用 AI 做产品的人多了十倍，愿意买单的人一个没多

过去一年用 AI 编程做产品的人数量增长了十倍。一个十七岁的高中生靠 AI 做出来的应用年收入折合人民币两个亿，线下 AI 编程培训班每人收费两万元且期期满员，YC 最新一批创业公司中四分之一报告称 95% 的代码由 AI 生成。与此同时，愿意为这些产品付费的用户数量和一年前相比几乎没有变化，做出了产品的人里面超过一半月收入不到一千美元。

我自己每天在 AI 编程上花费七八个小时，它带来的效率提升是真实的——过去需要一个团队做几个月的东西现在一个人两周就能完成。但用了一年之后我越来越清楚地感觉到一件事：做产品变简单了，靠做产品赚钱反而变难了。这两件事并不矛盾，它们是同一个原因的两个结果。

确实有人赚到了钱

十七岁的高中生 Zach Yadegari 用 AI 编程做了一个拍照计算卡路里的应用 Cal AI，用户超过百万，年收入折合人民币两个亿。非程序员出身的创业者刘小排一个人一台电脑年收入过千万，他在采访视频里详细讲述了自己的十个步骤，经宝玉老师转发后在中文 AI 圈传播很广。一个 YouTube 创作者公开记录自己用 AI 编程做产品赚钱的全过程，第 142 天累计收入超过四万美元且仍在增长。

这些数字全部经过验证，但把每个人的背景拆开来看会发现一个共同点。

Zach Yadegari 有编程基础，在 Cal AI 之前已经做过好几个项目，而且他选择的是减肥市场——一个全球每年数百亿美元规模的刚需赛道。无论用什么方式把产品做出来，只要产品可用且推广到位就会有人付费。AI 编程加速了他的开发过程，但做什么产品、卖给什么人群，这些判断在他打开编辑器之前就已经完成了。

刘小排赚到钱是因为他的方法论——找市场、验需求、快速迭代。仔细看他讲的十步会发现 AI 编程只出现在第三步的执行环节，前面两步的市场判断和需求验证与 AI 编程没有关系，这套方法论放在十年前用任何编程语言手写也同样成立。

那个 YouTube 创作者的产品上线第一天就有用户，原因在于他本身拥有几万订阅者，频道本身就是分发渠道。换一个没有粉丝基础的人做同样的产品，大概率连第一个用户都找不到。

这三个人赚到钱的共同特征在于：在 AI 编程出现之前他们就已经知道要做什么、卖给谁。AI 编程加速了执行环节，但执行之前的判断——选择什么市场、寻找什么用户、用什么方式让用户知道这个产品的存在——全部由人完成。

为什么大部分人没赚到

供给爆炸，需求没有增长。 以前做一个软件产品需要团队和资本，现在一个人一个周末就能完成。每个细分品类涌入了十倍的竞争者，但潜在的付费用户总量几乎没有增加。代码的生产成本降到了接近零，获客成本却没有任何下降。有一组针对一人公司的统计数据：52.4% 的人月收入不到一千美元，月入超过十万美元的只有 10.5%。两极分化非常严重——赚到钱的那一小部分人被反复放大成标杆案例到处传播，赚不到的大多数人没有人去关注。

三个月撞墙。 Red Hat 发表过一篇文章详细描述了这个过程：前几个月一切顺利，AI 生成的代码直接可以运行，功能一个接一个上线。然后某一天修改一个小功能时四个功能同时失效，让 AI 去修复后又出现新的问题。根源在于没有人在编写代码之前做过规格说明——AI 生成的代码在当下能够运行，但没有人真正理解它为什么这样写、它依赖了哪些隐含的假设。三个月之后代码库膨胀到没有人能够掌控，他们将这种现象命名为「功能闪烁」——按钮今天是蓝色明天变成绿色，因为从来没有人在任何地方指定过它应该是什么颜色。

