Skip to content

搞英语 → 看世界

翻译英文优质信息和名人推特

Menu
  • 首页
  • 作者列表
  • 独立博客
  • 专业媒体
  • 名人推特
  • 邮件列表
  • 关于本站
Menu

人工智能与教学——美丽新世界

Posted on 2026-04-23

本文此前发表于《创业与创新交流》 (EIX)期刊。

今年是我们开设斯坦福精益创业加速器课程的第十六年。今年,从第一节课的第一个小时起,我们就意识到我们正在见证一些非凡的事情发生。这既是一个新时代的结束,也是一个新时代的开始。

第一天上课,各团队都带着MVP(最小可行产品)来,这些产品看起来就像是成品,而之前的学员可能要花几周甚至几个月的时间才能完成。课后,当老师们坐下来回顾刚才发生的一切时,我们意识到一切都无法挽回了。

我一直在写人工智能将如何改变创业公司,但亲眼看到8个团队真正应用人工智能技术,还是让我大吃一惊。而且没有一个团队认为自己在做什么了不起的事情。


课堂观察:产品开发速度远超预期
我们班之前的课程流程很简单——让各个小组模拟创业流程。首先提出想法,然后组建团队。接着走出办公室,与客户交流,了解他们的问题,运用敏捷开发和DevSecOps方法,在十周内构建最小可行产品(MVP)来测试解决方案。如果他们最终的目标是创办一家公司,那么他们还需要探索并开发出一系列专有代码和功能,从而构筑一道“护城河”。

今年,在课程的第一周,我们的学生就使用了多种人工智能工具,取代了以往需要大型开发团队才能完成的工作。他们使用Perplexity和 ChatGPT 进行研究,使用Claude Code和Replit构建应用程序,使用Vercel / v0进行原型设计,使用Granola自动转录和总结客户访谈。整个流程得到了极大的简化。

因为构思和制作都非常容易,只需几分钟或几小时就能完成,所以我们的学生在开课第一天就带着作品来了。他们不再需要等待数周甚至数月才能检验是否有人感兴趣。

我们意识到,我们正在目睹的是客户发现/客户验证时间表的大幅加速。

学习1.产品开发与学习之间的阻抗不匹配
到了课程的第三周,我们发现产品开发的速度过快,导致团队能够开发出的产品数量远远超过了他们能够验证的数量。产品数量与学习量并不相符。团队被人工智能工具产生的大量信息淹没,以至于忽略了客户开发的目标。他们开始认为产品本身就是真理。

后果一:人工智能使客户验证变得更加困难
创建最小可行产品(MVP)的便捷性和数量之多,却无意间阻碍了我们寻找可重复、可扩展的商业模式。虽然这只是当今时代的产物,但也意味着我们需要一种不同的客户开发模式,因为快速编码的趋势不会消失。

学习要点二:学生对 ChatGPT 的依赖降低了洞察质量。课程进行到第二周时,很明显各个团队都在将沟通工作委托给人工智能。这种简化的沟通最终变成了人工智能的拙劣之作。ChatGPT 和 Claude 都无法替代深思熟虑的沟通——无论是电子邮件、PPT 还是每周的经验总结。幸运的是,这一点很容易被发现。

第三点:客户感到不便
学生团队走出大楼后发现,潜在客户已经感受到了人工智能带来的冲击。许多接受团队演示的公司意识到,他们看到的不仅仅是渐进式的改进,实际上,他们正面临着“倒闭”的危机。

第四点:客户意识到他们的专有数据可能是他们唯一的护城河。
在某些情况下,一些原本会与学生分享数据的潜在客户,现在却要求签署保密协议才能与团队分享信息。客户们逐渐意识到,那些来之不易的私密信息可能是人工智能应用的少数障碍之一。

潜在方案一:客户共同设计
随着人工智能工具使我们的团队能够构建更高保真度的最小可行产品 (MVP),一些团队开始考虑将 MVP 用作数字孪生体(作为最终产品的模拟)。当 MVP 部署到云端并与潜在的早期推广者共享时,初创公司现在可以开始与潜在客户共同设计产品。

团队可以监控数字孪生体的使用情况、使用方式,并即时分享所需功能的反馈。团队还可以随着功能的添加更新数字孪生体。

潜在因素二:代理商/客户结果匹配度
如今,软件应用的设计初衷是向用户提供信息,然后期望用户通过仪表盘、警报、工作流工具和报告等用户界面完成工作。但客户购买软件是为了完成任务,而不是为了浏览更多屏幕。人工智能代理(由OpenClaw等工具协调)将自主地实现这一目标。对于某些团队而言,未来的课程可能会从寻找产品/市场契合度转变为寻找人工智能代理/客户成果契合度。最小可行产品 (MVP) 将转变为最小生产成果 (MPO)。

