从聚焦理想客户画像（ICP）到早期构建竞争壁垒，这一权威的 10 步框架，教你如何将炫技式的 AI 演示，转化为客户不可或缺、值得信赖且具备防御性的产品。
我们很高兴邀请到 OpenAI 产品团队的 Miqdad Jaffer 作为特约撰稿人。在本期内容中，Miqdad 将分享他对初创公司如何实现产品与市场契合度（PMF）的深刻见解。
在本期内容中，你将学到 ：
1、AI 领域的 PMF 是持续的过程，而非一劳永逸的成就。
2、炒作和资本不等于契合度。
3、定义“待完成的工作”，而非“AI + X”。
4、瞄准痛点强烈、高频发生、AI 赋能优势突出的工作。
5、解决实际的瓶颈，而非演示功能。
6、从窄到令人不安的初始理想客户画像开始。
7、聚焦特殊案例，以建立信任。
8、在规模化之前，构建信任层。
9、追踪用户采用深度，而非虚荣指标，并按价值定价。
10、利用数据、分销渠道和反馈循环，尽早构建竞争壁垒。
为何 AI 产品的 PMF 与众不同
每一位创始人，无论来自哪个行业，都听过那句在所有讲台和创业书籍中反复出现的、老生常谈的建议：“找到产品与市场的契合度，其他一切自会水到渠成。”
这个短语已在创业文化中根深蒂固，以至于人们常常不假思索地脱口而出，仿佛 PMF 是一张万能的配方，无论你是为人力资源经理开发 SaaS 工具、搭建二手商品市场，还是为医生设计 AI 驱动的“Copilot”，都可以如法炮制。
但大多数人没有意识到，也是太多创始人通过惨痛教训才明白的道理……是寻找 PMF 的传统方法——那些源自过去二十年 SaaS 和消费品成功手册的经验，并不能完全适用于 AI 产品独有的动态。
要了解这种差异，我们来看看 Babylon Health，这家曾是英国最知名的 AI 初创公司之一。在其鼎盛时期，Babylon 估值超过 20亿美元，被视为医疗保健交付的未来……它承诺提供 AI 症状检测、远程患者监测，甚至赢得了国家医疗合同。它筹集了数亿美元资金，通过特殊目的收购公司 （SPAC） 上市，被誉为 AI 能够颠覆整个行业的铁证。但到了 2023 年，一切都土崩瓦解。其美国业务申请破产，英国分支机构被托管清算，这家昔日的独角兽被廉价出售。
哪里出了问题？失败并非完全归因于资金不足；而在于其产品与市场契合度缺乏具体防御性、在高风险输出上缺乏可靠的信任、承诺过多而交付不足，以及最关键的——试图应用 AI 来取代整个临床工作流程，却没有深入解决实际的痛点。
现在，我们将其与 Lovable 的增长官 Elena Verna 最近的一个观点进行对比，Lovable 是一家年经常性收入（ARR）已超 1亿美元的 AI 公司。在一篇广为流传的 LinkedIn 帖子中，她解释道，在 AI 领域，PMF 并非一次达到即可锁定的里程碑，它是一个永无止境的循环。你每个月都需要重新去赢得它，因为客户期望在不断演变，基础模型在持续变化，而竞争对手可能一夜之间就推出仿制产品。用她的话来说，AI 的增长并不存在于一个独立的“进入市场”部门；产品本身必须从第一次使用起就提供可重复的、复合式的价值，而增长团队的工作与产品团队的工作密不可分。
这两个故事——Babylon 的崩溃和 Lovable 不断演进的增长方法——蕴含着警示与启发的对比，它们揭示了 AI 领域 PMF 的独特之处：
- 雄心和炒作不是 PMF。 你可以获得巨额融资，聘请世界一流的团队，并登上头条新闻……但所有这些都不能证明你的产品以一种用户、客户和利益相关者都信任的方式解决了关键问题。雄心壮志使人振奋，但它不能取代实际工作流程的深度落地。
- 契合度是动态的，而非静态的。 在 AI 中，PMF 不是一次性的里程碑。模型在演进，监管环境在变化，一旦用户体验了可能性，他们的期望值就会上升。如果你将其视为终点而非持续过程，今天感觉良好的契合度，明天可能就会被侵蚀。
- 信任和竞争壁垒是前置成本。 在 AI 中，你不能等到以后才去构建可靠性、安全性和独特的竞争壁垒。准确性、透明度、数据捕获和分销渠道优势必须从一开始就设计到产品中，因为一旦疑虑潜入或竞争对手复制你的功能，就几乎不可能挽回。
- 解决痛点 > 演示惊艳。 如果 AI 产品仅仅停留在炫技演示中，它是无法生存的。如果你没有消除实际瓶颈，没有提供可靠的结果，没有嵌入日常工作流程，那么用户的兴奋感就会消退，采用率就会崩溃。
这就是本指南存在的意义。我希望为你提供一套清晰、可执行、深度实用的步骤，以便如果你正在构建 AI 产品，你能确切知道如何从一个光鲜的模型封装，发展成为一家拥有真正产品与市场契合度、具备防御性的公司。
寻找 AI 产品 PMF 的 10 个步骤
AI 正在重写产品与市场契合度的规则。当竞争对手可以一夜之间复制你的产品，用户会放弃那些不能解决实际痛点的工具时，你不能再依赖炒作、资金或通用功能。你需要的是一种严谨的方法，一种专注于尖锐问题、信任、防御性和深度采用的方法。
以下是本指南将为你逐步讲解的 10 个步骤：
1、在 AI 优先的世界中定义“待完成的工作”
2、识别高价值痛点，而非功能
3、将你的初始理想客户画像（ICP）聚焦到令人不安的程度
4、为边缘案例而设计，而非为平均情况
5、在规模化之前构建信任层
6、用采用深度，而非虚荣指标来衡量 PMF
7、在寻找 PMF 的过程中构建竞争壁垒，而非之后
8、按价值定价，而非按功能定价
9、将分销视为 PMF 的一部分，而非 PMF 之后的工作
10、将反馈 → 模型 → 产品循环制度化
总之，这些步骤形成了一套行动指南，教你如何从一个亮眼的 AI 演示，蜕变为一个在关键工作流程中成为日常默认选项的、具备防御性的产品。
第 1 步，在 AI 优先的世界中定义“待完成的工作”
当大多数创始人在 AI 领域开始构建产品时，他们的本能是采取一些熟悉的事物……一个现有的产品类别、一个他们已在使用的工作流程、一个流行的 SaaS 工具……然后简单地“添加 AI”。“如果我们给笔记应用添加 AI 呢？”“如果我们给客户关系管理系统（CRMs）添加 AI 呢？”“如果我们给客户服务添加 AI 呢？”这听起来很有吸引力，也能制作出精美的演示视频，但事实是：“AI + X”不是一个战略。
为什么不是？因为在这种框架下，你是在围绕一项技术定义你的产品，而不是围绕一项工作。你将自己的愿景锚定在 AI 的存在上，而不是痛点的存在上。如果你花时间观察用户实际行为，你会知道他们不会为了技术而采用技术。他们是在某项技术能显著减轻痛苦，以至于不用它显得不合理时，才会采用。
AI 领域寻找 PMF 的核心，始于一个问题：用户“雇佣”这个产品来完成什么工作？ “待完成的工作” 框架，长期以来应用于传统产品管理，在 AI 中变得更加重要，因为技术的新颖性可能会欺骗你，让你误以为正在解决有价值的东西，而实际上你只是在一个人们不急于改变的工作流程上生硬地外加一个工具。
“AI 作为外挂”为何会失败
想想过去一年推出的数十款“AI 笔记应用”。从表面上看，它们令人印象深刻：连接你的日历，记录会议，获取转录和摘要。但问问你自己：它们真正为用户完成了什么工作？它们消除了一些令人痛苦和紧迫的事情吗？还是仅仅让一项原本可以忍受的任务稍微方便了一点？