我自己的体感与这个描述高度吻合。用 AI 编程做一个能够运行的 demo 可能只需要两三个小时，但从 demo 到一个可以稳定运行并收取费用的产品之间的距离，与一年前相比几乎没有缩短。宝玉老师说过一句非常准确的话：不懂编程还想做好 AI 编程其实很难，因为不知道怎么拆分任务、怎么验证结果、怎么在出错时进行调试。一个能够运行的 demo 与一个能够出售的产品之间差了性能优化、安全防护、用户体验打磨、长期维护和持续迭代，这些环节 AI 编程没有自动解决其中任何一个。

真正赚到钱的三种人

回顾过去一年，赚到钱的人基本可以归入三类。

第一种是卖课的人。 @bourneliu66 的观察非常精确：做 AI 产品的没赚钱，做 AI 课程的赚钱了。独立开发者 yihui 在 B 站销售 AI 编程课程定价 599 元，隔两天上调一次价格。线下 AIGC 培训每人收费两万元且期期满员。斯坦福大学今年正式开设了一门氛围编程课程 CS146S。课程本身确实提供了价值，但当「学习做产品」的消费需求远远大于「购买产品」的消费需求时，说明这个市场中最旺盛的消费力仍然停留在学习阶段而非使用阶段。@fankaishuoai 的评价更为直接：卖 AI 编程课就像卖骑自行车的视频教程，看多少集都不如直接上车摔几次。

第二种是原本就拥有客户的人。 帮传统企业搭建 AI 自动化流程的个人开发者，一个人服务七八家公司月入两万以上。这里面有一个很多人忽略的细节——AI 生成的内容必须经过人工润色才能交付给客户，纯 AI 产出的质量达不到客户的验收标准。在闲鱼上用 AI 接修图、做 LOGO、代写文案的接单者遵循的也是同样的逻辑。在视频平台上拥有粉丝基础的人做了产品可以直接推送给自己的观众。这些人赚钱的前提与 AI 编程无关——他们在 AI 编程出现之前就已经拥有客户或者拥有触达客户的渠道，AI 只是缩短了交付周期。

第三种是选对了赛道的人。 Zach Yadegari 的 Cal AI 进入的是减肥市场，一个用户已经在持续花钱的成熟赛道。独立开发者 Danny Postma 一个人做了 HeadshotPro（AI 证件照），年收入 360 万美元——企业员工需要证件照这件事在 AI 出现之前就存在，他只是用 AI 将这个已有需求的交付成本压到了极低。我自己做的 GEO 服务也遵循类似的逻辑——帮品牌做 AI 搜索引擎优化这个需求在 315 曝光之后突然变得紧迫，甲方预算在两三个月内翻了两到三倍。我没有创造这个需求，需求本来就在那里并且在快速膨胀，我做的只是在合适的时间出现在了合适的位置。

这三类人赚钱的逻辑存在一个共同前提：需求真实存在，他们能够触达有这个需求的人，他们的交付速度或成本优于竞争者。AI 编程只解决了最后一条中「速度更快」的部分，前两条——需求是否真实、能否触达用户——它无法替代。

代码不值钱了，然后呢

代码的生产成本在 2026 年降到了接近零，这可能是今年关于技术行业最重要的事实之一。

但很多人对这个事实的理解方向出了偏差——认为「代码不值钱了」意味着「我可以靠做产品赚钱了」。逻辑上恰好相反：代码不值钱了意味着所有人都可以用接近零的成本将产品做出来，而当「做出来」这件事不再稀缺的时候，稀缺性就转移到了做出来之前的判断——选择什么市场、解决谁的问题——以及做出来之后的运营——如何让用户知道、如何让用户付费、如何让用户留下。

Naval Ravikant 说 AI 编程是新时代的产品管理，这句话的重点不在 AI 编程上。产品管理的核心从来不是将东西做出来，而是弄明白做什么、给谁用、怎么让他们愿意付费。

表格软件让所有人都能做数据分析，但会用表格的人并不因此就成了数据分析师。AI 编程让所有人都能做软件产品，但能做产品与能靠产品赚钱之间的距离，比大部分人以为的要远得多。