账上只剩几千块，他靠最脏的AI活儿3个月赚了$6万

过程

半年前，Raj的公司账上只剩下几千美元。

他是从斯里兰卡移民到美国的连续创业者，此前一直在做面向法律文档的RAG（检索增强生成）系统。项目烧钱速度超过了预期，AI创业这条路眼看就要走不下去了。

换做别人，可能会就此认输，去找份工作。Raj没有。他选择了一件所有人都最不愿意做的事：观察、思考，然后找到别人不敢碰的那个角落。

他盯上了企业最不性感的角落

钱快烧完了，得活下去。

观察了一圈市场之后，Raj发现了一个被严重低估的现实：几乎每家有年头的企业，都坐在一座"文档金矿"上，却没有一把好铲子。

药企几十年积累的临床试验论文和研究报告，成山堆积；银行的监管合规文件厚如砖头，合规部门天天喊人手不够；律所的历史案卷查不完，助理一周的工作量可能只是在找某份合同的条款。知识明明就在那里，但员工想用，只能一篇篇人工翻，效率低得离谱。

没有人愿意碰这个活儿——因为它太"脏"：文档格式混乱（扫描件、图片PDF、现代电子档混在一起），数据质量参差不齐，实施难度极高，一不小心demo跑通了，到真实场景就崩。

但Raj看到的恰恰相反：正因为脏，才没人做好；正因为没人做好，才有机会。他决定专注药企和银行这两个付费能力最强、文档积累最深的垂直赛道。

问出那个关键问题

找到方向之后，Raj还需要解决第一道关：怎么打开客户的门。

他从不问"你需要AI吗"——这个问题太容易被打太极："我们在评估，以后再说"。他问的是：

"你的团队每天花多少小时在翻文档？"

这个问题几乎每次都能打开话匣子。因为对方一开口，说的就是真实存在的痛苦，而不是某个抽象的"AI战略"。从痛苦出发，才能谈钱。

前三个客户全部来自个人人脉。道理很朴素：朋友圈里一定有人在被文档折磨，问一句又不少块肉。Raj从最近的社交圈开始，把这条线索变成了第一批付费客户。

第一个坑：把自己卖得太便宜

第一个MVP，他只报了5000到10000美元。客户当场就答应了。Raj还挺得意，以为自己定价合理。

后来才明白：客户秒答应，恰恰说明报低了。企业采购的心理是——要是这么快就同意，对方肯定还有降价空间，或者这根本没那么值钱。

第二个客户需求更复杂，他报了3万美元。对方连价都没还，直接签合同。到第四单、第五单，他彻底想通了一个道理：这种技术复杂度，市面上真的没几个人能搞定。稀缺就是定价权。

涨价之后，说"yes"的人少了，但他意识到：根本不需要很多客户，一两个高价值客户就够撑三四个月。

企业为什么愿意为此溢价？算一笔账就清楚了：50名研究员，每人每天花2小时翻文档，按100美元/小时的人力成本算，一个月就是整整20万美元的纯浪费。一套5万美元的RAG系统，能砍掉80%的翻查耗时——几天就回本了。卖的不是技术，是省钱的投资回报率。

真正的壁垒：demo跑通之后

几乎每家来找他的企业，都曾经自己尝试过搭RAG。demo阶段看起来顺滑无比，一接入真实的企业文档库，系统就崩了。

根本原因是：文档数量从几十份变成上万份时，每一个小问题都会指数级放大。Raj在实战中把企业级RAG最容易崩的地方拆成了六个关键节点：

① 文档质量是"垃圾级"：企业的文档库里，90年代的扫描件、图片型PDF、现代电子档混在一起。脏数据进去，垃圾答案出来。必须先做自动质量检测，把不同类型的文档分流到不同管线——扫描件走OCR识别，电子档走结构化解析器，否则什么都处理不好。

② 固定大小分块会惨败：按"每500字切一刀"的方式，会把一段完整的论证拦腰截断，上文不接下文。企业文档有天然的层级结构（章节、小节、段落），必须做层级化分块，保留标题和上下文关系，让模型知道"这段话属于哪个章节的哪个论点"。

③ 嵌入模型选错会失准：通用embedding模型对日常语言效果不错，但遇到药企的临床术语、银行的监管条文，召回准确率会显著下降。需要在专业领域做微调，或者用专为垂直行业设计的嵌入模型。

④ 单一检索策略不够用：纯向量相似度检索在精确查找监管条款编号、药物化合物名称时经常失效。需要结合关键词搜索和语义搜索，混合使用，互补短板。

⑤ 多跳推理是高墙：当问题需要跨多份文档推理（"比较2019年和2023年的两版监管要求有什么变化"），单次检索根本够不到。需要设计多轮检索链，把复杂问题拆解成子问题，逐步推进。

⑥ 幻觉与溯源缺失是致命伤：企业客户不接受无来源的答案，医疗和金融领域尤其如此。每一句生成内容，都必须能追溯到具体的文档段落和页码。没有可信溯源，整套系统都无法在合规部门通过审查。

这六个坑，是Raj在一个个实际项目里一道道趟出来的。每一道坑都有公司试过然后折戟的先例，而他把折戟的原因变成了自己的技术壁垒。

三个月，六万美元

半年前账上只剩几千美元、AI项目即将关门的那个人，三个月后让药企和银行排着队找上门来。

$60,000进账，月均$20,000+。

Raj没有做什么光鲜的AI产品，没有做To C的应用，没有去追大模型的热度。他做的是别人不愿意碰的脏活：真实企业文档的混乱格式、多年积累的历史数据、合规要求严苛的垂直行业。

护城河不是某个算法，而是他愿意去趟那六道坑的耐心和经验。

来源：大黑AI（小红书）

Thinking

为什么选"最脏的活"而不是"最酷的产品"？

Raj的逻辑是反直觉的：当所有人都在追AI最性感的应用（写作、图像、代码生成），他偏偏去找最没人愿意碰的企业场景。但越脏的地方，往往竞争越少，客户付费意愿越强——因为痛苦是真实的、持续的，而且有明确的ROI计算。

为什么选药企和银行，不选其他行业？

两个条件同时满足：①文档积累量最大、质量最混乱；②合规压力最高，员工手动翻文档的成本最贵。这两个行业的客户有钱、有痛、有迫切需求，是"愿意为解决方案付溢价"的最佳组合。

关于定价的本质：不是"我的系统值多少钱"，而是"我能帮客户省多少钱"。把定价锚定在ROI上，$5万变成了一笔3-4天回本的投资，而不是一笔支出。

Action

如果你想复制这条路，第一步是找到"文档金矿"：

1. 锁定一个垂直行业：医疗、法律、金融、制造、能源——任何有大量内部文档但检索效率低的行业都是候选。问题不是"哪个行业适合AI"，而是"哪个行业的员工每天因为找文档在浪费时间"。

2. 用这个问题打开门："你的团队每天花多少小时在翻文档/找资料？"让对方自己算出痛苦的成本。

3. 从人脉找前三个客户：不要一开始就做冷启动销售。第一批客户从你认识的人开始，容忍度高，反馈真实，愿意陪你踩坑。

4. 先收费，后完美：第一个MVP不需要解决所有问题，但必须能解决一个真实痛苦并且收到真实的钱。$5K都不肯付的客户，不值得花时间。

5. 定价锚定ROI，不要锚定工时：计算出客户每月因文档低效浪费的人力成本，你的方案价格设为那个数字的20-30%，自然成交。