2024 年想做 AI 創業要先找工程師。2026 年不用了。
過去 founder 的價值是被「能做什麼」定義的 — technical founder 寫 code、business founder 跑業務、缺工程能力就要找 co-founder 補。Anthropic 在 5 月 6 日釋出 33 頁官方文件 The Founder's Playbook: Building an AI-Native Startup,用一句話總結這個轉變:The bottlenecks are no longer what you can build, but what you choose to build。瓶頸不再是「能蓋什麼」,而是「選擇蓋什麼」。
我這 5 個月用一人公司編制跑了 14 個客戶案、4 條服務線、第 5 條 SaaS 訂閱產品線剛啟動,沒有員工。讀完整份文件後發現,它描述的 AI-native 創業者未來圖像,跟我的實戰路徑 1 比 1 對齊。差別只在於,他們在寫劇本,我已經在跑。
這篇直接告訴你三件事 — 為什麼 2026 年「能不能蓋」不再是門檻、Claude 全家桶(Chat / Cowork / Code)一個人怎麼用、以及一人公司真正的護城河是什麼。AI 工具會用只是入場券,選什麼問題去做才是新的稀缺資源。
2026 創業者的瓶頸不再是『你能做什麼』而是『你選什麼』。
當 AI 把技術門檻拆掉,『能蓋』變成 commodity,『選擇蓋什麼』才是新的稀缺資源。這也是為什麼一人公司的真正護城河不在 AI 工具,而在你累積的領域知識、用戶數據與工作流綁定。
這篇文章我想做兩件事:把 Anthropic 對 2026 創業者的核心主張拆解清楚,再對照我的實戰經驗,告訴你這條路真正的關鍵 — 不在 AI 工具會不會用,而在你選什麼問題去做。
一、創業者的定義被改寫了
過去 founder 的身份是被「能做什麼」定義的。Technical founder 寫 code、business founder 跑業務、缺工程能力就要找 co-founder 補。一個沒有 CS 學位的人,要把 idea 變成產品,第一個動作往往是「先找個工程師」。
2026 年這條界線消失了。
Anthropic 在 Chapter 2 寫得很直接:The wall between people who can build and people with ideas worth building has dissolved。「會蓋東西的人」跟「有想法值得被蓋出來的人」之間的牆,已經被拆掉。
我自己就是這個轉變的 case。過去十年是影視製作背景,沒有寫過 production code。但今天我能交付完整的 LINE LIFF + Supabase + n8n + admin 四層架構客戶案 — 冷鏈食材通路商 B2B 補貨系統、汽車美容預約系統、雞肉 B2B 補貨 — 全部用一人公司編制,不靠外包工程師。
Anthropic 用 orchestrator 這個詞描述新時代的 founder。Founder 不再是執行者,而是調度 AI agents 的人。我自己給自己的 title 是「AI 商業系統架構師」,本質上講的是同一件事。
二、AI 全家桶:一個人怎麼當 10 人團隊
Anthropic 把 AI 給創業者的能力分成三層:Conversational Intelligence 是每個領域隨時 on-call 的顧問,Agentic Coding 是永遠不卡關的工程師,Workflow Automation 是 on-demand 自動化營運團隊。
對應到他們的產品線,就是 Claude 全家桶三個工具。我把我每天用的分工拆給你看:
| 工具 | 定位 | 適合場景 | 上手門檻 |
|---|---|---|---|
| Claude (Chat) | 24/7 各領域顧問 | 寫信 / 改履歷 / 整理會議 / 思路檢查 | 零設定,手機 App 直接開 |
| Claude Cowork | 完整檔案產出 | 跑研究 / 整理訪談 / 提案三件組 / KPI 月報 | 上傳資料夾或連 Gmail / Notion |
| Claude Code | Agentic Coding | 做網站 / 寫工具 / 自動化 Excel / 蓋客戶系統 | 安裝 Terminal 後跟它對話 |
三工具角色不同但共用同一個 Claude 底層,差別在工作環境。Claude 的核心定位是 24 小時隨叫隨到的各領域顧問,Claude Cowork 把它升級為可以跨檔案、跨工具的營運助理,Claude Code 則是不會寫程式也能用的工程師。
三個常見踩雷
- 只把 Claude 當 ChatGPT 替代品 — 沒用到 Cowork / Code 等於只用全家桶的三分之一
- 沒寫架構記憶文件 — 每次 session 都要重新解釋一遍 codebase 與業務規則
- AI 寫 code 直接上 production — 跳過安全審查讓你變成下一個資安事故的主角
我同時在跑 14 個客戶案、4 條服務線、KnowledgeOS vault (Obsidian 超過 320 個 md 檔)、3 個自有產品 (vjvan.com / P2P AI Lab / yt-translation-tool),沒有員工。
