所有人都在蓋 AI，但 AI 蓋好之後炸出來的坑，反而沒人在補。

Greg Isenberg 在 2026 年七月底丟了一份清單，一口氣列了 26 個創業方向。攤開細看，很少有一條是在講「把 AI 做得更好」。大多數在收 AI 的爛攤子——孤獨、倦怠、判斷力不夠用、真假分不清。但夾在裡面有八九條根本跟 AI 無關：牙醫診所的爛軟體、龍蝦漁夫的管理工具、好幾千萬個在照顧父母的家庭——缺口一直都在，AI 只是把進場成本壓到終於有人想補。

Mogu OS：

編號到 26 的清單通常沒什麼好期待的，看兩條就知道是拿去餵演算法的。這份不太一樣的地方在於，它幾乎每一條都附了一句「為什麼是現在」——agent 拿到預算了、deepfake（用 AI 偽造的仿真影音）已經在跑了、95% 的公司還停在 ChatGPT。有沒有道理另說，但至少每一條都咬得到現實 (⁠¬⁠‿⁠¬⁠)

人類反撲：孤獨、倦怠、靈性飢渴

AI 把效率推到極限，結果副作用全部打在人身上。

孤獨經濟是第一個裂開的縫。AI 填滿了螢幕上的每一個角落，但人對「真的跟另一個人面對面」的渴望不減反增——小型社交、線下聚會、真實連結。

同樣的邏輯延伸到實體世界的回歸。螢幕上灌滿了 AI 生成的內容，人開始往反方向跑：手作的、在地的、類比的。「螢幕都是 slop」——AI 批量灌出的低品質填充內容——這句話從迷因變成了消費趨勢。

然後是倦怠經濟。每個人都被期待永遠在線、永遠在最佳化。AI 工具讓產出天花板拉高了，但人的精力沒跟著變多。對休息、對「夠了」、對慢下來的反彈正在累積，而還沒有人把這股反彈做成產品。

最深層的是靈性飢渴。傳統機構（教會、社區組織、甚至大學）正在掏空，但人對意義、儀式、歸屬感的需求不會跟著消失。這股需求正在爆發成全新的形式——可能不叫宗教，但功能上一模一樣。

Mogu 補個刀：

這四條綁在一起看特別有意思：AI 愈強 → 效率愈高 → 人愈累 → 愈想逃離螢幕 → 愈需要真實連結和意義感。這不是反 AI，這是 AI 的必然副產品。最諷刺的是，解決這些問題的創業公司大概也得用 AI 來建——用 AI 幫人逃離 AI，很禪 ┐⁠(⁠￣⁠ヘ⁠￣⁠)⁠┌

Agent 經濟的基礎建設：刷卡、接電話、雇用彼此

Agent 不再只是聊天機器人，它們開始需要花錢了。

虛擬信用卡、預算上限、消費控管、詐騙防護、收據管理——這整套金融基礎建設，人類用了幾十年才建完，現在得替 agent 再蓋一次。Agent 拿到預算的那一刻，「誰來管它怎麼花」就變成一門生意。

往下推一層更瘋狂：agent 開始雇用 agent。一個影子經濟正在成形。當 agent A 委託 agent B 完成某件事，中間需要第三方託管、信譽系統、爭議仲裁——全部都是給機器用的。

最落地的一條是接電話的 agent。每一家本地商家過了下午五點就漏接電話，一個能接電話、報價、排時間的語音 agent，粗估每個月值幾千美元。這條現在就能賣。

Mogu 認真說：

聽起來像科幻，但 agent 雇用 agent 的邏輯就是人類外包經濟的鏡像版。Agent 需要刷卡、需要信譽、需要仲裁——仔細想想，這就是替一個「非人類的勞動力」建立整套社會契約。人類花了幾百年搞出勞動法、銀行帳戶、信用評等。Agent 版本大概需要幾年，但商機在「前幾年」最肥，因為什麼都還沒建好。

判斷力危機：AI 產出太多，真假分不清

打開任何一個 AI 工具，按下去，二十秒後拿到十個版本的文案。問題來了：哪一個能用？

每個人現在都能生出無限草稿、無限設計、無限文案。瓶頸從「做出來」移到了「挑出好的」。真正的咽喉點是那層篩選、排序、決定的東西——判斷層。

判斷力危機的另一面是真人驗證。Deepfake——用 AI 生成的仿真影音——把信任打碎了。每一個交友 App、每一個交易平台、每一通視訊會議，照這個趨勢走，兩年內大概都需要某種「證明這是真人」的機制。驗證並非從零開始——C2PA 和 SynthID 這類數位內容溯源標準已經在鋪路，但離大規模普及還有一段距離。

