PMF 的含义

PMF(product market fit)这个概念最早是由硅谷顶级风投 a16z 的创始人之一 Marc Andreessen 于 2007 年在《The Only Thing That Matters》提出。其指产品与市场需求达到匹配的一种状态，即产品能够很好地满足目标市场的需求，并且市场对该产品有强烈的需求和接受度。在评估 PMF 时，以下二个指标被认为是最关键的：

用户留存率：衡量用户在初次使用产品后的一定时间内，仍然继续使用产品的比例。移动互联网产品有个经典指标叫 421，次留 40%，周留 20%，月留 10%，满足这个表示基本达标。最重要的参数是长期留存，月留存率达到 30%或以上，表明产品具有很高的用户粘性。月留存率在 20%-30%之间，表明产品较为符合用户需求。月留存率在 10%-20%，可能需要进一步优化产品功能或用户体验。月留存率低于 10%，表明产品与用户需求存在较大偏差。

用户生命周期价值（LTV）与客户获取成本（CAC）之比：LTV/CAC 比率是衡量产品盈利潜力的关键指标。一个健康的 LTV/CAC 比率通常被认为是 3:1 或更高，这意味着用户在其整个生命周期内为公司带来的总收益至少是获取该用户成本的三倍。这个比率越高，表明产品的市场适应性和盈利能力越强。

一旦 PMF 点之后，意味着就可以开始 blitzscaling，在 ROI 为正的时候过加大营销投入（投流）进行快速市场扩张。

目前基本上没有 GenAI 应用达到 PMF

2023 年，AI 的进展比大多数人想象的要慢，现在能落地能赚钱的公司大多是套壳的、擦边的、蹭的，真信 AGI，真想做 AI 的大多都在痛苦挣扎。

核心问题在于大型模型的可控性不足。在需要高精度严肃应用场景中，现有的产品还无法满足商业交付的标准。这一点从市场上缺乏达到 PMF 的 Killer App 就可见一斑：

根据 SenseTower 的数据，除了 C.ai，其他所有的 GenAI 应用月留存都没有达到及格线 10%。

相比而言，移动互联网时代 Kill App 的应用长期留存数据 Median 为 63%，比最好 C.ai 的 35%左右还好。

如果按照 ROI 角度，或者 LTV/CAC 角度去考虑，那更是早期。

有一些早期项目的例子，比如 AiPPT 上线半年单月收入达到数百万人民币，国内投流 ROI 打正；HeyGen 上线 7 个月实现 100 万美元 ARR，当前已突破 2000 万美元 ARR；捏 Ta 则是已经有了超出国内互联网时代平均水平的用户留存。

但是这些需要更长时间的验证。

PMF 在 AI 时代下适用吗？

经历疫情后的全球经济持续低迷，以及堪比第二次工业革命的 GenAI 时代的到来后，貌似过去 PMF 的方式和概念在"精准度"和"适用性"上开始大幅下降，为什么？

• 技术迭代和基建稳定性问题AI 技术正处于高速发展阶段，新的算法、模型和技术层出不穷。这种快速变化导致基于 AI 的产品和服务在短时间内可能经历重大变革，使得传统的 PMF 评估方法难以准确预测产品的长期市场表现。同时，AI 基础设施的稳定性还未完全成熟，这导致依赖这些技术的产品和服务可能面临可靠性问题。例如，AI 模型的输出可能不稳定，影响用户体验和产品性能。

• 商业要素作用点的变化在互联网时代，产品价值的实现往往依赖于高效的连接渠道和广泛的用户覆盖。而在 AI 时代，技术的核心价值更多体现在生产力的提升和决策过程的优化上。这意味着，从产品推出到实现显著的商业价值，可能需要经历更长的时间周期和更复杂的价值链路。因此，企业在评估产品市场契合度时，需要超越短期指标，考虑 AI 技术如何为产品创造长期价值。

• 数据依赖性与个性化需求AI 产品和服务的性能往往高度依赖于大量高质量数据。这要求企业在追求 PMF 时，必须考虑其数据收集、处理和分析能力。用户对个性化服务的需求也日益增长，AI 技术使企业能够提供定制化的解决方案。因此，PMF 不再只是满足一般市场需求，而是要实现对每个用户独特需求的精准匹配，这对产品开发和市场策略提出了更高要求。

