上个月和几个做AI创业的朋友聚会大家聊到后半程话题已经从“我的模型效果多好”悄悄变成了“这个单子的脏数据怎么清洗”“客户又改需求了怎么办”“这套流程怎么才能少返工”。我当时心里咯噔一下2025年的AI创业风向真的变了。如果你现在还在盯着“哪个大模型更聪明”可能已经落后了。标题里那句话很扎心也很真实当“聪明”变得廉价剩下的全是“脏活累活”。所谓“聪明”指的是大模型的通用能力——写代码、画画、做视频、回答问题、写文案。这些东西两年前还让人觉得惊艳今天已经像水电一样触手可及。而真正的商业机会恰恰藏在那句“脏活累活”里数据清洗、场景对接、交付实施、合规审查、客户成功。这篇文章想说清楚三件事为什么“聪明”不再值钱“脏活”具体是什么、为什么依然能赚到钱以及如果你打算在2025年入场应该把力气花在哪些地方。我尽量用实际拆解和踩坑经历来讲不灌鸡汤也不贩卖焦虑。1. “聪明”为什么正在变得廉价1.1 模型能力更新太快智能变成了基础设施先看一个很直观的变化。2023年时普通开发者想用上大模型还要注册申请、排队等额度、精打细算token成本。到了2024年底商用API的价格已经降到了几年前的几十分之一更不用说市面上还有一堆开源权重模型配置好一点的服务器就能自己跑。智能本身已经从“奢侈品”变成了“日用品”。这个趋势在2025年只会更极端。大模型厂商的竞争已经从“谁更聪明”延伸到“谁更便宜”“谁能支撑更大的上下文”“谁能更好地调用工具”。你很难靠“我的模型效果更好”这件事建立起长期竞争壁垒——因为半年后总会有更强的模型出来价格还可能更便宜。我经常用一个类比大模型像是发电厂电力本身已经标准化了。用户不会因为“你家电更亮”而付高价他只会为“用电做成的产品”买单。冰箱、空调、洗衣机、生产线自动化这些才是有利润、有依赖、有复购的东西。对应到AI领域冰箱和洗衣机就是具体场景里的完整解决方案而不是那个“发电机”本身。1.2 用户已经被“套壳应用”喂饱了另一个现实是用户对“聪明”已经审美疲劳。两年前你打包一个通用大模型做个对话机器人说这是“AI助手”用户会兴奋地试用。但今天随便打开应用商店类似的对话助手已经几百上千个用户下载之后聊两句就删了。纯套壳的需求红利期已经彻底过去。我见过太多团队拿着一个通用模型做了一层薄薄的界面就以为在做AI创业。结果一问“你的数据从哪来”“你的场景闭环是什么”“有什么是别人抄不走的”全都答不上来。这样的产品本质上是在卖“智能”本身而“智能”正在变得廉价所以它的价值也必然趋近于零。反过来看那些活得还算滋润的AI初创往往不是最炫酷的而是最“笨”的——它们愿意蹲在客户现场处理数据、梳理流程、做培训和售后。这些工作看起来不性感却是客户真正愿意持续付费的原因。2. 真正赚钱的“脏活累活”到底是什么2.1 把“脏活”拆开看四类核心工作如果“聪明”是模型能力那“脏活”就是让模型在真实环境里稳定产出价值的一切工作。我习惯把脏活分成四类每一类都有对应的创业机会和岗位需求。类别具体内容典型问题数据工程数据清洗、标注、格式转换、知识库建设、质量评估“公司文档格式乱七八糟怎么喂给模型”场景适配流程梳理、提示词调优、工具调用、业务规则嵌入“模型懂了但怎么嵌入我们的业务系统”交付落地私有化部署、系统集成、权限管理、上线迁移、效果兜底“客户要求数据不出内网怎么解决”客户成功培训、答疑、需求变更管理、效果调优、合规审查“上线后客户天天提新需求怎么接得住”这四类工作有一个共同点不依赖某一个具体的大模型而是依赖你对业务的理解、对数据的处理能力、对交付节奏的把控。这些东西没法通过“换个更聪明的模型”一键解决必须靠人来一点点磨。2.2 客户要的是一辆车不是一个发动机为什么会这样因为客户不关心你用的模型有多强他关心的是“问题到底有没有被解决”。你给一家制造企业做AI质检模型只是其中的识别引擎真正决定项目能不能用的是产线摄像头的安装位置、图像采集的光照条件、缺陷样本的标注质量、误报之后的处理流程。这些全部是场景里的“脏活”。拿“车”来打比方大模型是发动机客户要的是一辆能在他那条路上跑起来的车。