2025-11-23 20:59:00
原创 曲凯 2025-11-23 20:59 北京
AI 有泡沫吗？Scaling Law 还存在吗？未来一年的 AI 会如何发展？英伟达买还是空？
昨天刚发了和莫傑麟录的一期播客，我们总结了一下 AI 市场现在的状态，大概是：
1）23-24 年的上涨靠的是 scaling law 和 AGI 的共识；25 年以来，RL scaling law 还没有形成统一判断。
2）AI 模型是阶梯式发展，应用是脉冲式跃进，而当下偏向于一个微妙的空白期。
3）智能能否继续提升 in doubt，应用加速落地 for sure。
4）叙事逻辑在变化，之前叙事中涨起来的价格可能有泡沫，但 AI 本身的价值没有。
而在这其中，有相当多的问题还没有讨论完全，未来一年的 AI 会如何发展？ 英伟达买还是空？多模态的机会在哪儿？具身的量产和落地是梦想吗？能源和数据中心的故事结束了吗？
所以，我们决定再拉个小型线上讨论会，一起聊聊。
时间定在下周六（11 月 29 日）上午 11:00。 具体报名信息见上方海报。
我们会优先通过回答更认真、与我们背景更匹配的朋友。最终参会资格请以工作人员通知为准。
期待和大家认识&交流！
2025-11-23 20:59:00
原创 Celia 2025-11-23 20:59 北京
Unbundle 往往提供了切入市场的机会，rebundle 往往提供了捕获价值的机会，而 rebundle 的权力很多时候取决于价值链中的稀缺资源
Marc Andreessen 常说："这个世界上赚钱的方式只有两种，要么 bundle（组合) ，要么 unbundle（拆分) 。"
这句话放到 AI 时代，会打开一条非常有意思的分析路径。
所以这期我们想从这个视角出发，集中聊聊我们看到的一些机会。
目录
一个 “有护城河，但没有城堡” 的产品
一位硅谷顶尖 CEO 的世界观：万物皆可 Bundle
读完集装箱的历史，我对 AI 非常乐观
AI 圈最近很大的一个黑天鹅事件，是 Grammarly 的逆袭。
在此之前，我感觉创投圈的私下共识都是：
薄套壳应用很难有未来，功能单一的垂类 SaaS 也非常危险。Grammarly 这种上个时代的语法插件，理应是 ChatGPT 的第一批刀下亡魂。
但让我意外的是，Grammarly 不仅没死，反而活得更好了——年收入超过 7 亿美金，用户量突破 4000 万。今年还反向收购了两家我认为很有新贵气质的公司：Coda（新一代文档独角兽）和 Superhuman（一个口碑非常好的邮箱客户端）。然后，他们做了一个非常大胆的决定：将整个公司改名为 Superhuman，并推举 Coda 创始人 Shishir Mehrotra 出任新集团的 CEO。
我花时间仔细听了 Shishir Mehrotra 最近的两期播客。
听完之后，我有一种久违的兴奋感——这可能是我今年听到的，关于 “老公司如何在 AI 巨头中翻身” 最性感的一个故事。
Shishir 在播客中详细复盘了这场三合一大合并背后的战略决策，以及他对 Agent 的终局思考。
故事的起点很有意思。Shishir 说，Coda 和 Grammarly 最初认识，是因为双方融资 BP 的标题竟然一模一样：“AI-native productivity suite” (AI 原生生产力套件) 。
但他对 Grammarly 的判断是：这是一个 “有护城河，但没有城堡” 的产品。
这里的护城河，是指分发能力。
大家往往误解了 Grammarly，以为它的核心是 “语法修改”。
但实际上，它的核心技术是它构建好了一种能嵌入到 50 万个应用和网站的底层能力，让 AI 能在几乎所有网站、App、桌面应用上无缝读写、标注、修改。
也就是说，Grammarly 过去 16 年的牛逼之处，是构建了一条高速公路，能把 AI 带到你工作的所有角落。