对于大多数知识工作者来说，记笔记或重读重点并不是决定他们能否达成目标的瓶颈。瓶颈通常在其他地方：统一决策、综合复杂的输入、生成合规性文档，或更快地完成交易。因此，一个将自己定位为“AI 笔记”的产品，最终只会成为一种附加的便利，而非必须品。用户尝试后，享受了新奇感，然后又回归旧习惯。
将其与围绕AI 原生工作而设计的产品进行对比……这项工作在今天令人痛苦、成本高昂，且 AI 不仅能加速，还能彻底颠覆整个流程。
寻找 AI 原生场景：
正确的问题不是：“我如何能给 X 加上 AI？”
正确的问题是：“在这个行业中，存在哪些没有 AI 就从结构上会崩溃的工作？”
在以下问题中，AI 具有原生性：
信息过载使得人工努力成本高昂（例如，合规官员审查数千笔交易）。
对海量数据集的模式识别超出了人类能力（例如，支付中的欺诈检测）。
语言或生成任务是不可避免的瓶颈（例如，起草监管文件、总结患者病史）。
在不确定性下的决策支持是频繁发生的（例如，给潜在客户排序、预测设备故障）。
当你找到这些工作之一时，AI 感觉不再是外加功能，它感觉是唯一的理性解决方案。
案例：合规文档 vs. 笔记
考虑两个产品构想：
AI 笔记应用： 你参加会议，应用转录并总结。好处是什么？假设你信任它的结果，每天为你节省约 20 分钟。如果不用的成本是什么？你需要继续自己写笔记，这是一个轻微但可控的烦恼。
AI 合规协作者： 你在金融业工作。每周你花费 3–5 小时准备审计所需的合规文档，手动检查交易、复制粘贴条款和格式化报告。一个 AI 系统将其减少到 5 分钟的审核时间，确保准确性和审计就绪。好处是什么？你每周节省了 10 多个小时，减少人为错误，并降低数百万美元的罚款风险。不使用的成本是什么？你耗费了高薪员工数小时时间，并使自己面临法律风险。
一个是便利。另一个是生存。你认为哪个能更快实现 PMF？
这就是 AI 作为外挂与 AI 作为原生解决方案的区别。这也是为什么你构建 AI 产品的第一步不是头脑风暴功能，而是识别那些 AI 不仅仅是有帮助，而是具有颠覆性作用的工作。
一个简单框架：痛苦 × 频率 × AI 赋能的优势
为了系统化地进行这项搜索，我使用一个框架，它沿着三个轴线评估工作：
- 痛苦（Pain）： 如果不解决，这项工作今天的成本有多高？它会浪费时间、金钱还是声誉？用户会愿意付费来消除它吗？
- 频率（Frequency）： 这项工作发生的频率如何？一种罕见的痛苦，即使严重，可能也无法支撑一家公司。最佳点是持续发生、并随着数周数月积累的痛苦。
- AI 赋能的优势（AI Advantage）： AI 能否提供跨越式的改进，而不仅仅是边际改进？它是否能将数小时缩短至数分钟，将准确性提高一个数量级，或使以前不可能的事情变为可能？
你甚至可以将其视为一个打分练习：
- 一个高痛苦、高频率但 AI 赋能优势不明显的工作，只是一个 SaaS 机会。
- 一个高 AI 赋能优势、低痛苦的工作，只是一个演示。
- 但一个高痛苦、高频率、高 AI 赋能优势的工作？这才是 AI 产品 PMF 的诞生地。
以医疗保健账单编码为例。痛苦度极高（错误导致数十亿美元损失），频率高（每次患者就诊），AI 赋能优势真实（模型可以处理结构化 + 非结构化笔记的速度快于人类）。这是肥沃的土壤。
现在将其与邮件主题行生成进行对比。痛苦程度低（文案撰稿人已经能管理），频率中等，AI 赋能优势边际（输出效果时好时坏）。那是演示区，不是 PMF 的领地。
微妙之处：不要追逐 TAM（总潜在市场），而是追逐 JTBD （待办任务）深度
最后一个细微差别：AI 创始人常犯的错误是说：“这项工作每个人都有，所以总潜在市场（TAM）巨大。”但在 AI 领域，TAM 是一个陷阱。你不会因为从第一天起就追求大而全而获胜。你通过深入一项工作，掌握它，并紧密嵌入自身，以至于未来的扩张变得显而易见。
第 1 步的目标不是绘制整个 AI 机会的宇宙图。它是识别那一件如此痛苦、如此频繁、如此容易被 AI 解决的工作，以至于你的产品别无选择，只能成为不可或缺的一部分。其他一切——功能、模型、竞争壁垒——都源于这个基础。
第 2 步： 识别高价值痛点，而非功能
当创始人们推介 AI 产品时，我经常听到他们以功能开头。“我们构建了最快的摘要器。”“我们的模型准确率提高了 3%。”“我们集成了 Slack，所以你可以立即获得结果。”从表面上看，这些听起来很有吸引力，它们展示了能力和速度。但问题是，功能可以一夜之间被复制，而痛点不会。
任何人都可以接入 OpenAI 的 API 并重新创建你的摘要器。任何人都可以附加一个 Slack 集成。即使是模型准确率的提高，也很少能创造持久的差异化，因为竞争对手可以微调类似的数据，或等到下一个基础模型发布再次拉平竞争环境。
然而，不容易被克隆的是你与客户最痛苦、最昂贵、最具影响力的问题的深度契合。正是这种契合，才能解锁采用、留存，并最终实现防御性。
功能优先思维的陷阱
AI 之所以诱人，是因为功能演示效果极佳。展示一个流畅的转录、一个完美的图像生成，或一个简洁的代码建议，人们就会印象深刻。但演示之后会发生什么？
用户会问：
- “这解决了我的实际问题吗？”
- “这消除了我每周都在克服的瓶颈吗？”
- “它能为我省钱、降低风险，还是解放我的时间？”
如果答案是否定的，功能就不重要。
这就是为什么许多 AI 初创公司陷入“演示困境”的原因。它们构建了巧妙的输出，在社交媒体上赢得了掌声，甚至可能带来一波注册，但随后是用户流失，因为这些功能没有锚定在一个足够痛苦的问题上。输出是有趣的，而不是不可或缺的。
瓶颈：痛苦加剧的地方
那么，你应该看向哪里？与其追逐功能，不如寻找瓶颈——那些工作流程中进展停滞不前、时间浪费是常态、专业知识稀缺，或错误会带来巨大后果的地方。
以下是三类持续为 AI 创造高价值机会的瓶颈：
1、时间浪费 → 消耗高价值人才数小时的流程。例如： 分析师花费数天时间将数据整合到季度报告中。AI 可以将其压缩到几分钟。
2、专业知识缺口 → 需要稀有、昂贵技能的任务。例如： 法律团队中的合同审查。AI 可以通过给中层员工提供“高级别”指导来普及专业知识。
3、监管难题 → 错误会带来巨额罚款的工作。例如： 医疗保健编码或金融合规。AI 可以减少人为错误，并降低数百万美元罚款的风险。
当你找到一个位于这些类别交集的瓶颈时，你就找到了一个人们愿意付费消除的高价值痛点。
案例研究：放射科 AI
我们以放射科为例。许多医疗保健领域的 AI 初创公司构建了影像模型，并推介：“我们的模型检测肿瘤的准确率比现有技术高 5%。”这在技术上令人印象深刻，但在实践中，这种推介往往无法推动采用。
为什么？因为仅仅是准确性，并不能像你想象的那样推动医院发生改变。医生已经将机器辅助与人工判断相结合，而且责任问题意味着微小的准确率提升不足以彻底改革工作流程。
现在考虑一个不同的角度：计费。在美国，放射科部门每年因计费错误、编码错误、文件遗漏、记录不一致而损失数百万美元。这不仅仅是小烦恼；这是一个与医院收入和合规性相关的直接财务痛点。
一个能确保每份放射科报告编码正确、符合保险要求且可供审计的 AI 产品，带来的不仅仅是“更高的准确性”，而是数百万美元的收入恢复和风险降低。
