2026 中国OPC深度洞察报告
Copyright © WAIC FutureTech OPC
联合出品机构
WAIC FutureTech OPC 独立先锋挑战赛组委会 （https://worldaic.com.cn/）
D.Transformer 孵化器 （https://dt.diis.org.cn/）
同济大学 SustainX 复杂社会技术系统设计研究中心 （https://www.sustainx.com.cn/）
著 者： 张婕，纪丹雯，刘雨萌，金保华，顾天雯
责 任 编 辑： 张梦钊
排 版： WAIC FutureTech
特别鸣谢
感谢中国电信为深度问卷提供的奖品支持，
感谢为本报告提供行业洞察、数据支持、调研协助的所有 OPC 团队及个人！
版权声明
本报告著作权归版权所有方共同所有。
未经书面授权，任何机构和个人不得以任何形式转载、摘编或利用其他方式使用本报告内容。
授权事宜请联系：futuretech@worldaic.com.cn
发布日期：2026年7月
版本号：V1.0
人工智能（AI）的快速发展，正在改变个体与小团队参与商业创新的方 式。借助大模型、智能体、代码辅助、内容生成和自动化工作流，个体与极 小团队的生产能力被显著放大，过去依赖多岗位协作完成的产品开发、市场 验证和商业交付，正在被压缩进更轻量的组织形态之中。与此同时，传统公 司组织正面临人力成本上升、决策链条冗长、响应速度较慢等瓶颈，轻量化 组织的需求由此凸显。
在这一背景下，一人公司（One Person Company，OPC）作为一种轻量 化创业组织形态开始受到关注。它并不只是“一个人开公司”的简单说法，也 不同于传统意义上的自由职业、个人工作室或小微企业。更准确地说，OPC 指向的是一种以 AI 为核心生产杠杆，由极小核心团队发起，依托弹性协作网 络，以较低固定成本探索商业闭环的新型组织实践。它的关键不只在于团队 人数少，而在于能否通过 AI 工具、行业认知、产品能力和协作机制，提高人 效与商业转化效率。国内 OPC 赛道正从概念走向落地，但也伴随着概念泡沫 化、标准缺失和边界模糊等问题——这正是本研究试图回应的议题。
本研究以 WAIC FutureTech OPC 独立先锋挑战赛的参与样本及后续追踪 调研为经验基础，采用混合研究方法，并通过多源数据进行三角互证（triangulation）。一手数据分为三个层次：其一，595 份参赛项目的脱敏申报信息 及 10 位行业评委的评分与晋级结果，构成量化描述的基础样本；其二，104 份深度问卷，用于刻画群体层面的分布特征；其三，22 场时长逾一小时的半 结构化深度访谈，覆盖 AI 工具、软硬件一体化、企业服务、跨境贸易、内容 创作和垂直行业服务等赛道，用以捕捉量化数据难以呈现的机制性细节。二 手研究则整合国内外同类组织形态的研究文献与 AI 创业产业数据，为一手发 现提供参照。分析聚焦于五个维度：团队的形成机制与路径、AI 在创业流程 中的介入与影响、商业模式的验证路径与壁垒、组织结构的运转逻辑，以及 创业者在资金、算力、人才、渠道与政策等方面的真实痛点与诉求。
这是一份源自 OPC 一线实践、面向 OPC 的深度调研报告，其结论由创 业实践的经验材料归纳而来，而非从理论框架演绎推导。报告旨在还原 OPC 的真实生存状态、商业模式与发展规律。我们希望它不仅能帮助创业者判断 自身项目的组织定位与发展路径，也能为政策制定者、产业园区运营方、早 期投资机构和 AI 行业从业者提供一套理解轻量化创业组织的分析框架。
本研究采用目的性抽样（purposive sampling），样本取自 WAIC OPC 挑 战赛参与者及后续问卷与访谈对象，研究旨在深入刻画 OPC 先行群体，而非 对总体进行统计推断。赛制将项目界定为 1-3 人，因此样本的团队规模分布反 映该赛事的结构特征，不宜外推至行业均值。项目信息以创业者自陈信息 （self-report）为基础，保留了主体视角的真实性，也可能存在归类口径上的 个体差异。对商业计划书（BP）与演示原型（Demo）等佐证材料，本研究 统一以“是否提交”为统计口径，未对其内容完整性与功能有效性作二次评价， 以维持样本处理的一致性。据此，本报告的结论宜用于方向性判断与假设生 成，其外部效度有待更大规模样本的后续检验。
第一章 OPC 诞生的时代背景 与核心动因
第二章 OPC 组织特征、产业 分类与概念界定
1.1
技术底层：生成式AI重构个体生产杠杆
1.2
市场结构：垂直缝隙中的生存空间
1.3
组织痛点：科层制在AI时代的效率困境
1.4
资本与产业环境：轻量化创业的成熟土壤
1.5
社会认知：个体价值觉醒与职业选择多元化
团队规模、职业、技术与地域分布 深度问卷中的团队轮廓
09
OPC 赛道与产品形态分布
11
OPC 赛事成绩与相关要素
13
OPC 的定义与判定标准
第三章 OPC 典型创业起点与 路径
存量业务延伸型：依托过往积累的 AI 升级 原生需求驱动型：创始人自身痛点催生产品 时代机遇跟随型：AI 浪潮催生的新赛道创业
团队结构：全职核心 + 弹性协作网络 人才来源：信任是核心筛选机制 外部协作：按需调配人力，AI 替换外包 决策机制：短链集中，AI进入决策环
14
16
20
Copyright © WAIC FutureTech OPC
第四章 OPC
AI 应用实践
AI 原生与 AI 增强：介入深度持续提升 编程优先：从代码生成到智能体编排 模型生态：国产崛起与海外主导并存
入门级：以 AI 补齐单一职能 进阶级：数倍提效，AI 深度融入核心工作流 极致级：十倍至百倍，全流程 AI 驱动
生产开发层：从辅助创作到全流程协同 运营与供应链层：从辅助运营到重构业务流程 营销沟通层：从内容生成到获客自动化 组织协同层：从辅助执行到参与管理
AI 先行：默认由 AI 完成首次执行的模式出现 仍然依赖人的部分：判断比执行更加重要 安全边界：关键决策仍需人工把关 成本约束：Token 正成为新的运营成本
23
25
27
30
5.1 OPC 商业模式矩阵
目标客户与商业模式 商业模式的混搭与演进 商业模式的创新拓展 不可忽视的定价权
33
5.2
OPC 需求验证路径
36
5.3
OPC 三阶变现漏斗
5.4
OPC 核心竞争壁垒
产业认知：选择在哪里起跑，以及在那里跑了多久 落地经验：主动选择更难的那件事 产品品味：审美是判断，而非皮肤 用户关系：从数据沉淀到社群共同体
成本结构：把人效压缩成价格 组织活性：大厂的不想做与做不了
6.1 商业化底层核心指标
现金流闭环能力：决定生存，也决定拒绝权 付费客户总量：真实需求的直接体现 客户粘性与续费率：产品价值的核心验证 业务延展性：可想象的长期价值 用户时间节约价值：AI 时代的新型产品价值指标
45
人均产出：区别于传统企业的核心标尺 Token 消耗：使用效率大于总量 人机掌控力与协作关系
47
复合人才能力：综合能力决定项目上限 开源生态影响力：技术类OPC的长期价值
49
用户量与流量指标：不能作为核心估值依据 团队规模与概念热度："人少"正成为形式化标签
51
7.1 OPC 现有支持图谱
多元拼图：百花齐放，自力更生 非正式支持：轻量在场，效能超预期 传统要素：资源已在，接口待通
52
7.2 OPC 核心需求清单 54
场地配套的挑战：从提供空间到提供接口 政策适配的挑战：把"人数"从资格门槛中松绑 开放场景的挑战：从"给出场景"到"给对场景"
56
资本关心的不是标签，仍是增长 OPC 对资本的需求分化
58
算力与模型：成本之外，还有议价权 人才生态：人力之外，还有信用与共识 合规与监管：风险之外，还有不确定性
59
长期存在：OPC 将成为一种常态化组织形态 技术预期回归商业现实：从概念热潮走向价值创造
61
行业出清：无壁垒、无商业模式的项目将率先淘汰 K 型分化：组织生态将呈现“两端增长、中间收缩” 从通用能力走向垂直价值：细分赛道将成为竞争高地
62
独立经营：深耕细分领域的"小而美"企业 规模化成长：完成验证后迈向标准化企业 融入生态：成为大型企业创新体系的重要组成部分
63
OPC 弹性协作网络：从组织雇佣走向按需协同 AI 运维与安全服务：从模型调用走向 AI 基础设施管理 OPC 服务生态：轻量化组织催生新一代创业基础设施
64
技术依赖风险：AI 原生组织的系统性脆弱性 同质化竞争风险：门槛降低并不意味着竞争减弱 政策适配风险：扶持与监管的关键在于精度
65
9.1
给 OPC 创业者的建议
9.2
给政策制定者的建议
9.3
给行业参与者的建议
67
OPC 诞生的时代 背景与核心动因
2026 年，“一人公司”正成为中国创业生态中一个引人注目的现象。
截至 2025 年 6 月，全国一人有限责任公司存量已突破 1600 万家，占全 国企业总量的 27.4%。仅 2025 年上半年，全国新注册 OPC 达 286 万户，同 比增长 47%，占全部新注册企业的 23.8%，意味着国内每四家新注册企业 中，就有一家为单人主导创业主体【1】。伴随 OPC 创业群体的增长，国内 OPC 配套生态持续完善：2026 年上半年，全国 OPC 社区从 95 个增至 618 个，覆盖 24 个省份、75 座城市【2】，为单人创业提供全链条配套支撑。这 些数据表明，OPC 已不再只是小众实验，而是国内创业生态中值得关注的组 织形态。
OPC 是 One Person Company 的缩写。2005 年，我国修订的《公司 法》明确承认只有一个自然人股东或一个法人股东的有限责任公司【3】；放 眼全球商事制度发展历程，英国 1897 年的“萨洛蒙案”确立了公司独立于股东 的法人地位，为现代公司独立法人制度及后来单一股东公司的合法化提供了 重要法理基础【4】。在商业管理领域，2019 年 Paul Jarvis 出版的《Company of One》（中文译名《一人公司》），系统阐述了主动保持较小规模、质 疑无目的扩张，并追求可持续盈利与经营自主性的经营理念【5】。进入生成 式 AI 时代后，Sam Altman 于 2024 年公开讨论了 AI 催生“一人十亿美元公司” 的可能性，进一步推动“一人公司”进入 AI 创业与高增长企业的讨论【6】。这 一设想之所以在当下获得更强的现实基础，正在于 AI 技术的逐步成熟。“个人 ＋AI”的深度协同不断拓展个体创业的能力边界，使个人或极小团队能够承担 产品设计、技术研发、内容营销、用户服务等过去需要多个专业岗位协作完 成的工作。
从法律制度的确立，到轻量化经营理念的传播，再到 AI 时代的技术赋 能，OPC 逐渐形成了一条“制度允许—理念认同—技术可行”的演化路径。那 么，为什么 AI 语境下的 OPC 在 2025-2026 年快速升温，并形成密集的创业 实践与生态建设？本章通过对已有研究文献与产业数据的系统梳理，从技 术、市场、组织、产业、认知五个维度，梳理这一组织形态加速兴起的动力 机制。
技术底层： 生成式AI重构个 体生产杠杆
近三年，生成式 AI 模型能力快速提升，使用成本显著下降，大幅降低了 个人调用智能技术的门槛。《2025 AI Index Report》显示，在一项涵盖多学 科知识与推理能力的综合基准测试中，达到 GPT-3.5 相当表现的模型，查询 成本由 2022 年 11 月的每百万词元（Token）20 美元降至 2024 年 10 月的 0.07 美元，降幅超过 280 倍【7】。与此同时，多模态理解、代码生成和智 能体等能力，正通过应用程序编程接口（API）、订阅制产品和开源模型等方 式，成为个人创业者可按需获取的通用技术能力。
AI 正在将部分过去需要长期训练的专业技能封装为近乎“即插即用”的能 力。过去，个人开发软件通常需要长期学习编程语言、数据库和前端框架等 多项专业技能；今天，借助 AI 辅助工具，个人已能通过自然语言完成部分代 码生成、界面设计和原型部署，大幅缩短从想法到初步上线的周期。
在 AI 赋能个体创业的各类技术中，智能代码生成对产品开发门槛的影响 尤为直接。以自然语言驱动代码生成和修改的开发方式正在兴起，使开发者 能够借助 AI 完成代码编写、调试和部分测试工作。JetBrains 2025 年开发者 生态调查显示，85% 的受访开发者经常使用 AI 工具开展编码及其他开发活动 【8】。
AI 对个体生产杠杆更深层的影响，在于其正从单项任务提效走向对完整 工作流程的重组。麦肯锡研究显示，表现领先的软件开发组织会将 AI 贯穿产 品开发周期，并同步调整流程、角色与协作方式；这些组织在团队生产率、 客户体验和产品上市速度等指标上的改善幅度达到 16%-30%【9】。
对 OPC 而言，这些变化意味着 AI 正在从零散的辅助工具转变为嵌入业务 流程的生产系统。当具备行业认知的创业者能够识别适合 AI 介入的环节，并 将多个工具和任务串联起来，AI 便可以承担代码开发、内容生产、用户运营 等不同职能中的部分执行工作，使个人能够统筹过去分属于多个角色的任 务，以更低的人力成本完成商业验证和产品原型落地，显著提升单人创业的 现实可行性。
市场结构： 垂直缝隙中的生 存空间
OPC 在传统规模化企业模式的缝隙中快速兴起，源于中国互联网与消费 市场多重变化的叠加：互联网用户总量增长放缓、消费需求持续分化，以及 数字化与 AI 降低了服务小规模市场的成本。大众市场的增量空间逐渐收窄， 而众多垂直细分领域仍存在未被充分满足的个性化、小众化需求，为轻量化 的个体创业提供了新的生存空间。
当前中国互联网行业正由用户高速增长转向存量竞争。截至 2026 年 3 月，QuestMobile 监测的移动互联网全网用户规模达到 12.76 亿，同比增长仅 1.4%。腾讯、阿里巴巴、抖音、百度等头部互联网平台的用户规模均突破 10 亿【10】，占据国内主要互联网流量入口，大众市场流量格局趋于固化。随 着用户增长放缓，大众市场的竞争重点逐渐转向时长、留存与转化，新进入 者在通用赛道与头部平台正面竞争的难度进一步上升。
大型企业的商业逻辑通常建立在规模效应之上，通过标准化产品和通用 基础设施服务广泛用户，以摊薄研发、运营和获客成本。这种经营逻辑更擅 长满足广泛而共通的需求，却难以经济地覆盖“小而散、高定制、细场景”的小 众市场。部分垂直领域虽不足以支撑大企业投入完整团队，却可能为具备行 业认知、保持轻量化运营的个体创业者提供生存空间。
从公开案例和产业实践看，OPC 活跃的垂直赛道涵盖工业制造数字化、 跨境电商工具、软件即服务（SaaS）、小众内容和专业服务等领域。随着 AI 降低开发、生产、运营和交付成本，个体创业者能够以较低投入服务规模有 限但需求明确的用户群体。当客单价、复购率和交付成本能够形成可持续的 单位经济模型时，较小的细分市场也可能支撑稳定经营。OPC 的生存空间， 正存在于那些难以满足大型企业规模化回报要求、却能够支撑轻量化经营的 垂直缝隙之中。
组织痛点： 科层制在AI时代 的效率困境
技术赋能与市场留白为 OPC 提供了外部条件；与此同时，传统科层制暴 露出的效率困境，以及 AI 对跨岗位协作和任务衔接成本的降低，也成为推动 OPC 兴起的重要动因。
罗纳德·科斯在 1937 年的经典论文《企业的性质》中提出，企业之所以 存在，是因为在一定条件下，内部组织可以降低通过市场完成交易的成本； 企业边界则取决于内部协调成本与外部市场交易成本的比较【11】。
具体而言，AI 不仅降低了代码开发、内容生产和信息处理等单项任务的 执行成本，也降低了部分跨岗位、跨环节工作的转译、交接与衔接成本。对 于能够清晰定义问题、拆解任务并调度 AI 资源的个体而言，原本分散在不同 职能之间的工作，可以被组织进同一套连续工作流，创业早期对固定岗位、 跨部门协作和完整职能团队的依赖由此下降。
相比之下，在多层级组织中，执行端的提效并不必然转化为整体交付效 率。麦肯锡对软件开发组织的研究指出，充分释放 AI 的规模化价值，不仅需 要部署工具，还需要同步重新设计工作流、角色与治理机制，人的职责也将 从直接执行转向任务编排、质量验证和结果监督【9】。腾讯研究院则将商业 想法转化为可交付成果过程中产生的等待、审批、沟通对齐和信息衰减概括 为“组织摩擦”【12】。如果信息传递、决策对齐和流程审批没有随 AI 应用同 步调整，执行端获得的速度仍可能被中间环节消耗。AI 原生的小型组织则可 以从一开始围绕具体任务配置工具、角色和决策机制，以较短的协作链条完 成从问题定义、任务执行到结果验收的连续过程。
在人力成本层面，AI 正在改变部分岗位的相对成本结构。鸿鹄汇发布的 《2026 一人公司 OPC 洞察报告》采用人机开发成本比进行估算：中位 OPC 创始人的 AI 月支出为 39 美元；根据受访者使用情况换算，AI 开发覆盖率为 73%，以传统等效开发人力成本 1.4% 的 AI 支出，获得约 0.73 名全职初中级 开发工程师的等效工作量【13】。这一指标不能等同于 AI 已经稳定替代同等 比例的工程师产出，但反映出 AI 工具支出与传统开发人力成本之间存在显著 差距。