相比之下，语法只是这条高速公路上跑的第一辆车而已。
但问题是，Grammarly 缺少一个核心的目的地。这就像 YouTube 只有 “视频嵌入” 功能，却没有 Youtube 官网一样。
这是他们要收购 Coda 的第一大原因，Coda 强大的文档中心就是 Grammarly 想要的大本营。
类似的逻辑下，Grammarly 又收购了 Superhuman。因为写 Email 其实是 Grammarly 的第一大使用场景。那与其作为一个插件寄生在别人的地表上，不如直接买下这个地皮。这样他们可以把 Agent、文档和邮件彻底打通，给用户一个更好的 AI 体验。
接下来，Grammarly 面临的第二个问题是：
这条高速公路上，过去只跑着一辆车——你的高中语法老师。
集团的新战略，就是把这条路开放出来，变成一个 Agent 平台，让无数车都能跑起来。
因为他们发现了一个很大的痛点：“AI 的最后一公里” 问题。
举个例子，亚利桑那州立大学是他们的早期客户之一 。大学内部开发了 5000 个 AI 应用和聊天机器人，几乎每个课程都有自己的 chatbot。
但结果根本没人用。
因为学生根本不记得要去打开那个 chatbot。
Superhuman 想做的，就是让那个教授 chatbot 直接嵌入到学生写作业的文档里，变成学生的数字孪生教授。
通过 Grammarly 已经造好的高速公路，他们可以成为整个 AI 市场的传送门。
同时，这也引出了他们收购 Coda 的第二个原因，Coda 能给他们带来一支现成的车队。
Coda 已经和绝大部分主流办公应用做了集成，这些应用可以变成无数新的 Agent，跑在这条高速路上。
我们可以想象一个场景：
过去，一个销售在写邮件，Grammarly 就像他的 “高中英语老师” 坐在他肩膀上，随时帮他改正语法错误，而未来，他的肩膀上会坐着一群人：
CRM Agent：提醒他 “这客户只对 A 产品感兴趣，别推 B”。
Support Agent：提醒他 “这客户之前投诉过，语气要软一点”。
Book Agent：他最近看了一本很喜欢的书《Radical Candor》，于是把这本书做成了一个 Agent，以后无论他在邮件还是 Slack 里和他人沟通，作者 Kim Scott 就像坐在他肩膀上，可以在合适的时候引导他把沟通变得更坦诚。
从第三方 App 的视角来看，他们也有很强的动力合作。
他给出了一个很生动的例子，试想，如果把 Duolingo 做成一个 Agent，跑在 Grammarly 的分发渠道上，会发生什么？
场景 1： 它看着你在网上读了三篇西班牙语文章，就自动帮你把今天的 “打卡” 勾上了——因为它知道你真学了。
场景 2： 它会主动入侵你正在阅读的英文文章，把里面 5% 你应该认识的单词，悄悄替换成西班牙语，这样你能不知不觉完成复习。
场景 3： 当你晚上再打开 Duolingo App 时，它不会再让你练 “餐厅点餐”，而是说：“我发现你今天在研究怎么买车，那我们今晚来练买车场景的对话吧”。
这几乎是对 App 这个概念的重塑。它不再是一个需要被动打开的界面，而是一个寄生在所有工作流中、主动服务的精灵。
以上就大概总结了 Shishir 的战略：Grammarly 提供 “高速公路”，Coda 和 Superhuman 提供 “大本营” 和 “核心车队”，而 Duolingo 这样的第三方就是各式各样的 “非机动车”。
我觉得他们的策略很有意思。
市场上一直有一个观点，最终 AI 的终局是 “得 context 者得天下”，而大厂占据了所有重要的用户 context，所以创业公司很难抗衡。
但实际上有一个问题，用户的 context 是相当分散的。以 Grammarly 为例，他们公司内部就在同时使用 972 个 SaaS 软件，而创业公司的机会就在于它可以构建一个中立的、跨平台的 AI 层把所有应用连接起来。