请注意这种转变：底层技术（语言 + 图像模型）相同，但公司没有关注一个功能（诊断准确性），而是将自己与一个痛点（账单损失）对齐。前者让研究人员兴奋。后者说服首席财务官（CFO）签署合同。而在企业级 AI 中，CFO 的认可往往决定了生存。
为什么痛点总是胜过功能
当你围绕功能构建时，你总是脆弱的：下一次模型发布、下一个资金充足的竞争对手，或下一次 API 更新都可能消除你的优势。但当你围绕痛点构建时，你则具有韧性。
一家功能优先的公司说：“我们比其他人更好地总结会议。”
一家痛点优先的公司说：“我们通过消除手动跟进，帮助销售团队挽回 20% 以上的销售渠道。”
第二种表述直接关系到商业价值。它很难被复制，因为它需要与客户情境深度集成，而不仅仅是 API 访问。最重要的是，它创造了紧迫感。功能引发好奇心。痛点才是预算的驱动力。
如何发掘高价值痛点
要找到这些痛点，需要深入挖掘，而非停留在表面的用户访谈。大多数客户会说他们想要“更好的功能”，因为这是可见的。但作为创始人，你的工作是挖掘症状背后的根本原因。
提问：
- 你的用户始终拖延了哪些任务？ （信号：痛苦的耗时陷阱）
- 哪些错误给他们带来了实际的金钱或声誉损失？ （信号：监管难题）
- 他们希望拥有但请不起哪些专业知识？ （信号：专业知识缺口）
- 如果这项工作做得不好，最坏的情况是什么？ （信号：高影响力）
一个有用的方法是，一步步映射目标客户的工作流程，并突出摩擦、延迟或风险的时刻。通常，最高价值的机会并不在用户说他们想要帮助的地方，而是在工作流程瓶颈自然聚集的地方。
你的工作不是展示你的功能有多花哨。你的工作是发掘客户生活中那一两个如此痛苦、如此频繁、如此高成本的瓶颈，以至于用 AI 解决它们会让你的产品成为当务之急。功能会被复制。痛点不会。
一旦你的产品锚定在一个高价值痛点上，每一个功能决策、每一个集成、每一个定价策略都会变得更容易。你不再是构建“又一个 AI 工具”，而是开始构建一个止痛药。而止痛药——与维生素不同——能更快地找到产品与市场契合度。
第 3 步：将你的初始 ICP 聚焦到令人不安的程度
我看到 AI 创始人最常犯的错误之一是起步范围太广。
他们会说：“我们的 AI 工具适用于所有营销人员。”或者“我们的产品帮助每一位销售人员。”更糟的是：“任何写作的人都可以使用这个。”
从表面上看，广阔的市场听起来很有吸引力。毕竟，总潜在市场（TAM）看起来是巨大的。当你提到“数十亿潜在用户”时，投资者都会点头赞同。
但残酷的事实是：你的初始 ICP 越广，你的采用率就越弱。当你服务所有人时，你服务的深度就不足以重要到任何人。
在 AI 领域，这个错误会被放大。为什么？因为用户已经被通用 AI 应用淹没。他们已经看到了数十个声称帮助“营销人员”、“学生”或“创始人”的 AI 工具。他们不再关心横向的承诺。
他们关心的是，你的产品是否比其他任何产品更好地解决了他们确切、痛苦的问题。这要求你将你的 ICP 定义得如此狭窄，以至于几乎感到令人不安。
为什么聚焦感觉反直觉
大多数创始人抵制缩小 ICP，因为感觉像是在限制上行空间。如果你说你的工具只针对“年收入 1000 万至 5000 万美元 DTC （直面消费者）品牌的效果营销人员”，你会担心自己排除了 95% 的市场。如果你说你的 AI 预测工具只针对“游戏产品经理”，你可能会担心投资者认为它过于小众。
但悖论是：你一开始走得越窄，找到 PMF 的速度就越快。为什么？因为当你精确定义你的 ICP 时，三件强大的事情会发生：
1、你用他们的语言说话。 你可以不再使用“AI 营销”这种模糊的信息，而说“AI 修复 DTC 品牌在 iOS14 后归因泄漏的问题。”后者像闪电一样击中目标，因为它反映了你的 ICP 感受到的确切痛苦。
2、你深度嵌入到工作流程中。 当你为所有人构建时，你会设计对许多人都有点作用的浅层功能。当你为狭窄的 ICP 构建时，你可以精确地为他们的工作流程定制集成、用户界面（UI）和输出，使产品变得不可或缺。
3、你加速了口碑传播。 当你出色地解决一个小众群体的痛苦时，他们就会成为布道者。这位 DTC 创始人会告诉他们智囊团中的其他创始人。这位游戏产品经理会在他们的 Slack 社区中分享你的工具。AI 领域的早期增长不是来自广告；它来自紧密社区传播那些真正有效的工具。
案例：iOS14 之后的营销人员 vs. “所有营销人员”
我们来具体化一下。假设你正在构建一个 AI 分析工具。你可以将其推介为“帮助营销人员优化活动的 AI”。
听起来不错，但很模糊。哪些营销人员？付费搜索？品牌营销人员？社交媒体经理？每个人都有不同的工作流程、痛点和预算。
现在我们来聚焦。你选择年收入 1000 万至 5000 万美元、正在与 iOS14 后追踪问题作斗争的 DTC 品牌的效果营销人员。突然间，一切都变得清晰：
痛点清晰： iOS14 后，归因变得不可靠。这个收入区间的效果营销人员正因效率低下的广告支出而损失数百万，他们有预算来解决这个问题。
工作流程清晰： 这些营销人员离不开 Meta 广告管理工具、Google分析 和 Shopify。你可以直接在他们的技术栈中构建集成。
信息清晰： 你的推介变成：“我们帮助年收入 1000 万至 5000 万美元的 DTC 品牌通过修复 iOS14 造成的归因泄漏，挽回失去的业绩。”这比“AI 营销”要引人注目十倍。
通过聚焦，你没有缩小成功的机会。你增加了它们，因为现在你的产品有机会成为一个明确群体的“必须品”。
令人不安的界限测试
这里有一个我分享给创始人的经验法则：如果你的 ICP 定义没有感到令人不安地狭窄，那它就不够窄。
- 用“营销人员”这个说法太广了。
- 用“效果营销人员”这个说法仍然太广。
说“年收入 1000 万至 5000 万美元、正在与 iOS14 后追踪问题作斗争的 DTC 品牌的效果营销人员”，这才是你需要的具体程度。
为什么？因为当你向这个群体推介时，你会看到他们立即点头。你正在描述他们的确切生活，而不是某个抽象的人格画像。这种共鸣是你走上 PMF 正轨的第一个信号。
将 ICP 聚焦视为加速器
在 SaaS 中，你有时可以从广处着手，因为横向产品（如 Slack 或 Dropbox）可以依赖网络效应或病毒式传播。但在 AI 中，新奇感消退得快，功能很容易被克隆，因此狭窄的 ICP 是你的生存之道。它迫使你为一个小众群体构建一个极具价值的产品，以至于他们无法离开你。从那里，你赢得了扩张的权利。
所以，不要问：“谁可以使用这个？”问：“谁如此迫切地需要这个，以至于他们明天就会付费？”答案几乎总是比你最初想象的要小的一个群体。正是这个群体将为你提供生存所需的吸引力、反馈和收入。而具有讽刺意味的是，这也是终有一天能让你发展壮大的群体。
第 4 步：为特殊情况而设计，而非为平均情况
在传统的 SaaS 中，找到 PMF 通常意味着为平均情况而构建。你识别最常见的工作流程，为用户行为的广泛中间地带进行优化，并确保 80% 的日常用例得到覆盖。
客户接受边缘案例需要变通，因为 SaaS 是确定性的……如果按钮在那里，工作流程被支持，它每次都能工作。