AI 不仅降低了部分专业任务的执行成本，也扩大了个人统筹跨职能工作 的能力。“小型自主单元＋短决策链”因而在快速试错、产品验证和业务交付中 获得新的效率优势，OPC 正是这一组织变化在创业端的集中体现。
资本与产业环境： 轻量化创业的成熟 土壤
技术提供了能力，市场提供了方向，而产业基础设施的成熟则降低了 OPC 从启动、交付到持续经营的成本，使 OPC 从一种理论上可行的组织设 想成为能够实际运行并探索商业闭环的创业形态。
Stanford AI Index 显示，达到特定性能水平的 AI 模型，其查询与推理价 格近年来显著下降【7】；中国信息通信研究院《云计算蓝皮书（2025 年）》显示，国内云计算、SaaS 服务、按需算力基础设施持续扩容【14】。 云服务和 API 经济的发展，将传统创业所需的服务器部署、硬件采购、技术 运维等前期固定投入，转化为按需付费、按量计费的可变成本；数字分发渠 道的发展，则降低了产品触达用户和完成交易的成本，共同降低了 OPC 创业 初期的资本门槛。
在商业模式层面，订阅制、按量付费、项目制等多样化收费方式的发 展，使轻量化数字产品具备更加清晰的收入实现路径。在鸿鹄汇的调查样本 中，OPC 的商业模式中订阅制占 44%，佣金／效果付费占 22%，一次性付 费占 17%，广告模式占 16%【13】。借助数字支付、平台结算以及可复用或 可外部协作的交付方式，这些收入模式有助于简化部分收费、结算和交付环 节，减少对大规模销售团队和完整内部交付体系的依赖。低成本启动与多样 化收费工具的结合，为 OPC 探索最小商业闭环创造了条件。
OPC 配套社区的规模化发展，进一步完善了单人创业的产业生态。截至 2026 年 6 月，全国 OPC 社区已达 618 个，覆盖 24 个省份、75 座城市 【2】。部分社区正在承担 OPC“外置公共服务组织”的功能，将传统企业内部 的工商注册、财税合规、法务风控、算力支撑、客户对接等专属职能，拆解 为可共享、可按需调用的公共服务资源。个体创业者不必独立承接创业全链 条工作，可依托社区弹性配套服务补齐能力短板，缓解单人创业资源有限、 职能不完整的问题。
社会认知： 个体价值觉醒与 职业选择多元化
技术、市场、组织和资本提供了客观条件，OPC 成为现实选择，也与部 分人对“工作”和“成功”的理解变化有关。
更多人开始接受，工作不必依附于单一组织，个人也可以独立创造价 值、获得收入和建立职业声誉。这可以视为“工作”与“组织”逐渐解绑的延 续——工业时代将工作集中到工厂和办公室，信息时代使远程协作成为可 能，AI 时代则进一步降低了个人独立创造价值的门槛。
在新生代创业者和超级个体中，创业价值诉求正在呈现更加多元的特 征。传统创业叙事往往强调规模化扩张和资本化变现，追求企业体量与市场 规模最大化；而部分超级个体创业者更加重视创业自主权、工作意义感与时 间自由度。腾讯研究院 2026 年调研指出，AI 时代超级个体更重视自主决策 空间和持续成长环境，经济回报则是维持长期投入的基础【12】。媒体访谈 中，部分从头部互联网企业离职的 OPC 创业者表示，其首要动机并非提升收 入，而是减少繁琐流程和组织摩擦，使商业想法更快落地与迭代【15】。
这种职业认知与价值理念的变化，为独立自主、轻量运营和精细化盈利 的 OPC 模式提供了更广阔的观念空间。AI 的深层价值不仅在于提升效率、放 大个体能力，也在于减少重复性执行工作，使创业者将更多时间投入创新、 决策和价值创造，进一步释放个体的自主性与行动力。
OPC 组织特征、 产业分类与概念 界定
在进入 OPC 的形成路径与商业逻辑之前，本章首先界定 OPC 这一商业 组织形态。基于 WAIC OPC 挑战赛 595 个有效报名项目（含 10 位行业评委 的独立打分与晋级结果）及 104 份赛后深度问卷，本章从团队形态、赛道分 布、赛事表现和定义边界四个方面呈现样本特征。需要说明的是，赛事采取 自愿报名，样本更偏向主动寻求曝光与资源的团队，相关推断边界见前言“研 究边界”部分。
595 有效参赛项目（全样本）
192 晋级复赛（整体晋级率32.3%）
75 复赛优秀奖以上（12.6%）
24 复赛金/ 银/ 铜奖（8个赛区x前三名·4%）
5 全国金/ 银/ 铜奖（最终获奖项目·0.8%）
OPC 团队形态
有效报名项目中，1-3 人团队构成绝对主体，其中单人团队超过一半， “轻量化”首先体现为极小规模的核心团队。
创业者数量过半，而副业与在校群体并存，四成以上的参与者以非全职 创业者身份进入。
以报名材料可判读的口径统计，超过四成团队明确具有技术背景，但近 两成明确不具备技术背景。技术能力虽然可能影响项目的产品形态与落地方 式，但并非必要条件，OPC 并不等同于“技术人创业”。
未披露 11.4%
4人以上 2-3人 1人
3.5%
34.8%
50.3%
自由职业 9.9%
学生 在职员工 创业者
57%
明确非技术背景 18.3%
未披露
35.3%
明确技术背景
46.4%
在地域分布上，报名团队高度集中于 AI 产业资源密集城市。沪、京、深 三地合计占比过半，杭州、西安和成都分列第四至第六位。可见，OPC 虽然 强调轻量化与个人化，但其空间分布仍与技术社群、产业资源和城市创新生 态存在明显重合，并非完全脱离产业土壤的孤立实践。
上海 166（27.9%）
北京 深圳 杭州 西安 成都
84（14.1%）
84（14.1%）
41（6.9%）
34（5.7%）
33（5.5%）
其他/未归类
27（4.5%）
武汉 广州 南京
23（3.9%）
16（2.7%）
13（2.2%）
江苏其他 山东其他
10（1.7%）
图3：团队城市/区域分布 （n=595, 前12）
7（1.2%）
深度问卷（n = 104）进一步刻画了 OPC 这一群体的人口学轮廓，呈现出
两类较典型的团队画像：一类是较成熟的男性技术型独立创始人，另一类是 更年轻、性别混合、跨学科的迷你团队。团队差异主要体现在性别、年龄和 专业背景三个方面。
性别上，样本整体由男性主导，但结构随团队规模变化：单人创始人中 男性占 75%，多人团队则以混合性别为主，共 38 个；68 个多人团队中，全 女性团队仅 1 个。
年龄上呈现“资深者单干、年轻人抱团”的分层：单人创始人明显偏成熟， 31-36 岁占一半，是经验型独立创业的主力；单一年龄段的多人团队中， 18-25 岁最多，超过半数团队跨越多个年龄段。
专业背景上，技术／工程近乎入场券——87.5% 的团队至少含一名技术 成员，商业／金融与设计／艺术则构成常见互补方向；多人团队高度跨学 科，82% 覆盖两个及以上专业方向。
单人（n=36） 27 9
多人（n=68） 22 1 38 7
0 10 20 30 40 50 60 70 80
男性/全男 女性/全女 混合性别 不便透露
混合年龄 39
31-36岁 18 6
18-25岁 9 13
26-30岁 6 8
36岁及以上 3 2
单人 多人
87.5% 91
技术/工程
商业/金融
40
设计/艺术
38
科学/医学
25
人文/社科
24
其他
3
图4： 性别构成 · 单人 vs 多人 （n = 104）
图5： 年龄结构 · 单人 vs 多人 （n = 104，除第一项之外均为单一年龄段）
图6： 团队所覆盖的专业背景数量 （n = 104，团队含该背景即计入）
OPC 赛道与产品 形态分布
从赛道分布看，本次样本中的 OPC 并未扎堆于通用 AI 工具，而是广泛进 入健康、硬件、教育和专业服务等具体场景。占比最高的五条赛道依次为健 康／医疗／心理支持和硬件／物联网（IoT）／机器人，各 89 个（各占 15.0%）；其后为教育／培训／知识服务 73 个（12.3%）、金融／法律／政 务等专业服务 69 个（11.6%），以及企业服务／SaaS／办公效率 56 个 （9.4%）。
健康/医疗/心理支持 硬件/loT/机器人
15%
15%
教育/培训/知识服务 金融/法律/政务等专业服务 企业服务/SaaS/办公效率 内容创作/媒体/营销
12.3%
11.6%
9.4%
6.6%
游戏/娱乐
5.7%
设计/创意工具 开发者工具/技术工具 其他 社交/社区/陪伴
5.5%
5.4%
5.4%
4%
电商/消费/本地生活 信息不足/UNK 公益/社会创新
3.4%
0.5%
图7：项目赛道分布（n = 595）
0.3%
产品形态上，软件应用／SaaS／Web 服务构成基础形态，共 286 个 （48.1%），其后依次为硬件／IoT／机器人 106 个（17.8%）、平台／社区／ 市场 95 个（16.0%）、内容／知识服务 80 个（13.4%）。
5%（其他）
13%（内容/知识）
16%（平台/社区）
18%（硬件/loT）
48%（软件/SaaS/Web）
图8：项目产品形态分布（n = 595）
将赛道与产品形态交叉来看（图 9），值得注意的是：OPC 并非只用软 件形态做通用工具，健康、教育、金融等传统上以机构化服务为主的领域， 同样吸纳了大量个人开发者的轻量软件产品。
健康／医疗／心理、教育／培训／知识服务、金融／法律／政务三条专 业属性较强的赛道中，约半数项目以纯软件形态交付；反过来看，286 个软 件形态项目中有 120 个（42.0%）落在这三条赛道。
但这并不意味着软件项目“不成比例地涌向重场景”。上述专业赛道的软件 占比与全样本水平（48.1%）大体相当。更准确地说，软件形态在各赛道广泛 铺开，专业场景并未缺席。
考虑到本报告的赛道分类粒度较粗，“专业场景”仅是基于赛道标签的近似 界定。在此前提下，不同的赛道与产品形态组合，仍对应着不同的商业逻 辑：纯线上 AI 工具边际成本较低，更常采用订阅制；软硬件一体项目落地投 入更大、需求验证周期更长；垂直行业服务客单价较高，也更依赖创始人的 行业经验与客户资源；内容与创作工具较易获得用户增长，但付费转化差异 明显。相关差异将在第五章进一步展开。
健康/医疗/心理（n=89） 48%
硬件/loT/机器人（n=89）
2%
教育/知识服务（n=73）
49%
金融/法律/政务（n=69）
59%
企业服务/SaaS（n=56）
84%
内容/媒体/营销（n=39）
59%
游戏/娱乐（n=34）
18%
设计/创意（n=33）
81%
46%
开发者/技术工具（n=32）
其他（n=32）
社交/社区/陪伴（n=24）
电商/本地生活（n=20）
0% 25% 50% 75% 100%
软件 其他形态
图9：各赛道内的产品形态构成（n = 595）
交叉分析显示，团队规模与业务形态高度相关。硬件／机器人赛道的单 人团队占比近四成，而设计与开发者工具、内容创作等纯数字赛道合计超过 七成，差异显著（p < 0.001）。OPC 的团队规模与其说是组织理念的选择， 不如说是业务“重量”（业务的交付难度、服务规模与人力需求）的函数：越接 近物理世界，越依赖硬件、供应链和线下交付，单人闭环越困难；越接近纯 数字业务，单人形态越可行。
OPC 赛事成绩与 相关要素
赛事成绩只能作为项目早期评审认可度的代理指标，与长期商业成功没 有必然联系。评审所能看到的，是项目在报名和比赛阶段已经呈现出的可验 证程度，而非其未来的市场生命力。
在 595 个有效项目中，192 个晋级复赛，晋级率为 32.3%；其中 51 个项 目获复赛优秀奖，金、银、铜奖各 8 个，共 75 个，占全部样本的 12.6%。对 项目特征与赛事成绩进行统计检验后，与晋级和获奖均呈现较稳定关联的， 主要是 Demo 与团队规模。
有 Demo 的项目晋级率为 43.0%、获奖率为 17.0%，明显高于无 Demo 项目的 15.2% 和 5.7%（p < 0.001）。这意味着，相较于停留在概念和方案阶
段的项目，已经形成可展示、可操作成果的项目，更容易在初评中获得认可。
团队规模也与成绩相关。2-3人团队的晋级率为44.9%、获奖率为19.3%， 均高于单人团队的 24.7% 和 7.7%（p < 0.001）。
需要说明的是，团队规模与赛道高度相关——硬件项目中约 48% 是 2-3 人团队，设计工具中 80% 是单人团队。在现有样本下，尚无法区分成绩差异 究竟来自协作结构，还是不同赛道的项目完成度和展示方式，因此此处仅报 告关联，不作因果解读。
45%
43%
33%
33%
31%
31%
25%
19%
17%
15%
15%
14%
13%
12%
8%
6%
无 Demo （230）
有 Demo （365）
1人团队 （299）
2-3人团队 （207）
仅 toC （284）
一线城市 （350）
新一线、二线 （197）
晋级率 获奖率（复赛优秀奖及以上）
仅 toB/G （224）
图10： 什么与赛事成绩相关，什么零相关 （n = 595）
37% 39%
31%
43%
无 Demo （230）
1人团队 （299）
2-3人团队 （207）
有 Demo （365）
图10： 初评门槛要素在晋级后基本失效 （n = 595）
与成绩无显著关联的要素同样值得说明。城市层级（一线城市对比新一 线及其他城市，p = 0.86）、目标客户类型〔面向消费者（to C）对比面向企 业／政府（to B／G），p = 0.68〕和项目赛道（p = 0.22）均与晋级率无显著 关联。技术背景负责人的晋级率（42.0%）虽略高于非技术背景负责人 （32.1%），但差异未达到统计显著水平（p = 0.09）。
进入复赛后，这些关联不再显著。在 192 个复赛项目中，有无 Demo 的 获奖率几乎相同，团队规模带来的差异也不再显著。初评更关注项目完成 度，复赛则更侧重项目本身的价值与方案质量。
另外，两项较弱的关联可作为补充观察。职业身份与晋级率存在显著关 联（p = 0.003）：学生项目的晋级率最高，为 45.7%；在职员工最低，为 21.3%。但职业身份与获奖率无显著关联（p = 0.18）。项目气质标签中，“产 业派”项目的晋级率略高于其他项目（38.1% 对 29.4%，p = 0.04），“趣味 派”项目略低，均为边缘显著。
OPC 的定义与判 定标准
OPC 目前仍然是一个尚未收敛边界的概念。大赛邀请 10 位行业评委独立 判断项目是否属于 OPC，并采用“一票否决”口径：项目只要收到一张否定 票，即计为非 OPC。结果显示，评委之间的判断差异显著，最严格与最宽松 评委的判定比例相差近 60 个百分点。
创业者的自我认知同样不一。问卷中，64% 的团队明确认同 OPC 身 份，其他团队则将其视为阶段性状态，或更倾向于用“创业项目”“AI 产品”“个 人副业”“自由职业”等概念描述自身。
其他 55%
不确定 1% 不太符合 4%
内容 / 知识服务项目 2% 小型公司 3%
AI 产品项目 35%
自由职业 7% 个人副业 7%
只是目前暂时状态 12%
55% 45%
个人工作室 9%
63%
普通创业项目的 早期阶段 9%
部分符合 但我不会这样称呼它 20%
至少一位评委 判定不是OPC 45%
我明确认为这是 OPC 63%
创业项目 28%
图11： 评委对是否 OPC 的一致性判断 （n = 595）
图12： 团队是否认为自己的项目属于 OPC （n = 104）
图13： 如果不用“OPC / 一人公司”，怎么称呼自己的项目 （n = 104 · 可多选，共 177项选择）
综合评委判断、创业者自述与访谈，本报告认为，OPC 并非边界清晰的 既定概念，而是在赛事、评审与创业实践中逐步形成的实践性概念。其核心 不只是团队人数少，而是生产方式与协作结构的变化。
本报告将 OPC 概括为：以 AI 为核心生产杠杆，由极小核心团队发起，依 托弹性协作网络，以较低固定成本探索商业闭环的新型组织实践。
其核心特征可以归纳为四点：
的全职编制；
成核心成本项，由团队自主验证用户、收入与商业模式。
一个 OPC 的诞生，往往始于具体的个人经历与现实契机。在本次样本 中，超过 75% 的团队起步于近一年，其出现与生成式 AI 加速进入商业应用 的时间窗口高度重合。基于深度问卷与半结构化访谈，本章围绕“从哪里来、 与谁协作、向何处发展”三个问题，分析 OPC 的典型创业起点、人力构成与 协作模式，以及发展的四条可能路径。
一年以内 78个团队·75% 1312.5%
1211.5% 2年以上
2120.2% 1-2年
3533.7% 6个月-1年
2221.2% 3-6个月
0-3个月
0 3月 6月 1年 2年 3年 项目启动至今的时长
OPC 三大创业起 源类型