• 竞争格局与护城河的演变AI 时代的竞争更加激烈，新兴企业和传统企业都在利用 AI 技术寻求市场优势。数据和算法成为新的竞争优势来源，改变了企业构建护城河的方式。例如，拥有大量用户数据的企业可以通过机器学习提供更个性化的服务，形成数据驱动的护城河。同时，技术领先可能很快被模仿，要求企业不断创新以维持 PMF。此外，监管环境的变化，如数据隐私法规，也对 PMF 的实现提出了新的挑战。

AI 时代的 PMF 是什么？

当前有很多新的 XPF 出来，包括 TPF（Technogy Product Fit），也有 MPF（Model Produt Fit）：

• TPF 强调在人工智能时代，产品经理需要考虑技术如何与产品相结合，以确保技术的特性和能力能够有效地支持产品的设计和功能。这与传统的 PMF（Product Market Fit）概念有所不同，后者侧重于产品和市场之间的适配。TPF 意味着产品经理需要具备对人工智能技术的深刻洞察力，需要深入理解技术的优势和局限性，能够识别技术适合解决哪些类型的问题，以及技术如何与用户需求相结合，从而设计出比传统应用好 10 倍的用户体验。

• MFP 强调在 AI 技术特性与产品功能之间找到匹配是创业成功的关键。即 AI 模型的技术特性与产品功能之间的契合度，这比传统 PMF 更为关键。许多 AI 产品的 Demo 视频表现出色，但实际产品却难以满足市场预期，主要是因为实际能力与演示时相比有差距。因此，创业者需要深入理解 AI 模型的能力边界，利用模型的强项并规避弱点，同时对模型的技术演进方向有前瞻性的预判。成功的 AI 产品应基于对模型能力和市场需求的深刻理解，做出明智的取舍，而不是追求满足市场所有需求的完美产品。

但是感觉上述都是比较 high level的描述，没有清晰量化的标准衡量 AI 时代的产品是否满足了 PMF。所以，AI时代的PMF到底是啥？

我想分析以下问题，试图得出 AI 时代的 PMF 的一些线索，然后在最后再尝试性的回答这个问题：

• AI 时代的应用护城河是什么？
• 哪些是 AI 应用的死亡区域？
• AI 应用的机会在哪里？
• 为了确保活下去，创业公司需要坚持哪些原则？

AI 时代的护城河是什么？

企业的护城河主要包括以下几种类型，在 AI 时代有一定的变化：

• 成本优势 企业通过扩大生产规模降低单位成本，实现规模经济，这通常与固定成本分摊和批量采购等有关，实现成本领先，从而在价格竞争中占据优势。AI 技术通过自动化和智能化降低了运营成本，形成了新的成本优势。但这种优势容易被竞争对手模仿，因此不再是长期的保障。

• 无形资产 包括品牌、专利和政府授权垄断等，这些无形资产能够为企业带来独特的市场地位和竞争优势。品牌、专利和政府授权垄断等无形资产在 AI 时代依然重要，但数据资源成为新的无形资产，对企业竞争力的影响日益增强。

• 网络效应 当产品或服务被越来越多的人使用时，其价值也随之增加，形成正向反馈循环，增强用户粘性。AI 甚至可以增强网络效应，通过分析用户数据来提供更加个性化的服务，吸引更多用户。例如，社交媒体平台使用 AI 来推荐内容，增加用户粘性。

• 转换成本 用户从一个产品或服务迁移到另一个时所需承担的成本，高转换成本可以增加用户粘性。AI 时代的个性化服务和积累的用户数据增加了用户的转换成本，使得用户更难以迁移到其他平台，例如，用户如果长期使用某个产品，并且与个性化的 AI 助手互动，就会积累大量的使用数据和个性化设置。像 Keep 这样的应用积累了大量的运动和健康数据，Notion 积累了丰富的知识内容和笔记数据，LinkedIn 积累了众多的职业关系和数据，而 Duolingo 则积累了大量的语言学习数据和用户习惯。这些数据和习惯的积累使得用户更倾向于留在现有的平台上，而不是轻易地迁移到其他竞争平台。

• 技术优势 拥有先进技术可以为企业带来创新产品和服务，保持市场竞争力。在 AI 时代，理论上科技优势护城河更加显著，但这个有点 tricky，开源快速拉平了技术差异，大家 LLM 全部用的 Transformer 框架，图片和视频基本上用的 DiT 框架，在这个情况下，技术优势反而体现的没有那么明显。