比如微软正通过 M365 + Copilot + Teams 的 bundle 建立一个 “封闭的围墙花园”，但微软只致力于让自己的封闭体系变得更好。
而 Superhuman 能在几乎任何 App、网页和工具中运行，包括 Office、Google Docs 等大厂根据地。
这是用开放生态的 bundle，对抗封闭生态的 bundle。
我在想，也许新时代并不存在所谓的 “入口” 之争，因为关键路径就不是 “用户打开 AI 入口”，而是 “AI 主动跑到用户身边去”？
Reference：
Why Grammarly Became Superhuman | Agents of Scale
Grammarly x Superhuman: The Future of Workflows | Grit
于是我顺藤摸瓜地考古了一下他的经历，之后有点明白了为什么 Grammarly 会把新公司掌门人的位置拱手让给他。
他可能是全硅谷最懂 “如何把不相关的东西打包卖出去” 的人。
过去 20 年，他几乎完整经历了所有最成功的 bundle 实践：
6 年微软：见证了 Office 套件的统治力；
6 年 YouTube（产品+工程负责人) ：探索了订阅制的捆绑艺术；
Spotify 董事：定义了流媒体音乐的打包形式；
Coda 创始人：打造了一个加强版的飞书文档，核心逻辑也是把文档、表格、应用全都组合进一个文档界面里。
在他看来，bundle 是商业中最强大、但最容易被误解的策略之一。
他对这个模式的思考非常深入和精彩！我翻完了他过去所有的访谈和文章，集合起来，给大家做一个系统的梳理。
我们先从一个最基础的问题开始：Bundle 的用处到底是什么？
Shishir 定义了一套很有意思的用户分类标准。
他认为，对于任何产品，世界上只有三种人：
第一类是刚需用户 (Superfan)： 他们必须同时满足两个条件：① 愿意为你的产品付全价 ② 有动力主动来找你
第二类是非刚需用户 (Casual fan)： 上面两条至少缺一个（比如嫌贵，或者懒得找）。
第三类是无关用户 (Non-fan)： 你的产品对他毫无价值。
传统的单点付费模式，其实只能赚到 “刚需用户” 的钱，而 bundle 的核心价值在于激活了海量的 “非刚需用户”。
比如 iTunes vs. Spotify。iTunes 最开始的模式是，用户想听一首歌，就需要花 $0.99 把它买下来，而 Spotify 提供了所有音乐的打包权限，让你能听到那些你 “还算喜欢、但不愿意花钱买” 的歌，这就盘活了很多潜在需求。
此外，bundle 最大好处是能够高效地平摊用户获取成本。
我们通常觉得单点付费最公平，买什么付什么，但其实它背后有非常高的隐形成本。
比如，对于一个小家电来说，它真正的物料成本常常只占零售价的 1/3。
剩下大部分都是营销和渠道成本。
换句话说，那个高昂的零售价，大部分是品牌为了 “找到刚需用户” 而付出的代价。
这就是为什么 “合约机”（手机+话费套餐）的商业模式如此成功，也是为什么亚马逊能把 “免费配送”（一个成本极高的物理服务）和音乐、视频打包在一起。
Bundle，就是在用 “非刚需用户” 的规模，来摊平高昂的 “刚需用户获取成本”。
那到底应该怎么制定 bundle 策略，把哪些内容捆绑在一起呢？
我的第一反应是：应该捆绑相似的产品。
但 Shishir 说，如果你捆绑的两个产品，用户群体高度重合，那你其实是在亏钱——因为这些刚需用户本来就会全价买这两样东西，这种组合只是在给他们白送折扣。最好的情况是，他们对另一款产品有一点兴趣，但并没有多到愿意全额付款。
比如 Spotify 的学生包曾经是一个非常成功的组合。它集合了 Spotify（音乐）+ Hulu（视频）+ Showtime（视频）。这乍一看没什么逻辑，但它的利润高得惊人。为什么？ 因为调研发现，同时付费订阅这几家的学生非常少。这个包一推，Spotify 的忠实用户觉得免费看看 Hulu 挺好，Hulu 的忠实用户觉得顺便听听 Spotify 也不错。这就成功激活了双方原本不会转化的非刚需用户，双赢。