這不是「我特別會用 AI」,是「我把 AI 當作組織結構的一部分在設計」。Anthropic 在書裡反覆強調:headcount 不再是 momentum 的指標,leverage 才是。
三、CLAUDE.md = 一人公司的記憶系統
Anthropic 在 Chapter 4 強調一件事:寫 CLAUDE.md 當「持續性架構記憶」。否則每次 Claude Code session 都要從零解釋一遍 codebase、業務規則、架構決策。
這個建議我 5 個月前就開始做了,而且做得比書裡描述的還深。
我的 aivan vault 不只有 CLAUDE.md,還有:
- AGENTS.md — 跨 CLI 共用主規範 (Claude Code / Codex / Gemini 都讀同一份)
- 客戶案 ops-log 5 層 (admin / liff / n8n / supabase / infra)
- decisions log — 戰略決策 audit trail,只新增不修改
- references/sops/ — 操作手冊,每個重複問題萃取一份
- context/me.md / work.md — 個人脈絡,AI 開新 session 就讀
- memory/ — 跨 session 自動累積的 feedback、project、reference 記憶
整套系統我叫它 KnowledgeOS。
關鍵差別:Anthropic 講的是「給單一專案的 context」,我做的是「跨所有客戶案 + 所有 AI CLI 工具的 organization memory」。Claude Code / Codex / Gemini 同時在我的 vault 工作,但讀的是同一份規範。
這是一個普通創業者跟一人公司「商業系統架構師」的差別:前者用 CLAUDE.md,後者建 KnowledgeOS。
四、4 階段創業節奏:季度變週
Anthropic 把創業旅程拆成 4 階段,並且明確指出 AI-native 條件下的時間壓縮幅度:
| 階段 | 核心目標 | 傳統時間 | AI-native 時間 | 出口條件 |
|---|---|---|---|---|
| Idea | 找 problem-solution fit | 3-6 個月 | 1-4 週 | 5 個非親友用戶確認問題真實 |
| MVP | 找 product-market fit | 3-6 個月 | 4-8 週 | Sean Ellis test 大於 40% |
| Launch | 建可複製的 growth engine | 6-12 個月 | 8-16 週 | CAC / LTV / payback 都可預測 |
| Scale | 建 accumulated depth 護城河 | 持續 | 持續 | 競品複製產品,用戶也不會走 |
每階段的核心目標不變,改變的是執行成本與時間。為什麼可以這樣壓縮?三層原因:Agentic coding 把 Idea → Product 的技術門檻拆掉、持續性架構記憶系統讓跨 session 知識可累積、AI Cowork 把營運層自動化。
我自己最近的一個 LIFF 系統客戶案實例:4 月 2 日報價通過、4 月 14 日合約簽完、4 月 15 日 Kickoff 會議、5 月中旬 LIFF + admin + Supabase 架構落地、5 月底上線目標。4 階段 8 週跑完,過去類似專案外包報價會說「6 個月起跳」。
不是因為我特別快,是因為 AI 全家桶把每階段的執行成本壓縮到接近零。Anthropic 在 Chapter 7 那句總結說得很好:Validation cycles that used to take months now take afternoons。原本要幾個月的驗證循環,現在變成幾個下午。
五、真正的護城河:不是 AI 工具,是你累積的什麼
Anthropic 在 Scale 階段 (Chapter 6) 給出三個護城河來源:Domain Expertise codify 成 Skills、Compound User Data、Workflow Lock-in。
我把這三條對應到自己這 5 個月的實戰累積,5 個 Pattern 自然成型:
| Pattern | 核心內容 | 為什麼這個關鍵 |
|---|---|---|
| 1. 客戶反饋三步驟 | 修系統 + 改 UI + 寫 SOP | 只修 bug 沒寫 SOP,下次同問題照樣踩 |
| 2. ops-log 5 層分層 | admin / liff / n8n / supabase / infra | 跨客戶案套用同 schema,不從零組織 |
| 3. SOP 從實戰到教材的演進 | ops-log → SOP → 多平台教材拆版 | 同一份洞察寫一次發七個平台 |
| 4. Frontmatter Knowledge Graph | 所有 SOP / 教材 / 決策互相 wikilink | vault 自成微型搜尋引擎 |
| 5. Memory 觀察先行 | 累積 critical mass 才升級為正式記憶 | 避免過早規則化,先觀察再固化 |