最终，我们可以看到，在 AI 时代，所有的护城河似乎都指向了一个核心——数据。数据不仅是 AI 系统的原材料，也是企业创新和个性化服务的基石。它赋予了企业独特的洞察力，增强了用户粘性，并通过持续学习不断提升性能。数据的积累还能增强网络效应，使得服务的价值随着用户参与度的提高而增加。一旦建立了数据优势，它就像滚雪球一样，越滚越大。

AI 应用的危险区域在哪里？

AI 应用最大的危险是被大模型卷死，所以一定要避免在大模型升级的主路径上，具体有哪些？

• 通用性高与附加价值低的任务：这些任务因为过于普遍和标准化，容易被大模型学习和模仿。例如，自动摘要提取、文本改写、文章生成、机器翻译、语言解释以及常规问题的回答等，在这类任务中，大模型的学习能力可以迅速复制并普及，使得原本需要专业知识的工作变得平凡无奇。想象一下，一个在线旅游平台曾经依赖人工编辑来撰写目的地的介绍和推荐，而现在，一个高级的大模型可以在几秒钟内生成吸引人的旅游指南，这不仅减少了对人工内容创作的需求，也降低了内容的独特性和个性化。

• 重复性高且规则明确的任务：数据整理、清洗、标注和可视化等任务，由于它们的重复性和规则性，很容易被自动化工具所取代。随着大模型对数据的理解能力提高，这些原本需要人工重复劳动的工作将逐渐被机器所接管。这类任务的自动化，将那些曾经需要大量人力投入的工作，转变为由机器快速、准确地完成的过程。以数据标注为例，过去，图像识别技术的训练需要人工逐一标注成千上万的图片，这是一项耗时且重复的工作。现在，大模型可以学习这些标注规则，并自动完成新数据的标注任务，大大提升了效率。

• 基础且模板化的任务：一些基础性工作，如简单图像生成、图片去噪、分辨率提升、基础数据分析、报表生成、代码片段生成、自动补全、财务报表和市场分析等，因为它们通常遵循一定的模板或规则，大模型可以通过学习这些规则来自动化这些流程。当任务遵循一定的模式或模板时，大模型可以通过学习这些模式来自动化任务的执行。以财务分析为例，传统的财务分析师可能需要花费数小时来整理和分析财务报表，而现在，利用 AI 技术，可以从大量数据中迅速提取关键指标，自动生成包含深入洞察的报告，这不仅提高了速度，也使得财务分析更加普及。

• 给大模型打补丁的任务：很多创业公司尤其是 wrapper 类产品，本质就是在对大模型的这种输出的不稳定，不专业做修复，补偿，深加工和各类未来会成为大模型组件的大拼盘。

AI 应用机会在哪里？

可以从几个角度分析这个问题，试图得出一个更全面的答案：

从 AI Native 性出发

我们先看看历史，什么是移动互联网 Native？

就要分析手机平台多了什么 PC 没有的，比如

• LBS：创新了社交、O2O、地图导航等应用；
• 触控屏：允许许用户使用手指或触控笔直接在屏幕上绘画或编辑图像。这种直观的交互方式非常适合移动设备，为用户提供了一种全新的创作体验；
• 陀螺仪：利用手机内置的陀螺仪来感应设备的倾斜和旋转，从而提供更加逼真的游戏体验；
• 移动便携性：激发了移动支付应用，如支付宝或微信支付，用户可以随时随地进行支付操作，无论是在商店购物、在线购物还是乘坐公共交通工具；
• 摄像头：创造了新社交媒体应用，如 Instagram 或 Snapchat，可以让用户随时拍照或录制视频，并进行编辑和分享；
• 计数器：创造了健康和健身应用，如 Fitbit 或 Strava，可以监测用户的运动状态，记录步数、跑步距离等数据；

...

