14 天做产品、6 周 20 万美元年化、4 个月破 100 万——这组数字看起来像标题党，但拆开看你会发现真正的引擎不是 AI，而是"先人工交付结果再做产品"和"公开开发"这两个老动作。AI 只是把开发周期从几个月压到了两周，做出什么、卖给谁，早就想清楚了。

一、两个人的 14 天冲刺

2025 年，John Hu 和合伙人 Vitalii Dodonov 跑到伦敦租了一间公寓，给自己 14 天做一个 AI 产品。两人的背景互补：John 之前在高盛做投行，2020 年进斯坦福读 MBA 后退学创业；Vitalii 自学编程出身，做过德勤数据科学家和 eBay 高级工程师。他们此前已经做出 Stan Store——帮创作者卖课程、数字产品和咨询的平台。这次的新产品叫 Stanley：帮 LinkedIn 创作者想选题、分析历史内容，再按创作者自己的表达方式写帖子。2025 年 6 月上线后，6 周做到 20 万美元年化经常性收入，10 月突破 100 万美元；后来又上线 Instagram 版本，两版合计约 300 万美元 ARR。

二、第二天就开始砍需求

两人最初想做"面向创作者的 AI Agent"，但和 14 天的小目标匹配不上。于是第二天开始砍：先砍平台——不做 Instagram、TikTok、YouTube，只做 LinkedIn；再砍内容形式——不做图片视频，只处理文字帖子；最后砍用户——第一批客户锁定已有 2000 名以上关注者的 LinkedIn 创作者。理由简单：这群人已经知道内容有价值、已经在写内容，他们的问题不是"要不要做内容"，而是今天写什么、怎么保持稳定发布、怎么写得像自己。两人本身也是 LinkedIn 创作者，而 Stan Store 已服务超过 7 万名创作者——团队早就发现：Stan Store 能帮创作者卖产品，但卖产品之前，创作者必须先有观众。所以 Stanley 是从已有客户的问题往前走了一步：卖东西之前，先帮你把人吸引过来。

三、产品没做出来，创始人先假装自己就是 Stanley

正式开发之前，John 没有先写产品，而是人工模拟 Stanley：找一个潜在客户，看对方以前发过什么、哪些内容表现好，人工想出几个选题，然后发邮件问：这些选题对你有没有用？会不会想继续使用？愿不愿意付费？他把这种方法称为躲在幕后的"魔术师"——产品不存在，创始人先人工完成产品应该做的工作。这一步解决了今天做 AI 产品最现实的问题：用 Cursor、Claude 做出产品的技术门槛已经很低，但需求判断没有变简单——你可以三天做一个 AI 销售、五天做一个 AI 营销助手，问题是用户到底需不需要？Stanley 的答案是先交付结果，再决定要不要做产品：如果人工给出的选题都没人想看，这产品就没必要做。用户反馈最集中的问题也直接塑造了产品——"我不知道下一篇应该写什么"。

四、第三天就撞墙：像一个更差的 ChatGPT

开发第一天，Vitalii 用自然语言配合 Cursor 写后端——整个 Stanley 第一版后台，他没有手写一行代码。第二天已经能抓取用户历史帖子、搭起基础 Agent；第三天原型可用，然后问题来了：Stanley 给的建议是"分享你的创业经历""讲一个个人故事"——听上去没错，但完全没用。用户测试直接反馈：像一个更差的 ChatGPT。团队开始改：不能告诉创作者"分享一个创业经验"，而要结合历史内容、个人经历和账号数据，直接给出"写一篇 Stan 怎么从 0 做到 1000 万美元的具体复盘"这种可以直接动手的选题。第六天又发现新问题：只学习用户以前的帖子，AI 会不断重复过去说过的话——以前写创业就永远推创业选题，形成内容循环。于是产品逻辑再改：不光学语气，还要分析哪些内容表现更好、你的经历里还有哪些没写、同行最近什么内容表现好、哪些主题相关但可以往前一步。Stanley 从一个 AI 写手，变成了一个内容分析工具。现在的产品会分析历史内容、识别表达特点、优化开头结构、寻找高表现模式，并通过每周邮件提供数据分析和选题建议，LinkedIn 版定价每月 149 美元。它卖的不是"生成文字"，而是根据你内容的历史数据，直接告诉你下一篇写什么。