再往上推一層就是反 AI 溢價。當所有東西都能被 AI 生成，「人做的」和「類比的」反而變成身分象徵。手工皮件、手寫字、人類畫的插圖——消費者願意為「不是 AI」多付錢。

Mogu 歪樓一下：

判斷層這條，gu-log 已經在跑了——每篇文章生出來之後要過四個法官（Vibe / Fact Checker / Librarian / Fresh Eyes），各自從不同角度砍一輪，SD-10 有完整拆解。實際跑下來最反直覺的一件事：判斷層最貴的不是「挑出好的」，是先定義什麼叫好。四個法官會吵架，吵完才知道標準原來從來沒寫清楚過。所以想做判斷層生意的，真正要賣的不是排序演算法，是那份標準 (⁠๑⁠•⁠̀⁠ㅂ⁠•⁠́⁠)⁠و⁠✧

Mogu 插嘴：

「反 AI 溢價」這條已經在發生了。看看 Etsy 上標榜「100% human-made」的賣家，或是音樂圈開始出現「no AI」標章。邏輯跟有機食品一模一樣：當工業化成為預設，非工業化就變成溢價。但諷刺的是，怎麼「證明」一個東西不是 AI 做的？數位內容溯源正在試著解這題，但目前為止最常見的答案大概還是「靠 AI 來驗證」。到處都是套娃 (⁠╯⁠°⁠□⁠°⁠)⁠╯

舊世界翻新：2011 年的軟體、被拋棄的 App、沒人理的小市場

打電話給社區管委會問報修進度，對方在電話那頭翻紙本。牙醫診所、水電工、裝潢師傅也差不多——管理軟體停在 2011 年，全部都欠一次 AI 原生的重寫。

復活被拋棄的軟體是最反直覺的一條。一個專案管理工具，五千個活躍使用者，三人團隊撐不住收攤了——App 還能用，使用者還在登入，但 bug 堆積、沒人修。以前要復活這種產品得再養一組工程團隊，成本太高所以就這樣死在路邊。現在翻盤的是 agent 的維運成本：bug 分類、patch 部署、客服回覆，以前需要人頭的環節可以用極低成本接手。粗估有幾千個這種被拋棄但有真實使用者的 App，每一個突然都變成值得低價收購的標的。

然後是以前小到不值得做的市場。五百個龍蝦漁夫需要管船、管捕獲量、管法規申報——以前絕對不值得一個團隊去開發專用工具。現在一個人加上 AI 工具，一個週末就能搞定，而且利潤是真的。「太小」的門檻正在被重新定義。

AI 導入本身也是一條巨大的縫。絕大多數企業的 AI 導入深度還停在最表面，連第一個完整流程都還沒跑完。難題在教育和陪跑：有人願意坐在旁邊陪他們把第一個流程跑完。

Mogu 插嘴：

到處流傳的「九成五」嚴格來說指的是 GenAI 導入試驗沒走到正式上線，跟「只用 ChatGPT 聊天」不完全是同一件事。但方向大致沒錯——差距不在有沒有帳號，在有沒有把 AI 接進任何一條日常流程。帳號人人都開了，真正有在用的大概還是那 5% (⁠⌐⁠■⁠_⁠■⁠)

取代所有人都討厭的代理商：企業每個月付一千美元給一間自己也討厭的代理商，一個能做到八成效果的 agent 直接砍掉這個商業模式。技術工種與硬體也同理——水電、木工、空調這些手藝活，加上機器人，AI 的能力正在延伸到實體操作，改造才剛開始。

Mogu 溫馨提示：

「已驗證的使用者基底 + agent 維運」——這個組合搞不好會變成一種新的投資標的。以前收購 App 看的是團隊和技術債；以後看的是活躍使用者數和 agent 維運成本。App 二手市場，聽起來荒謬，但垃圾回收是門好生意 (⁠ง⁠ ⁠•⁠̀⁠_⁠•⁠́⁠)⁠ง

商業模式重構：席次計價正在崩解

一個帳號一個月五十美元——席次計價曾經是 SaaS 的黃金公式。一家兩百人的公司每個月付一萬美元，帳算得清清楚楚。但當一個 agent 能接手十個人的工作，老闆看著帳單會問一個要命的問題：為什麼還要付兩百人的錢？按成果計價正在取而代之——買的不是帳號，是做完的事。誰先把按成果計費做對，很可能贏下一整個類別。

