科研型小团队做多人兼职的数据公司,更可行的打法是靠技术独特性做 inbound,而不是靠销售铺量;同时用“钟点工式”的兼职结构服务多个小客户。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
先靠技术独特性吸引客户,而不是硬推
PuppyGraph 的经历是:第一个客户来自转介绍,之后试 outbound 效果很差——对方觉得技术惊艳,但一时用不上。转向 technical blog 和开源社区活动后,AMD、Datadog 这类较大客户反而主动找来。未末总结的条件是:技术洞察足够独特、解决问题的方式足够干净,业务才增长得舒服1。对科研型小团队,这意味着把有限精力放在写清楚“别人会遇到什么问题、你怎么干净地解决”,而不是广撒网推销。这是 AI 基于该案例的推演,前提是你的技术确实有可辨识的独特性。
兼职结构对应的是服务多个小客户
AI推演Indigo 在分享中提出“IT 家政”:中小企业买不起也用不动 SaaS,请不起全职 AI 工程师,需要的是钟点工式的工程师,一个人同时服务 3–5 家企业,做私有化部署和快速交付。他给出的背景是大厂裁员、好工程师外溢,小公司给不起大厂工资但又需要 AI 改造2。这与多人兼职的数据公司结构相合:每个人保留其他身份,按项目服务多个客户,收入来自客户数量叠加而非单一大单。这是把嘉宾判断用于你的情境,不是对你们模式的确认。
小团队要 end-to-end,别照搬大公司分工
立正谈到,AI 提效在小公司明显,他身边认识的小公司提效三五倍很正常;大公司则因人多事少、组织阻力和缺乏激励而效果有限。他提到有团队坚持三五人的小 pod,end-to-end 自己 own 整件事3。对兼职团队,这提示少设交接环节,让一个人从需求到交付负责到底,减少 context 分散带来的配合成本。这是 AI 的综合,具体怎么分工仍取决于你们的客户类型。
材料只提供了 PuppyGraph、Indigo 分享和立正关于小团队提效的片段,没有专门讨论“科研型多人兼职数据公司”的完整打法;以上是把这些判断迁移到你的情境,具体客户类型和团队能力未提供,无法进一步细化。
出处
- 1学术界火了十年的Graph数据库,为什么等到 AI 才开始落地?|向量数据库为什么是死胡同?|纯技术创业有多爽?
提供 outbound 失败、转 inbound 与技术博客获客的具体经验。
- 2Agent 时代的投资与生存法则|Indigo 西雅图线下分享 Notes & Insights
提出工程师同时服务多家中小企业的“IT 家政”结构。
- 3课代表立正:AI 课卖 2000 刀,偏偏坚持古法手搓
说明小公司提效明显、小 pod end-to-end 的组织方式。
追问2026年11月16日
AI 数据公司的打法
现有材料没有直接讨论“AI 数据公司”的商业模式,只能从立正对 AI 时代组织与个人打法的判断中提炼出可迁移的方向:竞争重点从执行转向设计系统、建立评估和用实验验证。
材料谈的是组织与个人转型,不是数据公司战略
立正在《AI时代,大厂打工人的五条路》里主张,执行成本下降后,真正的竞争不在用哪个工具,而在谁能重新设计 context、激励、评估、接口和小团队协作1。他把有价值的角色描述为“设计整个系统如何用 AI 把结果做出来”,而不是亲手写代码或搭 dashboard1。这可以解释为什么 AI 数据公司的打法重心可能不在堆人力做标注或报表,而在设计数据如何进入模型、如何评估输出、哪些环节自动化、哪些保留人工1。但这是 AI 基于该文的推演,原文并未直接谈数据公司的收入结构、客户或竞争壁垒。
实验和数据是判断依据,不是专家意见
AI推演立正在一期视频里说,人的因果推断大部分是错的,实验是获得知识最可靠的途径;有数据就谈数据,只有意见时才听意见2。他还说,多少个专家来说一件事,都不如一个 data 重要2。对数据公司而言,这提示其产品价值可能在于帮客户产出可验证的结果,而不只是提供更多数据或更漂亮的报告;这是 AI 的应用推演,不是原文对数据公司的直接建议2。
可靠交付靠评估和迭代,不靠一次性输出
AI推演立正在《AI产品的六个层次》里把 L5 AI Builder 的核心能力列为三项:Context Engineering、Evaluation 和迭代思维3。他强调没有 evaluation 就没有可靠性,AI 的价值在于能否稳定嵌入真实工作流程,而不是生成一个 demo3。若把这一点用于数据公司,可观察的反馈是:客户能否看到明确的评估标准、失败案例记录和持续迭代,而不只是交付一批数据3。这仍是 AI 的综合应用,原文讨论的是 AI 产品能力层次,不是数据公司的经营打法。
提供的片段没有直接讨论 AI 数据公司的商业模式、客户结构或竞争策略;以上是从立正关于组织转型、实验和 AI 产品能力的判断中作的有条件推演,不能当作他对该行业的直接结论。
出处
- 1AI时代,大厂打工人的五条路
说明执行成本下降后竞争转向系统设计与组织重写,是提炼打法的核心依据。
- 2看懂OpenAI的“指数级领先”|原标题:我为什么没有加入一家AI公司?
说明实验和数据在判断中的优先地位,支持“可验证结果”这一方向。
- 3AI产品的六个层次
给出可靠 AI 工作流所需的 context、评估和迭代能力,可用于推演数据公司的交付标准。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。