AI 颠覆了这一逻辑。如果你试图在 AI 中为平均情况而构建，你就会失败，因为平均情况正是模型挣扎的地方。范围越广，出现幻觉、不可预测的输出或令人失望的平庸的可能性就越大。
相反，AI 产品在为特殊案例设计时，能最快找到 PMF，这些是高度特定、受限且可预测的工作，模型在其中表现得比人类更出色。
为什么在平均情况下在 AI 中不起作用
想想一个通用目的的 AI 写作工具。你推介它：“能写任何东西——邮件、文章、博客帖子、销售文案、社交媒体。”这听起来很强大，但它立即产生了两个问题：
1、输出质量参差不齐。 写一篇技术博客帖子需要的语气、准确性和上下文与写一张生日邀请函不同。平均情况将模型拉伸得太薄。用户遇到错误、尴尬的措辞或幻觉的事实，然后就失去了信任。
2、价值不明确。 当你承诺“写任何东西”时，你正在与数十个类似的工具竞争。用户不知道为什么他们应该选择你的，因为它没有比替代品更好地解决特定的痛点。
结果？好奇心驱动的注册、弱留存和用户流失。
将特殊情况作为突破口
现在将其与围绕狭窄个案设计的 AI 产品进行对比：为创始人起草投资者更新。这项工作具有独特的特质：
- 80% 的内容是可预测的——增长指标、最新里程碑、即将实现的目标。
- 创始人害怕写它，因为它重复且耗时。
- 准确性很重要，但结构和上下文减少了幻觉的风险。
- 输出不需要是完美的散文，它只需要是一个创始人可以在几分钟内润色的可靠草稿。
通过专注于这个边缘案例，产品没有试图成为所有人的所有东西。相反，它在一个虽小但重要的工作流程中变得神奇。一旦一位创始人使用它，并意识到它每月为他们节省了两个小时，同时还能让投资者满意，该产品就会迅速嵌入他们的日常工作。
这就是模式：AI 产品通过在人类痛苦高，模型可预测性高的狭窄、结构化工作中表现出色而获胜。
为什么这能更快地建立信任
AI PMF 中最危险的陷阱之一就是我称之为“幻觉带来的信任危机”。这是用户最初对你的产品感到兴奋，却突然意识到他们不能信任它的时刻。也许 AI 律师起草的合同中有一个伪造的条款。也许 AI 研究员捏造了引用。也许 AI 医生建议了危险的剂量。即使是一个令人震惊的错误，也可能破坏信任，而一旦信任被打破，就几乎不可能重建。
为个案设计可以减轻这种风险。当你选择那些 80% 的上下文都是可预测且约束条件狭窄的工作时，模型走偏的空间就更小。输出感觉始终可靠，这加速了信任的建立。用户开始想：“在这个特定的工作上，我可以信赖这个工具。”这是让你的 AI 产品成为默认选项的第一步。
特殊情况的积累最终形成普遍价值
这里有一个反直觉的部分：从个案开始并不会限制你的增长，它会加速增长。因为一旦你主导了一个“个案”，你就赢得了扩展到相邻案例的权利。
- 从“投资者更新的AI”，你可以扩展到“AI 董事会报告”。
- 从“游戏生命周期价值预测的AI”，你可以扩展到“AI SaaS 用户流失建模”。
- 从“财务合规文档的AI”，你可以扩展到“AI 跨行业审计准备”。
顺序很重要。 如果你开始范围太广，你会淹没在平均情况中并失去信任。如果你开始范围狭窄，你会建立深度，赢得倡导者，然后向外扩张。
实用测试：个案过滤器
这里有一个简单的测试：当你定义产品的工作时，问自己——“如果我把这个 AI 工具给广阔市场中的十个随机用户，输出会让他们都感到惊喜吗？还是会有五个人感到恼火并失去信任？”如果是后者，你在追逐平均情况。
- 现在重新定位：“如果我把这个工具给十个特定边缘案例的用户，比如金融科技初创公司中准备 SOC2 报告的合规经理，他们中是否有90%的人会说这为他们节省了数小时并且感觉可靠？”如果答案是肯定的，你就找到了一个值得围绕其构建的边缘案例。
- AI PMF 的本质是嵌入工作流程。而能嵌入始于信任。你不是通过试图做所有事情来赢得信任；你是通过出色地完成一项痛苦的工作来赢得信任，以至于用户无法想象没有你该如何工作。这就是为什么在 AI 中，你必须为边缘案例设计，而不是为平均情况。
- 在模型表现出色之处构建。在幻觉风险低的地方构建。在目标狭窄但痛苦程度高的地方构建。这就是你如何创建信任循环，嵌入工作流程，并最终从“AI 演示”扩展到“AI 默认选项”。
第 5 步：在规模化之前构建信任层
在 SaaS 中，规模化通常是关于增加功能、加强用户引导和投入资金进行分销。如果你的工具帮助销售团队节省时间或使人力资源工作流程更容易，客户会原谅一路上的不完善，只要你反应迅速并行动快速。
但在 AI 中，规则不同。没有信任，你就无法规模化。 而信任不是一个营销口号，它是产品机制。
为什么信任才是真正的产品
这里有一个令人不安的事实：AI 采用很少是因为准确性而失败。它是因为信任差距而失败。你的模型准确率可能是 95%，但如果 5% 的失败是灾难性的——捏造的引用、伪造的财务数据、不正确的医学术语——用户会立即抛弃你。在 AI 中，用户感知到的可靠性比技术准确性更重要。
想想看，当你驾驶汽车时，你不需要它的设计或效率完美无瑕。重要的是你每次踩刹车时，它都能停下来。如果它只有 5% 的时间会失败，你永远不会坐到方向盘后面。这就是用户应用于 AI 的心智模型——他们愿意接受不完善，只要他们能信任系统能以安全和透明的方式失败/出错。
这就是为什么我接触过的每一个成功的 AI 产品都早期投资于我称之为信任层的东西：围绕核心模型的脚手架，它赋予用户对其输出的信心，即使模型本身是易错的。
信任层什么样的
信任不仅仅是一个功能。它是设计、透明度和工作流程选择的组合，将产品从“神奇演示”转变为“可靠工具”。
以下是一些常见的组成部分：
1、人机协作控制 → 用户有能力在 AI 输出最终确定之前进行审核、接受或拒绝。
案例： 一个医疗抄写员会高亮显示每一句话，让医生批准，而不是自动提交笔记。
2、置信度指标 → 显示不确定性或高亮显示有风险的部分。
案例： 一个 AI 法律审查员会标记其“不太确定”的条款，提示人工关注。
3、可解释性接口 → 允许用户深入让用户深入了解给出答案的原因。
案例： 一个人工智能欺诈检测器，能提供与交易异常相关的“原因代码”。
4、审计追踪 → 记录每一次建议、修正和覆盖，以实现问责制。
案例： 一个人机协作的合规工具，会为每一个用户编辑打上时间戳，以证明监管上的尽职调查。
5、安全默认值 → 在不确定时，系统默认为无损输出。
案例： 一个人机协作的客户支持代理，会将棘手的案例升级给人工处理，而不是即兴发挥。
在短期内，这些机制都增加了摩擦……但这种摩擦创造了信心，而信心加速了长期的采用。
案例：医疗抄写公司
一家医疗健康领域的公司以惨痛的教训学到了这一点。他们的第一款产品能自动从医患对话中生成病历。它速度快，技术令人印象深刻。但一直无法普及。医生不信任这个系统，因为即使 95% 的病历是正确的，那 5% 的错误也可能导致医疗事故。
该公司转向了包含信任层的方案：该工具没有自动提交，而是显示了生成的每一个句子，并提供了简单的“批准”或“编辑”选项。那结果怎样？最初，这确实略微降低了使用速度。但在几周内，医生报告了更高的信心，随着时间的推移，他们看到的错误越来越少，开始自动批准大部分句子。在几个月内，同样的医生说：“我再也无法想象手工书写病历了。”
悖论在于： 通过增加摩擦，该公司建立了信任。通过建立信任，他们解锁了规模。