所以，总结来说，最好的 bundle 策略，应该是 “刚需用户要尽可能错开，而非刚需用户要尽可能重叠。”
那接下来的问题是，既然要把不同产品捆在一个包里，那赚到的钱该怎么分？
我觉得大多数人可能和我的第一直觉一样：按使用量来分，谁被用得多，谁就拿得多。
但这又是一个常见的迷思。
他认为正确的分配方式是看 MCC (Marginal Churn Contribution)。它的定义是：如果把这一个产品从包里拿掉，会导致多少用户流失？
比如，在有线电视套餐里，体育频道和历史频道的观看时长其实差不多。 但体育频道拿到的分成是历史频道的 20 倍。 为什么？因为研究表明，如果从套餐里拿掉体育频道，会导致 20 倍的人立即退订。
这才是 bundle 的核心：使用量不决定定价，不可替代性才决定定价。
那使用量和 MCC 之间是个什么关系呢？
Shishir 画了一个 2x2 矩阵。
X 轴： Usage (使用量)
Y 轴： MCC (边际流失贡献)
他认为，任何产品都可以被放入这个矩阵，而它所在的象限，几乎决定了你的商业模式。
对于右下角的产品 (高 Usage, 低 MCC) 来说，更适合卖广告。比如短视频，用户每天能刷好几个小时，但他大概率不会愿意为每个视频出钱。这种时候就不适合直接向用户收费，更适合把他们的注意力打包卖给广告主。
对于左上角的产品 (低 Usage, 高 MCC) 来说，更适合直接付费。比如最极端的是例子是健康保险（你希望尽可能用不上，但没它又不行) 。
这个直接向用户收费的过程，最简单的是单买单卖，但如果能做一定程度的 rebundle，往往有更高的获利空间。
而且，rebundle 不是一个单一层面的事，而是一个可以层层嵌套、不断演进的战略，万物皆可 rebundle。
还是以 Spotify 为例，你会发现它的套利空间是通过三层 Bundle 撑起来的：
第 1 层，它把 iTunes 上 ＄0.99 的单曲，打包成了 ＄10/月的曲库。
第 2 层，它把播客加了进来。把单纯的 “音乐包”，升级为 “音频包”，占据所有和 “听” 相关的场景。
第 3 层，它开始跨界，把自己和 Hulu、Showtime 甚至电信运营商捆绑，用自己的刚需用户去交换全世界的非刚需用户。
这其实给我们提供了一个极其开阔的视角：我们现在的业务，能不能在现有的 Bundle 上，再捆绑一个更大的、或者跨界的 Bundle？
尤其是当我们把目光投向现在，AI 的出现，可能会让 bundle 策略变得前所未有的重要。
Shishir 把生产力工具分成了三个时代： 最早是 Word、Excel 的数字化时代，然后是 Google Docs、Figma 的协作时代，现在，我们进入了 Agent 时代。
在过去，捆绑的产品（如 Office 三件套）虽然边际成本为零，但开发成本是很高的，这天然限制了巨头能添加的产品数量。
但现在，软件的开发成本也在迅速逼近于零。
这意味着，现在的 AI 产品是 “双重低成本”（开发成本低、边际成本低）的。
这必然导致一个软件大爆发：
首先是无数解绑的，小而美的单点 Agents 涌现，紧接着，平台会迅速将这些散乱的 Agent 聚合成套件。
这对 AI 创始人的启示是：AI 领域 unbundle 的窗口期，或者说单点工具的红利期，将非常短暂。所有小的 AI 工具，如果不能迅速证明自己有独特的竞争力和不可替代性，就必然会被巨头捆绑。
此外，AI 还会打开的一个可能性是，历史上所有的套件都是标准化的，而 AI 可以使 “千人千面的动态 bundle” 成为可能。
未来，产品可以实时分析一个用户的个性化数据，为他定制一个 bundle 策略。这个组合里的产品、价格，对你来说是独一无二且最优的。这就直接实现了经济学家梦寐以求的 “一级价格歧视”，对每一个人实现价值榨取的最大化。