发动机再强没有底盘、轮胎、方向盘、仪表盘、刹车系统没有售后和保养这车根本开不出门。过去两年很多人只卖发动机觉得“发动机够猛就行”现在客户学聪明了我只是要一辆好开的车你凭什么只给我一台裸发动机这也是为什么我认为2025年AI创业的核心逻辑正在从“卖智能”切换成“卖确定性”。客户愿意付费的不是“AI很聪明”而是“AI能稳定、可靠、合规地处理我的问题出了问题有人管”。2.3 客户为什么愿意为“脏活”付钱而不自己干你可能会问这些脏活客户自己不能做吗答案很残酷大部分企业做不了。原因有三点。第一绝大多数企业的数据基础非常差。系统里是十几年累积的Excel表格、扫描件、老旧数据库字段不统一、格式混乱、权限不清。把这些东西整理成模型能用的结构需要专门的数据工程能力一般企业IT团队没有这个经验。第二企业不懂模型的能力边界。他们要么觉得AI无所不能要么觉得AI一无是处你需要帮他们建立合理的预期并把技术能力翻译成业务语言。第三企业不想养一支AI团队。私有化部署、持续调优、模型迭代这些事情非常麻烦他们宁愿找一个外部团队长期服务。所以脏活并非没有价值恰恰相反它因为“不好做”而变得值钱。能稳定交付脏活的人才真正拥有定价权。3. 从热搜方向看创业机会哪些在赚“聪明钱”哪些在赚“脏活钱”我平时会看各种AI相关热搜和创业项目发现一个规律凡是沾了“通用”“无限制”“一键生成”这几个词的方向基本都在赚快钱、赚聪明钱来得快去得也快凡是贴着行业场景、关注交付细节的方向看起来慢但壁垒更高。下面拆几个典型方向。3.1 AI Agent一半工作量在处理流程而不是模型调用AI Agent智能体是2025年最火的方向之一。很多人以为做Agent就是“给模型一个工具让它自己规划、自己执行”。真到落地才会发现企业对Agent的需求远没有那么简单。举个实际例子。我之前接触过一个客户希望做一个“自动填单Agent”能从邮件和系统里提取信息自动生成工单。听起来很简单对不对但真正做起来你要先梳理客户内部几十种工单类型、几十个字段的来源还要处理各种例外情况——比如邮件里同时提到多个事项、某些字段来自另一个系统、模糊信息需要人工确认。光是把这些业务规则理清楚就占了整个项目一半以上的工作量。模型调用反而是最简单的一步。如果你要做AI Agent方向的创业我的建议是不要把自己定位成“Agent平台”要定位成“流程自动化专家”。你的核心能力是把客户混乱的线下流程拆解成Agent可以执行的SOP然后设计异常处理机制和人机协作机制。这个能力短期很难被大模型厂商替代。3.2 AI编程卖的不是代码生成是研发流程改造AI编程也是大热门。GitHub Copilot、Cursor这类工具确实让写代码变快了但企业要落地AI编程遇到的问题远不止“模型能不能生成代码”。我在帮一些团队做AI编程落地时发现最大的阻力往往是安全合规和流程管理。代码仓库能不能上传到云端生成代码的许可证风险怎么排查怎么保证AI生成的代码通过内部代码评审怎么让老程序员愿意改变习惯这些问题每一个都是脏活。企业需要的不是“一个会写代码的AI”而是“一套能安全、合规、稳定提升研发效率的新流程”。所以AI编程领域的创业机会不只是做IDE插件还有企业内部的代码安全审查、私有化模型部署、开发者培训和效率度量。越是头部的企业客户越愿意为这些“流程改造服务”付费。3.3 AI视频、短剧、绘画内容工业化的核心在质检和合规AI视频、AI短剧、AI绘画这些方向热搜词一年比一年多。但如果你真正做过内容生产就会发现单点生成工具根本不稀缺——今天能用这个模型生成明天换个更便宜的模型也能生成。真正决定你产能和利润的是背后那条工业化流水线。我自己搭建过一条AI短剧生产流水线最深的体会是最耗时、最不能省的不是“生成”而是“质检”和“合规”。一支几分钟的AI短片可能包含几十个画面、台词、配音、字幕每一帧都要检查有没有版权风险、画面有没有违规、字幕有没有错别字、生成内容是否符合平台规则。这些工作如果全靠人工成本非常高如果完全交给模型自动审核又容易漏判。