项目起点会影响团队的初始资源、需求理解与商业验证速度。根据参赛 项目与访谈材料，本报告将 OPC 的创业起点概括为三类：存量业务延伸型、 原生需求驱动型和时代机遇跟随型。三类路径并非严格互斥，部分团队同时 具备多类特征。区别主要在于项目最初由什么触发：既有业务与客户需求、 创始人的亲身痛点，或技术能力跨过商业可用门槛。
存量业务延伸型的项目在本次调研中最为常见，也通常具有更短的商业 化验证路径。
这类创始人通常已在特定行业深耕多年，积累了深厚的专业知识、客户 关系或供应链资源。过去，这些积累主要依附于个人经验和行业人脉，难以
产品化和规模化交付；AI 则使原本需要多个岗位协作完成的专业服务， 可以被压缩为“个体＋AI”的工作流，形成最小可交付单元。
这类项目的典型特征是需求先于产品出现。创业者在正式启动前，往往 已经从真实业务关系中看到需求，甚至获得较明确的付费意愿信号——在日 常工作中被客户主动追问：某种方法能否做成工具，某套自动化流程能否开 放使用。创业所做的，不是“先做产品再找用户”，而是把正在发生的价值交换 进一步产品化。
参赛样本中，AI 外贸服务、行业数字化流程工具、垂直领域内容工具是 这类路径较为集中的赛道。其壁垒不在 AI 本身，而在于对行业问题、付费主 体和交付流程的理解。AI 可以降低交付成本、提高复用效率，却无法替代创 始人判断“谁真正需要这项服务、为什么愿意付费”。
某 AI 投研团队创始人拥有基金、资管与投研的复合背景，并连续多年通过公众号输 出行业研究。真正推动其产品化的，并非预先规划的创业决策，而是客户反复追问： “能不能把数据给我？”
原生需求驱动型的起点，是创始人长期面对、却始终没有得到妥善解决 的日常困境。长期失眠却找不到有效的辅助方案，构音障碍者在日常沟通中 反复受阻，记账工具因为输入成本过高而难以坚持——这些问题最初并不是 作为“市场机会”被发现，而是创始人每天都在经历的现实。
在这类项目中，创始人本人就是最早的种子用户。对需求的理解不仅来 自调研，也来自长期使用、受挫与反复尝试形成的具体体感：他们更清楚问 题发生在什么场景，用户为什么会放弃现有方案，以及哪些细节会真正影响 使用体验。
但个人痛点并不会自动转化为创业机会。项目仍需完成从“我的问题”到 “一类人的问题”的跨越：需求是否具有更广泛的用户基础，现有方案是否仍有 缺口，创始人又是否拥有不同于既有产品的理解、技术或资源。只有当问题 真实存在、现有方案尚未充分满足，而创始人又有机会做出不同的解决方式 时，个人困扰才可能转化为创业起点。
某面向构音障碍者的 AI 语音识别工具创始人，本人也长期受到沟通障碍困扰。而真 正将长期个人需求转化为创业方向的，是他参加一次比赛后展开的市场调研。他发 现，“康复”与“沟通”之间仍存在未被充分覆盖的需求：“国内做言语康复的产品很多， 但做沟通辅助的还没有。”
3.1.3 时代机遇跟随型：AI 浪潮催生的新赛道创业
时代机遇跟随型通常启动较快、短期爆发力较强，但风险也较高。这类 项目往往由明确的技术节点触发：自然语言驱动编程（Vibe Coding）让非技 术背景的创始人也能独立开发产品，大模型能力跃迁使部分方案跨过商业可 用门槛，新功能上线则可能直接催生产品灵感。参赛样本中，不少团队都将 “Vibe Coding 出现”或“某个模型达到可用水平”视为启动契机。
技术突破将从灵感到 Demo 的周期压缩至几天，甚至一个周末；但同一 轮技术红利也同步降低了进入门槛。缺少行业认知、用户资源或交付壁垒的 项目，很容易被迅速模仿并卷入同质化竞争。正如一位受访者所说：“赛道突 然热了，竞争者三天就冒出来一个，大家都在做差不多的事情。”
因此，真正有机会穿越周期的，不是单纯追逐 AI 热点的项目，而是能够 识别“技术已经够用、行业里还没有人做好”的窗口。这要求创始人同时理解 技术边界与行业需求：既判断什么已经可以实现，也判断什么仍值得被解决。
某垂类数字化团队创始人拥有 9 年能源行业金融风险管理经验。2021 年“双碳”议题
升温后，他持续通过知识星球沉淀行业研究，但直到 2024 年 4 月才组建团队。在他 看来，当时可持续发展领域尚无成熟产品，而大模型处理非结构化数据的能力已经跨 过可用门槛，“ChatGPT 的横空出世”成为项目启动的直接契机。
OPC 人力构成与 协作模式
我主动选择保持小规模 36
项目早期暂时人少，未来可能扩张 32
AI 让小团队也能推进，暂不需更多人 23
还没找到合适的队友，先一个人/小团队做 10
只因这次比赛/概念适合而被归入OPC 3
更快做出原型、验证想法 用更低人力成本完成原需多人协作的工作 快速补足自己或团队暂不具备的技能 沟通、协作成本及情绪负担更低 看到一人公司/超级个体的可能性
72 45
38 37
33 27
找不到队友时，也能先把项目做起来 更容易保持对项目方向的主导权 仍更倾向真人团队，AI只是辅助
18 2
图15：目前的OPC / 微型组织状态更接近哪一种（n=104） 图16：相比组建完整真人团队，OPC的吸引力（n=104·可多选，共272项选择）
核心团队的规模大致分为三个层次。第一层是单人极致型，创始人负责 所有核心职能，将执行层面的工作通过 AI 工具和外部协作完成。这种结构对 创始人的复合能力要求极高——需要同时具备行业判断、产品定义、客户获 取和资源协调能力。AI 可以承担部分执行工作，但无法替代判断。
某 SaaS 创始人长期采用“创始人＋外部协作”结构，开发、法务、财务和运维均由长 期合作伙伴承担。单人状态对她而言并非价值偏好，而是一种风险管理：合伙人只接 受合作多年、知根知底的人选。“不是没有合伙人公司就开不下去，我把这个风险留给 时间”。
第二层是 3-4 人核心型，也是调研中最常见的结构。成员多为前同事、 同学或长期合作者，分工覆盖技术、产品和运营，但岗位边界灵活。AI 分担 部分执行工作后，团队分工不是传统意义上的岗位切分，能力互补而非职能 隔离。有受访者将其形容为“不可拆解”：“我们三个缺一不可，没有人可以被 替代。”
某陪伴产品的核心团队有 3 人，分别统筹整体方向、产品设计与硬件研发。团队无
明确上下级，关键事项共同商议敲定：“谁有好想法都可以提，不用走流程汇报，方向 大家都认可了再推进，不容易走偏。”外围则联动 B 站情感主播、心理学研究者提供专 业建议，不用全职雇佣也能补足专业能力。
第三层是 10 人以内的精简型。团队已具备初步的岗位划分，但仍然保持 着短决策链和高沟通效率，通常被视为从 OPC 向标准公司过渡的中间形态。
某医疗平台为 6 人全职架构，4 人负责软件开发与硬件探索，2 人负责资源对接与 业务拓展。技术负责人介绍：“大方向都是创始人来定，我们负责把他的想法落地，决 策链很短，不会扯皮。”团队定位清晰——OPC 是起步阶段，但目标是成长为完整医 疗科技公司，后续将逐步补充线下医疗对接、运营与硬件研发等岗位。
人才来源与信任机制是 OPC 团队组建中最具结构性的特征。
根据问卷数据，同学、同乡和前同事构成的“熟人网络”是 OPC 最核心的 人才池。在没有人力资源部门（HR）、没有试用期、没有复杂薪酬体系的轻 量组织中，信任是一种低成本但高强度的筛选机制。
一个人是否靠谱、是否具备独立闭环能力、是否能在没有监督的情况下 推进工作——这些问题的答案在标准面试中无法获得，只有在长期合作中才 能得到验证。
同学/同乡/朋友等已有私人关系 40
过往项目合作关系 27 同事/前同事等职场关系 19
AI / 创业 / 开发者社群（线上） 17 学校 / 实验室 / 社团等校园网络 14 社交媒体 / 公开招募 / 招聘平台 8
本次比赛 / 黑客松现场匹配 7
投资人 / 孵化器 / 导师 / 主办方推荐 5 外包 / 自由职业者或临时协作者 5
图17：如何组队、找到项目成员（n=104·可多选，共142项选择）
某 AI 硬件团队核心 3 人全部来自既存信任关系：两位在大学生程序设计竞赛中相 识，另一位是创始人的高中同学。对于欠缺的营销与 IP 设计能力，团队明确拒绝将 就：“早期不会轻易找这些人。因为加入的人也需要有一定主观能动性，对产品有一定 感情……如果一个人没有这种投入，其实和外包差不多。”核心成员的筛选标准里除了 能力，还有是否对产品形成责任感。
值得注意的是，部分 OPC 团队在招聘时对“大厂履历”持审慎态度。
多位创始人在访谈中表达了类似观察：大厂高度分工的环境更容易培养 专才，这些人在完整的支持体系中表现出色，但脱离原有体系后，未必能够 独立完成端到端交付。
OPC 需要的恰恰是相反的能力结构——“什么都能做一点、什么都愿意 学”的通才，而非“某一件事做到极致、其他事一概不管”的专才。一位创始人
的话颇具代表性：“我招过一个从大厂出来的人，他就只会产品，然后觉得没 有班子什么事情都干不起来。那我为什么不直接去找外包公司？”
外部协作同样呈现出清晰的演化趋势。
几乎所有访谈团队都采取“全职核心＋弹性外围”的方式——以兼职、实习 生和项目制自由职业者（Freelancer）补充特定能力，而不把所有职能固定在 内部。随着 AI 能力提升，外包边界正在重新划定：基础内容生成、用户界面 （UI）设计等标准化任务开始从外包手中收回；需要行业判断、客户沟通和 责任承担的工作，则仍由内部成员或长期协作者完成。有团队算过一笔账： 过去外包一套详情页需要数百元，如今通过“AI 生成＋学生调整”，成本可降 至约十分之一。
某数字化团队以项目制组织弹性人力：需求到来时临时组建敏捷小组，同时通过高 校竞赛、知识星球和行业社群维持一个“可随时调用”的人才池。团队当前可快速召集 的成员在 10 人以内，候选社群则达到百人规模。
3.2.4 决策机制：短链集中，AI进入决策环
OPC 的决策权通常高度集中。单人核心决策制是最普遍的形态——AI 可
以提供信息、方案和比较意见，成员也可以参与讨论，但方向性决策往往由 创始人最终拍板。这一结构的优势是决策链短、试错成本低、方向切换快。
少数 3-4 人核心团队采用集体讨论决策制，但这通常建立在成员之间多 年合作、彼此高度信任的前提之上。这类团队的共同特征是：无复杂层级、 无繁琐流程、结果导向。
某 AI 决策系统团队呈现“主轴式”决策结构：全职创始人分别与两位兼职成员单线沟 通，“我们三个人开会比较少，我单线地跟他们两个人分别开会”。AI也进入了决策 环：“Codex 跟 Claude Code 作为我的好搭子，toC、toB的计划、软硬件怎么定位， 我都会跟他们探讨，再去做判断。”
OPC 的四条发展 路径
确定了起点、搭建了团队之后，创业者还需要回答：OPC是暂时阶段， 还是长期选择？
长期保持一个人 6个团队 · 5.8%
全部 104个 团队
63个 团队·60.6%
2-3人·29｜5人以内·16｜10人以内·18
2 - 10人核心团队
30个 团队·28.8%
随项目发展扩张
还不确定 5个团队 ·4.8%
图18：如果项目继续发展，所期望的团队规模（n=104）
深度问卷显示，受访者在探索期限上呈现两种倾向：超过半数的受访者 为探索设定了一年以内的时间窗口，如果在此期间无法验证项目的可行性， 便倾向于止损；另有不少团队做好了长期持续探索的准备。结合问卷与访 谈，可以归纳出四条典型路径。
这类团队把 OPC 视为一场有时间边界的商业验证，而非需要长期坚持的
身份。创业者通常设定半年到一年的探索期，观察产品能否获得真实用户、 形成持续使用并验证收入模式；若进展不及预期，则回到职场或转向其他方 向。低启动成本、短试错周期和较小退出代价，使这种路径成为一种风险可 控的尝试。
某 AI 工具创始人在职期间利用周末完成产品雏形，裁员后将探索期暂定为半年左 右，同时持续学习新技术，为重返职场保留后路。产品上线后积累 2 万余名用户，日 活跃用户数约 3000，已获得初步的使用验证，但付费转化与收费模式仍在探索。
超过六成参与问卷的团队希望长期维持OPC或小团队形态，主动选择将 核心规模控制在2—10人，并在这一规模上探索可持续的盈利。对他们而言， 成长不必然意味着增加人数：团队扩大可能同步抬高沟通、管理和固定人力 成本，反而削弱决策效率与人均产出。
长期“小而美”并不等于拒绝成长，而是拒绝“为了扩张而扩张”。这些团队 同样追求收入增长、用户扩展和产品深化，同时希望在保持组织轻量的情况 下扩大业务价值。
某 AI 开发工具团队保持 3 人核心架构，分别负责技术架构、产品迭代与商务对接。 创始人明确表示 2-3 年内不会盲目扩员：“核心分工模块超过 7 个就会权责模糊、效率 断崖式下跌，团队越小跑得越快。”因此，团队只按需招募实习生辅助用户交付与基础 运维：“少量全职加弹性实习生的模式，既能保证交付，又不抬高固定成本。”
28.8% 的受访者表示，团队会随着项目发展而扩张。这类团队同样从极 小核心起步，借助 AI 压缩早期成本，但将 OPC 视为低成本验证产品与商业 模式的阶段性组织。一旦产品—市场匹配得到确认，或融资、订单和交付需 求增加，团队便会逐步补充相应职能，向标准公司发展。
这类项目通常具有较“重”的业务形态：或市场空间较大，需要通过规模化
形成竞争壁垒；或涉及硬件生产、供应链、线下服务和大客户交付，极小团 队难以长期完成闭环。常见的扩张节点包括：从纯软件走向软硬件结合、从 自助产品转向大客户定制交付，以及从单一市场拓展至多区域运营。
某硬件团队创始人将 OPC 明确定位为阶段而非终点：“肯定会往更大的公司方向
走。超级个体很难做成一件真正伟大的事情，还是需要和其他超级个体协作。”团队计 划先通过企业 IP 和品牌合作跑通闭环，再借助海外众筹建立价格锚点，最终进入国内 消费级硬件市场。
部分团队并不把长期独立经营视为唯一目标，而是先以 OPC 验证细分方 向、积累产品和用户，再寻找并入更大企业生态的机会。对他们而言，被收 购是创业价值的一种实现方式。
这一逻辑在海外市场已有相关案例，但在中国市场的可行性尚不确定。 有受访者指出，AI 同样降低了大企业内部试错的成本；如果产品原型可以被 快速复制，OPC 的收购价值便更多取决于人才、客户、用户基础或细分市场 位置。一位具有产业和创投经验的创始人直言：“收并购在中国难。如果你都 能 OPC 了，为什么大厂里边不能 OPC 呢？”
某学习工具由 3 名在校学生开发，谈及项目终局，创始人表示：“如果说能被某些比 较大的厂，或者比较大的平台看上，然后被吞并掉，或者是合并进别人，我觉得对于 我们这样一个项目而言，其实是最好的结局。”
AI 与 OPC 的成长是相互促进的。但相比于单纯提升效率，更值得关注的 是，AI 正在改变 OPC 的组织方式：团队需要配置哪些岗位、工作如何拆分与 协作、哪些环节交由 AI 完成、哪些决策仍由人负责，都在重新调整。
OPC的AI基础： 原生趋势与工具 格局
我们将 OPC 分为两类：AI 原生（AI-native）与AI 增强（AI-enhanced）。 前者的产品价值建立在 AI 能力之上，AI 是产品不可分割的一部分；后者则将 AI 作为提升效率的工具，即使移除 AI，产品仍能够运行。二者的区别并不在 于 AI 使用多少，而在于 AI 是否构成产品成立的前提。
在受访团队中，约六成项目从一开始便围绕 AI 构建，或直接受益于近一 年 AI 能力的快速提升；约四成团队表示，如果移除 AI，产品将无法成立。然 而，真正区分不同团队的，并非是否使用 AI，而是 AI 在产品生命周期中的介 入时点。
63
27
9
5
一开始构想时 有想法后，用AI做原型 项目已有雏形后 已有用户 / 业务后
44 43
12
4 1
基本无法成立可以成立，但需明显更多时间 / 人力可以成立，但进度或完成度下降 可以成立，AI只是提效工具 不确定
经过交叉验证显示，AI 的介入时间与产品脱离 AI 后的可持续性呈现较明 显的负相关（ρ = -0.43）。在构思阶段即引入 AI 的团队中，57% 表示产品 “基本无法成立”；这一比例在原型阶段降至 26%，在形成产品雏形后进一步 降至 11%，而业务稳定后才引入 AI 的团队则为 5%。AI 介入越早，其作用越 接近产品能力本身，而不是后续叠加的一项工具。
某 AI 原生工具团队把这层依赖讲得最直白——AI 不是辅助，而是项目得以成立的前 提：“AI 从一开始就必须存在。我正是因为 AI 出现了，才觉得这件事有可能做……想到 问题就会打开它。”对这类团队而言，AI 一旦抽离，产品命题本身即告消失。
OPC 的 AI 工具使用呈现出明显的“编程优先”特征。按能力类别统计，AI 编程与开发智能体被 86 个团队（83%）采用，远高于通用大模型对话（59 个团队）、智能体调度与自动化（25 个团队）以及图像、视频和 3D 生成 （19 个团队）。
AI 编程 / 开发智能体
通用大模型 / 对话
智能体调度 / 自动化
