文｜沈安
2026年10月22日，掘金上一篇長文在開發者圈裡流傳開來，標題直白：紅利窗口開著，程序員別在場邊囤課。文章的起點是幾種常見身影：有人曬出 AI 做的應用，留言區最高讚是「一股 AI 味」；有人剛被資遣，轉發一篇「AI 是資本騙局」的長文配文「早就看穿了」；更多的人是在通勤路上收藏「普通人 AI 副業」教學，週末買了 Agent 課又買提示詞課，收藏夾裡躺著幾十個教程，真正打開的沒幾個。
作者先交代了自己的處境：手上一堆「活著、能用、沒賺錢」的專案，跑在免費方案上，沒人付過錢。這個交代很重要，它把文章從成功學的位置上挪開了。整篇的核心判斷只有一句：在這個時間點，普通開發者的最優解法，是用 AI 拿到商業結果，完成自己的原始積累。
紅利不是風口，是一段時間差
多數人把紅利理解成風口，好像站上去就能飛。文章指出這個理解有害：它讓人要嘛盲目衝進去，要嘛看到有人摔下來就斷定風口是假的。
用商業語言說，紅利是一段時間差：生產成本下降的速度，快過市場價格下降的速度。在這段期間，客戶仍按舊成本為結果定價，而你已經在用新成本生產，中間的差額就是利潤。
這輪成本下降有多快？文章引用 a16z 的「LLMflation」統計：同等能力的大模型，推理成本大約每年降十倍。2021 年 11 月，GPT-3 水準的能力（MMLU 42 分）要 60 美元一百萬 token；到 2024 年底，同等水準只要 0.06 美元，三年降了一千倍。Epoch AI 後續的測量更激進：只看 2024 年 1 月之後的數據，中位年降幅從 50 倍跳到 200 倍。
而價格那端呢？客戶心裡的價格錨，還停留在「要請人做」的年代。價格由認知決定，認知的迭代速度遠遠跟不上 token 價格的跌速。
對寫程式的人，這個時間差還有更直觀的版本：五年前做同樣一個產品，需要前端、後端、設計師，好幾個月的薪資成本；現在一個人加一套 AI 工具，年成本能壓到幾千塊。單次嘗試的成本降了幾個數量級，這對工程師是結構性的友善：不需要賭上全部身家，只需要多試幾次。
判斷窗口真假，看付款記錄而不是情緒
情緒可以造假，付款記錄很難。文章用幾組數據支撐「窗口是真的」這個判斷。
Stripe 分析了平臺上收入最高的一百家 AI 公司：達到 100 萬美元年化收入的中位時間是 11.5 個月，比 SaaS 黃金年代最快的那批公司還快 4 個月；達到 500 萬美元年化收入用了 24 個月，2018 年頭部 SaaS 公司則用了 37 個月。個案方面，Lovable 三個月做到 1,700 萬美元 ARR，Bolt 兩個月做到 2,000 萬美元 ARR，Cursor 三年達到 1 億美元 ARR。
一人公司的數字也不遜色。Danny Postma 一個人做 AI 職業照服務 HeadshotPro，年收入約 360 萬美元；Maor Shlomo 的 Base44 上線六個月後被 Wix 以 8,000 萬美元現金收購；Pieter Levels 沒有員工、沒有融資，年收入超過 300 萬美元。
這些案例的意義不在於「你也可以」，而在於單人加上 AI 工具的生產組合，已經被市場驗證過能收到錢。這與我們先前寫過的全由 AI 寫完、卻不含任何 AI 功能的小程序是同一個方向的訊號：AI 的價值未必在產品功能裡，更多時候在生產流程裡。
中國樣本：同一個賽道，同一天，兩種結局
國內的樣本同樣具體。Manus 於 2025 年 3 月上線，年底年化收入突破 1 億美元；2025 年 12 月 Meta 宣布以約 20 億美元價格收購，2026 年 4 月 27 日被中國國家發改委叫停。可靈的節奏更戲劇：2026 年 3 月 25 日，OpenAI 宣布關停 Sora，同一天快手發布財報，可靈 2025 年第四季度收入 3.4 億元人民幣，12 月單月收入突破 2,000 萬美元，年化收入運行率 2.4 億美元，全年收入約 10.4 億元人民幣。
同一個賽道，同一天，一家在退場，一家在收錢。這個畫面對「AI 是不是騙局」的爭論是最好的回應：問題不在賽道真假，而在誰在什麼時間點、用什麼成本結構收誰的錢。
囤課為什麼是場邊行為
回到文章標題裡那個刺人的詞：囤課。
囤課的心理機制不難理解。面對一個變化太快的領域，「學了再開始」給人一種在進步的體感，而且這種體感有即時回報，買課當下焦慮就降了一截。真正的瓶頸在於，這個領域的知識折舊速度和 token 價格一樣快，三個月前的 Agent 課程內容，今天可能已經被工具本身的新版本覆蓋。
更實際的判斷標準是：你要的答案多數不在課程裡，在你的付款測試裡。一個東西有沒有人要，做出來放到市場上收一次錢，比看十個教程都準。個人開發者接上支付、等到第一筆真實訂單的經驗，我們在小程序虛擬支付的第一筆會員訂單一文裡也看過：走完收款流程本身，就是最好的教材。
文章作者自己那些「沒賺錢但活著」的專案，放在這個框架下也說得通。它們是低成本試錯的存貨，不是失敗紀錄。當單次嘗試的成本被 AI 壓到幾千塊一年，嘗試次數本身就成了一種資產。
該帶走的三件事
第一，成本端的數據是可查證的：模型推理成本的年降幅以十倍計，而且還在加速，這不是行銷話術，是 a16z 與 Epoch AI 的獨立統計。
第二，價格端的認知落差是真實存在的獲利空間：客戶仍按「請人做」的舊成本出價，而生產端已經換了成本結構。這個落差不會永遠存在，認知終究會跟上，這正是「窗口」一詞的含義。
第三，對工程師而言，行動單位是「一次嘗試」而不是「一門課」。收藏夾裡的教程不會折舊成你的經驗，跑在免費方案上、收過一筆錢的專案會。
窗口開著的時候，最貴的成本是等待。