写到这里，我想多说一点。
Shishir 说他对 bundle 的思考已经到了痴迷的程度，以至于他老婆都受不了 “OMG，他又开始聊 bundle 了”。
在他眼里，bundle 不仅是一种商业模式，更像是一种世界观。也就是时时刻刻思考 —— 如何把事物拆解成最小单元，然后以最妙的方式把它们重新组合起来。
比如，医疗保险就是 bundle 理论最极致、最深刻的体现。
医保的本质，其实是把 “健康的人” 和 “生病的人” 捆绑在了一起。健康的人付费但不使用，生病的人产生巨额花销。如果没有这个 bundle，很多人会因为一次重病立刻破产。
而这个 bundle 又被进一步 rebundle。
在美国，它被捆绑在了 “就业” 上（公司福利）。
在很多其他国家，它被捆绑在了 “国籍” 上（全民医保）。
所以，很多时候我们争论的所谓 “意识形态” 问题（比如政府是否该管医保），拆解到最后，可能只是一个策略问题：
为了取得系统最优解，是把医保和 “就业” 捆绑更好，还是和 “国籍” 捆绑更好？
Reference：
The Art and Science of the Bundle | Invest Like the Best
Four Myths of Bundling
Unbundle 往往提供了切入市场的机会，rebundle 往往提供了捕获价值的机会，而 rebundle 的权力很多时候取决于价值链中的稀缺资源。
比如，以内容行业为例，Ben Thompson 有一个经典的拆解，我们可以把内容传播的价值链拆分为 5 个部分：
人类的每一次传播革命，都会解绑这个价值链上的一个环节。
在没有文字的远古时代，这五个环节是完全捆绑的。一个想法的诞生、讲述、传递和被听到，是同一个过程。
第一次解绑，来自文字。
自此，“消费”这个环节被解绑了。想法可以被记录下来，让不同时空的人去领会。
但这时，内容还必须靠人一个字一个字地抄写，这极大限制了思想的留存和传播。
第二次解绑，来自印刷机。
这解决了 “复制” 的瓶颈，知识第一次能像流水线一样扩散。
但此时，“分发” 又成了核心的关卡，所以那个年代的报社、电视台是一个集权中心，非常赚钱。
第三次解绑，来自互联网。 它让分发的成本彻底消失。
此时，整个价值链上只剩下了最后一个 bundle：产生想法，和将它具象化的过程。
这也是我常常感到痛苦的地方，我有很多想写的选题，但实际写出来是一个拖延的、费劲的过程，因为我必须把自己网状的思考，用线性的逻辑一个字一个字梳理清楚。
而 AI 推动了人类传播链上的最后一次解绑。它能帮你自动生成、延展、补全，一个 idea 不必完全由你加工。
而且，过去，一个创作者的风格很难被模仿，一个人的音容无法脱离她本人而存在。
但现在，大模型就像是一个互联网内容的 “取色器”。我们可以一键提取一个人的音色，一件衣服的版型，一个学者的视角......并将他们重新组合。
因为 llm 的原理就是把一切概念打散、向量化、细化到最小的颗粒度进行消化，然后以任意的抽象层级进行提取，所以，比特世界里的任何一个要素都具备了 unbundle & rebundle 的可能。
也就是说，AI 把比特世界变成了一块可以随意拼拆的乐高。
写到这里，我脑子里开始思考一个问题：
“原子世界里，有没有过类似的东西，也曾被拆成一个个可以自由组合的小单元，然后引发了一些有趣的改变？”
我立刻能想到的例子是集装箱。
集装箱听起来很无聊，但它做的事情和 AI 在某些方面很像：
集装箱重塑了实体经济的供应链，让货物可以在世界范围内相对自由地运输和流转。
而 AI 重塑了知识供应链，让过去无法流转的 “隐性知识” 和 “非结构化数据” 得以在全球任意一个角落被调取和重组。
于是，我又去翻了一些资料，读完发现，集装箱以一种我从未预料到的方式，影响了这个世界的走向。