图像 / 视频 / 3D生成
59
25
19
图21：按能力类别·适用该类工具的团队数（n=104·可多选，共189项选择）
这一结果反映出，AI 在 OPC 中首先承担的是软件开发角色，而非内容创 作工具。越来越多团队已经将大量编码工作交由 AI 完成，人主要负责需求定 义、方案设计与结果验证。与此同时，智能体调度与自动化工具已经形成初 步规模。这意味着，AI 的角色正在从辅助完成单项任务，逐渐扩展到协调多 个智能体、串联整个工作流程。相比“让 AI 写代码”，越来越多团队开始探索 “让 AI 管理代码生产过程”。
某开发者工具团队的日常，已是典型的“多 AI 编排”：先让若干 AI 各自跑 plan、相互 讨论，再把方案交给执行力最强的一个落地，最后另换一个 AI 审阅它写的代码—“反反复复迭代几轮……我当天提的需求，技术同学当天晚上就能弄出来。”在这里，人 扮演的不是编码者，而是多个 AI 之间的调度者。
4.1.3 模型生态：国产崛起与海外主导并存
国产模型（DeepSeek、Kimi、通义千问、智谱 GLM、豆包）已经成为 OPC 团队的重要选择，但承担核心开发任务的仍然以 Claude Code、 Codex、Cursor 等海外产品为主。这种工具分布意味着，OPC 当前最核心的 研发生产力仍建立在海外模型之上。这不仅影响团队的模型选择，也直接关 系到 Token 成本、产品能力以及供应链稳定性。因此，这种工具依赖不仅是 技术问题，也是商业问题，并将在第 4.4 节关于 Token 成本与议价权的讨论 中进一步展开。
Claude / Claude Code Codex
ChatGPT / GPT
Cursor DeepSeek OpenClaw
Gemini
Trae WorkBuddy Kimi 即梦 Jimeng Lovart 豆包 Doubao 通义千问 Qwen 智谱 GLM Midjourney
56
37
32
20
18
15
12
7
6
6
5
5
4
4
4
4
38
19
18
11
9
4
3 2
0 元 （用免费额度） 1 - 150元 / 月150 - 350元 / 月350 - 700元 / 月700 - 1500 元 / 月1500 元以上 / 月不方便透露不确定 / 没统计过
图23：每月用于 AI 工具 / API / 算力的支出（n=104）
4.2
AI 对 OPC 人效 的提升分层
将受访团队的人效自评来看，可以看到 AI 协作从“补齐单点”逐步走向“重 构全局”的演进过程。
入门级的 AI 协作，通常是让 AI 接手某一项原本需要专人或外包完成的工
作，最常见的是内容生产。它并不会改变团队的整体分工，只是将某一类重 复性工作的成本大幅降低。受访团队最常提到的应用包括文案撰写、海报设 计、社交媒体素材制作等。
不过，这类协作并不是一开始就能达到理想效果。团队往往需要经过一 段时间的调试，不断打磨提示词、统一内容风格、沉淀模板和工作流程，输 出质量才会逐渐稳定。进入这一阶段后，人更多承担审核和调整的角色，只 需在关键节点介入即可。正因为实施门槛低、适用范围广，这也是 AI 最容易 落地的一种协作方式。对于多数团队而言，它带来的首先不是组织结构的变 化，而是以较低成本替代了一条外包链路或一个基础执行岗位。
某音乐 AI 产品团队的内容侧已完全交给 AI——文案、海报、社媒素材都由 AI 产出 并沉淀为模板：“我们的内容全部是 AI 写的……前期确实探索了一回，现在因为有模板 了，比较稳定。”人只在最初搭模板时介入，此后边际投入减少。
再进一步，AI 不再只是补足某个环节，而是嵌入核心工作流，覆盖了大
部分执行过程，人效开始出现数倍提升。这一层创业者普遍认可“一人顶三到 五人”的量级，但大多数人都显得谨慎，因为被访者普遍认为真正被压缩的是 执行成本，而不是判断本身。
然而，人效提升存在明显的边界效应。AI 优先替代的是执行性劳动，不 仅包括开发、设计等生产工作，也包括跨领域学习带来的知识获取成本；而 需求判断、客户沟通、行业经验积累以及项目协同等高情境性的工作，仍然 主要依赖人。因此，AI 带来的效率提升与团队的任务结构密切相关：执行型 工作占比越高，人效提升越明显；判断、协作和关系性工作占比越高，人效 提升则更容易趋于收敛。从本次访谈的数据来看，以 To B 交付为主、依赖客 户关系和行业经验的团队，AI 更多承担的是生产工具的角色，人效通常稳定 在三到五倍左右；而当 AI 能够重构整个生产流程时，被替代的不再是单个执 行角色，而是一整套团队配置。
某 AI 硬件 IP 团队用三个半人跑通了传统需 10 人的建制：“我粗略评估至少需要 3 倍 资源，现在三个半人，那基本上至少要 10 个人才能做起来。”若无 AI，团队需配齐平 面、IP、3D 设计师与软硬件产品经理、测试、嵌入式开发等多个岗位。3.5 人替代 10 人，是成本结构层面的碾压。
最极致的人效提升是 AI 已经覆盖产品研发的大部分流程，人主要负责行
业判断、产品定义以及最终决策，人效提升达到十倍甚至百倍量级。这一层 团队的共同特点在于，原本需要多个岗位协同完成的工作，被压缩到一个人 或极小团队完成。AI 不仅承担了技术实现，也显著降低了执行环节的时间和 人力成本，使行业认知、产品设计与技术开发能够集中在同一个团队成员身 上，人效的提升开始呈现非线性增长。相比前两个层级，这里的变化已不只 是效率提升，而导致了组织规模发生了根本变化。
换句话说，AI 带来的并不仅仅是开发效率的提升，更重要的是降低了跨 领域能力整合的门槛。过去需要由行业专家、产品经理和工程师共同完成的 工作，如今越来越多地可以集中到同一个人身上完成。即使还是由不同的团 队成员完成，AI的介入也降低了跨领域沟通的门槛。总的来说，真正支撑百 倍人效的，并非个人能力的线性提升，而是 AI 使不同专业能力首次能够在一 个个体内部或极少数个体之间完成整合。
某SaaS OPC以单人核心＋少量外包，服务数十家头部金融机构，年营收达数百万元
量级、毛利率超过九成、账面现金可覆盖数年运营。创始人本人并非技术出身，而是 在创业前后自学完成后端与数据工程，极致人效在此不来自学习能力，而来自一个人 同时握住行业判断、产品定义与技术实现三条链路。
AI全场景落地应 用矩阵
AI 已渗透创业的整个价值链。从产品研发到运营管理，再到市场营销和 组织协同，AI 的角色正在不断扩展。下面按照创业价值链展开分析，观察 AI 在不同环节究竟改变了什么：它替代的是一个工具、一个岗位，还是一整套 工作流程。
生产开发是 AI 应用最深入的环节。受访团队普遍将 AI 用于代码生成、调 试、UI 与 UX 设计、原型开发以及 IP 内容生产，AI 已覆盖产品研发的大部分 执行工作，人更多负责架构设计、需求定义和最终验收。不过，被访者也表 明，稳定的 AI 产出并非完全依赖模型能力，而更依赖工作流程的设计。相比 一次性交付复杂任务，将任务拆分、逐步实现并持续验证，能够显著提升 AI 的可靠性。因此，AI 编程能力的提升，正在推动软件开发从“个人能力驱动” 转向“流程驱动”。
随着 AI 承担越来越多执行工作，团队的招聘逻辑也开始发生变化。对于 需求明确、标准化程度较高的开发任务，AI 已经能够在效率和成本上替代部 分初级研发岗位。团队真正稀缺的资源，不再只是执行能力，而是定义需 求、设计产品和把控整体架构的能力。与此同时，AI 也在打通设计与开发之 间的协作边界。当设计工具能够直接生成可开发的原型，设计、产品与工程 之间的信息传递成本随之下降，产品研发逐渐从串行协作转向并行协作。
某 AI 投研团队曾在 2024 年底同时测试“招人”与“用 AI”两条路：“我招了一个两三万 月薪的……结果真不如 Codex。同样一段话，Codex 大概 4 天做好，那个人做了两周 还没做好。”此后，团队重新调整了技术岗位的招聘计划。在需求已经充分定义的情况 下，AI 在部分标准化开发任务上的效率和成本优势，已经使新增人力不再成为团队的 优先选择。
在运营与供应链环节，AI 的角色已经从辅助完成单项任务，进一步扩展 到承接完整业务流程。对于标准化程度较高的业务，团队更倾向于直接将 AI 接入已有 SOP，而非重新设计新的 AI 产品。这种方式不仅部署成本更低，也 能够更快产生商业价值。访谈中，多数团队将 AI 应用于视觉内容生产、商品 信息生成、数据录入、供应链协同等环节，使原本依赖人工或外包完成的工 作实现自动化。
进一步来看，一些团队已经开始利用 AI 自建内部运营系统，将订单、供 应链、设计、采购等多个业务环节串联起来。此时，AI 不再只是业务流程中 的一个工具，而成为支撑业务运行的基础设施。过去需要专门 IT 团队开发和 维护的内部系统，如今能够由小团队借助 AI 快速完成。
某设计定制团队自建了多套内部系统，覆盖 SKU 定制、设计—开发协作、供应链数 据录入等核心环节：“我们自己开发了好几套内部系统……谈成本价、数据录入，这个 都还是靠 AI 做。”AI 在这里重构的不是某个动作，而是整条业务链路的底层操作系 统。
在营销沟通环节，AI 的作用已经超越内容生产，逐步延伸至整个获客流 程。受访团队普遍使用 AI 生成文案、海报、PPT、视频脚本等营销内容，并 进一步将 AI 应用于客户触达、邮件沟通、知识库问答以及客户服务等多个环 节，形成覆盖“内容生产—客户触达—咨询回复”的自动化流程。
不过，访谈也显示，营销自动化并非没有成本。稳定输出高质量内容的 关键，不在于持续优化单次生成结果，而在于前期建立统一的品牌语气、内 容规范和提示模板。随着这些知识逐渐沉淀为可复用的工作流，营销内容的 边际生产成本才真正接近于零。AI 因此改变的不仅是内容生产效率，也改变 了团队积累营销能力的方式。
某 AI 外贸团队把获客全链路交给了 AI：多语种社媒文案、领英开发信、客户跟进邮 件批量自动生成，再由接入 RAG 知识库的 WhatsApp Agent 智能答疑，形成“内容引 流—自动触达—智能答疑”的闭环，重构了传统人力驱动的外贸获客模式。
组织协同是 AI 开始进入管理工作的阶段。除了承担执行任务外，越来越 多团队开始让 AI 参与项目管理、知识管理、任务分配和进度跟踪等组织协调 工作。AI 已经能够承担部分原本由项目经理、行政或运营人员负责的协调工 作，帮助团队降低沟通和管理成本。
与此同时，AI 也改变了团队的协作边界。一方面，它能够作为人与外部 合作伙伴之间的信息中介，在保证协作效率的同时减少核心数据暴露；另一 方面，它也使更多跨职能协作能够围绕 AI 展开，而非依赖频繁的人际沟通。 对于规模较小、组织结构扁平的团队而言，这种变化尤为明显。进一步来 看，随着多智能体系统的发展，AI 正逐步承担任务拆解、智能体调度、结果 汇总等管理职责。团队管理开始从“管理人”转向“管理智能体”，组织运行的成 本结构也随之发生变化：过去主要投入在人力管理上的成本，正逐渐转化为 模型调用和算力资源的投入。
某 SaaS 团队自建多个飞书 Bot，接管了原需专人承担的组织工作——接口巡查、行
政、招投标。更关键的是它对协作边界的重塑：财务、法务等外部兼职者无需接触公 司内核，“只要加入有我和飞书机器人的群里就行……不用给他们完整的内核资料，又 能让他们干活。”
4.4
AI 的使用边界与 底线
随着 AI 在创业中的应用不断深入，其能力边界也逐渐清晰。虽然不同创 始人对于 AI 与人的职责划分有所不同，但受访团队普遍认为，AI 更多承担的 是岗位中的部分工作，而不是完全替代人的角色。
越来越多 OPC 团队正在形成一种 AI 先行的工作方式：默认由 AI 完成第
一轮执行，人主要负责审核、修正和最终决策。这与传统“人工优先、工具辅 助”的工作模式形成了明显区别。与此同时，AI先行也带来了另一种变化。部 分团队开始根据 AI 的特点调整文档结构、知识组织方式以及协作流程，使其 更适合 AI 理解和调用。过去更多是工具适应人的工作方式，而现在，一些组 织也开始主动调整自身流程，以提升 AI 的工作效率。
某企业级 Agent 团队把“AI先行（AI First）”写成了明文原则：“我们一定会先交给 它，先让 AI 试试，发现不太行，再去找别的资源……先信任 AI，然后人做好 review 跟 把控。”而 AI 撞到的边界，会被回收为机会——“之前有个客户上下文特别大，AI 一下 就爆掉了。我们就发现，如果能把这个记忆管理做好，这就是我们的一个机会。”
访谈显示，随着 AI 承担越来越多执行工作，人的价值并没有消失，而是
进一步集中在商业判断、战略选择、客户关系以及审美等难以标准化的能力 上。这些能力具有一个共同特点：它们往往依赖长期经验、行业理解以及价 值判断，而难以完全从已有数据中学习得到。对于多数受访团队而言，AI 可 以提供大量方案，但最终的方向选择、产品定位和价值取舍仍然需要创始团 队完成。从这个意义上说，AI 并没有降低判断的重要性，而是进一步提高了 判断的价值。
某 AI SaaS 团队给出了一条反向定义的价值标准：可被“蒸馏”给 AI 的部分应当被蒸 馏掉，“但如果哪家公司只剩下能被蒸馏的东西，那说明这公司其实开不久。”不可被 蒸馏的部分，才是公司存在的理由。
在涉及安全、法律责任以及关键业务决策的环节，受访团队几乎一致坚 持保留人工审核机制。随着 AI 生成能力不断增强，团队节省了大量执行时 间，但与此同时，也需要投入更多精力进行结果验证和质量评估。AI 提高了 生产效率，也提高了审核的重要性。另一方面，AI 的广泛应用也带来了新的 安全挑战，包括提示词攻击、密钥泄露、数据安全以及代码可维护性等问 题。相比传统软件，这些风险具有新的技术特点，因此越来越多团队开始建 立日志留存、权限控制和人工复核等机制，以降低 AI 带来的潜在风险。从责 任角度来看，最终决策和法律责任仍然由人承担。因此，提出正确的问题、 判断结果是否可信以及承担最终责任，仍然是当前 AI 难以替代的人类能力。
某金融领域 AI 团队把人的不可让渡处讲得最透彻：人保留了两项比较优势——提出
好问题的能力，以及承担责任的资格。“AI 出错时我会有很清晰的 sense……它给的只 是语言层面的大概率事件，而大概率也不见得是对的。”更现实的是法律层面：“AI 没 法行使签字权，背锅的责任还是要人来背。”
除了能力边界，成本也逐渐成为 AI 应用的重要约束。访谈显示，随着 AI 在业务流程中的使用不断加深，Token 消耗已经成为不少团队的重要运营成 本。对于部分团队而言，人力成本虽然有所下降，但模型调用成本同步上 升，整体成本结构正在发生变化。AI 并未消除成本，而是在一定程度上将成 本从传统的人力投入转移到模型服务和算力资源上。
与此同时，这部分成本还受到上游模型厂商定价的影响。随着模型调用 价格调整以及使用规模不断扩大，Token 成本已经开始影响产品定价、利润 空间以及商业模式。这也与 4.1.3 提到的结构性依赖相呼应：当核心研发依赖 少数模型平台时，上游能力和价格变化将直接影响 OPC 的运营成本。对于越 来越多团队而言，未来组织资源配置的问题，已经不仅是如何配置人员，也 包括如何配置模型能力和算力预算。
某 AI 内容产品团队点破了成本悖论——AI 降了人力成本，却抬高了运营成本：“每 一个环节都要调用大量 token……到底是 token 消耗的增量多，还是节约的成本多，这 还真不好说。可能人工端降了，运营端却提高了。”两者的平衡关系，至今并不明朗。
某重度 AI 应用团队的 Token 消耗与业务规模同步膨胀：“去年最高一两亿 token，今 年最高 3 到 5 亿，甚至 5 到 10 亿。”在其账本里，这笔开销可以直接换算成人力—“每个月给 AI 工具充 5000 到 1 万块，可能就能少用一个人。”Token 由此成为 OPC 规 模化的核心成本变量。
OPC 的需求验 证、商业闭环与 竞争壁垒
轻量化组织能否成立，最终仍要回到最朴素的商业问题：需求是否真实、 变现能否跑通、优势能否守住。本章依次考察 OPC 的商业模式设计与演进、 需求验证路径、变现漏斗各阶段的驱动因素，以及在大模型迭代与大厂环伺 之下，OPC 赖以生存的核心壁垒。
深度问卷（n=104）勾勒出的商业现状可以概括为一句话：OPC 当下多 数够不到微型企业，而目标普遍锚定小型科技公司。
首先，超过 80% 的团队已拥有试用或内测用户——验证前置是这一群体 的常态。
其次，变现是分化的：累计来看，约三分之二尚未获得过任何付费收入。 已变现的团队中，多数也尚未达到小微经营者的收入中位或个体工商户户均 水平；月收入 10 万元以上、年化跨入小型企业区间的团队不足 5%。
最后，预期与现状之间亦存在显著落差：不仅 93%的团队预期高于现实， 近半数团队预期项目稳定后月收入达 5 万元以上，即越过微型、进入小型企 业区间。