第一個 LIFF 案我做了 6 個月。第二個 LIFF 案我只需要 8 週。重複的不是體力,是模板。
第一條:Domain Expertise → 把 SOP 編碼進可重複套用的技能系統
我的 vault 裡有一整套 skill 系統,把每個客戶案結束的學習自動萃取成 SOP,下個客戶案直接套,大約 1-2 小時複製,不從零做。技能涵蓋:從客戶諮詢初期的需求驗證、設計系統搭建、視覺探索、建站、上線前檢查到最終交付驗證,八個步驟全部 codify 成 AI 一句話就能觸發的 routine。
第二條:Compound User Data → 冷鏈食材通路商 RAG 案例
冷鏈食材通路商 17 個月累積了 600+ 筆客戶對話。5 月 17 日我把這份資料變成 RAG 系統,員工 AI 客服助理直接用「答得像我們」的口吻回答客戶問題。
這份「對話風格資產」是任何競爭者拿不走的。換言之,累積本身就是護城河。這也是為什麼我從 5 月 16 日開始啟動「RAG-as-Service」作為第四條服務線 — 賣的不是 RAG 技術 (這個誰都會做),賣的是「垂直行業企業知識編碼 + 持續維運」的累積能力。
第三條:Workflow Lock-in → 冷鏈食材通路商後台已驗證
冷鏈食材通路商後台被三個人深度使用:一位管商品、一位代下單、業務員代客戶下單。每個人都基於我的 LIFF + admin 系統建了自己的工作流。換系統的成本 = 重訓 3 個人 + 改 8 個工作流程,對客戶來說是「不可能的選項」。
這就是 Anthropic 在書裡那句:The longer users run your product inside their daily operations, the more deeply it gets embedded。
六、瓶頸不再是「能做什麼」而是「選擇做什麼」
Anthropic 最後一章 Chapter 7 用了這句金句結尾:
The bottlenecks are no longer what you can build, but what you choose to build.
我想用一個真實的踩雷故事回應這句話。
2024 年初我剛開始用 Claude Code 跑客戶案的時候,踩過一個很典型的雷。
一個朋友轉介紹來的需求,口頭描述了一個自動化想做的方向。我心裡的反應是「這個簡單,Claude Code 兩天可以做出來」,當下沒做任何需求訪談、沒驗證 problem-solution fit、沒問為什麼要做、實際用戶會在什麼情境用、現在他們怎麼解決這個問題。
兩天後我把 prototype 拿出來 demo。對方看完想了一下說:「這個跟我想要的不太一樣。」
接下來 30 分鐘的對話讓我意識到,他真正要解的問題是另一件事。我做的功能對他來說只是 nice-to-have,不會有人為這個付錢,實際用戶端也沒人會在乎這個功能存不存在。
那次我學到的不是「Claude Code 不夠強」,而是「工具太快,把驗證這一步直接跳過了」。我 prototype 越快出來,我越自信我做對了方向。但實際上整個方向都還沒對齊。
Anthropic 在 Idea Stage 警告得很清楚:Mistaking building for validating — 把做出 prototype 當成驗證需求。我那次踩的雷,正是這個典型 pattern。
工具的速度本身不會帶來價值。價值來自於『正確地選擇要做什麼』。
任何想做的功能先問三個問題 — 這個功能解的是真實的問題嗎?有多少實際用戶在乎?如果這個功能不存在,他們現在怎麼解決?三個問題如果兩個答不出來,先停下來做需求驗證,而不是打開 Claude Code 開始寫 code。
這條教訓固化進我的 vault,變成下次任何客戶詢問的判準。AI 工具的順手反而是陷阱,因為它讓「做出來」變得太便宜,反而讓「選對方向」變得相對昂貴。
2026 創業者最大的陷阱不是 AI 工具不會用,而是工具太順手,容易做出「能跑的東西」但不是「有人要的東西」。
收尾:給 2026 一人公司創業者的 5 個自我檢核
對齊 Anthropic Playbook + 我這 5 個月的實戰累積,如果你打算 2026 走 AI-native 一人公司路徑,這 5 題每天問自己一次:
- 我今天解的問題,有真實的人在 LINE 或 Email 主動告訴我這是他的痛點嗎?
- 我做的 prototype,有 5 個非親友的真實用戶試用嗎?
- 我寫的 CLAUDE.md 或 SOP,跨 session 還記得嗎?還是每次都要重新解釋一遍?
- 我累積的 domain knowledge,編碼進 skill 了嗎?還是只留在我腦子裡?
- 我給客戶的價值,是「能做」(commodity) 還是「持續累積會越來越貴」(moat)?
5 題都過,你就在 Anthropic 描述的航線上。
5 題卡關,不是 AI 工具沒選對,是你還沒選好「該做什麼」。
如果你也在跑一人公司或 lean startup,想看我把這 5 個月在 vault 累積的 KnowledgeOS skill 系統怎麼操作,或想討論「能不能用 AI 把你公司的重複工作 productize 成 SaaS 或知識資產」,可以 跟我預約一次諮詢。