在集装箱出现之前，卡车、火车、轮船各有各的标准，长途运输极度不可靠且昂贵，所以企业必须选择 “垂直整合”。福特当年甚至自己种橡胶树、自己炼钢，就是因为不敢依赖外部供应链。
集装箱和它背后的标准化协议，带来了前所未有的便利性和可靠性。
它的一阶效应所有人都能想到：物流的效率大大增强了。
但更重要的是它的二阶效应：
制造业被解绑，工厂不需要再建在一起，而是可以去中国生产、去越南组装。
当企业开始在全球范围内寻找供应商，这种竞争就迫使供应商在各自的细分领域细分领域卷到极致。你不能只是个 “还行的制造商”，你必须是 “全球做显卡最好的专家”。
而当每一个零部件都变得高度专业化、模块化时，类似个人电脑这种复杂的产业诞生了。这是之前任何一家公司自己绝对做不出来的。
而且，更进一步的是，集装箱彻底改变了经济增长的形状。
GDP 不再是线性增长，而是 “分形式增长”。
所谓 “分形”，就像是一片雪花——你放大每一个微小的局部，都会发现它有着和整体相似的结构，能无限分叉。
过去，因为什么都自己干，企业没办法在每一个零部件上都做到世界顶尖，创新被锁死在一个公司的内部能力上限里。但如今，集装箱带来了 “局部创新”。不需要任何一家公司从头到尾重新设计整个系统，做硬盘的厂商只需要专心把硬盘做得更快、更小，而不需要去管显示器怎么造。增长开始发生在每一个微小的分叉末端。整个行业的创新速度被指数级放大了。
很多经济学家后来回溯数据发现：
全球 GDP 曲线在 1960 年代之后突然加速了一整个数量级。
原本一个公司干所有零件，后来每家公司卷自己的 1 平方厘米，而每 1 平方厘米的创新，都能被整个行业捕获。
局部创新 × 模块化 × 全球拼接 = 一个全新的增长曲线。
想到这里，我突然会觉得 AI 的未来恐怕比我预想得要更加乐观。
如果集装箱让 “制造” 在全球流动，那么 AI 正在让 “能力” 本身在全球流动。
以前，一个优秀的文案、一个天才程序员，他们的能力被锁在自己的大脑里。你想调用这些能力，必须雇佣这个人，并经过复杂的沟通与磨合；在 LLM 出现之前，软件与软件之间也是不互通的。要让软件 A 处理软件 B 的数据输入，往往需要复杂的 API 开发或者人工搬运。这些都类似于集装箱出现前不可靠的长途运输。
而 LLM 的出现，可以说创造了一种智能集装箱，所有的认知劳动都可以用高维空间中的向量运算统一表示，这些问题都可以得到解决。
那么，接下来会发生什么？
如果遵循集装箱的历史，我们大概可以做出这样一些推演：
1. 未来的竞争将分化为两极：
一端是极致的组件专家，他们把某一个细分领域（比如专门做金融风险建模的 AI）卷到世界第一；
另一端是极致的整合大师，他们利用对人性和商业的深刻理解，将这些智能模块 rebundle 起来，构建出前所未有的新物种。就像集装箱最终成就的不是船运公司，而是苹果、戴尔、宜家这样的 “系统整合型公司”。
2. 创新速度会呈现 “局部创新 × 指数叠加” 的爆炸式增长。
每一个 AI 组件每提升 10%，会让依赖它的所有业务同步提升。
每个业务提升一点点，公司就会多腾出很多人力，这些人力又反向推动更多创新。
我们有可能迎来一个指数进步的新世界。
有人担心未来会没有事做，但我完全不这么想。
当创作、开发、生产成本无限降低的时候，长尾市场不再是 “没人愿意做的小众需求”，而是一个巨型的新经济带。
过去长尾供给为零，是因为做个性化服务的边际成本太高。
但 AI 时代，生产成本可以大幅下降，分发精准度可以大幅提升，于是，小众需求终于可以在经济上闭环了。
今天 Spotify、Netflix 已经证明 “长尾内容贡献了主要的观看时长”，但这还只是内容领域。
未来我们可能会有：
长尾宠物心理师 (只教授 “如何养育有轻微分离焦虑的英短猫”这种超窄主题）
长尾健康方案（根据你的心率、昨晚睡眠深度和今天要开会的对象，自动调配咖啡因毫克数）
长尾餐厅 （专门复刻爆款剧目里 “最让观众想吃的一道菜”)
....