微型企业及以下（软件业营收<50万/年） 小型企业（50万 - 1000万/年）
小型经营者营业额中位 ¥8,000/月
66
个体工商户户均 ¥17,000/月
小型企业起点 ¥42,000/月
7
6
6
4
3
2 3
2
无收入
<500元
500 - 2k
2k - 5k
5k - 1万
1万 - 3万
3万 - 10万 10万 - 30万
30万+
月经营性收入档位
图24：OPC 当前月收入分布 × 真实世界对标（n = 104）
注：5 个团队不方便透露、未计入本图（有效 99）。对标线：小微经营者营业额中位 ≈ ¥8,000 /月（北大企业大数据研究中心 × 蚂蚁 OSOME）；个体工商户户均年营收 20 万元 ≈ ¥1.7 万/月（第五次全国经济普查，全国 8799.5 万户）；微型企业＝年营收 < 50 万元（≈ ¥4.2 万/月）、小型企业＝ 50 万– 1000 万/年（工信部《中小企业划型标准》软件和信息技术服务业口径）。
OPC 商业模式矩阵
在目标用户的选择上，大赛样本（n=595）显示，OPC 群体呈现出 toC 与 toB/G 并存的双轨格局。轻量化组织并未如通常预期的那样集中于低门槛 的 toC 赛道，相当比例的团队正凭借行业认知与交付能力切入机构市场。
值得注意的是，客户类型与赛事成绩之间并不存在统计关联，选择服务谁 并不决定项目在早期的完成度与产品成熟度。然而深度问卷进一步显示，已实 现收入的 toB/G 团队，其收入档位明显高于 toC 团队。两组数据合并解读可 得出一个具有实践意义的推论：客户类型的分野并不发生在产品阶段，而发 生在商业化阶段。 对早期 OPC 而言，toB/G 的优势不体现为更快做出产品， 而体现为单客户价值更高、变现路径更短。
未表明 6%
混合 9%
47%
仅 to C 47%
仅 to B / G 38%
38%
图25：目标用户结构（n=595）
与之相应，OPC 的收费模式呈现出高度的多元性。深度问卷所反映的主 流路径与整体创业生态格局一致，包括：按月或按年的工具订阅制；定制化 项目制交付，依据使用次数、API 调用量或生成次数的按次/按量计费，以及 通过产品或服务单次交易的一次性购买。此外，部分团队还采用 IP 授权、佣 金抽成、广告与流量变现、知识付费等多元组合模式，既反映了 OPC 所处赛 道的高度异质性，也说明在极小团队的约束条件下，收费方式的选择往往不 是战略推演的结果，而是对现金流压力与交付能力边界的现实回应。
订阅制（按月 / 按年） 75 项目制服务（按项目 / 人天） 41
按次 / 按量收费 34 一次性购买 25 佣金 / 抽成 21
广告 / 品牌赞助 / 流量变现 13 IP 授权 / License 12
硬件销售或设备租赁 10 内容 / 课程 / 知识付费 8 数据服务 / 报告 / 分析 4
目前还没想清楚商业模式 1 暂时不打算商业化 1 其他 1
图26：项目目前或未来最可能的商业模式 （n=104·可多选，共246项选择）
对 OPC 而言，商业模式的关键变量并非各类收入的构成比例，而是其混 搭模式与演进状态。受访团队的模式迁移呈现出两条不同的逻辑：自然演变， 在模式尚未成型时灵活过渡、多轨并行；和战略部署，即主动设计收入线的 先后次序，令不同模式分别承担"养活当下"与"押注长期"的职能。
第一条路径的驱动力，来自定制化业务与 OPC 组织形态之间的结构性冲 突。大多数受访团队以项目制获得第一笔现金流，但随即发现其可扩展性受 限：一支企业级 Agent 团队测算，三人规模“一年最多做十几、几十个项目， 那顶天了”，此后即转向以点数（credit）计费的即插即用产品。一支服务央 国企与政府客户的数字化团队，顾虑则在于现金流质量——项目账期漫长、验 收后付款，"有了项目，但不见得真的能够如期全额收到钱"；对无融资、无缓 冲的轻量组织而言，按次付费或按月订阅"反倒会更加的健康"。
某 AI 开发工具团队早期以 B 端定制化项目获得第一笔现金流，待技术框架成熟后， 将交付中反复出现的通用能力抽象为标准化产品。创始人的判断是，"一直做定制的 话，三个人一年顶天做几十个项目，天花板很明显"。定制收入天花板由人头决定，这 与 OPC 拒绝以人头换收入的组织命题直接相悖。
第二条路径则表现为收入结构在时间轴上的有意编排。此类团队通常并 存两条以上收入线，但各条线的职能并不对等：一条负责覆盖当期成本，另 一条负责验证长期价值。一支面向海外市场的健康团队即以 C 端软件订阅维 持收入，同时将用户数据的积累视为通向 B 端的期权，计划待"数据跑通"后再 与硬件厂商等硬件方展开合作。
某 C 端工具团队已积累两万余名用户，却未采用订阅制，而是选择 30 元买断，并 明确将其界定为验证期定价："我想先看用户反馈怎么样。" 付费者仅约一至两百人， 而真正支撑当期运转的是广告收入，团队下一步计划转向周期会员制。三个收入模式 分别对应实验、生存与增长三种职能，被安排在不同的时间窗口上。
更值得关注的是，少数团队跳出传统收入模式框架，将产品重新定义为 入口，收入也来自工具所沉淀的用户关系、行业信任或数据能力在其他价值 链条上的兑现。受访样本中已出现多种此类探索：把角色形象转化为可授权 的 IP 资产、将软件积累的客户信任向上游延伸至资产管理、以数据验证换取 硬件厂商的分成合作、以进入政府采购清单作为规模化杠杆。其共同特征， 是收入天花板不再由功能定价决定。
某金融数据分析团队则沿产业链上行，收入计划分层叠加：标品订阅 → 增值服务 → API 接口 → 远期的代客理财与超额分成。资管收入是价值最高的一环，却被严格约 束在现金流之后："先赚 SaaS 现金流，头部客户再转化资金，长期就可以了。"SaaS 订阅并非终点，而是获取头部客户信任与资金的手段。
5.1.4 不可忽视的定价权
极轻的人力成本结构为 OPC 提供了天然的价格空间——某 AI 工具团队 主动将产品定价压至全网最低，直接从大厂竞品手中抢夺用户，创始人称"云 厂商 [...] 组织庞大成本高，我们个位数的人力成本，天然能做到更低的价格"。 但成本优势并不等于定价能力。
受访团队的实践显示，定价的真正难点在于选择锚定何种价值：一支游 戏研发平台放弃了引擎行业惯用的分成制而转向订阅，其价格参照的是同类 AI 产品的订阅心理价位，同时坦言毛利直接受制于上游 token 成本；一款 C 端情绪陪伴产品的价格锚点则是一种消费替代关系——"大概是基于一杯奶茶 的钱……用户能从桌宠上得到情绪价值"。可见，定价并非成本加成的算术结 果，而是对自身价值坐标的一次主动声明。
某投研 SaaS 团队在开张前做了三次关键的"拒绝"：拒绝对标行业内的走量定价、拒 绝中型客户的"全包随叫随到"、最终锁定单账号高毛利的标品价格且不议价——"每一 家拿出的合同都是这个价格，因为都是大客户，一旦松动了后面就保不住价格。"团队 随后成功签下多家头部客户。价格不是产品成熟后的定价结果，而是最早、也最不可 逆的一次战略动作：它同时筛选了客户结构、界定了服务边界，并锁死了团队日后可 能进入的市场层级。
OPC 需求验证路径
相比传统创业"先做产品、再找市场"的顺序，多数成熟 OPC 更接近"先验 证需求、再持续产品化"的路径。在缺乏营销预算的条件下，其验证渠道集中 于三类：熟人圈层的信任网络、Build in Public 的公开反馈，以及社交媒体的 自然流量——成本都极低，但均不轻松。
路径 A： 熟人圈层——最初获得的不是流量，而是信任
受访团队普遍以行业人脉与社群关系作为需求验证的起点，而熟人网络 所提供的也远不止订单：他们同时扮演着边用边提意见的顾问、边用边背书 的招牌。某SaaS 团队即对首批客户的选择带有强烈的结构意识——"A 如果看 到 B 入库的话，它就有理由入库"。熟人圈层给出的是可被复用的信任，但这 一路径亦有其代价与边界：样本天然带有偏差。某音乐 AI 团队的创始人在访 谈中即坦言，"本来是从朋友这里来下手，采访了十几个朋友之后，我就觉得 得去找一些陌生人，不然[...]可能会有点就是 bias"。信任可以降低验证成本， 却不能替代验证本身。
熟人圈层的“捕获”，建立在长期积累与主动出击之上。其规模上限，往往 由创始人此前的社会资本决定。而如果缺乏现成社群，熟人验证则需要更主 动的构建。
某健康团队通过朋友网络组建了一支约十人的免费顾问体系，并主动联系一个十三
万人规模的睡眠贴吧吧主交流产品理念——"我们聊过以后，他认为我的睡眠理念与他 的理解相近"；此外还经由 Discord 与 Reddit 触达了一位失眠十五年的美国用户，完成 深度访谈。
Build in Public 指创业者在产品尚未成型时即公开构建过程——参赛、参 展、发布原型、接受当众质询——以曝光换取反馈。对无营收、无投放预算 的 OPC 而言，它的意义不止于对接资源，更在于提供一种低成本的强制迭代 机制：每一次讲述都是一次被追问与修正的机会，每一次现场反应都是一次 真实的需求测试。某垂类数字化团队几乎完全依靠这类"非商业性正反馈"维持 方向——创业孵化营、省级与国家级比赛、媒体关注逐级叠加，创始人的总 结相当坦率："近两年虽然没有真正在商业上取得特别大的一个成功，但是在 这个领域内能获得到的一些正反馈，让我们觉得这事是在一个正确的方向上， 只不过它还没有到一个大爆发的节点。"
某健康类 AI 应用团队从大厂黑客松一路参赛至高校 AI 联赛："很多人、特别是我们 预期的女性大学生群体，非常急切地催着我们要。我们就从一开始的犹豫——觉得这 个需求只是我们两个人想出来的、太小——到越来越坚定，越来越了解到底怎样的人 会真正为它付费。"评委也补上了团队此前并不熟悉的商业化路径建议，赛事同时提供 了需求验证、用户画像与认知补课三重功能。
在低市场预算的约束下，社交媒体的自然流量也成为多数 OPC 的早期 获客渠道。但受访团队的经验共同指向一个反直觉的判断：这条路径的成败 不取决于流量规模，而取决于内容与目标用户之间的匹配密度。某 SaaS 团队 至今未做过任何推广，全部客户来自公众号三年的自然沉淀，而其写作"从来 没有按流量去写"，换来的却是高度集中于目标机构的核心客群。在 C 端，同 一逻辑则表现为把广告变成话题的实践：与其推销产品，不如抛出一个用户 愿意主动接话的问题，让工具名在追问中被自然带出。内容之所以能替代投 放，正因为它筛选的是意图，而非曝光。
某出海内容工具团队"早期很多用户是从小红书导来的"，目前已积累几十万量级的 内测用户。其后续推广被规划为三个递进层次：社媒、SEO （搜索引擎优化）与近期 兴起的 GEO （生成式引擎优化），以及在 ROI （投资收益率）合适的前提下再启动付 费投流。自然流量是投流之前必须先跑通的单位经济验证。
某 AI 外贸平台的首批付费客户则全部来自抖音的自然流量。团队的做法是以垂直行 业的实操内容精准触达有真实需求的外贸从业者——"我们的运营团队在抖音发了一些 外贸实操视频，自然就引来了客户"。
三条路径在事后叙述中都容易被浪漫化，但真实经历远比这粗糙：某企 业级 Agent 团队的创始人就主动纠正了提问的预设——"没有什么生意现在是 容易做的……我们真的为了找客户做了非常多的努力"，从主动发邮件、渠道 触达到转介绍与引荐，即便有引荐也仍要经过多轮售前，中间还熬过较长的 无客户期。说到底，轻量化验证之所以成立，前提是创始人愿意用时间、专 业与耐心，去替代本应由预算承担的部分。轻量化，从来不意味着轻松。
OPC 三阶变现漏斗
商业化并非单一事件，而是一条有先后次序的链条。本研究将其拆解为三 个先后发生、驱动因素各不相同的阶段，姑且称之为"变现漏斗"：第一阶段是 能否变现，即团队是否已获得任何付费／经营性收入（有／无判断，全样本 n=104）；第二阶段是当下变现规模，即已变现团队内部当前月收入所处的档 位（仅变现者 n=33）；第三阶段是未来预期收入规模，即团队自报的"项目稳 定后预期月收入"档位（有明确预期者 n=86）。需要说明的是，第三阶段为主 观预期——部分建立在可证伪的市场推演之上，部分则仅建立在赛道热度之 上，问卷无法区分二者，故该指标反映的是野心与信心，而非业绩预测。
方法上，本研究并未停留于"某一比例是多少"的描述性统计，而是将团队 人数、跨学科构成、技术深度、创业经验、存续时长、AI 投入强度、全职投 入程度等特征，分别与三个阶段的结果做相关性检验，以关联强度（ρ）与显 著性（p）识别每一阶段真正起作用的因素。以下仅陈述经交叉验证成立的结 论，完整的变量定义、检验方法与稳健性分析将在后续学术论文中另行披露。
熟人圈层
Build in Public
社媒自然流量
能否变现
当下规模
未来预期
存续时长 + 行业经验
AI支出 + AII in 决心
团队人数 + 跨学科
· 三个阶段由三组不同能力主导。经交叉验证，没有任何单一因素在三阶 段都最强，成长不是单一能力的线性放大，而是每跨一阶就要补上一组新能 力。这恰解释两类困境：一类熬到开张却困于小额，一类投入大却因缺时间沉 淀而迟迟无法变现，二者不宜以同一套建议应对。
· 能否开张，靠人效而非人头。团队人数、跨学科、技术深度等"配置类" 特征均与能否变现无显著关联，真正起作用的是时间沉淀与行业经验。
· 经验是贯穿型资产，时间是入场门槛。经交叉验证，创业经验是唯一全 程显著的因素，有创业经历的团队变现比例显著更高。存续时长的作用则集中 在开张阶段，反驳了"AI 一上来就能赚钱"的速成叙事，但时间助你开张、未必 助你做大。
· 为 AI 下注买到的是野心，不一定是业绩。肯为 AI 下注、全职投入这组 特征仅在未来预期阶段显著，AI 月支出几乎不预测能否变现、却最能预测预 期。由此引出一个"泡沫"假设："敢想"廉价普遍，"能做到"才稀缺，故评估时预 期收入不应被当作业绩的先行指标。
OPC 核心竞争壁垒
OPC 的壁垒问题，从来不只是同行之间的比较。它同时面对三条战线： 与彼此及其他小微企业的竞争、与下一代大模型的竞争，以及与大厂的竞争。 三者施加的压力性质不同，但共同指向同一个答案。
在同业竞争层面，问卷显示创业者自认的前三项优势依次为产业洞察、解 决方案有效性与产品体验，技术能力仅列第四，其后才是团队、成本价格与营 销能力，反映出这一群体清晰的用户与需求导向。
产业洞察（行业 / 用户 / 场景理解） 解决方案有效性（真正解决问题） 产品体验（Demo能跑、流程顺） 技术技能（模型 / 算法 / 工程） 团队迭代能力（执行快、持续试错）
价格 / 成本优势 推广渠道（媒体 / 流量 / 社群）
其他 暂时说不清 / 无明显优势
图28：相较同类产品 / 方案，项目目前自认为最有优势的地方 （n=104·可多选，共276项选择）
在与大模型的竞争中，这种用户导向尤为关键。某数字化团队创始人直 言，很多智能体"所谓的护城河会快速地被基础能力所淹没"——知识库与工作 流虽是当前提升准确度、降低幻觉的主流方案，却只是"术层面的护城河，专 业人士学一段时间大概率都能实现"。真正的壁垒，只能退回到“对客户真实需 求乃至本质需求的理解”。
与大厂的关系则是"错位共生"而非正面对抗。大厂握有资金、技术、流量 与品牌，适合通用型、规模化产品；OPC 则以灵活、低成本与垂直场景的深 度理解，栖身于"规模不足以吸引大厂、复杂度又足以劝退跟随者"的缝隙—有的靠手工提取数据的精细活筑墙，有的判断"大厂未必看得上这么小的市场 "，有的甚至认为大厂入场恰好验证了赛道价值。更普遍的选择是依托大厂生 态：例如接入其平台作为通用底座，自己聚焦垂直工作流。对多数 OPC 而 言，最好的结局往往不是打败大厂，而是成为其生态伙伴，甚至被其收购。
以下六节所梳理的壁垒，正是在这三重压力下被筛选出来的，其共同点在 于：皆非技术本身，而是技术之外无法被速成、被复制、被规模碾压的部分。
OPC 在行业认知上的优势来源有二：选择与积累。选择意味着主动挑一 条大厂尚未进入、不愿进入、或所有人仍在同一起跑线的赛道——健康赛道 里，即便大厂握有海量数据，也未建立行为与干预之间的关联，"大家处于相 同起点"；开发者工具赛道里，人人都在"让 AI 更高效"，却几乎无人做"让人更 好地指挥 AI"；外贸赛道里，主流竞品皆服务成熟工厂，唯独无人陪跑"连外贸 资质都不知道怎么办"的新手；而在医疗资源对接这类重线下、强资源的赛 道，大厂短期根本不会深度入局。这些缝隙，正是 OPC 的生存空间。积累则 意味着在选定的位置上沉淀出不可复制的私有判断——某线下社交产品依托四 年社群运营，掌握了用户在资源供需、背景相似度等维度的行为偏好，"我们 是有独家的一些判断的"。选择决定竞争是否成立，积累决定竞争能否持续。
某 AI 数字化团队的核心成员多来自甲方而非咨询乙方，交付形式本是其短板，却恰 好被 AI 抵消："我们很知道甲方真正需要的不是 PPT，而是结果或解决方案……AI 反而 会让一个前甲方变成一个不一样的乙方。"