同样，现在到 AI 这波比手机多了什么，什么是 AI Native？

我可以从两个方面思考：

• 没有大模型就做不了；
• 有了大模型至少有 10 倍体验提升；

那么，什么是没有大模型就做不了的？ 有以下几点：

1. 泛化文本对话能力，包括角色扮演、文本生成、代码生成等。在这次 AI 之前没有任何软件可以做角色扮演聊天。

2. 非监督处理文本，包括 ChatPDF 等。以前我们处理所有的文档都要先结构化，存到数据库里，然后才能搜索才能处理。但现在我不需要了，直接把文档扔给大模型即可，直接向量化就可以检索。

3. 非监督处理数据，包括 ChatBI，归因分析等。我们以前处理数据都需要清洗打标签之后才能进行数据分析，现在直接把 100 万条扔给大模型，只要大模型装得下，在这几百万条里面，总结、分析、异常它都能帮检测出来。

4. 推理能力，包括 Cot、In context learning、Planning、具身智能等。现在 AI 具备了推理能力，能做数学题、看图说话、逻辑分析、任务拆分、做出预测和决策等，这些在以前都不能想象的。

5. 知识融合，很多专家究其一生，也只能在某一个领域成为专家，做不了跨学科探索，比如，在新材料开发中，物理学、化学和工程学的结合可以创造出具有革命性性能的材料；在医药研发中，生物学、化学和 AI 的融合加速了新药的发现；你就可以把所有知识一股脑扔给大模型，让他在融合的空间探索，给出答案。

然后为什么是要强调 10 倍及以上提升？

客户使用产品是有惯性的，竞争对手是会扑进来的，你如果只有 1~2 倍的提升，客户是否愿意迁移不一定，同样这些提升优势很容易在后续激烈的竞争中消磨掉。真正新项目能够通过 enabling tech shift 来颠覆性创新持续提供更优质或难以想象的服务，这种改进必须是相对于原有体验的 10 倍，或者把曾经的使用门槛或者成本降的足够低或者免费。

想额外强调说明一点，在提高 10 倍体验的同时，最好要让成本维持不变，如果成本也提高了 10 倍，其实商业上也很难成立的。比如，现在有很多聚合搜索产品，某些场景比使用 Google 好一点点，而且偶尔会有小错误，最重要的是但是运行成本非常昂贵，商业模式挑战很大。

当然，有哪些 10 倍提高的例子？

• 我们每个人都有一个 7 * 24 小时陪伴的私人医生，而这个医生最好是最牛逼的三甲医院的医生教授；
• 我们踢球的每个人都找梅西当教练，给我们私人指导；
• 在医疗领域，AI 图像识别技术，如病理图像分析，能够帮助医生快速准确地诊断疾病，其速度和准确性远超传统方法，提高了诊断效率和准确性；
• 自动驾驶卡车可以在不需要休息的情况下连续运行，大幅减少了人力成本和运输时间；

...

如果不满足以上条件，你需要审视自己在市场生态中的位置，调整产品和模式，以寻求与生态巨头合作的机会。

从 AI 和人的关系出发

在互联网时代，如果我们按照人和数据的关转化为四个象限，分别为人找数据、人找人、数据找人、数据找数据 这四个象限概括了移动互联网最大几个机会：

• 人找数据：谷歌、百度
• 人找人：facebook、腾讯
• 数据找人：字节跳动
• 数据找数据：？

那么数据找数据是什么？貌似没有出现牛的公司，但是转念一想，大模型本质是一个海量数据的压缩，然后在高维向量里面找数据，这个不就是大模型吗？这四个象限，都伟大的公司推动世界进步。

但是这个是过去，对未来有啥启示？

进一步，再把人和 Agent 的关系画一个四象限，分别为Human Ask Agent，Agent Ask Human，Agent Ask Agent ，Agent Meeting：

• Human ask Agent：大家目前都在做这个，诞生了 character.ai, talkie 等；
• Agent Ask Human：各种 Copilot 的产品形态，个人助理、编程助理、文档助理等；诞生了什么伟大的公司？还没有；
• Agent Ask Agent：Agent 是我的个人分身，介绍、求职、相亲等基本问题，你问我的分身吧，回答不了我再回答；诞生了什么伟大的公司？还没有；
• Agent Meeting：AI Town，AI 公司，AI 医院... 这一定也有巨大的机会；

当然 Human Ask Agent 可以进一步细分，目前 Agent 有很多种类，比如名人分身、网红分身、亲人分身、IP 分身... 可以按照对于准确度要求 + 社会影响度分成四个象限，其中也会有死亡象限，比如社会影响力高的，或者历史名人，你胡说八道很容易塌方；反而没有什么社会影响力的，虚拟男友/女友会有机会，此处不展开；

