KeyFrame內部研究專用

The ONLY 7 Ways to Make Money with AI in 2026

Ishan Sharma·6月23日週二·15 min英文

三句話摘要

2026年利用Claude等AI工具賺錢的7個實戰方法與機會 2026年AI賺錢的核心是創造真實價值而非販賣課程,透過建立個人品牌在高客單價的諮詢和企業部署中獲得最大收益。 真實價值創造優於課程銷售。講者強調大多數"賺錢秘訣"影片只是推銷課程,真正賺錢的人是透過AI創造實際價值——如為企業構建語音代理、提供諮詢培訓、開發應用。這反映出市場更看重解決實際問題的能力。

重點整理

重點
  • 1

    真實價值創造優於課程銷售。講者強調大多數"賺錢秘訣"影片只是推銷課程,真正賺錢的人是透過AI創造實際價值——如為企業構建語音代理、提供諮詢培訓、開發應用。這反映出市場更看重解決實際問題的能力。

  • 2

    平臺規模化是高收入的基礎。語音代理可同時服務無限使用者,內容賬號可日產多個影片,AI應用可自動化內容生成。這些方法共同的優勢是人力投入有限但收益可無限擴充套件,因此是被動收入的關鍵。

  • 3

    個人品牌與信任決定價值天花板。無論是與創始人合作、提供諮詢還是部署企業工作流,所有高價值機會都基於信任。講者自己為摩根大通、可口可樂等大企業服務的例子印證了這一點——建立個人影響力是獲得高價值客戶的前提。

  • 4

    垂直聚焦優於廣泛覆蓋。與其做通用內容,不如選擇特定領域(程式設計、健身、烹飪)深度開發。垂直內容更容易建立權威性,轉化率更高,使用者也更有價值。

實用技巧與重點

乾貨
  • 方法一:LinkedIn文案寫手
  • 月費:500-800美元
  • 流程:每週30分鐘通話→瞭解創始人業務→使用Claude生成文案
  • 效果衡量:5-10個帖子後每篇獲100+贊即可開始收費
  • 工具:Claude、Cron Co-work定時任務
  • 方法二:AI網紅影片賬號
  • 日產:3-4個影片片段
  • 月產:100篇內容
  • 工具:Runway、Google Flow Studio V3、Seed Dance
  • 教程售價:200-500盧比
  • 案例:程式設計面試清單PDF售價500盧比
  • 方法三:語音代理構建
  • 應用場景:客戶支援、潛在客戶驗證
  • 擴充套件能力:支援同時10人或100人通話
  • 技術基礎:基於API構建
  • 方法四:AI諮詢培訓
  • 價格:25000美元/日(一天研討會)
  • 講者服務客戶:可口可樂、惠普、聯想、英特爾
  • 行業資料:AI諮詢類查詢佔所有AI查詢的30%
  • 方法五:AI工作流部署
  • 整合平臺:HubSpot、Slack、Notion、Zoho
  • 應用領域:營銷自動化、銷售、招聘、開票、消費稅核對
  • 開發工具:LangChain
  • 方法六:ElevenLabs聲音出租
  • 模式:上傳聲音→他人使用時獲收入分成
  • 案例人物:Priyam Raj(在推特分享收入)
  • 方法七:AI生成UGC廣告
  • 傳統UGC成本:200-500美元/個
  • AI生成定價:30-50美元或80美元/個
  • 規模效益:月產100個影片月賺數千美元
  • 方法八:AI應用開發
  • 工具:Replit、Loveable
  • 案例領域:健康應用
  • 功能:卡路里記錄、膳食計劃生成、健身規劃
  • 其他工具
  • Miro:工作空間和流程管理,支援AI生成內容(標題、縮圖、LinkedIn版本等)
  • Claude:核心AI工具
  • 對標平臺:ChatGPT、Gemini

結論

結論

2026年AI賺錢的核心是創造真實價值而非販賣課程,透過建立個人品牌在高客單價的諮詢和企業部署中獲得最大收益。

完整解析

詳細

講者開篇直言:大多數教人如何用AI賺錢的影片都是騙局,真正的賺錢方法需要付出真實努力、學習技能和深度研究。但確實存在7種基於實際價值創造的機會。

最容易上手的方法是為創始人代筆LinkedIn內容。透過建立Claude提示詞庫,每週與創始人溝通30分鐘,瞭解其業務核心功能,然後將這些資訊輸入Claude生成高質量文案。創始人銷售是當今最有效的銷售方式,創始人明白這一點且願意月付500-800美元。初期可免費建立5-10個帖子,一旦每篇帖子穩定獲得100+贊,就可以開始收費。講者建議使用Cron Co-work設定定時任務,研究創始人所在領域的新聞,結合創始人故事生成獨特內容。

第二個方向是打造AI網紅賬號,選擇特定垂直領域(如程式設計、烹飪、盆景)建立短影片。利用Runway、Google Flow Studio V3等工具,每天生成3-4個影片,一個月累積100+內容。這些影片在Instagram和TikTok上容易走紅,因為看起來真實原創。關鍵是在個人簡介放置購買連結,銷售200-500盧比的PDF教程,如面試清單、入門指南等。如果賬號表現好,收入可能達數百萬;表現不理想也是寶貴的學習機會。

第三個大機會是為企業構建AI語音代理。許多企業在客戶支援、銷售驗證、運營任務上花費巨資,這些都可透過語音AI替代或加速。基於API的語音代理可無限擴充套件——同時服務10人或100人都不成問題,這是當今最大的機會。

此機會引向AI諮詢業。講者提到有顧問向摩根大通等金融公司提供諮詢,一場日間研討會收費25000美元。講者本人曾為可口可樂、惠普、聯想、英特爾等企業舉辦AI培訓研討會。企業部署需要系統思維:先詢問企業每天執行的具體操作,識別可AI自動化的環節,使用LangChain等工具開發代理,整合HubSpot、Slack、Notion、Zoho等系統。應用場景包括營銷、銷售、招聘、開票等。講者使用Miro等工作空間管理創意流程。

被動收益包括在ElevenLabs上傳聲音,每當他人使用該聲音生成音訊時獲收入分成。最後,AI生成的UGC廣告提供批次創收機會。傳統UGC成本200-500美元,但AI生成的極其逼真的廣告可30-80美元出售給品牌,月產100個可賺數千美元。講者強調所有機會的成功基礎是信任和個人品牌。最後提到,人們每天向AI諮詢各類建議佔所有查詢30%,這為開發垂直AI應用開啟空間——如專注健康的應用可生成膳食計劃、健身規劃,使用Replit或Loveable開發,所有內容由AI生成,面向特定使用者提供訂閱付費服務。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。