创新的历史，把认知成本崩溃的瞬间定格，并称之为整部电影。他们看到了任务替代，然后就停在了那里。 卢德分子的失败 让我们来看看，当生产力的巨大飞跃席卷经济时，实际发生了什么。 农业 在20世纪初农业机械化广泛普及之前，大约三分之一的美国就业人口在务农。到 2017 年，这个比例约为 2%。如果自动化导致永久性失业，拖拉机本应永远摧毁劳动力市场。相反，农业产出几乎翻了三倍，养活了大量增加的人口——而且，这些工人远非永久失业，而是涌入了以前无法想象的行业、工厂、商店、办公室、医院、实验室，最终进入了服务和软件行业。 电气化 电力也讲述了一个类似的故事。电气化不仅仅是把一种动力源换成另一种。它用独立的电机取代了轴和皮带，迫使工厂围绕全新的工作流程进行重组，并创造了全新类别的消费品和工业品。 这正是我们期望在技术革命的不同阶段看到的情况：巨额的初期投资和金融利益，耐用品成本的巨大下降，然后是耐用品制造商一代人的狂奔。 电力发挥其生产魔力需要时间。在 […]

阅读全文