三个 40 岁老程序员决定用 AI 重新出发（二）：用 AI 写商业计划书

:

你好，我是曹犟，欢迎关注我的公众号。

在上一篇文章三个 40 岁老程序员决定用 AI 重新出发（一）：开篇中，我介绍了我们三个“老”程序员决定用 AI Native 的方式从零开始做一个产品的背景和初衷。我们提出的核心方法论是“文档驱动的 Spec Coding”，而整个路径的起点，就是商业计划书。

这篇文章，我会详细分享我们是如何用 AI 来完成商业计划书的——从为什么要写，到写什么，再到用什么工具写。

PART01

为什么商业计划书是起点

很多人一提到商业计划书（BP），第一反应就是“这是给投资人看的”。这个理解没有错，但不完整。

对于我们这个小团队来说，BP 首先是给自己看的。

第一，BP 强迫你想清楚关键问题。

市场有多大？客户是谁？痛点是什么？竞争对手有哪些？你的差异化在哪里？商业模式怎么跑通？这些问题，在你激情满满地想要开始写代码之前，必须先想清楚。

作为一个业务一号位的最主要工作，也是应该持续思考这些问题，并在这个过程中迭代自己的认知。

第二，BP 是后续所有工作的“北极星”。

有了 BP，后续的产品设计、技术选型、市场推广，都有了一个可以参照的基准。当对某个决策有分歧时，可以回到 BP 来看：这个决策是否符合我们的定位？是否在解决我们定义的核心痛点？

第三，BP 本身就是一个验证过程。

写 BP 的过程中，你会发现很多自己原本没想到的问题。某个假设经不起推敲，某个市场数据和直觉不符，某个竞品的定位和你想象的不一样。这些发现，都是在真正投入大量资源之前就暴露出来的风险。

简单来说，BP 不是走形式，而是真正帮你把想法从模糊变清晰、从感性变理性的工具。

PART02

BP 到底要回答什么

我们这次做的依然是 2B 生意，所以 BP 的核心逻辑也围绕 2B 展开。

我对中国的 2B 软件行业有一个有趣的总结：所谓 2B，是“跟客户关系好，客户恰好有个问题觉得你可以解决，让你来解决”；而不是“做出一个产品到处问客户要不要”。

这背后代表的是 2B 生意的本质：你要回答的核心问题是，给什么客户解决什么问题，拿他的什么预算，整个链条上各方的利益关系是怎样的。

理解三种预算

在深入讨论 BP 的具体内容之前，我想先分享一个我自己过去几个月认知的一个重要迭代，对企业预算的三种类型的理解。

IT 预算：由 CIO 或 CTO 负责，本质上是成本中心（Cost Center）。决策时主要看合规与安全、稳定性与 SLA、可运维与可集成、以及降本的确定性。传统的企业软件，比如 ERP、CRM、数据平台，拿的都是这个预算。

BPO 预算：由业务、运营或共享服务中心负责，也偏向成本中心。通常按量或按结果付费，主要看 SLA。外包客服、代运营等业务拿的是这个预算。

营销预算：由 CMO 或增长负责人负责，是增长中心（Growth Center）。决策时主要看 ROI 和增量效果。广告投放、营销工具等拿的是这个预算。

这三种预算的规模和审批效率往往是数量级的差异：IT 预算审批最慢、金额通常最少；营销预算审批最快、金额通常最多。

传统 2B 软件的生意大多是拿 IT 预算，但在大模型时代，软件本身的价值正在被重新定义。我自己打过一个比方：“你妈妈做的饭，肯定比餐馆做的饭更符合你的胃口；自己公司研发的软件，肯定比任何公司研发的软件更符合本公司的实际需求，只不过成本更高。”但是，有了 AI，每个公司都可以用更低的成本来“自己做饭”了。这一方面意味着卖软件的拿 IT 预算的难度会大大提升，但反过来，也让我们可能有机会去拿营销预算——如果你能证明你的产品直接带来效果。