到时候，长尾的总和将比头部更大。
3. 我觉得职业的分类方式会发生非常根本的改变。
今天我们还把 “工程师”，“律师” 视为一个整体职业，
但在 AI 的拆解下，这些职业会被分解成几十种可租用的能力。
你不需要雇一个全能的工程师，你只需要按需调度一串能力链。
纳瓦尔之前也讲过一个类似观点：我们认为理所应当的全职工作，其实只是历史长河中的一段特例。
在 AI 时代，因为企业需要的能力模型变化太快，而寻找外部人才的交易成本又在急剧降低，所以未来的白领工作会逐渐走向 “好莱坞模式”，也就是大部分人只以项目制的形式合作，而不会加入一家公司。
大家像拍电影一样，为了一个项目迅速集结。导演、灯光、场务，各司其职。项目结束，剧组原地解散，所有人各自寻找下一个剧组。
未来，人可能并没有一个固定的职业，而是一个综合的 “向量”。
能力 × 经验 × 兴趣 × 价值观 = 一个人的职业 embedding
AI 会基于你的所有微小特征，帮你寻找到最合适的一份工作。
这是我觉得未来最 exciting 的地方。
最后，回到开头的那句话："这个世界上赚钱的方式只有两种，要么 unbundle，要么 rebundle"
从古至今，unbundle 是技术的宿命，而 rebundle 是商业的使命。
技术总是倾向于把东西拆得更细、更碎、更专业。
蒸汽机让体力变成了可调用的模块
云计算让算力变成了可调用的模块
集装箱让商品变成了可调用的模块
AI 让智能变成了可调用的模块...
但价值总是在于商业如何把这些碎片，用一种独特的逻辑重新组合起来，去解决一个新的问题。
这或许是我们这一代人的最大红利：
在一个能力被极度 unbundle 的世界里，能够通过 rebundle 解决复杂问题的人，将拥有前所未有的杠杆。
Reference：
Reshuffle | Sangeet Paul Choudary
The AI Unbundling | Stratechery
1309 Naval Ravikant | Joe Rogan Experience
更多阅读：
Figma 如何战胜 Adobe 等六篇 | 42章经 AI Newsletter
为什么说 AI 还没到泡沫？等四篇 | 42章经 AI Newsletter
P.S. 很多朋友反馈希望以邮件的形式订阅，所以我们给 AI Newsletter 的新专栏单独开了一个网站，感兴趣的朋友可以点击 “阅读原文” 通过网页版订阅 (友情提示，打开网页需要一些魔法)。
2025-11-16 20:58:00
原创 曲凯 2025-11-16 20:58 中国香港
终于懂了，抖音是这样长成 8 亿 DAU 的庞然大物的
2018 年，北川通过校招加入抖音，亲历了它从起量到赶超快手的关键三年。从字节离开后，他又投身 AI 创业，近期推出了在圈内刷屏的 Lessie AI。在这期播客中，北川以内部视角，带我们梳理抖音崛起的关键决策，也分享了他从字节到创业的思考。
本期播客原文约 32000 字，本文经过删减整理后约 10000 字。
曲凯：抖音是什么时候开始做的？
于北川：正式立项是在 2016 年，17 年七八月份开始起量。我是在 18 年年初、还没毕业的时候，以实习生的身份提前加入的。
曲凯：我记得那个时候，字节还叫头条。
于北川：对。我们那届校招的时候，大家还不太愿意去头条，因为当时今日头条给人的感觉有点土土的。
我当时是在官网看到头条在招「社交产品经理」，觉得挺有意思。我想做产品，其实在某种程度上就是因为想做社交，而且当时很难想象头条的社交产品要做什么，于是就报了这个岗位。
当时有很多交叉面试，面到最后才发现原来是做抖音。
我记得最后一轮是和卷卷（抖音早期产品负责人、原字节跳动 PICO 副总裁）聊，聊了很多。最后他问我：「你听过抖音吗？」
我说：「没有」（笑）。
那时候抖音的量还不大，那也是我第一次知道抖音这款产品，之后才慢慢成了它的用户。