换一个角度出发，AI 渗透的顺序一定是辅助人做事情（copilot），替代人做事情（Agent），做人做不到的事情（具身智能），越往后面，价值越大。

从创业者的天生优势出发

现有玩家有巨大的优势，你有没有想过，创业者同样有，需要充分的利用：

• 变换维度的切入 创造全新的市场和服务，解锁了以前不可能或者难以想象的场景，比如 Spotify 使用复杂的算法来分析用户的听歌习惯、喜好和反馈，然后根据这些数据推荐新的歌曲和艺术家。这种服务不仅增强了用户体验，也帮助用户发现新的音乐，同时也为 Spotify 带来了更多的用户参与度和市场竞争力。Spotify 的 AI 推荐系统是其成功的关键因素之一，它通过变换维度的切入，将音乐服务从简单的播放列表转变为一个动态的、个性化的音乐发现平台。

• 反应的时间差 颠覆性创新效果爆发的延时性，颠覆性的技术通常需要时间来成熟和普及，也许会以黑天鹅或者灰犀牛的方式出现在市场，尤其在巨头还因为利基市场机会过小，ROI 不够大而犹豫的时候。比如 Transformer 架构+堆参数路线，还没有证明其效果时候，由于投入大，产出不确定，大厂不愿意投入，给了 OpenAI 机会。

• 更快更敏捷 创业公司更加敏捷，更快行动，更早愿意承担风险。在速度具有更大优势的市场中运营。比如，秘塔科技原来是做 AI + 法律的 2B 公司，收入增长较慢，融资比较困难，但是转向了类 Perplexity 的搜索 2C 产品，一下就火了，成了炙手可热的公司。

• 利用商业模式上的冲突 现有企业和新兴企业在商业模式上往往存在冲突。例如，谷歌通过搜索结果竞价排名赚钱，而 ChatGPT 则通过提供最精准的结果并利用付费订阅盈利。这种模式上的差异可以成为新兴企业打破市场格局的切入点。

• 拆分现有产品中的模块 新兴企业可以通过拆分现有企业的产品模块，创建专注的细分工具，提供更加专注、更便宜和更好体验的产品。这种方法不仅能满足特定需求，还能避开巨头的直接竞争。也有可能未来通过 M&A 的方式退出，获得巨头的收购。

• 创新性的用户体验 通过提供创新性的用户体验，使底层核心技术触手可及，让用户更容易接触和使用新技术，从而增加市场接受度和忠诚度。OpenAI 利用对话模式，Mac 当年利用图形界面，Vision Pro 利用虚拟现实都是创新性的解锁。

• 寻找跨平台的机会 创业者寻找机会将不同平台的服务和产品整合起来，为用户提供无缝的跨平台体验，这个一般是大厂涉足不了的区域，也就是所谓的第三方生态位。比如针对网红不同跨平台内容管理工具。

从新的硬件平台出发

大模型创造了一个 Chat+的新的交互革命，所有行业、应用、场景都值的被 Chat+场景改造，比如 ChatGPT、ChatExcel、ChatBI、ChatCode、等等，也一定会诞生新的硬件平台。

目前比较看好的是 Chat+耳机和 Chat+眼镜 试想，你所见所闻都被大模型记住了，而且可以实时可以给跟你交互，做你的知识库、大脑、助手，能赋能多少新的场景？

再往后是具体场景的机器人，甚至具身智能场景，找机会再聊这个话题。

目前能顺利存活下来的原则纪律性？

改变“产品价值优先”远大于“商业生意闭环优先”的思维惯性

在移动互联网时代，曾经有一种广泛流传的观念，即只要产品或服务能够吸引庞大的用户群体，商业模式和成本控制似乎就成了次要问题。这种观念主张，在用户基数不断膨胀的同时，盈利模式自然会水落石出，即便长期亏损也不足为惧，关键在于维护好市场对未来的美好憧憬，保持股价的上扬，便能营造出一种皆大欢喜的景象。然而，现实情况并非如此理想化，2024 年第一季度全球针对通用人工智能（Gen AI）的早期投资数量与 2023 年第三季度相比，急剧下滑了 76%。这样的数据波动，揭示了投资者态度的转变，不再盲目追捧那些仅凭用户增长而缺乏清晰盈利途径的项目，这与谷歌、脸书、领英等在 PC 和移动互联网早期所享受的宽容环境形成了鲜明对比。那时的创业公司可以放手大胆地追求用户规模，而不急于考虑商业模式，如今这种“先增长后盈利”的路径已不再普遍适用。