某 AI 语音团队创始人坦言其护城河“就是对国内这类产品需求错位的洞察，还有勇 气，以及积累的算法能力”。在 Vibe Coding 普及的当下，壁垒是敢不敢向能力栈的更 深处走，以及是否存在一个值得为之训模、却被主流长期忽略的人群。
若说产业认知决定在哪里竞争，落地经验则决定竞争能否守住。受访团队 的选择颇为反直觉：他们主动挑更麻烦、更脏、更依赖隐性知识的事去做，因 为难度本身就是筛选器。有人切复杂的企业场景——某 Agent 团队主动划界， 简单工作流让客户直接用低代码平台，"只有复杂场景我们才能做出自己的壁 垒"；有人切尚未数字化的供应链——某家居品牌创始人估计国内该领域"95% 以上连数字化都没达到"，隐性知识与踩坑经验因而格外值钱；也有人直接切 硬件——"做硬件就是一个建壁垒的事情"。
某 SaaS 团队的核心资产之一是一整套非结构化数据的查错机制："就算有 AI，你要 非结构化转结构化，也还是很 frustrating——要有很高的耐心，把一整套的查错机制 维持到 99.5%以上的准确率和稳定性。"这最后 0.5% 的准确率，既是交付质量的门 槛，也是竞争者最难跨越的成本。
"It's all about taste"——乔布斯这句话几乎成了 AI 时代创业者的圣经，某 创始人被追问品牌痛点时也坦言"AI 怎么解决 taste，我不知道"。多数人把 taste 理解为视觉，这让设计出身者占得先机；但更多 OPC 将审美扩展为一种 判断力：某硬件团队的产品决策来自创始人在工业设计与消费品上的长期积 累，某 IP 团队则刻意为角色保留"不完美"——"它不能一味讨好，那样就像大 模型，主人说什么永远都对。"审美在此不是界面的皮肤，而是关于"什么样的 体验值得被交付"的判断。
某企业级 Agent 团队把这种判断固化为一条体验红线：产品不能给客户增加人——" 我这个 agent 给他之后，他不至于还要招好多人来维护，我们希望是即插即用的状 态。"这直接源自对客户体验的深刻理解：中小企业最缺的恰恰是"能维护 AI 的人"。
某健康养成类 AI 应用团队获奖后很快遭遇模仿，但创始人并不担心："界面功能都 很雷同，可你能看到 vibe coding 的味道很重，他没有自己的审美和判断，就只抄了一 个皮。"在复制成本趋近于零的时代，可被抄走形态，抄不走的是形成形态的判断过 程，“如果最后在应用市场面对面，用户体验会帮助我们赢得用户。”
5.4.4 用户关系：从数据沉淀到社群共同体
对无力承担大额营销的 OPC 而言，沉淀核心用户是构筑壁垒成本最低的 路径——它靠使用习惯与归属感抬高迁移成本，由浅入深有三层。最浅一层是 数据与习惯：某陪伴产品直言"壁垒可能是 memory……它越了解你，迁移成本 就越高"。更深一层是共创：当用户从使用者变为共建者，迁移的代价便是脱 离一个自己参与塑造的共识。最深一层是文化认同——在小众垂类中，用户买 的不只是功能，还有社群的理念与归属感。三者的共同点是：它们不在产品之 中，而在产品与人之间，因而无法被复制。
某 SaaS 团队把迭代做成不收费的绑定机制：新需求一律免费开发、同步给所有订 阅者，前提是须由客户共同定义——客户"享受了定制化服务，又没出定制化的钱，还 觉得有贡献在里面"。该行业尚无统一标准，头部客户协商出的口径反而沉淀为事实共 识。客户用的不再是一个产品，而是一个自己参与制定的标准。
前四项壁垒，严格来说并非 OPC 独有，任何深耕垂类的小公司都可能具 备。真正由组织形态派生的只有两项，成本结构是其一：人数极少、职能浓 缩、行政层级近乎为零，人效被抬到传统组织无法企及的水平，且不可被模 仿——大厂即便看懂赛道，也无法把自己改造成 OPC。受访团队对此已有相 当具体的量化：某社交产品估算其成本"可能也是之前这种团队的 1/3 或者 1/5"；某 AI 硬件团队则更为直接——若不借助 AI，"至少需要 3 倍的资源"。轻 量组织不只是效率优势，更是可以直接兑换为价格的结构性优势。
某开发者工具团队"一个月就算上 token 开销都不会超过几百块钱"。在这样的成本基 线下，创始人的总结颇为克制却有力："传统公司这种是想都不敢想的，但对于一人公 司就是可以做到这样，你不仅一个人能活，你甚至还能活得还行。"
如果说成本结构决定 OPC 能以多低的价格交付，组织灵活性则决定它能 进入哪些大厂进不去的地方——这是第二项由组织形态派生的壁垒。其本质是 一种决策的动态优势：面对同一个机会，OPC 既愿意做，也做得了。它不取 决于规模，而取决于心态——没有预算周期与财务指标的掣肘，无需向他人证 明立项的合理性，因而能进入那些波动大、规模小、回报不确定的赛道。更深 一层的判断是，大厂的缺席往往不是能力问题，而是结构问题：某些机会做了 会与自有业务冲突，不做又因价值太低排不上队。而 AI 的普及正在削弱大厂 原有的规模优势——人员体量、起步资源乃至流量霸权都不再具有决定性，" 现在是小厂或 OPC 挑战大厂最好的时候"。成本壁垒让 OPC 活下去，灵活性 壁垒则让它去到大厂去不了的地方。
某 AI 研发平台对大厂威胁做过系统推演，结论是"生态位竞争很少"，理由不在技术 而在商业目标的自我卡死："业务部门本身就做产品——如果能做出一个平台给别人赋 能，为什么要让给别人？这跟它的商业目标是卡死的。"至于通用模型厂商，则因"离他 们业务太远"而不会下场。
某出海工具团队的判断是："以前衡量的人员规模、起步资源，包括流量霸权，都没 有那么可怕了。"其理由在于大厂的官僚化使效率未必更高。但创始人也划出了一条清 醒的边界：真正值得警惕的，不是大厂本身，而是"大厂内部孵化一个团队，按照创业 公司的节奏去做"。
OPC 如何判断自身的发展，外界又应如何衡量其价值，是本次研究中反复 出现的问题。受访者的共识并非抛弃传统指标，而是重新排列优先级：既不能 只用组织规模、融资额和用户量衡量 AI 时代的轻量组织，也不能脱离现金流、 客户与商业闭环而滑向概念泡沫。据此，本章将受访者提出的评价标准整理为 三层指标体系：商业化底层指标、AI 效率指标，以及团队与长期价值维度。
商业化底层核心 指标
评估的起点是回归商业的第一性原理：商业化能力。以下五项指标呈递 进关系——从现金流、付费客户、客户粘性，到收入结构的延展性，再到 AI 时代新出现的价值刻度——用户时间节约价值。
缺乏稳定现金流、长期无法自我造血的 OPC 难以持续经营。现金流的意 义不止于“活下来”：它是组织自主性的来源，决定创始人在融资、定价、客户 选择与产品节奏上拥有多大的拒绝权。因此，对轻量组织而言，现金流并非财 务结果的附属项。受访团队对此高度一致。某 OPC 团队将自我造血设为最紧 迫的目标：“我希望一年以内项目能够自我造血，覆盖所有顾问的工资。”
某 AI 硬件团队创始人则给出明确的评价顺序：先形成现金流闭环，再观察是否盈 利，之后才考虑品牌声量与用户社区。
付费客户是商业验证的基础，也是 OPC 群体中最清晰的分水岭。如第二 章所示，超过 80% 的团队已经拥有试用或内测用户，但获得过付费收入的仅 约三分之一。从“有人使用”到“有人付费”，仍是多数团队最难跨越的一步。
免费使用更多验证兴趣与使用意愿，付费则提供更强的需求信号。对评估 者而言，付费客户总量比单纯的用户量数据更接近项目的真实商业价值。
一次付费证明需求存在，持续付费才能证明产品能够稳定创造价值。客户 粘性对 OPC 尤为关键：极小团队的获客与交付往往由创始人亲自承担，客户 一旦流失，项目便会被迫持续回到售前状态，难以形成可持续的商业闭环。正 如一位受访者所言：“评判一家 OPC 好坏的第一性指标只有两个：付费客户总 量，以及续费率与长期粘性。”
某 Agent 团队将这一标准写入验证计划：团队为产品化设定 6-12 个月的验证窗口， 考察营收、客户留存，以及 AI 是否真正嵌入客户流程并带来可见的效率提升。若数据 未达标，团队会优先调整产品定位，而非直接放弃方向。
业务延展性衡量的是，现有底层能力还能生长出多少条业务线。单一收入 来源的 OPC，其价值往往受限于该产品的市场天花板；拥有待开发产品储备 （pipeline）的 OPC，其长期价值还来自数据、客户与行业认知的复用能力。 这一维度同时解释了一个反直觉的现象：为何部分高毛利、低营收的 OPC 反 而具备更高的长期价值——营收反映的是已释放的部分，延展性反映的是尚未 释放的部分。
某 SaaS 创始人表示收入之外还应看“收入来源的延展性”，“除了营收以外，我们还 有很多 pipeline 产品，还没有释放出来——那这些其实是我潜藏的营收来源。”其判断 标准是可操作的：“初步是可以用它的生态系统的衍生上下游产品来评价。”
6.1.5 用户时间节约价值：AI 时代的新型产品价值指标
在传统指标之外，访谈中出现了一种新的价值主张：AI 产品的价值不只在 于创造内容、完成任务或替代人力，而在于为用户归还时间。这一指标尚未形 成可核算的标准，但代表了产品价值评估的一种新方向：从“占据多少注意力” 转向“节省多少时间”。
某社交产品团队创始人将其概括为，AI 真正创造的是“多出来的时间——多出来的那 些时间就是你人生最重要的东西。”
AI 效率与增长 指标
商业化指标回答 OPC 是否成立，AI 效率指标则回答它为什么能够以轻量 化组织成立。这里的关键不是“用了多少 AI”，而是 AI 是否真正转化为更高的人 均产出、更低的单位交付成本，以及更清晰的人机协作关系。
人数本身不能体现 OPC 的价值，关键在于单位人力能持续创造多少商业 价值。人效指标的意义，是把 OPC 从“人少”这一表层特征，推进到“少数人能 否完成过去大团队才能完成的工作”这一效率问题。
访谈中的人效自估提供了量级参照：某社交产品团队以 2 人配合 AI 工作 流，创始人估计其成本约为传统团队的三分之一至五分之一；某已扩至 8 人 的出海应用团队则估计，若完全不用 AI，可能需要约 100 人、耗时 5-10 年。 此类倍数均为创始人自估，口径不一，宜作量级参考，而非团队之间的精确 比较。
某 AI 研发平台创始人也指出：“人的多少跟你要传递的价值直接相关。”真正的标 尺，是单位人力可持续创造的商业价值。
6.2.2 Token 消耗：使用效率大于总量
随着 AI 深入业务流程，部分创业者开始将 Token 消耗视为一种新的规模 指标。某 OPC 创始人认为，相比员工人数，服务用户所消耗的 Token 或许更 能反映业务规模与数字化程度。
但访谈对这一说法作出了两点修正。第一，Token 是过程指标，而非规 模证明。某企业级智能体团队虽将其列入内部验证指标，含义却限定在判断 “AI 是否真正进入业务端”。一旦客户数据能够直接证明提效，Token 用量便不 再是核心结果指标。第二，在多数团队的账本中，Token 首先是成本项，而 非能力项。消耗高既可能意味着业务规模较大，也可能源于免费用户过多、流 程低效或模型误用。部分团队还通过模型路由，将复杂模型只用于高价值任 务，主动压低单位成本。
因此，访谈中的共识逐渐收敛为两个判断口径：一是效率，即将算力投 入与产出结合，衡量投入产出比（ROI）；二是有效性，即区分真正完成任务 的“有效 Token”与低效消耗。
Token 消耗可以反映 AI 与业务结合的深度，但不能独立证明公司价值， 仍需与利润、年度经常性收入（ARR）、客户留存等产出指标结合解读。
某养成类 AI 应用团队提出了最直接的反驳：“我们观察到很多开发者真的是一直在 烧 Token、一直在做产品，但是对这个世界、对用户没有任何的影响。评价 OPC 好与 坏的标准应该是它对这个世界的影响、价值的所在——只要价值比较大，不管开发成 本是多少，它就是好的 OPC。”
某 AI 会议决策系统创始人主张算力消耗必须除以产出看 ROI：“别人用了你很多算 力，但他有没有为你产生利润？他可能只是个免费用户。”
6.2.3 人机掌控力与协作关系
在既有指标之外，访谈还提出了两个尚未标准化的新维度：一是人机主 导权，二是协同半径。前者回答“谁在指挥 AI”，后者回答“人、团队与 Agent 之间能否形成更大的协作网络”。评估对象由此从“用了多少 AI”推进到“如何组 织 AI”。
某AI语音创始人提出两条评估维度。第一是人机主导权：“看你到底是不是在主导和 AI 的合作，还是 AI 在主导……不管是成功率，还是通过日志分析。”第二是协同半径， 即“在组织里和别人协同的能力，或者说你的 Agent 和别人的 Agent 的协同能力”。这 指向一个尚不存在但可能重要的指标：Agent 间的互操作性。
某陪伴产品创始人给出一个可判别分界：“你到底是把 AI 当作提效工具，还是真的 让它成为队友？”把 AI 当工具的人，潜意识里仍把 AI 视为加速器；真正编排一个 AI 团 队的人，则可能得到意想不到的产出。该团队的项目本身即诞生于这种人机协作方式。
团队人员维度
OPC 的价值最终仍然回到人。AI 可以放大执行能力，但不能替代市场判 断、客户沟通、资源协调与长期定力。因此，评估重点不在团队人数，而在 核心成员是否具备足够高的能力密度。
复合型人才是 OPC 的核心竞争力。对极小团队而言，单点能力很强并不 足够，创始人与核心成员需要同时具备市场感知、技术认知、产品判断与客 户沟通能力。OPC 对人的要求是综合性的：要能把技术变成产品，把产品讲 给客户，把客户反馈转回迭代。
某游戏研发平台创始人给出双向敏感度画像：“第一是对市场有感知，（第二）对技 术的前沿有感知……你对市场没有感知，只对技术关心，你可能只能做一个研究型的 demo，但是你不能作为 OPC 去传递市场化的价值。”
值得注意的是，即使团队扩张至近 10 人，这一要求也不会消失；成员仍 需具备保持高能力密度，否则组织会重新依赖传统分工与管理层级。
某出海 AI 应用团队已扩至 8 人，创始人对全员提出同样标准：“我们希望团队里的 每个人都是 OPC level 的人……只有你什么都会，而且能够驱动 AI 工具去干活，而不是 由它逼着你、催着你干，这样才能有自己的价值。”
某机器人独立开发者的路线图是：第一步开源，“实现开源机器人生态的繁荣，把相 似场景做成可复用的技能模块（Skill）”；第二步以生态声量与机器人厂商探索数据合 作；第三步与孵化园对接场景试点。由于项目尚未形成稳定收入，他也强调仍需先获得 初步验证。他同时指出，未来竞争核心不完全在技术，而在供应链资源与上下游对接。
评估避坑
OPC 的评估容易被两类表面指标带偏：一类是用户量、流量和曝光等看 似热闹、却未必带来收入的指标；另一类是团队规模、OPC 标签和 AI 使用程 度等容易被概念化的指标。真正需要关注的，仍是稳定客户、现金流与可持 续竞争优势。
免费用户和非精准流量并非毫无价值，但不能单独证明商业价值。AI 产 品的免费使用并非零成本，Token、算力和运维都会持续消耗现金。用户量如 果不能转化为付费、留存或高质量反馈，就可能从增长信号变成虚荣指标， 甚至成为持续消耗现金的成本黑洞。
某线下社交产品团队创始人认为，在 AI 时代，日活跃用户数（DAU）和月活跃用户 数（MAU）的权重会下降，团队更看重用户付费率与满意度。
与传统评估将“人多”视为实力相对应，OPC 语境下也可能出现把“人少” 当作成绩的新倾向。但成熟团队普遍拒绝这种标签化理解。人数既非成绩， 也非稳定特征，而是业务重量（业务的交付复杂度与人力需求）、发展阶段 与资源约束共同作用的结果。正如一位创始人所言，人数与传递的价值直接 相关；客户规模一旦扩张到成百上千，“你肯定不可能十个人”。问卷同样提 示谨慎：43.27% 的团队认为当前规模带有暂时性与偶然性。
对于 OPC 概念本身，从业者的态度也更为务实：标签在政策、赛事与资 源对接中具有工具价值，却不是商业成功的原因；概念热度、赛道风口与“使 用了 AI”或许能带来短期关注，却无法自动转化为估值溢价。
某 AI 健康团队创始人把判断推回人本身：“未来评价公司可能与人数、融资额等数 量指标没有太大关系，更重要的是人的思维、创造力、判断力和定力……评价可能会慢 慢回到人本身。”
本章从创业者的视角出发，梳理 OPC 当前所依托的支持来源与最迫切的需 求，并逐一考察扶持体系、资本市场与行业基础设施三者的适配空间。贯穿其 间的判断是：支持 OPC 所需的资源多已存在，真正的机会在于如何让它们精准 抵达。这正是一个可被设计、也值得被设计的问题。
OPC 现有支持图谱
深度问卷显示，OPC 几乎不存在统一的成长路径。他们所依托的支持来源 高度分散，覆盖政策、投资、园区、社群、活动、平台与个人关系等多个维 度，另有 9.17% 的团队自陈没有任何明显的外部支持。