所以想做AI内容方向的创业者与其纠结“用什么模型画质更好”不如优先建设三样东西素材合规库保证所有输入素材都有授权、自动化质检流程把人工审核和人工抽检结合起来、批量发布管理能力。这些才是规模化赚钱的核心。3.4 AI应用开发、产品经理、测试新岗位需求全在“脏活”侧从我相信的热搜词里也能看出趋势AI应用开发、AI产品经理、AI测试工程师这些岗位都在快速增加。这说明市场已经不再满足于“模型本身”而是需要有人把模型包装成可用的产品。先说AI产品经理。2025年对AI产品经理的要求已经变了不再是你会不会写Prompt而是你有没有能力拆解业务流程、定义效果指标、组织数据清洗、设计评测集、管理交付预期。换句话说AI产品经理更像是一个“脏活组织者”不是“提示词工程师”。再说AI测试工程师。AI应用最大的特点就是不确定性——同一个问题换一种问法答案可能不一样。这导致传统的“写死测试用例”方法失灵了。你需要设计回归测试集、评估模型输出的准确率、追踪数据漂移、监控幻觉风险。这个岗位相当紧缺因为绝大多数团队还没有建立“AI应用的质量保障体系”。我在面试AI测试方向的人时最看重的是他能不能说清楚“怎么评估一个RAG系统的回答质量”而不是会不会写几行测试脚本。4. 两个真实落地案例钱都花在了模型以外4.1 企业知识库问答80%的工作量在模型之外去年我参与了一个企业知识库问答项目客户是一家数百人的公司想把散落各处的制度文档、技术手册、历史项目资料整合成一个内部问答系统。最初客户以为这事很简单“你们有AI把我们文档导入进去不就行了吗”真正做的时候我们发现文档有几千份PDF、Word、Excel、扫描件全都有。很多扫描件是图片压根没有文字层不同年代文档里的术语也不统一还有大量文档是“旧版作废”的不能进入知识库。光是数据清洗和权限梳理就花了几个星期。我列一下这个项目实际投入的分布能让很多人大吃一惊工作项占比说明数据清洗与文档治理约35%PDF转文本、扫描件OCR、目录整理、权限梳理知识库切分与索引调优约15%文档切块策略、向量化、检索召回调优效果评测与幻觉调优约20%构造测试集、人工评价、回答溯源优化私有化部署与集成约20%客户要求数据不出内网整体部署在客户服务器模型选型与Prompt调优约10%这部分反而是最省事的最终给客户报价时客户也理解他们买的不是一个“问答机器人”而是一套“能把死数据变成活资产”的完整服务。这个项目里模型能力只是基础真正让客户愿意付款并续约的是数据治理、评测体系和私有化部署带来的确定性。4.2 AI短剧生产线最贵的人力在质检和合规还有一个我亲历的项目是AI短剧制作。我们当时的目标是建立一条标准化流水线用AI完成从剧本到成片的主要环节。选模型、写脚本、生成画面这些事情确实快一天能产出好几集粗剪。但真正的问题是质量怎么保证。我们最后搭了一条流水线包含几个固定环节版权素材入库审核、剧本合规预检、分镜生成与画面质检、配音与字幕校对、成片抽检与发布归档。其中最核心的角色不是“AI生成师”而是“质检员”。每一集短剧在发布前都必须经过至少三关第一关是系统自动检测查敏感词、查画面异常第二关是人工审核确认脚本没有版权问题、画面没有违规风险第三关是抽检由运营同事按比例抽查确保整体质量线稳定。这条生产线跑通之后我们才真正理解了什么叫“AI创业的脏活累活”。AI生成的成本和速度已经不是瓶颈内容安全和质量把关才是每天都要投入大量人力的地方。如果你不做这部分投入短时间好像省了钱但一旦出现一条违规内容或版权纠纷损失会远超省下的成本。5. 踩过的坑AI创业最容易死在什么地方5.1 以为模型最强就是方案最强这是新手最容易犯的错误。选模型时只看公开榜单哪个分数高就用哪个结果一上生产环境就傻眼响应太慢、成本太高、某些领域回答还不如小模型稳定。我现在的选型原则是“混合架构”核心业务、强隐私场景用私有化部署的开源模型对延迟不敏感、需要长上下文理解的任务用强大的商业模型对简单重复的生成任务用蒸馏后的小模型。不要迷信“最强”要匹配场景和预算。这个道理说起来简单但真到做决策时很多人还是忍不住追求“最好”导致项目成本失控。