当前，全球经济环境的低迷、资金流动性不足、新技术基础设施的不成熟，以及创业前期投入的显著增加，共同构成了一个高风险的创业生态系统。在这种环境下，创业者几乎无法承受多次试错的成本，他们的“子弹”——也就是有限的资金和资源，比以往任何时候都更加珍贵，每一次发射都需要精心瞄准。经济持续走低，加之科技热潮的泡沫破裂，使得整个创投界的氛围变得异常谨慎和悲观。这种悲观情绪如同多米诺骨牌效应一样，从资本市场一路传导至每一个创业环节，迫使创业者不得不放弃对长远愿景的执着追求，转而聚焦于眼前的实际收益与成本控制，确保企业的生存与现金流安全。

一些 AI 初创公司开始通过提供定制化的解决方案来满足特定行业的需求，而不是一味追求技术的通用性。自动驾驶领域的某些初创企业，他们致力于研发尖端技术，但在高昂的研发成本和不确定的商业化路径面前，面对经济寒冬和投资紧缩，这些企业不得不重新审视自己的商业模式，转而寻找短期内能产生现金流的业务方向，比如为汽车制造商提供辅助驾驶技术的解决方案，以此来确保企业能够度过难关，继续存活。

数据，数据，数据

未来的世界将由几个基础大模型和无数个领域专业模型组成。企业存在的唯一的价值是因为你有一个专有模型，这个核心又在于你有专有的数据。专有模型一般模型比较小，且在某个垂直领域的准确率高，如果做合规检查，我就做中国刑法法律诉讼案件的合规检查，这件事情我做到全国的 Top1，我品质最高。因为有私有数据，大模型在这个领域不可能超过你，别人又拿不到你的数据，只能调用你的模型，你就有商业模式了。

那这么说，数据有哪几类？

个人数据的积累对于 AI 的个性化服务至关重要。与十年前相比，现代 AI 应用已经从标准化产品转变为高度个性化的服务。例如，社交媒体平台通过分析用户的行为和偏好，推送个性化的内容和广告，极大地提升了用户体验。AI 系统通过收集和学习用户数据，能够提供定制化的建议和解决方案，这种数据驱动的个性化服务已成为现代 AI 应用的核心。

上下文数据的收集同样重要。自动驾驶汽车就是一个典型的例子，它通过实时收集和分析摄像头、激光雷达和毫米波雷达等传感器数据，快速做出驾驶决策。这种基于上下文的数据处理能力，不仅提高了自动驾驶的安全性和效率，也为其他领域的 AI 应用提供了新的思路。

协作数据的概念也不容忽视。在企业级 AI 应用中，用户与同事之间的协作数据可以提高产品的粘性，增加用户的切换成本。例如，办公协作软件通过整合团队成员的工作数据，提高了团队协作的效率，使得用户更倾向于继续使用该产品，而不是轻易切换到其他竞品。

未来最重要的壁垒就是持续的积累上面三类数据，并嵌入工作流，让数据能够产生飞轮效应。越多数据也就越准确，越准确也就越多人用，越多人用数据就越多，不停的滚雪球。

另外，值得一提的是，在大量非结构化数据领域寻找机会可以成为新兴企业进入市场的突破口。在 AI 背景下，非结构化数据的分析和利用成为了新兴企业的一大优势。社交媒体、在线评论等非结构化数据的分析可以为企业提供宝贵的市场洞察。

Walk Around 基建的不稳定性

先直接交付结果

由于可控性较低，我们应避免让客户直接与产品进行交互。相反，我们应直接提供 AI 生成的最终产品，例如图片和视频，而不是销售一套 AI 内容生成工具。这种做法将原本由客户承担的成本，通过我们公司内部结合 AI 和人工的方式进行内部化处理。随着时间的推移和技术的进步，AI 对人工干预的需求和比例将逐渐减少，最终可能成为一个标准化的产品来提供。

收敛场景、有限使用

根据目前的经验观察，要使 AI 产品得以实际应用，我们可以选择一些已经具有较高可控性的场景，例如基于稳定模型（SD）的图像制作，或者更多地将重点放在分析而非生成上。另外，AI 的使用比例不应过高，可能 10%到 20%的占比就已足够。我们必须确保 AI 与现有的各种技术协同工作，例如 AI 结合机器人流程自动化（RPA）、AI 结合知识图谱等。

这当然是最具挑战性的，难点在于如何清晰界定技术的边界，并据此做好产品定义与用户需求之间的匹配，最终确保 AI 的优势得到最有效的利用。这是最关键的问题，也是对创始人的最大考验。因此，我们不同意在 AI 时代技术将取代产品的观点。相反，我们认为在技术能力不足的情况下，更需要优秀的产品经理，最好是那些理解技术的产品专家。