另一個結構性轉移是通路優先。任何人都能用 AI 做出產品了，所以產品本身不再是護城河。擁有受眾才是。先建媒體、先建社群、先有分發管道，再往裡面塞產品——這個順序倒過來了。

還有一條容易被忽略：LLM 搜尋的卡位戰。當使用者開始用 LLM 搜尋取代 Google，「被 LLM 引用」就是新的 SEO。怎麼讓 AI 在回答問題時引用到自家內容，這門學問正在成形。

Mogu 真心話：

席次計價的崩解已經不是理論了——看看 Intercom 跟 Zendesk 開始推「按解決的工單收費」就知道風向。但「按成果計費」有一個大魔王：怎麼定義「成果」？一封行銷郵件的「成果」是寄出去、被打開、還是帶來營收？定義不好就是無限爭議。先解決定義問題的人，才真的吃到這波。

人口結構板塊移動：老化、照護、長壽、無根

一個四十歲的上班族，白天上班、晚上去父母家換藥、餵飯、處理保險文件、跟醫院吵帳單，週末帶老人家回診。好幾千萬人同時在過這種生活，重擔全落在毫無支援的家庭身上——沒有系統、沒有工具、只有零散的通訊群組和試算表。照護經濟是所有人口趨勢裡最重、最不性感、也最缺人做的一條。

照護的上游是老化本身。光美國就有七千萬上下的嬰兒潮世代想維持健康、保持敏銳、不跟世界脫節——有錢、有時間，而且真的會付。更往前看是長壽經濟：不只想活到一百歲，要活到一百歲還很健康——血液檢測、基因定序、生活方式教練，整條產業鏈才剛開始成形。

另一頭是居住危機。買不起房、定不下來——「穩定的家」這三個字跟上一代的意思已經不一樣了。

Mogu 插嘴：

美國那邊七千萬量級已經夠嚇人了，但台灣的人口結構更猛——2025 年就進入超高齡社會（65 歲以上超過 20%），照護和長壽的需求只會更急迫。但台灣的創業圈好像還是把注意力放在 AI 工具和 SaaS 上，照護科技這塊的能量相對小。也許是因為照護太重、太不性感、太難規模化？但正因為難，做出來的護城河就深。

重新定義工作與教育

一個律師助理花了三年學會怎麼整理案件卷宗，AI 三分鐘做完。不是失業——案件數量反而增加了——但「律師助理」這三個字的意義一夕之間不一樣了。分析師、行銷人員也在同一條船上：工作還在，但工作內容正在從執行移向判斷。怎麼快速重新學技能，這件事本身就是一門生意。

再往上游問：如果 AI 能做分析、做簡報、做策略草案，MBA 到底還在賣什麼？商學院的根基正在動搖，但新的替代方案還沒出現。

然後是最大的問題：如果 AI 把雜事都做完了，人類拿多出來的時間要幹嘛？

Mogu 溫馨提示：

最後那個問題其實一百年前就有人問過。經濟學家 Keynes 1930 年在〈我們後代的經濟前景〉那篇文章裡預測，到 2030 年人類一週只需要工作 15 小時。結果完全猜錯——不是因為生產力不夠，是因為人類發明了新的「必要工作」來填滿時間。這次 AI 會不會打破這個循環？還是人類又會發明新的忙碌？賭注很大。

結語

二十六條列完，每一條都咬得到現實。收到最後，就兩個字：KEEP BUILDING。

Mogu 忍不住說：

清單列到第 21 條的時候，中間插了一句「更多趨勢在 @ideabrowser，免費註冊」——寫了 21 條免費的，就為了那一行。這招用得很漂亮，不酸他。

這份清單真正值得偷走的是提問方式：不去問「AI 能做什麼」，而是問「AI 做完之後，世界缺了什麼」，然後再問一次「那些一直缺、只是以前補不起的呢」。這兩個問題可以套在任何一年、任何一個技術上。

另外有個藏得很好的推論：如果最大的機會都在補 AI 的洞、或補那些 AI 只是剛好讓它變便宜的洞，那下一批最賺錢的公司搞不好根本不會自稱「AI 公司」。它們只會是「照護公司」「接電話的公司」「賣手工皮件的公司」，只是後面接了一根 agent。