5.2 不重视数据质量RAG就会变成一场灾难知识库类AI应用非常依赖数据质量。最直接的教训是如果原始数据有一堆错误你以为模型会“智能纠正”实际上它只会一本正经地把错误输出给你还要编一点上下文让错误看起来更可信。做RAG系统数据清洗和结构化处理是逃不掉的。格式不统一要先规范字段不全要找业务方确认旧文档要标记版本状态。这些工作没有捷径。谁能在数据处理上做得更扎实谁的知识库产品就更可靠客户流失率就会显著低于同行。5.3 交付边界不清容易被“AI无所不能”的预期拖死AI项目的需求变更频率非常高。客户一开始说“帮我做个客服机器人”做到一半又说“能不能顺便预测一下销量”“能不能自动回复微信”。如果你没有前置约定就会陷入无限的返工。我的经验是项目启动前一定要和客户一起定义“效果基线”和“验收数据集”。把目标场景、输入输出范围、当前模型能到什么水平、哪些情况需要人工兜底全部写到方案里。上线后如果有新的需求走变更流程重新评估排期和费用。这不是把自己摘干净而是让双方都建立合理预期避免“AI幻觉被当成bug”这类扯皮。5.4 合规和内容安全走捷径迟早翻车做AI应用尤其是内容生成类产品最不能省的就是合规和内容安全。之前行业里有一些工具为了快速获客在内容审核上做得很粗放短时间内数据好看但一旦被监管或平台规则盯上产品直接下线、团队散伙。我的原则很简单凡是面向用户的生成内容必须保留生成留痕和来源追踪必须有敏感内容过滤必须有人工抽检机制。如果你做的是企业服务还要考虑客户的数据合规要求比如私有化部署、权限审计。这些事情很麻烦但它们是这个行业的基本安全边界绝不能为了“效率”去拆掉。6. 2025年AI创业者的实操建议6.1 如果我现在从零开始会怎么做聊了这么多最后说点真能落地的建议。如果我在2025年从零开始做AI创业我大概率不会去碰通用大模型也不会做纯功能型的“小工具”而是按下面这个思路来第一步先找一个具体的垂直场景最好是那些“每天都在重复、规则复杂、数据零散、现有软件覆盖不好”的业务。第二步不急着写代码先手工模拟AI的效果用Excel、用人工整理、用流程表把服务跑通去验证客户愿不愿意为此买单。第三步确认有人付费之后再上模型、做工具、建流程一步步把“人肉AI”替换成机器自动化。第四步每服务一个客户就把数据处理流程、Prompt模板、评测集、交付SOP沉淀下来形成可以复用的资产。这个思路的好处是不会把大量资金和时间烧在没人要的产品上同时从一开始就在积累真正的“脏活资产”——行业数据、流程know-how、交付能力。这些东西竞争对手抄不走也换不来。6.2 团队配置和定价模式要跟着“脏活”走如果你的创业方向也需要做大量交付团队结构不能只配算法工程师。我会建议把重心放在这几类角色上数据工程师负责清洗、标注、知识库建设、交付实施工程师负责部署、集成、客户现场问题、客户成功或项目运营负责培训、答疑、需求管理。算法和开发当然要有人做但比例上要克制。定价模式上尽量不要按“token”或“API调用量”来收费。那样你会和模型厂商卷价格卷到没有利润。更健康的方式是按项目价值收费、按订阅收费、按效果收费。比如知识库项目可以收一笔实施费加年度维护费短剧生产线可以按成品集数或发布效果收费。客户买的是“结果”你卖的也应该是“结果”而不是“算力”。6.3 把“脏活”沉淀成账号资产形成复利最后分享一个理念脏活累活最怕重复犯。第一次给客户做知识库数据清洗流程可能是乱的如果你把每一步记录下来做成标准化检查清单第二次就会快很多做到第十个客户你手里已经有一套高效方法、一批行业数据、一组评测集、几十条避坑经验。这些东西就是你的“资产”。它们不像模型那样一天一个价但它们会随着项目数增加而增值形成复利。2025年的AI创业比的不再是谁的模型更聪明而是谁手里的行业数据更干净、流程模板更高效、交付口碑更扎实、合规底线更牢固。我个人在实际操作中最深的体会是一个AI项目最容易死掉的地方不是技术方案不行而是大家低估了“脏活”的工作量和成本高估了“聪明”带来的短期红利。如果你也准备在这个时间点入局别嫌脏活累活麻烦那恰恰是你最值得去守住的城墙。