经验教训

  • MVP不再是技术能力的标志
    • Vibe 编码已经把 MVP 变成了相当于 PowerPoint 幻灯片的东西。
  • 快速推出最小可行产品(MVP)并不意味着更快地学习如何构建公司。
    • 虽然课程才刚刚开始,但第一周铺天盖地的 MVP 带来的惊人速度还没有转化为对客户验证的更快学习。
  • 业务流程和业务模式仍然至关重要
    • 我们学生团队的瓶颈已经从需要资源来构建高质量的MVP转移到了判断力:如何选择正确的问题,如何正确解读用户信号,以及决定下一步要构建什么。
  • 产品/市场匹配度和代理商/结果匹配度将(在一段时间内)共存。
    • 虽然有些客户已经准备好转向代理工作流程,但对另一些客户来说,实现产品/市场契合度仍然是用户希望看到的。
  • 创业团队规模会更小
    • 我们班的团队由 4-5 人组成。过去,如果他们决定将自己的想法付诸实践并创办公司,就需要雇佣一个更大的团队来开发产品、管理产品、了解产品是否符合市场需求、创造需求等等。现在这种情况基本已经改变了。
    • 大多数团队不需要筹集资金来弄清楚问题是否真实存在,或者在了解用户是否关心之前就需要筹集资金。
  • 企业定价模式将发生变化
    • 一些团队已经在测试新的定价模式,这种模式将从按席位计费转向按工作流程、成果、结果、解决方案、任务成功等因素计费。
  • 客户开发将发生变化
    • 因为客户开发周期更快,现在可以同时运行多个最小可行产品(MVP)……
    • 由于产品开发的速度和规模可能会掩盖潜在客户发出的信号,因此工作重心会转移到假设检验上,这需要额外的时间。
    • 由于MVP(最小可行产品)变化迅速,因此需要对其进行监控,以监测客户的使用情况/互动。

未来几周将有更多学习内容



原文: https://steveblank.com/2026/04/22/ai-and-teaching-the-brave-new-world/

本站文章系自动翻译,站长会周期检查,如果有不当内容,请点此留言,非常感谢。
  • A List Apart
  • Abhinav
  • Abigail Pain
  • Adam Fortuna
  • Alberto Gallego
  • Alex Wlchan
  • Alin Panaitiu
  • Anil Dash
  • Answer.AI
  • Arne Bahlo
  • Ben Carlson
  • Ben Kuhn
  • Bert Hubert
  • Big Technology
  • Bits about Money
  • Brandon Skerritt
  • Brent Simmons
  • Brian Krebs
  • ByteByteGo
  • Chip Huyen
  • Chips and Cheese
  • Christopher Butler
  • Colin Percival
  • Cool Infographics
  • Dan Sinker
  • David Walsh
  • Dmitry Dolzhenko
  • Dustin Curtis
  • eighty twenty
  • Elad Gil
  • Ellie Huxtable
  • Ethan Dalool
  • Ethan Marcotte
  • Exponential View
  • FAIL Blog
  • Founder Weekly
  • Geoffrey Huntley
  • Geoffrey Litt
  • Greg Mankiw
  • HeardThat Blog
  • Henrique Dias
  • Herman Martinus
  • Hypercritical
  • IEEE Spectrum
  • Investment Talk
  • Jaz
  • Jeff Geerling
  • Jonas Hietala
  • Josh Comeau
  • Lenny Rachitsky
  • Li Haoyi
  • Liz Danzico
  • Lou Plummer
  • Luke Wroblewski
  • Maggie Appleton
  • Matt Baer
  • Matt Stoller
  • Matthias Endler
  • Mert Bulan
  • Mind Matters
  • Mostly metrics
  • Naval Ravikant
  • News Letter
  • NextDraft
  • Non_Interactive
  • Not Boring
  • One Useful Thing
  • Phil Eaton
  • PostHog
  • Product Market Fit
  • Readwise
  • ReedyBear
  • Robert Heaton
  • Rohit Patel
  • Ruben Schade
  • Sage Economics
  • Sam Altman
  • Sam Rose
  • selfh.st
  • Shtetl-Optimized
  • Simon schreibt
  • Slashdot
  • Slava Akhmechet
  • Small Good Things
  • Steph Ango
  • Stephen Wolfram
  • Steve Blank
  • Taylor Troesh
  • Telegram Blog
  • The Macro Compass
  • The Pomp Letter
  • thesephist
  • Thinking Deep & Wide
  • Tim Kellogg
  • Understanding AI
  • Wes Kao
  • 英文媒体
  • 英文推特
  • 英文独立博客
©2026 搞英语 → 看世界 | Design: Newspaperly WordPress Theme