为什么缺乏信任的规模化会失败
我见过数十家 AI 初创公司过早地追求规模。他们融资、投入资金进行广告或外呼销售，并获得了初步注册。但缺乏信任层，使用量就会停滞不前。早期采用者遇到幻觉、失去信心，然后流失。口碑转向负面。规模化放大了不信任，而非采用。
教训是：如果你在建立信任之前就进行规模化，你只是在规模化流失率。而且一旦信任差距在你的市场中蔓延，重建声誉几乎是不可能的。
如何衡量 AI 产品中的信任
与 SaaS 中可以查看日活跃用户（DAU）或留存曲线不同，信任需要有自己的指标。我建议追踪的一些信号包括：
- 覆盖率 → 用户接受输出而未进行更改的频率。较低的覆盖率 = 较高的信任。
- 修正速度 → 用户编辑错误的速度。更快的编辑表明用户尽管存在缺陷，但仍保持参与。
- 升级比率 → 用户将 AI 任务升级给人工处理的频率。比率下降 = 信任上升。
- 工作流程替代 → 用户是用你的 AI 产品替代了旧的工作流程，还是将其作为新奇的“辅助工具”？
信任不是二元的，它是一条你可以衡量、改进和强化的曲线。
信任的复合性质
AI 中信任的美妙之处在于：一旦建立，它就会复合增长。用户的每一次修正都会改进模型，每一次改进都会增强可靠性，每一个可靠的时刻都会深化习惯。随着时间的推移，信任从“我审核 AI 产生的一切”转变为“我信任它能完成 80% 的工作”，再转变为“我无法想象没有它该如何工作。”
一旦你的产品达到这个门槛，竞争对手就不能仅仅带着一个更光鲜的演示来抢夺用户。信任是粘性的。信任就是护城河。
你可能会忍不住去追逐更多的用户、更多的演示、更多的功能。请抵抗这种诱惑。相反，专注于构建信任层，使你的早期用户成为充满信心的倡导者。没有它，你将永远是一个演示。有了它，你可以规模化成为默认选项。
在 AI 中，信任不是附带的好处，它是核心产品。在规模化之前构建它。
第 6 步： 用采用深度衡量 PMF，而非虚荣指标
在 SaaS 中，衡量产品与市场契合度（PMF）的策略已经非常成熟。你可以查看 DAU/WAU 比率，衡量留存曲线，发送净推荐值（NPS）调查，并观察如果你的产品消失，有多少用户会“非常失望”。这些指标对于确定性软件很有用，因为功能要么能工作，要么不能。
但在 AI 中，这些相同的指标可能具有危险的误导性，因为 AI 产品的生存不是取决于活动量或情绪，而是取决于信任的深度和工作流程的采用程度。
如果你在 AI 中依赖虚荣指标，你会在真正实现 PMF 很久之前，就误以为自己已经实现了。
虚荣指标陷阱
让我们从大多数创始人痴迷的数字开始：
- 日活跃用户（DAU）： 某人每天登录。但为什么？他们是在用你的产品完成其核心工作流程，还是出于好奇而四处摸索？许多 AI 工具在发布后 DAU 激增，但当新鲜感消退后就会暴跌。
- 留存曲线： 某人每周都回来。但他们在做什么？几次随意的互动并不意味着你的产品已经变得不可或缺。
- NPS 调查： 用户说他们“喜欢”这个产品。但这种“喜欢”转化为信任和依赖了吗？还是仅仅是对一个很酷的演示感到钦佩？
我见过 AI 公司凭借虚荣指标融资数百万美元，却在几个月后崩溃，因为这些数字掩盖了缺乏真正的工作流程嵌入。
为什么 AI 需要不同的信号
AI 产品是概率性的。输出是变化的。信任是缓慢建立的。采用是分层发生的，而不是一次性的飞跃。这意味着你需要衡量人们不仅在使用你的产品，还在如何使用它，以及它在多大程度上取代了他们旧有的工作方式。
衡量 AI PMF 的三个核心深度指标
1、覆盖率（Override Rate）
定义： 用户接受 AI 输出而不进行编辑的百分比。
重要性： 覆盖率低意味着用户尚不信任系统，他们修正太多。随着时间的推移，覆盖率下降意味着用户越来越信任你的工具，并更深入地嵌入它。
示例： 一个 AI 法律起草工具最初可能有 70% 的输出被大量编辑。随着模型的改进和信任的建立，这一比例降至 30%。这种下降远比原始的 DAU 增长更有意义。
2、提速率（Speed Delta）
定义： 与旧工作流程相比节省的时间。
重要性： 如果你的产品为用户节省了 5 分钟，那是一种便利。如果节省了 5 小时，那是一场工作流程革命。速度差量化了你超越新奇的价值。
示例： 一个 AI 合规工具将季度报告时间从 3 周减少到 2 天。这个速度差标志着变革性的 PMF。
3、工作流程粘性（Workflow Stickiness）
定义： 你的产品已成为完成这项工作的默认方式的程度。
重要性： 用户可能会尝试 AI 一次，然后又恢复使用旧工具。粘性衡量的是他们是否完全放弃了旧方式。
示例： 一个客户支持团队使用 AI 代理处理 80% 的工单，这表明已实现粘性；如果他们只用它处理 10% 的工单，你仍然处于演示阶段。
这些指标抓住了 AI PMF 的核心：你是否正在取代痛苦的工作流程、节省大量时间，并在规模上赢得信任？
案例：AI 法律初创公司
一家 AI 法律初创公司早期经历了增长高峰。数千名律师注册。留存看起来很健康。NPS 分数很高。但当我们深入挖掘时，看到了接近 90% 的覆盖率。律师们几乎重写了系统生成的每一个条款。该产品实际上并没有减轻工作量，它只是制造了更多的编辑工作。
这家公司没有 PMF。他们拥有的是好奇心驱动的使用量。直到他们缩小到一个特定的边缘案例（合规合同），并将覆盖率降至 30% 以下时，采用才真正粘住。在几个月内，律师事务所开始取消竞争软件，因为现在这个 AI 工具节省了实际时间并降低了错误风险。这是真正的 PMF 信号，隐藏在虚荣指标之下。
建立 AI PMF 仪表板
这里有一个衡量采用深度的简单方法：建立一个追踪以下内容的仪表板：
- 覆盖率（信任是否正在建立？）
- 完成时间（速度是否正在提高？）
- 在你的产品中完全完成工作的百分比与旧工作流程相比（粘性是否正在上升？）
- 重复工作的使用率（用户是否将经常性的工作带回你的工具，而不仅仅是试用一次？）
如果这些数字逐月改善，你就在通往 PMF 的路上——即使 DAU 没有猛增。如果它们停滞不前，你就陷入了新奇阶段。
为什么采用深度比增长更重要
- 增长是可以制造的。 你可以购买广告、进行外呼销售，或在 Product Hunt 上发布并看到数千次注册。但深度无法伪造。你的产品要么成为用户解决痛苦工作的默认方式，要么就不会。
- 深度也是你最好的防御。 竞争对手可以复制你的功能，但他们不能轻易取代一个已深深嵌入工作流程的产品。如果你的 AI 每周为一位合规官员节省 10 小时，并且他们完全信任它，任何光鲜的演示都不会引诱他们离开。
在你旅程的现阶段，问题不是“我们有多少用户？” 问题是“有多少用户离不开我们？”
虚荣指标会给你虚假的信心。深度指标会告诉你真相。而在 AI 中，事实是 PMF 的衡量标准不是有多少人尝试你的产品，而是它在多大程度上成为了他们最关心的痛苦工作的默认选择。
采用深度，而非表面活动，才是信号。追踪它，针对它进行优化，让它指引你走向真正的 PMF。
第 7 步： 在寻找 PMF 的过程中构建护城河，而不是之后