五、第五天就开始获客：把产品结果免费寄出去

产品还没完成，获客已经开始了。他们先选了 5 位 LinkedIn 大创作者（包括 Justin Welsh、Lara Acosta 和 Steven Bartlett），分析历史帖子、生成非常具体的内容分析，直接发给本人——不是"我们做了个 AI 工具要不要试试"，而是"我们分析了你的内容，这几篇表现最好，可能是这些原因，接下来还有哪些题值得写"。等于先把产品的一部分结果免费交付。之后扩大到约 200 名创作者：先看账号、自动生成个性化选题、再写邮件"这是根据你的账号找到的内容机会，想把其中一个直接写成帖子，可以继续用 Stanley"。他们没有用营销文案卖 AI，而是直接让产品完成一次服务——对方看完选题点进来，说明结果有价值；没人点，就说明 Stanley 给的内容不够好。获客动作同时也是产品测试：产品负责找客户，客户的点击反过来验证产品。

六、14 天里的关键节点

第 5 天第一批创作者测试，结果很差（内容僵硬、太像 ChatGPT）；第 6 天改产品核心逻辑；第 7 天 100 人进入 Alpha 等候名单、10 人实际使用、完成超 10 次用户访谈；第 9 天提示词加太多要求（友好、专业、数据驱动、口语化）互相冲突，产品反而坏了，干脆重做 Agent 并从 ChatGPT 切到 Claude，删掉冲突指令只留核心任务；第 10 天处理"等待 20 秒不知道是思考还是卡死"的问题——没时间优化后端，就改前端：加载时不只显示圆点，而是告诉用户"正在读取你的历史帖子、正在分析数据、正在寻找内容模式"；第 12 天直接观察用户使用——有人单次使用超 45 分钟，有人直接把结果复制到 LinkedIn，有人周末主动回来。团队把这些行为当最重要的产品信号：用户有没有拿走结果，以及没人提醒时他会不会自己回来。14 天结束时，Stanley 收到超 500 份测试申请、200 多名付费用户，发布帖获得超 2000 条评论。

七、增长引擎：公开开发

从到伦敦第一天起，两人就持续公开记录这 14 天：今天做了什么、产品哪里坏了、用户骂了什么、改了什么，全过程发到社交平台和 YouTube。所以第 14 天上线时并不是一个突然出现的新产品——已经有人连续看了两周：有人在等结果、有人申请测试、有人提过意见。官方复盘称 Stanley 没有依靠付费广告做到 100 万美元以上年化收入，增长主要来自公开开发、早期用户反馈，以及成功用户继续分享产品形成的自然传播；早期测试用户有人反馈互动量翻倍、内容制作时间减少一半。

但必须强调：Stanley 不是"14 天从零创业"。做它之前，Stan 已是约 3000 万美元年化收入的公司、拥有超过 7 万名创作者用户，John 自己长期公开分享创业过程。他们真正拥有的是三样东西：非常熟悉的一群客户、已经存在的分发渠道、一个长期积累的客户问题。AI 只是把开发周期从几个月压到 14 天。回头看路径很短，但逻辑不是 14 天形成的——先有 Stan Store 服务数万创作者，先发现"创作者难在稳定找到好选题"，再拆解出普通 AI 不知道这个人写过什么、什么内容对他有效，最后把问题收窄到：根据一个创作者自己的内容和数据，帮他找到下一篇值得写的东西。现在做产品越来越快，也正因为快，做什么，比怎么做更重要了——过去一个团队花半年把错误产品做出来，今天 14 天就够。

我的总结：这个案例的两个动作都可以直接抄——"人工先做一遍产品该做的事"治需求幻觉，"公开记录过程"让发布日变成收获日。它母公司的故事在帮创作者开店的 Stan Store里；"第二款产品选在客户旅程的下一段路"这个方法论，可以对照Taras 的一人双产品一起看。