BP 要回答的八个核心问题

基于以上的思考框架，我们认为一份好的 2B 产品 BP 需要回答以下八个核心问题：

1. 产品定位

- 一句话说清你是什么

- 目标客户是谁

- 核心价值主张是什么（客户到底在为什么掏钱）

2. 市场空间

- TAM（Total Addressable Market）有多大

- 分阶段的市场边界是什么

- 估算的逻辑和数据来源是什么

3. 痛点分析

- 现状有多痛

- 现有方案为什么不够好

- 为什么现在是好时机

4. 竞品分析

- 直接竞争者是谁

- 替代方案有哪些

- 你的差异化在哪里

5. 生态位分析

- 你处于整个生态的什么位置

- 上下游分别是谁

- 他们对你是什么态度（支持、中立还是反对）

6. 核心竞争力

- 你有什么别人没有的

- 护城河是什么

- 进入这个领域的优势和劣势是什么（需要诚实自评）

7. 关键假设与验证

- 我们这个商业模式能够成立的前提假设是什么

- 每个假设的验证指标、验证时间和风险预案是什么

8. 实施路线图

- 每个阶段的目标是什么

- 每个阶段的核心工作是什么

- 成功标准是什么（需要可量化）

Agent 创业的陷阱

对于现在最火的 Agent 类产品创业，我觉得有一个特别需要警惕的陷阱：不要去做那种会被基础模型能力一升级就“顺手覆盖”掉的东西。

比如你做的是“帮用户做 PPT”的 Agent。那么一旦基座模型把“生成 PPT”这件事做得足够简单顺滑，用户很可能直接在基础模型里就把活干了，你的 Agent 就只是一个可有可无的壳。

所以，我们应该追求的是：当基础模型变强时，我们的 Agent 也会跟着变强。也就是说，你的 Agent 要建立在基座模型之上，充分吃到它进步带来的红利，而不是试图和它正面竞争、重复造轮子。

更进一步，尽量选择那些能积累知识、能形成闭环的场景：在真实服务过程中沉淀下来的行业经验、客户数据、决策规则、执行反馈，才是你真正的资产。长期来看，正是这些可积累的“组织记忆”，才是我们的 Agent 能够替代人类，并在和基模公司之间形成差异化的护城河。

除此之外，要尽量选择那些 token ROI 足够大的行业，否则就可能沦为 token 的转售商了。

PART03

市场调研：Google Deep Research

有了清晰的问题框架，接下来就是收集信息来回答这些问题。这里我们主要使用的工具是 Google 的 Deep Research 功能。

什么是 Deep Research

Deep Research 是 Google 提供的一个深度研究功能。与普通的搜索不同，它会自动进行多轮搜索、阅读多个网页、综合信息，最终生成一份结构化的研究报告。

简单来说，它像是一个会自己上网查资料、读文章、做总结的研究助理。

我们怎么用它

我们经常用 Deep Research 来回答以下几类问题

：

行业规模和增速：比如“全球社交媒体营销软件市场规模是多少？增速如何？主要玩家有哪些？”

竞争格局分析：比如“Hootsuite、Buffer、Sprout Social 这几个产品的定位是什么？主要功能差异有哪些？它们是如何定价的？目标客户有何不同？市场规模分别多大”

目标客户画像：比如“中小型电商企业在社交媒体营销上的主要痛点是什么？他们每年在这方面的预算是多少？他们目前用什么工具，有什么问题？预算大概是多少？”

这几类问题如果人来做，需要搜索查阅大量行业报告、对比多个产品的官网和评测、综合用户访谈和论坛讨论等多种来源的信息，工作量很大。Deep Research 可以帮我们快速完成初步的信息整合和汇总。

实操技巧

使用 Deep Research 有几个实操技巧：

提问要具体：不要问“社交媒体营销市场怎么样”，而是问“2024 年北美市场 SMB 企业在社交媒体管理工具上的年均支出是多少，过去三年的增速如何”。问题越具体，得到的答案越有价值。

