一个被很多人低估的事实:AI把你能赚到的钱,放大了1000倍

2022年夏天,一家年收入2000万美金、拥有100人团队的法律科技公司,做了一个疯狂的决定:停掉所有业务,All-in开发一个从未存在过的AI产品。

仅仅1年后,这个产品被汤森路透以 6.5亿美金 现金收购。

这家公司叫CaseText,产品叫CoCounsel——全球第一个AI法律助手。创始人Jake Heller在Y Combinator的演讲中,拆解了整个创业历程的两大核心:如何选方向、如何构建可靠AI。

第一部分:如何找到价值放大1000倍的想法?

旧世界的规则已经失效了。

传统SaaS时代,Y Combinator的口号是"Make something people want"(做人们想要的东西)。但AI时代,游戏规则变了。

Jake给出了一个简单粗暴的公式: 人们想要什么?答案是:他们现在正在花钱请人做的事。

价值放大公式:从$20/月到$20,000/月

传统SaaS的定价逻辑:做一个协作工具,卖给企业员工,定价$20/月。你拿下10万用户,年收入2400万美金。

但AI改变了一切。

AI产品的定价上限,不是$20/月的软件订阅费,而是 人们愿意为"雇一个人"支付的薪水。

来看几个真实例子:

项目管理工具

• 传统软件:$20/月(因为它只是个工具)
• AI版本:还是$20/月(因为AI也只是优化工具)
• 价值提升:有限

法律研究助手

• 传统软件:$50/月
• 雇一个律师做研究:$5,000-$20,000/月
• AI产品定价空间:$500-$6,000/月(10-100倍提升)

合同审查服务

• 传统方式:找律所,$1,000/份合同
• AI服务定价:$500/份(成本降低50%,但收入是软件订阅的数百倍)

财务分析

• 传统软件:$100/月
• 雇一个财务分析师:$8,000-$15,000/月
• AI产品定价空间:$1,000-$5,000/月(10-50倍提升)

你看到规律了吗?

AI不是在替代软件,而是在替代人。

CoCounsel最终定价:$6,000/人/年

对比传统法律软件的$20-$50/月,这是10-25倍的价格。但对比律所雇佣一个初级律师(年薪10-15万美金),这依然是巨大的性价比。

三种AI创业方向:辅助、替代、颠覆

Jake把AI应用分为三类:

1. 辅助型(Assist) —— 帮助专业人士更快完成任务

具体案例: CoCounsel帮律师在几分钟内完成原本需要几小时的法律研究。

2. 替代型(Replace) —— 直接替代整个岗位或服务

具体案例: AI驱动的虚拟律所,完全替代传统律所的合同审查服务。

3. 颠覆型(Previously Unthinkable) —— 做以前根本不可能做的事

具体案例: 某律所有数千万份历史文档,人工阅读成本上亿。现在用AI批量处理,成本降至几千美金。

Jake的建议:别管竞争对手,市场大到你无法想象。

"人们总是担心竞争对手。但当你真正开始做的时候,你会震惊于他们有多烂。市场足够大,你要关心的不是竞品,而是你能不能做出真正解决问题的产品。"

一个被忽视的真相:AI让普通人也能享受顶级服务

Jake提到一个数据:在美国,超过 85%的低收入人群无法获得法律服务。

不是他们不需要,而是律师太贵了。一个简单的合同审查,律所收费$1,000-$5,000。

但如果AI能把成本降到$100-$500,同时保持90%以上的准确率呢?这不仅是一门生意,更是 服务的民主化。

就像Canva让不会PS的人也能做设计,AI正在让"请不起律师的人"也能获得法律帮助。

第二部分:如何构建一个99%准确率的可靠AI?