在大多数创业建议中，护城河被视为你以后才需要担心的事情。首先，获得吸引力。然后，一旦你实现了产品与市场契合度（PMF），再考虑防御性。这种逻辑在 SaaS 中是成立的，因为构建功能需要时间，竞争对手不能立即复制你的代码，而且先发优势为你赢得了喘息空间。但在 AI 中，这个建议是致命的。 如果你等到 PMF 之后才去构建护城河，你可能永远没有机会。
为什么？因为在 AI 中，你的“技术优势”极其微小。你使用的模型不是你的——它们是任何人都可以访问的 API。即使你自己训练模型，基础模型的改进也会迅速侵蚀你的优势。你的竞争对手可以在几周内、有时甚至几天内克隆你的功能。这意味着，除非你在 PMF 过程本身中将护城河构建到你的产品中，否则一旦你证明有利可图，你就有被超越的风险。
“以后再增加护城河”的迷思
我已经记不清有多少 AI 创始人说过这样的话：“我们现在专注于获取用户，一旦我们实现了 PMF，就会开始考虑防御性。”这种心态在 SaaS 中是可行的，因为构建 PMF 的行为本身就创造了防御性：你几乎默认地随着时间积累了转换成本、集成和数据。但在 AI 中，新奇感吸引用户很快——竞争对手也一样快。
想象一下：你发布了一个 AI 客户支持工具。早期吸引力强劲。流失率可控。投资者感到兴奋。但你没有构建任何独特的分销渠道，没有捕获专有数据，你的品牌在高风险环境中也不具备信任。六个月内，三个资金更充足的竞争对手发布了几乎相同的产品。突然间，你的“PMF”消失了，因为客户没有理由留下来。
这就是 AI 公司即使在“找到吸引力”后也会消亡的原因：他们将早期的使用量误认为是可防御的采用。 没有护城河，PMF 是暂时的。
AI 护城河的三大类别
为了避免这种命运，你必须将护城河编织进你的 PMF 旅程。最强大的 AI 护城河往往属于以下三个类别：数据、分销和信任。
1、数据护城河 → 专有反馈循环、独特数据集或竞争对手无法访问的结构化成果。
示例： 一个 AI 销售指导工具通过分析数百万份由实际销售代表修正的通话记录来改进。每一次修正都使该产品变得更智能，而竞争对手在没有相同数据集的情况下无法复制。
重要性： API 对所有人开放，但你的数据集不是。如果你尽早开始收集数据，数据就会成为一种复合优势。
2、采用的护城河 → 深度嵌入工作流程、集成或生态系统，使转换成本高得令人望步。
示例： 一个 AI 合规产品直接集成到 Epic 医院系统或 SAP 财务系统中。即使竞争对手的功能与你匹配，取代你也需要彻底清除工作流程关键的集成。
重要性： 你的产品越成为关键工作流程中不可见的底层设施，就越难以被取代。
3、信任护城河 → 在错误代价高昂的高风险环境中建立的声誉。
示例： 在医疗保健或法律 AI 中，一旦你的品牌被视为“安全”的选择，竞争对手就需要数年时间进行艰苦的斗争，才能让客户相信他们同样可靠。
重要性： 信任不能被买卖。它必须通过持续的可靠性缓慢赢得。一旦你拥有它，它就是最粘性的护城河之一。
案例：Jasper vs. Perplexity
以最早的 AI 写作初创公司之一 Jasper 为例。他们以 15 亿美元的估值融资了 1.25 亿美元，乘着“AI 撰稿”的浪潮。但他们的护城河很薄弱。他们有早期的吸引力，但没有专有数据循环，没有独特的扩展楔子，信任差异化有限。当 OpenAI 的 ChatGPT 成为主流时，Jasper 的差异化就崩溃了。
现在比较一下 Perplexity。他们不是第一个进入市场的。但他们建立了一个扩展的护城河（具有习惯循环的移动优先应用）、一个信任护城河（为每一个答案提供清晰的引用）和一个数据护城河（关于搜索质量的用户反馈循环）。因此，即使数十个竞争对手出现，Perplexity 仍然开辟了一个持续增长的可防御地位。
教训很明显：没有护城河的吸引力是脆弱的。 没有防御性的 PMF 是海市蜃楼。
如何在寻找 PMF 期间构建护城河
那么，你如何避免 Jasper 的陷阱，并在仍在寻找 PMF 时构建护城河？以下是一些策略：
- 从第一天起就对反馈进行工具化。 每一个修正、拒绝或批准都应该被捕获。这些数据是你护城河的原材料。
- 去别人去不了的地方。 选择竞争对手不容易复制的布局楔子。例如，嵌入行业特定的工作流程或获得独家合作关系。
- 让信任可见。 构建透明度功能（引用、审计日志、置信度分数），不仅减少幻觉风险，而且将你的品牌建立为“安全”的选择。
- 将价值与成果挂钩。 如果你的产品节省资金或降低风险，构建展示这一点的合同和案例研究。这会加强信任并创建转换摩擦。
早期护城河的复合效应
你越早构建护城河，它们复合的速度就越快。一个从 10 个客户开始的反馈循环，可以在你达到规模时演变成数百万次互动的数据集。一个利基于布局的楔子可以扩展为企业范围的锁定。在一个关键的边缘案例中建立的可靠声誉可以扩展到相邻领域。
护城河不是你在 PMF 之后才附加的东西。在 AI 中，护城河是 PMF 的一部分。
在你旅程的现阶段，你的产品可能感觉很脆弱。你正在追逐采用、完善特殊案例、证明价值。但即使是现在，你也应该问：“当竞争对手克隆我们的功能时，这个产品哪一部分在一年后仍然是可防御的？”
如果你在寻找 PMF 的同时没有构建护城河，你就是在为别人的未来构建。他们会复制你的想法，利用他们的扩展，并占有你证明有价值的市场。但如果你将数据、布局和信任的护城河编织到你的 PMF 流程中，你不仅是在寻找契合度，你还在构建竞争对手难以撼动的根基。
在 SaaS 中，护城河在你赢了之后保护你。在 AI 中，护城河是你如何赢得胜利。
第 8 步： 按价值定价，而非按功能定价
在 SaaS 中，定价通常从功能开始。你会看到经典的三层计划：基础版、专业版、企业版。每一层都解锁更多功能——更多席位、更多存储、更多集成。客户像看菜单一样比较计划，并根据他们所需的功能做出决定。这是可行的，因为 SaaS 功能相对粘性：复制它们需要真正的工程工作，随着时间的推移，功能的深度成为可防御的护城河。
在 AI 中，这种方法是一个陷阱。功能商品化得太快。你今天收取 20 美元/月的摘要器，明天就会免费出现在 Google Docs 中。你按席位销售的聊天机器人，几周内就会在 Slack 中被克隆。如果你的定价锚定在功能上，你将永远处于价格战中。
相反，AI 产品必须按价值定价——你的产品带来的可衡量、不可否认的成果。不是你提供多少功能，不是账户中有多少席位，而是你消除了多少时间、金钱或风险。
为什么基于功能的定价在 AI 中会失败
让我们看一个简单的例子：一个起草回复的“AI 邮件助手”。你以每用户每月 10 美元定价。一开始，客户会付费。但随后竞争对手以 5 美元的价格提供相同的服务，或将其免费捆绑到 Gmail 中。突然间，你的定价看起来很荒谬。你只能通过打折求生存。
问题不在于你的产品——在于你的定价逻辑。你定价时好像功能本身就是价值。但在 AI 中，功能永远不是价值。价值在于功能所促成的成果。
基于价值的定价是什么样的
想象一下，你没有将你的 AI 邮件助手定位为“每月 10 美元提供无限 AI 起草邮件”，而是“我们将您的平均支持代表的响应时间缩短了一半，从而将人员配置需求减少了 20%。” 突然间，你可以根据节省的费用来定价，而不是根据功能。
这就是为什么最好的 AI 公司不销售功能——他们销售成果合同。
- AI 欺诈检测工具不按席位收费。它按从被阻止欺诈中节省的金额百分比收费。