要求给出来源：在提问时明确要求“请给出数据来源和链接”，这样你可以后续验证这些信息的可靠性。

交叉验证：Deep Research 给出的数据不一定准确，特别是一些细分市场的数据。我们通常会用多个来源交叉验证，或者直接去查阅它引用的原始报告。

局限性

Deep Research 也有明显的局限性：

数据时效性：它能搜索到的信息取决于 Google 的索引，最新的数据可能还没有被收录。

中文信息不足：对于中国市场的信息，Deep Research 的覆盖度明显不如英文市场。

需要人工判断：它给出的信息只是基于网上已有内容的综合，无法给出原创性的洞察。市场机会的判断、趋势的预测，最终还是需要人来做。

我们的经验是：把 Deep Research 当作一个高效的信息收集工具，而不是决策工具。它能帮你快速建立对一个领域的基本认知，但最终的判断还是需要靠你自己。

PART04

头脑风暴：SuperClaude 的 Business Panel

收集完信息之后，下一步是对这些信息进行分析和讨论。这里我们使用的工具是 SuperClaude 框架中的 sc:business_panel 功能。

什么是 SuperClaude

SuperClaude（https://github.com/SuperClaude-Org/SuperClaude_Framework） 是一个开源的 Claude Code 增强框架，它通过一系列预设的 Prompt 和工作流，让 Claude 能够更好地完成特定类型的任务。我们在整个开发过程中大量使用了这个框架。

sc:business_panel 的作用

sc:business_panel 是一个模拟商业专家小组讨论的功能。当你输入一个商业问题或方案时，它会通过模拟知名商业思想家组成的专家小组来审视这个问题，给出不同角度的反馈。

简单来说，它像是一个能够从多个视角来挑战你想法的“虚拟董事会”。

我们怎么用它

我们主要用来做以下几件事：

商业模式讨论：当我们对定价模式、目标客户、价值主张等核心问题有初步想法时，会用 business_panel 来做压力测试。它会从不同角度提出质疑，帮我们发现自己没想到的问题。

竞争策略验证：当我们制定了差异化策略后，会用 business_panel 来检验这个策略是否站得住脚——我们的差异化是否真实存在？客户是否真的在意这个差异？这个优势能持续多久？

风险识别：我们会把自己的商业计划书草稿输入给 business_panel，让它扮演一个挑剔的投资人，尽可能找出计划中的漏洞和风险点。

价值与局限

在与它交流的过程中，会发现，它会提出一些我们之前的确没有想到过的问题，找到我们的思维盲区。这就是 business_panel 的最大价值：提供多元化的视角，避免我们陷入创业者常见的“自嗨”陷阱。

但它也有局限：它的反馈是基于通用的商业知识，而不是对特定市场的深入了解。所以它更适合用来发现问题，而不是给出答案。最终的判断，还是需要你结合自己对市场的了解来做。

PART05

文档撰写：结构化的人机协作

在有了充分的调研和讨论之后，我们就需要把这些内容整理成一份正式的商业计划书。这里我们主要使用的是 SuperClaude 的 sc：document 命令提供的结构化文档生成能力。

我们的工作流

我们的 BP 撰写流程是这样的：

第一步，人来定结构。我们先确定 BP 要包含哪些章节、每个章节要回答什么问题。这个结构是基于前文提到的“八个核心问题”框架，但会根据我们产品的特点做一些调整。

第二步，人来填核心观点。对于每个章节的核心观点和结论，我们会先用简短的文字写下来。比如“目标客户是北美市场的中小型电商企业，年营收在 100 万到 1000 万美元之间”。