Follow Timing

任何一个新的生产力工具或者说新的计算平台来临之后，它的发展路径是有一定演进逻辑的：

1. 生产力工具：新技术最初往往作为提高工作效率的工具出现，这些工具帮助专业人士和企业提高生产力，比如早期的计算机和软件。
2. 消费者娱乐：随着技术的成熟和普及，它们开始被应用于消费者市场，用于娱乐、游戏、音乐等领域，为大众提供新的娱乐方式。
3. 消费者信息服务：进一步发展后，技术被用于提供信息服务，如搜索引擎，帮助用户获取信息。
4. 电商和社交：技术接着被应用于电子商务和社交网络，这些平台改变了人们的购物和社交方式。
5. 企业级应用：最后，技术才被广泛应用于企业级市场，成为企业运营不可或缺的一部分。

作为例证，从去年到现在，出来的产品全都是生产力工具和聊天工具。今年开始做搜索，音乐，视频了。明年要开始做什么？要开始做电商，做社交，做短视频，做 O2O。

然后可能发展到以后，才有 toB 的机会。为什么？

1. 用户量获取难度不一样。工具的获取难度简单，但是 2B 获取很难。
2. 实现难度也不一样。ToB 的准确要求太高了，但聊个天无所谓。
3. 商业模式也不一样，前期的商业模式可以收费，可以广告。如果你要的 2B 收钱，要走合同走流程，它的周期越来越长。

很多公司做 2B 直接掉了一个大坑，完全做成一个外包了，生意看起来很多做不过来，但是做一单赔一单，最后发现是做培训最赚钱。

深入一下 2B 的场景，其实 2B 目前很多人做的是节流的事情，比如节约成本、提高效率、替代人力等，这很难赚到钱。在一个公司，有大量重复的岗位可以被 AI 代替的例子可遇不可求，预算能支撑一个定制大模型项目？还要面临低价的竞争，可能根本没有利润。而且，最后这个产品还不一定能标准化。

节流是有一个天花板，所以做 AI 产品，一定不要讲节能提效，很难赚到钱，企业要算 ROI 的。要关注如何用 AI 进行开源，然后按照价值进行收费，这样才可能赚到钱，比如开创新品类、获得新模式。

其实另外一个更好的领域是控风险，让机器做人做不到的风险控制，可以规避巨大的损失，更容易赚到大钱。因为对于客户来说，风险是要命的。比如公司审计，法务财税的合规，你出了问题要赔多少钱？公司愿意为这个付多少钱？可能是更有机会的。

所以，AI 时代的 PMF 到底是什么？

说了这么多，AI 时代的 PMF 到底是什么？其实可以这么看，无论什么APP，需要满足以下过程

吸引客户 -> 留住客户 -> 赚到钱 -> scaling -> 守得住

• 是否切中用户真实需求，包括吸引和留住客户。这个要沿用活跃度指标，这个指标能反应MFP/TPF，因为否则的话，不可能吸引并留住用户。
• 商业上是否Make Sense，包括能否赚到钱和scaling，这个还是要看ROI或者LTV/CAC；这个指标可能比以往更重要，因为前面提到了，当前市场环境下，DAY1就要优先考虑商业生意闭环，核心就是由这个指标体现。
• 能否不被颠覆, 在移动互联网时代，技术基础设施相对稳定，产品和客户的匹配之后，产品被颠覆的风险很小。在AI时代这个前提不一定成立。因为大模型可能吞噬一切。你做半天，用户反馈也不错，但是可能大模型一更新，就没有意义了。所以，需要一个指标表示对大模型safe程度，这个要求你提供的服务远离大模型的演进主线，同时要在业务主流程中积累自己的私有数据闭环。 这个指标至少是这两个参数的函数，如 F(主航道偏离度，私有数据积累度）。

所以，AI时代的PMF至少要额外添加一个指数表示不被颠覆的程度，由两个参数驱动：主航道偏离度，私有数据积累度。至于这个函数具体长啥样，现在应该没有一个人有答案。

在移动互联网时代，真正的现象级应用出现在 2~3 年之后，也许再过 1~2 年才会有更清晰的答案。

AGI进程可能1%都不到，让我们拭目以待，未来会是什么样！