- AI 供应链优化器不按 API 调用收费。它按库存浪费或物流成本的减少量收费。
- AI 法律合同审阅器不按文件收费。它按被节省的可计费小时数收费。
按价值定价意味着你的收入随着客户的成本节约、风险降低或速度提升而扩大。而且与功能不同，价值不能被商品化。
启发式方法：节省价值的 10–30%
经过多年与 AI 和企业客户合作，我发现了一个简单的启发式方法：AI 产品通常可以捕获它们所创造价值的 10–30%。
- 如果你的 AI 工具为一家律师事务所每年节省了 100 万美元的可计费小时数，你可以收取 10 万到 30 万美元的费用。
- 如果你的 AI 工具阻止了 1000 万美元的欺诈损失，你可以收取 100 万到 300 万美元的费用。
- 如果你的 AI 工具每年为合规团队节省 2,000 小时，你可以收取的费用相当于这些小时数成本的 200–600 小时。
这将你的定价锚定在影响上，而不是功能菜单上。这也创造了一种天然的公平性：客户乐于付费，因为你的价格与你提供的有形价值成正比。
案例：AI 欺诈检测 vs. SaaS 欺诈仪表板
一个传统的 SaaS 欺诈仪表板可能收取每席位 50 美元的费用。但对于企业客户来说，席位的数量无关紧要……欺诈问题不会随着用户数量线性扩展。同时，一个每季度阻止 500 万美元欺诈尝试的 AI 欺诈检测系统，可以证明一份价值数十万美元的基于价值的合同是合理的，即使表面上“功能”看起来相似。
欺诈仪表板销售功能。AI 系统销售成果。 猜猜哪一个具有更好的留存和防御性？
为什么客户尊重价值定价
最初，创始人担心基于价值的定价会吓跑客户。实际上，恰恰相反。当你将价格与价值挂钩时：
1、传递了信心。 客户看到你愿意接受成果的衡量。
2、减少了谈判摩擦。 你不再需要为席位或功能讨价还价，而是就可衡量的业务影响达成一致。
3、建立了信任。 客户知道你只有在他们赢的时候才会赢。
这种一致性建立了更牢固的关系和更高的支付意愿。
如何实施基于价值的定价
1、量化基线。 衡量当前工作流程花费了多少时间、金钱或风险。
2、进行试点。 展示可衡量的改进（节省的小时数、受保护的资金、减少的错误）。
3、将合同框架为投资回报率（ROI）。 将定价锚定为捕获价值的一部分（10–30%）。
4、如果需要，使用混合模型。 对于早期阶段，将基本费用（覆盖成本）与基于绩效的上行空间相结合。
示例： 一家 AI 供应链初创公司收取 5 万美元/年的基本费用 + 15% 经核实的物流节省。这覆盖了基础设施，但也随着客户的成果而扩大。
价值定价的隐藏护城河
这里有一个更深层的见解：基于价值的定价本身就是一道护城河。 当客户看到你的产品与其业务成果挂钩时，竞争对手很难以更便宜的每席位计划来压低你的价格。竞争对手可能以一半的价格提供相同的功能，但如果你正在提供可衡量的 ROI，你的客户就不会转换。他们将保持忠诚，因为成果比功能更难伪造。
在你旅程的现阶段，你可能会忍不住给你的 AI 产品贴上 20 美元/月的 SaaS 价格标签。请抵抗这种诱惑。
相反，你该问：“我的产品创造的真正价值是什么？它消除了多少时间、金钱或风险？捕获这部分价值的多大比例对我来说是公平的？”
如果你按功能定价，你将永远面临压力。如果你按价值定价，你将永远与客户保持一致。而一致性是你在新奇感消退后仍能生存的关键。
在 AI 中，功能商品化。成果持久。按价值定价，而非按功能定价。
第 9 步.：将布局视为 PMF 的一部分，而非 PMF 之后的工作
在传统的创业智慧中，扩展通常被视为第二幕。首先，你专注于寻找产品与市场契合度（PMF）。然后，一旦你证明人们想要你的产品，你就开始担心增长、渠道和规模化。潜在的假设是，如果你构建了人们喜欢的东西，在不同环节的扩展稍后就会到来，增长只是时间的问题。
这种逻辑在 AI 中不成立。在 AI 中，市场扩展是 PMF 本身的一部分。 为什么？因为 AI 工具存在于一个喧嚣、拥挤的市场中，数十个竞争对手可以一夜之间发布类似的功能。你的产品不仅取决于它的输出，还取决于它出现在哪里、它如何无缝地融入工作流程，以及它如何迅速成为一种习惯。从一开始就没有明智的市场扩展，即使是一个伟大的产品也会被视为一个玩具：试用一次，因新奇而赞叹，然后被抛弃。
为什么市场扩展在 AI 中刻不容缓
AI 要求市场扩展优先思维有三个原因：
1、新奇税： 用户对 AI 感到好奇，所以他们会尝试任何东西一次。但好奇心驱动的使用是脆弱的。除非你的产品嵌入到实际工作的发生地，否则用户不会回来。分销是将好奇心转化为习惯的关键。
2、复制问题： 功能很容易复制。竞争对手不容易复制的是你的分销楔子——无论是深度集成、独特的市场进入（GTM）模式，还是社区驱动的循环。
3、工作流程引力： 人们不想要另一个应用。他们希望 AI 出现在他们已在工作的地方。如果你强迫他们进入一个新的孤岛，他们会短暂尝试，然后默认回到他们熟悉的技术栈。分销是使你的产品成为不可见的基础设施而非独立工具的关键。
分销楔子 → 产品驱动增长（PLG）循环 → 护城河飞轮
不要将市场分销视为事后诸葛亮，而应将其视为与 PMF 并行运行的三阶段系统：
1、市场进入楔子（GTM wedge）： 你登陆客户工作流程内部的第一个狭窄入口点。这可能是一个集成、一个 Chrome 扩展程序，或是一个解决单一工作的 API。
示例： 一家 AI 合规初创公司没有发布独立的应用程序。相反，他们在 Epic 医院软件内部构建了一个插件。那个楔子为他们带来了即时的可信度和采用。
2、产品驱动增长循环（PLG loop）： 一旦你登陆，你需要一个自然传播使用量的循环。在 SaaS 中，这可能是病毒式邀请。在 AI 中，这通常是用户修正、共享输出或来自嵌入数据的网络效应。
示例： Perplexity 的移动应用使每一次搜索都可以共享并带有引用。那个循环传播了信任并推动了有机安装。
3、护城河飞轮（Moat flywheel）： 随着时间的推移，你的分销本身就变得可防御。用户将你嵌入工作流程越多，将你移除就越困难。分享的输出越多，你积累的数据和信任就越多。
示例： GitHub Copilot 变得粘性，不仅因为良好的代码补全，还因为它嵌入在 VS Code 内部——这是一个竞争对手难以复制的分销护城河。
案例：独立应用程序 vs. 嵌入式 API
一家 AI 初创公司试图推出一个用于医院文档的独立应用程序。价值很明确，但采用率很低。为什么？因为医生不想离开他们的 EHR（电子健康记录）系统去使用一个独立的工具。该产品在技术上令人印象深刻，但分销错位了。
他们进行了调整：他们没有构建一个应用程序，而是构建了一个直接嵌入Epic 和 Cerner（主要的 EHR 系统）内部的 API。采用率一夜之间飙升。底层价值相同，但分销楔子改变了一切。医生不再需要改变行为——AI 出现在他们已在工作的地方。
教训是：在 AI 中，分销不是增长渠道——它是产品体验的一部分。
将市场分销构建到 PMF 中的实用方法
嵌入，不要替代。 找到你的理想客户画像（ICP）每天已在使用的工具，并直接集成。感觉不可见的 AI 将胜过需要新习惯的 AI。