第三步，AI 来扩写。有了结构和核心观点，我们用 sc：document 让 Claude 帮我们把这些要点扩展成完整的段落，补充必要的论证和数据支撑。

第四步，人来审校和调整。AI 生成的内容，我们会仔细审校，调整不准确的地方，补充 AI 没有覆盖到的信息，确保整体逻辑自洽。

人机协作的边界

在这个过程中，我们逐渐摸索出了人和 AI 各自擅长什么：

AI 擅长的事情：

- 结构化：把零散的想法整理成有条理的文档

- 文字润色：让表达更清晰、更专业

- 信息整合：把多个来源的信息综合在一起

- 格式规范：确保文档格式统一、美观

人擅长的事情：

- 洞察：发现市场中被忽视的机会

- 判断：在多个选项中做出取舍

- 审美：决定产品的调性和风格

- 偏好：确定什么对我们来说最重要

简单来说，AI 帮我们解决了“怎么写”的问题，但“写什么”的决定权始终在我们手里。

Single Source of Truth

还有一点很重要：文档驱动的项目必然会产生大量文档——BP、Use Case、Requirements、技术设计、API 文档等等。这些文档之间往往有重复的内容，比如产品定位、目标客户这些信息，在 BP 和 Use Case 中都需要。

虽然 AI 很擅长维护文档，但为了节省上下文、减少工作量，我们的做法是：把重复的内容抽取出来，形成唯一来源，其他文档只保持引用。

比如产品定位，我们只在 BP 中详细描述一次，Use Case 文档需要用到时就引用 BP 的相关章节，而不是再写一遍。这样做的好处是：当产品定位需要调整时，只需要改一个地方，所有引用它的文档自动保持一致。

PART06

人的不可替代性

在这个过程中，我们也在持续探索，在与 AI 的协作中，人还有什么价值？

有些决策只能人来做

战略方向的选择：我们要做公域营销还是私域运营？要做海外还是国内？要拿 IT 预算还是营销预算？这些战略层面的选择，AI 可以帮你分析利弊，但最终的决定必须由人来做，因为这本质上代表团队的价值判断和风险偏好。

价值观和审美的取舍：产品的调性是严肃专业还是轻松友好？UI 是简洁克制还是功能丰富？这些问题没有标准答案，取决于创始人的审美和品味。

对市场的直觉判断：有些机会，数据上可能根本体现不出来，但是你凭借多年的行业经验，就是觉得“这个事情能成”。这种直觉和“任性”，也是任何 AI 都无法替代的。

AI 是放大器，不是替代者

AI 放大了我们的执行能力：原来需要一周才能写完的文档，现在一天就能完成。原来需要一个人花三天做的市场调研，现在两个小时就能有初步结论。

但它无法替代我们的思考。如果本来就不知道要做什么，AI 也帮不上忙。如果对市场没有洞察，AI 也只会给一堆正确但没用的废话。

我总喜欢说，“优秀的程序员，会因为有了 AI 而变成更优秀的程序员；水货程序员，有了 AI 也只会变成一个更大的水货。”

AI 确实大幅提高了执行效率，但思考的时间是省不掉，或者说，也不应该省的。好的 BP 不是写出来的，是想出来的。AI 能帮忙检索和汇总各种信息，能帮忙给出需要回答的问题，能够把想法变成文字，但想法本身，还是得靠人自己。

PART07

写在最后

总结一下，商业计划书是整个项目的起点，它不是写给投资人的“作业”，而是让我们把想法从模糊变清楚的思考框架。对于 2B 业务，最重要的就是说清楚，解决谁的什么问题，拿他的什么预算。Google Deep Research、SuperClaude 这些工具，能够大幅度帮我们提升效率，但是，人的深度和持续的思考，人的评委与审美，人的“任性”与决策，依然是 AI 所无法替代的。

在下一篇文章中，我会分享在有了 BP 之后，我们是如何设计 MVP 的 Use Case 的。为什么我们会选择 Use Case 驱动而不是传统的 PRD？在这个过程中我们如何用 Claude 和 Gemini 配合完成业务细节的讨论？敬请期待。

以上都是一家之言，仅供参考。欢迎大家与我交流讨论。