很多人以为AI创业最大的挑战是"想法"。

Jake说,真正的挑战是:如何把一个60%准确率的酷炫demo,变成99%准确率的可用产品。

这是90%的AI创业公司倒在的地方。

第一步:像顶级专家一样思考

去搞清楚,这个领域最顶尖的专家是怎么做这件事的。 不是你想象中的"专家应该怎么做",而是真实世界中,他们每一步在干什么。

CaseText的优势在于:Jake本人是律师,团队里30-40%的工程师也有法律背景。他们真正理解"一个优秀律师如何做法律研究"。

如果你不是领域专家?Jake建议:

1. 做一个"卧底":真的去这个行业待一段时间。
2. 找一个领域专家做联合创始人。

第二步:拆解工作流,每一步都是一个Prompt

以"法律研究"为例,一个顶级律师会做什么?

1. 理解需求 → 问澄清性问题
2. 制定研究计划 → 列出关键词、法律条文
3. 执行搜索 → 运行几十次搜索
4. 筛选相关性 → 判断哪些相关、哪些无关
5. 做笔记 → 记录关键信息、引用来源
6. 撰写报告 → 整合所有信息
7. 事实核查 → 检查引用是否准确

在LLM时代,每一个步骤都可以变成一个Prompt。

比如:

步骤4的Prompt: "阅读以下法律案例,在0-7分之间评估它与问题的相关性。"

步骤7的Prompt: "检查报告中的引用是否准确?输出True或False。"

Jake强调:能不用Prompt就别用Prompt。如果某个步骤是确定性的(数学计算、格式转换),就用传统代码。Prompt又慢又贵。

第三步:死磕Evals,从60%到99%

大部分AI创业公司死在这里:

"你做了一个demo,准确率60%。你给VC演示,他们说'哇,好酷!'然后……产品在真实场景中崩了。"

60%的准确率只能做demo,99%的准确率才能做产品。

而从60%到99%,靠的是 疯狂的Prompt调优 + 大量的Evals(评估测试)。

Evals是什么?

就是"测试题"。你给AI一个输入,定义"正确答案",看AI能不能答对。

Jake的建议:

1. 先做12个测试:覆盖客户最常见场景。
2. 调Prompt,直到全部通过:可能需要几天。
3. 扩展到50个,再到100个测试:通过率达99%,就可以进Beta。

他特别强调:如果你不愿意花两周时间不眠不休地调一个Prompt,你不适合做AI产品。

"60%准确率的时候,大部分人放弃了。61%的时候,又一批人放弃了。但如果你愿意花 两周 死磕,你会发现准确率能到97%。剩下的3%误差,连人类专家也会犯。"

第四步:用真实客户的"愚蠢行为"迭代

即使你通过了100个测试,产品上线后依然会出问题。 因为真实用户会做你完全想不到的事。

Jake举例: "你见过真人的Google搜索记录吗?比如'burrito me how ouch'(墨西哥卷饼我怎么疼)。你要处理这种输入,还得返回有用的结果。"

所以策略是:

1. Beta阶段设定预期:"这是Beta版,还不完美。"
2. 收集所有失败案例:每次客户抱怨都记录。
3. 把失败案例变成新的Eval。
4. 持续迭代:"我们的GitHub上,每天都有新的Prompt优化提交。"

实验室里想出来的100个测试,不如客户真实使用中暴露的10个问题有价值。

收尾

Jake说了一个让很多A轮B轮投资人不爽的观点:

"你的投资人会告诉你,产品不重要,销售和营销才是关键。但我10年的经验告诉我:这是扯淡。最好的营销,是产品本身。"

当CoCounsel上线后,口碑传播、媒体主动报道、销售人员变成了"接单员"。

在演讲最后,一个14岁就卖掉第一家公司的少年问Jake: "如果你现在和我们一样,刚从这个演讲走出去,你会做什么?"

Jake笑了笑: "我会找一个巨大的市场——那些人们正在高薪雇人解决的问题。我会用AI做出一个99%准确率的解决方案。然后我会花10年时间,把它做到极致。"

停顿了一下,他补充: "你们比我幸运太多了。你们18岁,而GPT-4才刚刚2岁。等你28岁的时候,这个世界会和今天完全不同。6.5亿美金听起来很多?10年后你们会觉得,这只是个开始。"