利用修正循环。 用户每次编辑 AI 输出时，该操作都可以改进模型、生成更好的输出并吸引更多使用。分销和产品同步改进。
设计可共享性。 可以与同事、客户或社区共享的输出会产生自然的口碑。透明度（引用、审计日志）会放大可信度。
选择没有人追逐的切入点。 不要追逐广泛的“面向所有人的 AI”，而应选择狭窄的渠道。例如：“可插入 Shopify Flow 的面向中端市场 DTC 品牌的 AI。”
为什么缺乏分销一致性的规模化会失败
我见过 AI 创始人在获得早期吸引力后，就投入资金进行付费获取。结果呢？大量的注册，激活率低，流失率高。因为即使是用户来了，产品也不在工作的发生地。没有分销楔子，就没有习惯，就没有粘性。规模化只会放大漏洞。
幸存的公司会颠倒这个等式：他们首先专注于嵌入工作流程并构建自然循环，然后只有在确定每个新用户都可能粘住时才进行规模化。
在你 AI 旅程的现阶段，不要将分销视为“以后会发生的事情”。将其视为你 PMF 搜索的一部分。问自己：“我的产品自然存在于哪里？有什么楔子能让我进入工作流程内部？一旦我登陆，有什么循环会传播使用量？”
如果你回答了这些问题，你的产品就不会只是被测试——它将被采用、嵌入和防御。而在 AI 中，注意力转瞬即逝，克隆无处不在，这就是成为演示和成为默认选项之间的区别。
分销不是 PMF 的续集。在 AI 中，分销就是 PMF。
第 10 步： 将反馈 → 模型 → 产品循环制度化
如果说有一条真理能将短暂的 AI 演示与持久的 AI 产品区分开来，那就是：你的产品只取决于你制度化的反馈循环的强度。 在 SaaS 中，产品反馈关乎功能。用户要求新的按钮、更好的仪表板或集成。你优先处理路线图，发布更新，客户看到了进展。在 AI 中，反馈不仅仅关乎功能——它关乎真相。用户的每一次修正、拒绝或接受都是一个信号，可以（并且必须）直接反馈到模型中。
这创造了一个独特的动态：用户的每一次互动不仅仅是使用，它还是训练。如果你捕获并利用它，你就会复合增长。如果你不这样做，你就会停滞不前——而那些构建了这些循环的竞争对手将很快超越你。
为什么反馈循环在 AI 中与众不同
在 AI 中，绩效不会因为功能而停滞不前——它会因为模型相对于现实世界的使用停止改进而停滞不前。你可能认为你构建了一些神奇的东西，但如果你的用户不断覆盖输出，而这些修正从未流回你的系统，你就是在浪费宝贵的资源。
考虑解决同一问题的两家 AI 初创公司：
初创公司 A 将反馈视为支持工单。用户抱怨，产品经理优先处理，工程师集中解决问题。
初创公司 B 将反馈视为数据。用户的每一次拒绝、每一次编辑、每一次批准都会被自动捕获、结构化，并用于微调输出。
六个月后，初创公司 A 仍然依赖手动迭代。初创公司 B 的产品中已经融入了数千个微小的改进，每日都在复合增长。猜猜谁拥有护城河？
复合的反馈 → 模型 → 产品循环
最成功的 AI 公司设计了一个自我强化的循环：
1、用户与输出互动。
批准、编辑、拒绝或升级。
2、反馈被捕获。
不仅仅是“赞成/反对”，而是细粒度的修正（更改了什么，为什么更改）。
3、模型改进。
根据该反馈进行微调、提示优化或规则更新。
4、产品改进。
输出变得更好，信任建立，依赖加深。
5、循环重新开始，更强大。
更好的产品 → 更多的使用 → 更多的反馈 → 更好的产品。
这不是可有可无的。它是 AI 公司的操作系统。没有它，你只是一个 API 的薄薄包装。有了它，你正在构建一个可防御的系统，它会随着用户的每一次参与而变得更智能。
案例：AI 销售指导
一个 AI 销售指导平台构建其护城河，不是通过拥有最华丽的演示，而是通过捕获数千名销售代表的修正。每当一位代表调整了建议的回复时，系统都会记录下来。随着时间的推移，这些修正创建了一个数据集，记录了在特定行业中“良好”的销售语言是什么样的。
快进两年：竞争对手可以复制这个想法，但他们无法复制塑造了模型的数百万个细微反馈数据点。那个反馈循环成为了公司的护城河，他们的采用加深了，因为代表们注意到 AI 正在“向他们学习”他们的修正。
如何将反馈制度化
1、为修正设计用户界面（UI）。 不要将反馈隐藏在不起眼的按钮后面。让用户可以轻松地接受、拒绝或编辑输出。
示例： 批准/拒绝切换开关、内联编辑或一键升级。
2、捕获结构化数据。 不要只记录发生了反馈。记录更改了什么。 是一个数字被修正了吗？一个条款被重写了吗？语气被调整了吗？结构化创建了可训练的信号。
3、以可见的方式闭环。 向用户展示他们的反馈使系统变得更好。
示例： “感谢修正。未来在这种情景下的输出将相应调整。”
4、优先处理关键反馈。 并非所有反馈都是平等的。优先处理高风险或高价值工作（合规、合同、财务）中的修正，而非低风险的调整。
5、自动化改进周期。 构建持续将结构化反馈反馈到提示、微调或护栏中的管道。手动周期太慢了。
当反馈起作用时，信任就会增长
还有一个隐藏的好处：当用户看到他们的修正带来可见的改进时，信任就会增长。他们不再将你的 AI 视为一个黑盒子，而是开始将其视为一个向他们学习的伙伴。这种心理转变是持久采用的基础。
忽视反馈的风险
我也见过相反的情况。一家 AI 公司带着一个华丽的演示发布，获得了热度，但从未投资于反馈循环。用户遇到错误，修正了它们，但没有任何改变。随着时间的推移，挫败感积累：“我一直在教这个东西，但它从来没学到。”流失率飙升。一年之内，公司就倒闭了。
在 AI 中，忽视反馈不仅仅是错失良机。它是一种致命的缺陷。
在这个阶段，你可能会感受到追逐更多功能、更多用户、更多分销的压力。但请问问自己：“我是否正在捕获和复合我所拥有的最宝贵的资产——我的用户反馈？” 如果答案是否定的，你正在构建的是一个演示，而不是一个产品。
能够度过这波 AI 浪潮的公司，是将反馈 → 模型 → 产品循环深度制度化的公司，因为用户的每一次互动都在加固它们的护城河。这不仅仅是你找到 PMF 的方式。这也是你守住它的方式。
结论：构建经久不衰的 AI 产品
在 AI 领域寻找 PMF，不是为了规模本身而追逐，也不是成为发布日最引人注目的演示。它是关于一次又一次地证明，你的产品在痛点最尖锐、信任最重要的地方，创造了无可否认的价值。
成功的创始人不会是那些试图包罗万象的人，而是那些从小处着手、为边缘案例设计，并从第一天起就将防御性构建到产品中的人。他们会是那些痴迷于信任、衡量采用深度而非虚荣指标、并将分销视为产品本身的一部分而非增长杠杆的人。
教训很简单，但并不容易：AI 惩罚捷径。它奖励纪律、清晰度以及对成果的无情关注。如果你将 PMF 视为一个移动的目标，如果你像构建功能一样仔细地建立信任，如果你将反馈作为你的护城河，将工作流程作为你的分销渠道，你将赢得的不仅仅是发布的权利，而是持久生存的权利。
AI 领域竞争激烈、喧嚣且残酷无情。但对于那些愿意以精确性来对待它的人来说，它也是广阔开放的。从喧嚣中淡出，构建经久不衰产品之间的区别不会来自于雄心或炒作，它将来自于契合度的纪律。
本文转载编译自https://www.neweconomies.co｜原文地址：https://www.neweconomies.co/p/guide-to-finding-pmf-for-ai-products｜（编译：Katerina）