在各类“最有帮助的支持”来源中，比赛／黑客松／创业营占比位居首位， 其后依次是媒体曝光、个人支持、算力资源，以及加速器／孵化器／园区等载 体。这一排序本身即耐人寻味：位居第一的为非正式、非契约化的支持形式。 个人支持的高占比印证了 OPC 早期高度依赖熟人社交的现实；算力资源的靠 前则回应了算力已成为 OPC 成本结构中最大且持续上升的一项。
其他 1% 投资人 3% 平台 / 渠道 5% 社群资源 5%
比赛 / 黑客松 / 创业营 19%
技术支持（高校等）6%
媒体曝光 11%
暂无明显外部支持 9%
个人支持 11%
政府或政策资源 10%
加速器 / 孵化器 / 园区 10%
算力资源 10%
OPC 几乎不存在统一的成长路径——团队并非一次性接入某个支持体系， 而是在不同阶段反复重组手边的资源，各自拼出一张形状不同的图谱。
某语音项目的经历颇具代表性：一场比赛帮助确定方向，创业营的数万元 算力是迄今唯一的资金支持，园区提供工位，大厂部门持续对接，三十余位种 子用户则分别来自就业社群、大学生群与一次公开演讲。没有一项支持是提前 配置好的。这暗示了一个判断：OPC 需要的不是某一项精心设计的扶持政策， 而是一个足够密集、足够多样的生态——只要接口足够多，创业者自会找到属 于自己的那几块拼图。
位居前列的为非正式、非契约化的支持，其价值往往超出表面形态。对某 音乐 AI 团队而言，一场黑客松开启的不是一次性曝光，而是一条持续的关系 链：创始人被活动氛围吸引后与主办方保持交流，近几个月已获邀参加多场音 乐节，其中一场"直接给了我们一个最好地理位置的展位、路演机会，还有上台 演出的机会"。赛事在此从起点演变为长期伙伴。而对资源更匮乏的单人创业 者，非正式支持提供的甚至不是资源本身。
某AI C端工具的创始人被问及外部支持时答"好像没有"——除了两场活动。产品做完 后长期无人使用，他带去一场"一人公司"线下交流，"我发现他们是想用这个东西的， 就觉得确实有需求"，此后才决定认真推广；另一场赛事上，一位投资人导师建议他先 把这款 toC 产品做透、再为同类产品导流。对零资源的创业者而言，非正式活动真正 供给的，是"这件事值得继续"的确认。
政府、高校院所、投资机构等传统创业驱动力，在 OPC 初始阶段尚未显
现明显效能，但这并非资源缺位。多个团队都确认了政策善意：某内容工具团 队称"现在各级政府对 OPC 的政策都蛮好"；某健康团队创始人则经一位在政府 工作的朋友获知支持通道，此后拿到工位，此前他一直在家办公。对固定成本 极低的轻量团队而言，一个工位并不算小。
问题在于传导：现有支持体系仍主要面向标准形态的企业，因而在 OPC 最需要帮助的阶段往往尚未抵达。某创始人的观察颇为坦率——扶持的注意力 天然流向头部，"能覆盖的肯定都是顶级创业者……不太可能关心这种太小的"。 分配机制按"可见度"而非"需求强度"运行，而 OPC 恰是可见度最低、需求最迫 切的那一层。值得注意的是，前述两个成功案例的触发点都非制度化申报，而 是一次朋友告知、一场值得参加的活动。这提示改进方向或许不在增加投入， 而在降低发现与接入的门槛：让已存在的资源，及时触达最需要它的人。
OPC 核心需求清单
资金
市场
团队 / 社群
算力
指导 / 培训
物理空间
股权投资 奖金补贴 债 权
33.1%
33.1%
市场渠道 媒体传播 客户订单
14.8%
合伙核心 法务行政 社群
8.6%
商业模式 技 能
6.8%
3.1%
资金是首要诉求，与传统创业并无不同。值得注意的是，资金在此还承担
着信号功能——某 AI 硬件创始人将人与钱并列为最迫切需求，同时指出背书价 值："如果有政府或者大的机构愿意投钱，即使投得少，团队会觉得真金白银支 持我们，信心会更强。"此外，与早期投资机构的稳定对接渠道亦被反复提及， 某创始人认为"尤其是像我们这种 C 端应用的是最最有需求"。
市场与曝光的需求总量与资金相当，在部分团队的排序中甚至高于资金。 技术型团队的短板往往尤为明显——无专职营销人员，"我们有产品想法，但没 有成熟的营销能力触达用户”，亟需平台帮忙曝光。
某机器人系统独立开发者的表述最为直接：“给钱在目前来看并不是最优的选择。我 身边一些自己做整个生产闭环的个体，他们缺的是交付的机会，缺的是直接跟企业对 接的机会。”
团队与社群合计位列第三，其价值不仅在于扩充能力象限，更在于打破单 人创业的信息孤岛。某AI工具创始人希望"认识更多 OPC 或者其他想创业的朋 友，互相交流。我觉得比一个人闭门造车、闭门造轮子好很多"。
算力是 AI 时代特有的成本项。某游戏平台创始人指出其与上一代创业的本 质差别："以前创业也不需要……但是算力现在是一个很大的成本"。它无法通过 节俭规避，因而补贴诉求相当具体：某开发者团队直言"我们现在每个月都烧 Token，如果能有人给我们把这个 Token 报销了，这肯定是对我们短期比较大 的支持"。
指导与认知需求占比偏低，更应理解为对"普适化培训"的否定，而非对认 知支持的拒绝。OPC 的壁垒建立在行业认知之上，泛化的创业课程触及不到行 业的真实约束，定制化的商业与融资指导却依然被需要；而工具与技术的更新 已由社群、赛事、开源生态实时接管，标准化培训在时效性上并无竞争力。这 也提示培训体系的价值需被重新定义——它在知识之外更是一个经过筛选的高 密度行业网络入口。
某垂类业务数字化团队的创始人由行业培训学员发展为讲师、进而担任某大区秘书 长，而该网络对其项目的作用与"学习"无关："华东区基本都是中层以上的业务负责人 ……我们在这里面会有一些潜在的客户和合作伙伴在里面。"
物理空间是所有诉求中最低的一项。并非意味着空间不重要，更可能的解 释是，工位与场地类支持已被现有的孵化器、创业街区与园区较为充分地覆 盖，不再构成边际上的痛点。也正因如此，它对园区提出了更高的要求：当"提 供空间"不再是稀缺能力，园区的价值就必须从物理载体转向资源接口。
某 AI 平台虽由创业街区提供办公场地，但创始人认为更有价值的是园区旗下孵化平 台所能带来的客户对接机会："初期的支持更多的可能是客户的支持：你能找到客户， 愿意跟你磨合，把你产品最核心的价值挖掘出来，这个是非常非常重要"。
扶持体系的适配 性痛点
现实供给与OPC 真正想要什么之间仍有落差。多数受访者的感受是，针对 OPC 的支持与传统创业支持"基本没有区别"。某陪伴产品团队所在城市虽已设 有若干 OPC 社区，形态也停留在基础层面："目前还没有特别成熟的方式，大 概就是路演机会或一个小工位"。落差不仅在深度，也在广度：某消费品牌创始 人估计，国内真正能落地、且确有项目跑出来的城市"可能就两三个"，其余地 方所谓的 OPC 政策"跟以往没什么区别，改了个名字而已"。
值得注意的是，创业者对此的归因并不带指责，而是指向一个双向的经验 缺口："想做 OPC 的人在探索 OPC 怎么做，想扶持的人也在探索怎么扶持，两 边还没有很好地对接起来。"换言之，政策制定者想象的 OPC，可能与真实的 OPC 尚未重合。这既解释了为何工位与 token 成为最常见的供给，也提示了破 题方向：适配的前提，是先看清对象。
场地的真实价值早已不止于工位——物理空间之所以仍然重要，是因为它 顺带提供了两样更稀缺的东西：同侪网络与市场资源。某 AI 工具团队的第一位 C 端付费用户，正是在孵化基地认识的一位学生创业者——"他 5000 块找外包 做小程序做不出来，用我们平台就直接帮他干了"，后来还加入团队兼职。一次 偶遇同时完成了首单转化与人才补充，这是任何工位补贴都买不到的溢出效 应。但能否释放它，取决于载体方是否真正理解 OPC 的运作方式。
某已盈利的 OPC 团队因一根网线放弃入驻一处号称"AI 政策最多"的园区：团队自有 三台服务器，园区却只有 WiFi，机房"只给成规模的公司用，认为 OPC 都用云服务器 "；对方甚至答"我第一次碰到一个 OPC 要服务器"，且不允许自拉专线，团队最终在园 区外自租办公室。园区对 OPC 的想象停留在"一个人一台笔记本"，而真实跑通闭环的 OPC，恰恰会长出超出想象的基础设施需求。
政策的意义从来不止于资金。对 OPC 而言，一笔政府补助往往同时是一
种公开的信用背书——某团队曾计划申请一笔区级补助，创始人坦言"条款对我 们有点不友好，但更重要的是，它也算一种背书"。正因如此，门槛的设计尤为 关键：它挡住的不只是钱，还有信心。
而当前的症结可收敛为一条——现行体系普遍以"人数"作为实力的代理变 量，而 OPC 的意义恰恰是打破人数与产出的固定比例。某团队营业额已达高 新认定标准，却因人数不足被挡在门外："它就没考虑过组织结构的变化，公司 的增长不一定靠人。"算力补贴亦有类似悖论：门槛常要求每月消耗数万元 token，"如果已经有这个能力，为什么又是初创？"政策所丈量的那把尺子，需 要更为 OPC 这种组织形态而设计。
某社交产品团队发现，算力补贴的优惠同时挂钩用量规模与社保人数，"但我们运营 过程中这个东西是波动的……那就脱节了"。对 OPC 而言两项指标恰好都不成立：团队 人数远低于阶梯起点，算力消耗又随项目节奏剧烈波动，无法稳定落在任一档位。
"开放场景"常被视为对 AI 创业最实在的支持，但落到 OPC 身上效力常打折 扣，“甚至很多场景开放的东西，不是适合 OPC 做的场景”。失效有两种：大厂 开放的场景实为自身研发的外包或测试，OPC 在其中只是执行者；政府的场景 则"很局限于已有的数据和能力范围"，边界先于问题被划定。结果是真正有价 值的场景仍需创业者自行挖掘。因此场景开放要生效，关键不在数量与规模， 而在开放方是否愿意把"共同定义问题"的权利一并分享。
资本端的匹配性 痛点
传统 VC 的组合数学要求少数项目提供指数级回报，而部分 OPC 的核心特 征恰恰是以组织克制换取利润率——高毛利、低增速、低资本消耗。二者或许 根本不属于同一类资产，因此真正的问题不在于资本是否看懂 OPC，而在于双 方需要各自找到新的匹配方式。
资本端的态度相当一致：不关心"是不是 OPC"，而关心底层的商业化数据 与增长潜力。某创始人接触多家机构后的结论是，概念虽热，"投资机构也不太 热衷一人公司这种形式，看的还是你数据跑得怎么样"——标签本身不产生溢 价。更值得注意的是，随着 AI 拉低产品实现门槛，评判重心进一步后移："现 在光做个产品出来基本没人投，做产品门槛没那么高……问题是推广、营销和 整个投融资这套，一般 OPC 还做不了。"当"能做出来"不再稀缺，稀缺的便是" 能卖出去、能做大"——而这恰是轻量化组织最薄弱的一环。
某创始人给出了更结构性的判断：OPC 不在主流基金射程内，与理念无关，而与回 报模型有关——"VC 投的是你的指数曲线，如果不能证明指数型增长，就不符合它的 生意逻辑。"他对 OPC 专项基金也持保留："真正的投资逻辑本质上没变，所以 OPC 不一定在他们的路径。"
资本并未对 OPC 特殊对待，但 OPC 对资本的需求却在明显分化。第一条 轴线是现金流状态：已造血的团队，需求已从资金转向资源增益：某年营收数 百万元的团队直言"现在也就只能给我几百万，那我为什么不自己搞"，其唯一 动机是获取行业背书。也有团队彻底不融——"能造血肯定是最好的商业模式 ……融资的话大部分时间得我去跑，做产品的时间就少了"，对 OPC 而言，创始 人的时间本身就是最稀缺的资本。
第二条轴线是资本方的结构。传统多轮递进式融资未必成立，OPC 可能只 需"一到两轮就可以形成正向循环"。由此引出一个更深的变化：出资方未必是 机构型基金，而可能是个人、客户或产业方；决策依据也未必是财务模型，而 可能是价值观契合与长期信任。
某 Agent 团队则展示了具有启发性的形态："第一笔投资来自我们刚认识时的甲方， 他很看好我们，希望我们能活下去。"这笔钱支撑了团队在项目稀少期的自研投入。"客 户即投资人"是一种被低估的形态——它同时解决了OPC早期亟需的资金、需求验证与 落地场景。
基础设施的供给 性痛点
政策与资本之外，OPC 的长期发展还取决于一层更基础的支撑：算力从哪 里来、人从哪里找、规则在哪里划。三者目前均处在为轻量化组织重新适配的 过程中，而理解其缺口所在，正是补齐这层基础设施的起点。
7.5.1 算力与模型：成本之外，还有议价权
Token 支出的上涨只是最表层的形态。某创始人已察觉其对冲性质——"每 个环节都要调用大量 token，到底是消耗的增量多，还是节约的成本多，还真 不好说……可能人工端成本降了，运营端成本却提高了。"AI 省下的人力成本， 可能被算力成本悄然吃掉。但更根本的问题不是价格高低，而是 OPC 毫无议 价能力：定价由少数头部厂商掌握，而调用 token 已是不可回避的必备开支。 风险还不止于费用——当模型版本被迭代或退役，建立其上的产品行为可能随 之改变，这是一种超出账面成本的稳定性风险。
某创始人对此做过完整推演："如果都闭源、厂商形成默契，发布新一代就退役前一 代，我们没有选择、市场没有竞争，那就没有议价权，因为用 token 是必备选项。"对 于把业务流程深度建立在特定模型行为之上的 OPC 而言，版本退役是一种无法对冲的 系统性风险——产品的可用性与交付稳定性，最终取决于一个自己无权参与的决策。
OPC 的用人结构呈两端分布：一端是极少数核心成员，另一端是大量外包 与兼职。两端都灵活，但灵活并不等于门槛低——它对匹配质量的要求远高于 常规雇佣，一次错误的加入对数人小组的损耗也远高于传统公司，这解释了为 何 OPC 宁可长期缺人也不轻易补人。外围协作上，"OPC 早期大量使用外包、 兼职"，但缺乏可靠的弹性人才平台，匹配效率低、信任成本高——某团队曾先 后更换六七家开发外包，失败不在技术，而在耐受度与理解力，脏活累活劝退 了大多数人。核心成员的筛选则更严，能力之外还需叠加愿景认同与信任基 础。现有人才工具多为标准岗位与全职雇佣设计，既评估不了"创业者精神"， 也沉淀不了外包方的履约信用。
某 AI 硬件创始人对核心成员招募的描述颇为具体："首先要找能力匹配的人，这就 刷掉了一部分；然后你们的愿景和价值观还要一样，都认可要做的这件事；更重要的 是还要有信任基础。"因此，他直言，找人"比找对象都难"。
7.5.3 合规与监管：风险之外，还有不确定性
前两项基础设施尚可由市场自发补足，合规与监管的相关问题目前尚未大 规模显现，因而更需要前瞻。多数 OPC 仍处早期，但伴随形态扩散，风险也 会随之浮现：一方面，与所有早期创业组织一样，OPC 的小规模、低资产形态 使其在常规供应商体系中几乎是“先天不足”；本次赛事中多数 OPC 尚未进入与 大型企业合作的阶段，极少数成功者也坦言"光招投标就走了五六轮"。破局并 无捷径，既需 OPC 以存续时间与合规运营积累资质，也需合作方的主动争 取——无论是开通流程通道直接服务，还是联合成熟企业间接合作。
反之，部分 OPC 因创业经验不足，在法律、税务与用工合规上确实存在 风险；更有园区反映，"一个人方便拎包入驻，也方便拎包注销"的特点，还可 能被滥用于套取扶持；以及，面对AI应用的前沿领域，OPC 在自行挖掘场景 时，也不可避免会触及尚无明确规则的地带。某创始人即指出，数据合规与隐 私保护"坦率讲现在还是灰色地带"，或需相应法规在某些节点给予保护；但监 管也有两难，"又要避免过度压抑创新，这个度有点难把握"。对无法务团队、 无合规预算的轻量组织而言，规则的不确定性既是机遇，也可能是成本。
因此，面对大规模轻量AI创业组织的监管，是一项长期的社会性挑战，既 需要自上而下的系统性引导，也需自下而上的服务托底：可负担的合规工具、 面向微型组织的法律与咨询供给。
基于本研究的数据分析和深度访谈，并结合 AI 技术演进和全球创业生态的 发展趋势，本章将围绕组织形态、行业分化、发展终局、配套产业与潜在风险 五个方面展开分析，探讨 AI 时代企业组织的长期演化方向。
组织形态长期 判断
OPC 并非 AI 浪潮下的短期现象，而更可能成为与大型企业、小微企业长 期并存的基础组织形态。这一趋势源于四方面变化：第一，创业门槛持续下 降，AI 使过去需要完整团队的工作越来越多可由“个人+AI”完成；第二，产业结 构形成“平台企业+长尾 OPC”的新型分工，大企业负责基础模型与平台能力， OPC 围绕垂直场景提供专业化服务；第三，轻量化组织成为主动选择，“小团 队、高效率”成为兼顾效率与自主性的长期战略；第四，大型企业内部的组织变 革也在验证这一趋势，OPC 并非企业外部的特殊现象，而是同一种组织逻辑在 企业内外的共同演化。OPC 长期存在，并不意味着所有 OPC 都能长期生存， 真正决定企业生命周期的，始终是持续创造价值并形成稳定商业模式的能力。
行业正形成新共识：AI 技术发展速度低于市场最初的乐观预期，而真实市 场需求的释放速度却快于预期。大模型能力提升正在放缓，使用成本也未按预 期持续下降。更现实的策略是围绕当下已成熟的 AI 能力建立商业模式，而非押 注尚未兑现的技术突破。AI 是重要的效率工具，却仍难以替代人类的行业经验 与隐性知识，更适合作为能力放大器。真正能长期发展的 OPC，来自能够将 AI 深度嵌入业务流程，同时持续构建行业认知与商业壁垒的创业者。
行业分化研判
随着 OPC 从高速增长进入常态化发展阶段，行业竞争将从“快速进入”转向 “持续发展”。AI 降低了创业门槛，却没有降低商业成功的门槛。
随着 AI 创业热潮回归理性，OPC 行业将进入出清阶段。率先退出的，是
缺乏真实需求、商业模式和竞争壁垒的项目。本轮行业泡沫主要来自三方面： 第一，概念驱动，讨论聚焦于模型性能与技巧而非现实问题；第二，商业能力 不足，创业者重视技术开发却忽视商业模式设计与客户获取；第三，产品快速 同质化，模型能力开放使技术差异迅速缩小，同类产品可被快速复制。AI 可以 降低开发成本，却无法替代市场验证。OPC 并不是一种全新的商业逻辑，而是 借助 AI 提升组织效率的新型组织形式，依赖概念包装或短期政策套利的项目也 将逐步退出。
经历出清之后，OPC 生态将形成典型的K 型分化：一端是掌握平台能力与 生态资源的大型科技企业，另一端是数量庞大、灵活高效的 OPC 与微型团 队，而中间的大量传统中小企业将受到最大冲击。过去，中型企业依靠规模优 势建立竞争壁垒，但当 AI 能够持续替代标准化劳动、降低管理成本之后，规模 本身的重要性正在下降。传统中型企业既难以具备平台企业的资源优势，又难 以达到 OPC 的敏捷性与低成本优势，其竞争空间将被不断压缩。未来企业竞 争将越来越体现为平台能力与场景能力的协同竞争，而不是单纯依靠组织规模 竞争。
随着 AI 能力标准化，OPC 竞争重点将从通用工具转向垂直行业。法律、 医疗、制造、设计、咨询、跨境贸易等垂直行业拥有复杂流程与专业知识，更 容易形成持续竞争优势。行业知识、客户关系、数据积累以及持续服务能力， 将逐渐取代模型能力，成为 OPC 最重要的竞争壁垒。通用能力将逐渐成为基 础设施，垂直价值才是未来竞争的核心。
OPC 终局预测
OPC 并不存在唯一的发展终局，而将演化出多种相对稳定的发展路径，由 创始人目标、行业特征和商业模式共同决定。综合访谈结果，可归纳为三种代 表性方向。
对于相当一部分 OPC 而言，最佳终局并非成长为大型企业，而是在细分 市场长期保持轻量化运营。这一模式不追求规模扩张，而强调持续提升单位组 织的价值创造能力。“小”并不是资源不足下的权宜之计，而是一种主动选择的 组织理念。未来这类 OPC 更可能成长为各自细分领域的“隐形冠军”。未来评价 企业成功的标准，将不再只是规模增长，而是单位组织创造价值的能力。
另一部分 OPC 将一人公司视为创业初期的组织形式，而非最终目标。当 产品获得市场认可、商业模式得到验证之后，企业仍将通过融资、招聘和组织 扩张，逐步成长为标准化科技企业。AI 并没有改变企业成长的基本规律，而是 显著降低了创业早期的组织成本与试错成本。一些投资机构甚至预测，未来数 年内有望出现一批由 OPC 起步、最终成长为独角兽企业的新案例。但真正的 挑战来自组织能力：当企业从一人公司走向几十人、上百人团队时，创始人需 要重新面对组织管理、人才培养、流程建设等传统管理问题。决定这一路径成 败的，不再是 AI 能力，而是创始人能否建立与企业规模相匹配的组织能力。
8.3.3 融入生态： 成为大型企业创新体系的重要组成部分
第三种路径，是 OPC 在完成细分市场验证后，与大型企业形成深度合 作，并最终通过并购或战略整合实现退出。这一模式体现的是大型平台与 OPC 之间更加开放的协同关系：OPC 借助大企业的资金、渠道实现能力放 大，大企业则借其探索新场景。访谈中对于这一终局存在明显分歧：部分创 业者认为并购是创业成功的重要标志，但也有创业者明确表示不希望将企业 出售或重新进入大型组织体系。并购更可能是市场竞争自然演化的结果，而 非 OPC 创业者的普遍目标。
三种路径之间并无优劣之分，共同反映出AI 正在重新定义企业成长的逻 辑——适合自身资源禀赋、行业特点与创业目标的发展模式，才是 OPC 的长 期终局。
配套衍生产业 趋势
OPC 的发展不仅催生新的企业组织形态，也将推动一整套配套基础设施和 专业服务体系的形成。未来 OPC 生态将重点催生三类衍生产业：弹性协作网 络、AI 运维与治理服务，以及面向 OPC 的专业服务生态。
随着组织规模缩小，OPC 面临的核心约束将由“人员数量”转向“能力供 给”，更可能围绕项目需求动态调用外部专业能力，形成按需协作的组织方 式。这将催生两类基础设施：更加细粒度的人才市场，专业人才以独立服务 者身份参与多个项目；围绕协作建立的新型信任机制，履约记录、专业评价 等数字信用成为合作基础。更进一步，OPC 将逐渐演化为“能力网络”，创始 人负责整合业务、拆解任务，通过合作伙伴、外部服务者及 AI Agent 共同完 成交付，组织能力越来越体现为资源整合能力。协作对象也将从“人与人”扩 展到“Agent 与 Agent”，带动 Agent 编排、Agent 运维等新型服务的发展。
随着 AI 成为 OPC 核心生产工具，企业对 AI 系统稳定性、安全性与成本控制 的需求持续提升，AI 运维将逐渐从技术能力演变为企业运营能力。AI 安全将成 为首先爆发的新需求，Prompt 注入、数据泄露、模型幻觉、权限滥用等问题直 接影响企业运营，围绕风险监测、权限控制与行为审计将形成新的专业服务市 场，AI Supervisor 有望成为 AI 原生组织中的新角色。随着企业越来越依赖大模 型，不同模型之间的成本差异将直接影响企业利润。未来越来越多 OPC 将采用 模型路由技术实现性能与成本的动态平衡；开源模型的重要性也将持续提升， 其价值不仅在于降低成本，更在于提供稳定、可控且长期可持续的 AI 能力。
行业风险预警
随着 OPC 数量增长，围绕其全生命周期的新型专业服务体系将快速形 成，工商注册、财税管理、法务咨询、人力资源等传统企业服务将演化出更 适配轻量化组织的新模式。这一生态未必完全来自大型平台，而更可能首先 在创业者之间自发生长。当不同创业者分别掌握设计、研发、法务、财税等 能力时，他们既是服务提供者也是需求者，形成“由 OPC 服务 OPC”的创业网 络。与此同时，制度层面的基础设施也在持续完善，多地围绕 OPC 建设创业 社区，推出工商注册、税务办理、融资对接等一站式创业服务。未来竞争将 不再只是 OPC 之间的竞争，而是不同创业生态之间的竞争。谁能够率先构建 覆盖协作网络、AI 基础设施与专业服务体系的完整生态，谁就更有可能成为 下一轮 OPC 经济的重要组织者。
OPC 的发展提升了组织效率，也带来了新的系统性风险。未来 OPC 生 态需要重点关注三类结构性风险：AI 异化风险、技术依赖风险以及同质化竞 争风险。
AI 在持续放大个体创造能力的同时，也同步放大了个体实施恶意行为的能 力。AI 已被用于生成虚假内容、仿冒身份、自动化诈骗等灰色活动，技术能力 越强，潜在风险扩散速度越快。未来行业治理需要从“事后监管”逐步转向“前置 治理”，在安全治理与创新活力之间保持动态平衡。真正决定 AI 能否持续释放社 会价值的，是整个产业生态能否形成以责任、透明和可信为基础的发展共识。
AI 使 OPC 对数字基础设施形成前所未有的依赖。模型价格调整、Token 成 本波动、API 限流、服务中断甚至商业策略变化，都可能迅速传导至企业经营层 面。当核心流程高度依赖单一模型或平台时，局部技术变化便可能演变为整个 组织的经营风险。降低单点依赖将成为 OPC 建设 AI 基础设施的重要原则，具体 路径（模型路由、多模型协同、开源模型部署等）已在 8.4.2 述及。
如前文（8.2.1）所述，AI 降低创业门槛的同时也加剧了同质化竞争。真 正值得警惕的，并非 OPC 本身，而是围绕 OPC 概念形成的新一轮创业同质 化。当模型能力、开发工具逐渐成为普遍能力之后，竞争重点已从技术实现 转向行业认知、资源整合与持续经营等非技术能力，而这些能力并不会因为 AI 的出现而被替代。AI 淘汰的从来不是使用 AI 的人，而是那些除了 AI 之外 没有形成任何竞争优势的人。
OPC 的兴起同样考验政策端。一种值得警惕的倾向，是沿用面向标准企 业的旧框架，以人数与规模设槛，把真正跑通闭环的 OPC 挡在门外；另一种 偏差则相反："撒胡椒面"式的普惠，依托一时概念简化门槛、平摊补贴，看似 广泛惠及，实则既无视商业逻辑下的优胜劣汰，也易被追逐风口的套利者钻 空。两者根源相同：都源于对这一新物种缺乏辨识。因此，扶持与监管需同 步设计、彼此校准——既在最需要的时刻托底，也以商业本质而非概念标签 作为筛选依据。
OPC 的未来并非只取决于 AI 能力的持续提升，更取决于整个产业生态能 否建立起与之相匹配的治理能力。AI 异化、技术依赖、同质化竞争与政策适 配，分别对应价值治理、技术治理、市场治理、制度治理四个层面。真正能 够穿越技术周期的 OPC，并非那些最早拥抱 AI 的企业，而是那些能够在持续 利用 AI 提升效率的同时，建立稳定商业模式、形成差异化竞争优势，并主动 应对技术与治理风险的企业。
产业发展建议 前八章描摹了OPC的真实生存状态，本章据此给出面向各方的建议：对 创业者，是如何在轻量化的条件下守住商业本质与成长节奏；对政策制定 者，是如何把有限的资源扶到最需要的时刻与最补不上的地方；对行业参与 者，如何在这一新趋势中各自找到自己的位置。
给OPC创业者的 建议
一颗创业初心
一人或极小团队，可以是起点，也可以是常态；OPC 给的是自定义的权
利，请勿反过来被这个标签裹挟。人数不是成绩，业务重量才决定最小组织 单元，尤其越靠近物理世界，越无法一个人扛。初始招人要通才而非专才， 能力、愿景与信任缺一不可；热爱、社群与价值观同样是资产。记住：没有 什么生意现在是容易做的，门槛的降低配合的是并不轻松的过程。
一道商业本质
技术不再是壁垒，商业才是。当 AI 把"做出来"的门槛压到近乎为零，稀 缺的便成了"卖出去"——第一优先级永远是商业验证与现金流，先活下来，再 谈发展。三条提醒：不要在通用赛道与大厂正面竞争，去那些"规模劝退大 厂、复杂度劝退跟随者"的缝隙；认真对待第一次定价，它是最早也最不可逆 的战略动作，一旦落定就锁死了你的客户结构与市场层级；不要把"等 AI 更 强、更便宜"当战略——为 AI 重金下注买到的是野心，不是业绩。
一条时间轴线
轻量化是静态优势，但生意需要动态进化：每跨一个阶段就要补上一组 新能力。开张靠时间与经验，做大靠产能与客户结构。跑通之前不要急于扩 员、配齐职能或加码技术，此时唯一值得投入的是熬过验证期、积累行业 know-how；一旦跑通，就要主动换挡。商业模式亦然——混搭不是过渡，而 是主动设计：判断自身成熟度，与其看"在收什么钱"，不如看是否清楚哪一笔 钱是用来做什么的。
一张支持图谱
支撑一个 OPC 的是一整套生态：起点可能来自一场黑客松，客户来自一 条帖子，成员来自久不联系的朋友圈，第一笔投资来自你的第一个客户，终 局则可能来自大厂。需要注意的是，"把自己说清楚"本身就是能力，Demo 与 信息完整度是早期的硬通货；主动去够那些正式与非正式的支持，它们给的 往往不只是资源，而是"这件事值得继续"的确认。既要做六边形战士，也请主 动拼好那张六边形的支持地图。
一份人机关系
AI 是杠杆，但杠杆需要支点。真正的分野不在是否用 AI，而在你是被它 带着跑，还是仍掌控方向。默认"AI First"、由人做终审，但别忽略随之而来的 验收负担；守住不可让渡的部分——商业模式、客户关系、战略与审美仍高 度依赖创始人。可被蒸馏的应当被蒸馏，而不可被蒸馏的，才是公司存在的 理由。最后，把安全前置：AI 无法行使签字权，责任终究由人承担；在这个 人性反而成为优势的时代，向善与价值观是长期壁垒的一部分。
给政策制定者的 建议
OPC 是一种将长期存在的组织形态：存活下来的团队，效能可等同一家 小型科技公司，个别极小者甚至能产出超乎体量的贡献。因此问题不是"要不 要扶持"，而是"如何扶到点上"。
第一，请先进一步认识这个新物种。它与以往扶持对象有一处根本不 同：规模不再决定产出。而 OPC 内部也没有标准画像——"一千个人，就有 一千个不同的 OPC"。这意味着适配需两个层次：既适配 OPC 这个物种，也 适配不同赛道、不同类型的 OPC。把旧工具冠上"OPC"标签，既撑不起明天 的生产力，也吸引不到那些想被"懂得"、而非被震撼的创业者。
第二，把支持精准送到最需要的节点上。当前政策易趋两极：激进者随 概念热度撒补贴，保守者的门槛却又高于 OPC 最需要的阶段，即尚未稳定变 现之时。OPC 与其他创业组织一样遵从优胜劣汰的商业规律，政策的价值不
在于包揽 OPC 的生存，而在精准。既不因其人数而忽视人效、令其丧失准入 机会，也不因一时热度而拔苗助长、反增风险。具体而言：将人数、社保规 模等从扶持"必选题"中解绑，OPC 的意义恰恰是打破人数与产出的固定比 例；同时 OPC 小而不虚，应正视其交付能力，开放 B 端乃至 G 端场景的共 创权限；筛选上回归商业本质，认准产业认知、落地经验、产品体验与用户 关系这四类真壁垒，而非赛道标签或 Token 消耗等易形式化的指标。
第三，把力气用在市场补不上的地方。算力模型生态与合规监管，是政 策最具优势、也最不可替代的战场。算力上，OPC 对上游毫无议价权，支持 开源生态，提高云服务器、IDC等形式的统一算力供给，让轻量组织"仍有选 择"。合规上，法律财税领域仍需要引导，AI涉及的数据与隐私仍是灰色地 带，不确定性对无法务团队的组织是实打实的成本。监管因此需要自下而上 的托底，例如可负担的合规工具、面向微型组织的法律咨询，以及能防止劣 币驱逐良币的行业标准。而人才撮合、外包征信、创业服务等中间层，则更 适合交由市场生长，政策的角色是降低交易摩擦，而非亲自下场撮合。
第四，理解 OPC 与城市是双向选择。OPC 用脚投票：早期可能因一张 工位、一份补贴而转移阵地，站稳脚跟后却会因一个社群、一个生态而驻扎 一方。吸引并留住 OPC，无法依赖单条路径——有的主体负责播种，有的促 其生根，有的催其发芽。这要求正视非正式支持的崛起，发挥不同市场主体 各自的优势，支持"接力式"而非"绑定式"的扶持。政策在此既是粘合剂，也是 激发市场的引擎：它应鼓励各模块的排列组合，而非单一归属与同质内卷。
给行业参与者的 建议
对于就业者：不是所有人都要创业，更不必都成为 OPC 创始人。行业有 跟风者，也有顺势起飞的机会——OPC 带动的外包、兼职与实习，对想参与" 轻量 AI 创业"的人同样是机遇。只是规则已变：社群、人脉与信任，正成为 AI 时代新的敲门砖。AI 或许压缩了某些初级岗位，校招或许艰难，但一场黑 客松、一次项目制合作、一个实习机会，仍是向所有人敞开的入口。
对于其他创业者：由 OPC 服务 OPC，本身就是一门好生意。营销曝 光、团队撮合与外包征信、算力效率、AI 掌控乃至 Agent 间的交互——这些
痛点共同构成了新一轮商业进化的需求之源。而这类服务的雏形，往往 不来自自上而下的规划，而是从 OPC 之间的彼此服务中长出来的。
对于投资人：大量 OPC 需要资金，但其中相当一部分与传统风投的标 的，可能根本不是同一类资产。对少数值得下注者，判断仍应回归第一性原 理：现金流、客户粘性与业务延展性。而 OPC 资金需求低、轮次少的特点， 正激发新的出资身份与逻辑——个人天使与 CVC 有望成为更易触达的出资 方，同时提供资金、需求验证与落地场景；下注方式也不妨转向单轮、可转 债与战略投资，以分红、并购与协同退出，而非套用一套并不适配的估值模 型。
对于产业中的成熟组织：科技与产业的交叠，永远是新旧更替、大小易 位；只是今天，蚂蚁也可能挑战大象。大厂已在试验类似 OPC 的轻量团队， 但它们要跨过的从来不只是规模，而是决策机制、利益制衡与存量边界。更 务实的路径是生态互补：把基础设施做扎实，认真对待这批规模尚小、数量 却在增长的"长尾客户"——既是未来的竞争者，也是潜在的收购标的。对模型 与算力厂商尤其成立：OPC 是当下对上游最敏感、迁移也最灵活的一批用 户，谁先降低他们的系统性风险，谁就能拿下这块正在扩张的增量市场。
结语 OPC的价值，或许不在于替代传统公司，也不在于制造新的创业神话， 而在于提醒我们重新观察一个正在发生的变化：当 AI 开始深度参与生产、协 作和决策过程，商业组织固定核心正在变得更小、组织边界则变得更开放， 也更依赖人的判断力、行业经验和资源连接能力。轻量化创业不是没有成本 的创业，也不是没有风险的自由。它真正值得被研究的地方，正在于这种共 识与非共识、确定与不确定之间的无限可能。
Copyright © WAIC FutureTech OPC
本站所有资讯是用户利用其本地Agent获取并分享，均为公开信息，如需删除请联系我们。