曲凯：我记得在 17、18 年的时候，头条确实不是一个很常规的选择。一方面就像你说的，大家觉得头条比较土——土可能都是一个委婉的说法，当时挺多人觉得头条有点 low（笑）。
而且那时候，大家对抖音能不能做起来，也还有很多争议。
于北川：对，我印象也很深。
所以我选择加入抖音的时候，身边有不少人都挺费解的，因为很多人当时并不看好这个产品。
抖音不是第一个做短视频的应用，像小咖秀之类的产品也起过量，但很快就消失了。所以大家会觉得，短视频是不是就是一波流的产品。
当时我们内部也不太确定这个产品的天花板究竟有多高。
所以无论从外部还是内部看，抖音这个产品一开始都存在很大的非共识，大家都会质疑它的长期留存。
但与此同时，抖音的数据在持续上涨，增速非常快。
曲凯：所以你加入的时候，团队大概是什么状态？
于北川：非常年轻。我当时的团队里，一半左右都是校招生，整体氛围很「创业」，和我之前实习待过的腾讯、京东都完全不一样。身边的人都特别忙，永远在做一些很重要的事情。
曲凯：当时抖音就已经算是起量了吗？
于北川：对，算是起来了一些。整个过程其实非常快，经历了几波。
第一波比较大的增长是在 17 年下半年。
当时有个叫「冲顶大会」的产品很火，就是大家直播答题、分奖金。后来字节也做了类似的「百万英雄」，把它做成了 SDK，放到头条、西瓜、火山、抖音等产品里，希望带动增长。
我那时候还没毕业，发现身边的大学生对「百万英雄」这种形式很感兴趣，真的会因为它去下载一个新产品。而因为大家觉得头条有点「土」，就会去下抖音。抖音的内容又刚好吸引了这些高校里的年轻人，很多人就留了下来。
第二波是在 17 年到 18 年春节，当时出现了一波非常偶然的增长。
为什么说偶然？是因为火山原本有一个春晚的资源位，但因为某些原因被让给了抖音。抖音拿到这个资源位后，春节期间流量翻了一倍，也突然迎来了很大的增速。
这一次，也让字节内部第一次真正看到了抖音的增长潜力。
再到后面，18 年我们又做了很多动作，加速了抖音的增长。
到 18 年底、19 年年初的时候，抖音的 DAU 就已经反超快手了。
曲凯：在这个过程中，你印象最深的几个阶段或节点是什么？
于北川：抖音的整体发展大致可以分成几个阶段。
从 17 年 6 月到 20 年年中，是抖音的高速增长期：
17 到 18 年是起量阶段；
18 到 19 年，我们追上并超过快手，坐上了短视频领域的第一把交椅。
19 到 20 年，在超过快手之后，抖音成为仅次于微信的最大 DAU 产品。
20 年之后，抖音的重点转向电商、本地生活等商业化方向。这也是现在抖音投入最激进的部分。
我后来听内部人讲过一个故事。当时字节决定做短视频，是因为一鸣画过一条线——这条线对应着内容时长：
起点是 0 秒，对应文字和图片；
终点是 1 小时以上的长内容，比如电影、电视剧，这些已经有平台在做；
1 到 30 分钟的中视频有 B 站；
而 0 到 1 分钟的短内容，还没有对应的产品，有很大的空间。所以字节要做。
曲凯：非常合理。
于北川：是的，我觉得这就是很「一鸣式」的思考。
之后内部立项了很多 App，包括火山、西瓜、抖音。不过西瓜后来更多做中视频。
抖音最开始在字节系内的资源其实很少，大家对它的预期也不一致。有人认为它的天花板是 600 万 DAU，而最乐观的预测也不过 1200 万。
所以在抖音起量之前，包括到 18 年 DAU 已经有 3000 万的时候，我们内部依然很焦虑。
为什么？
原因很简单：我们普遍认为，一个消费级产品的 DAU 不可能太高。
从事后的角度看，我们今天有很多理由解释抖音为什么能做这么大。但在当时，没有人能想象，一个娱乐消费产品可以在中国做到 8 亿 DAU。
那时除了微信，DAU 最大的是支付宝，差不多 4-5 亿；而微博、今日头条这样的产品，基本在 1-1.5 亿就停了。另外，当时快手已经有 1 亿多 DAU 了，是很强劲的对手。
所以我们对增长和产品天花板都很焦虑。它涨得越快，我们越焦虑，因为我们可能离天花板越来越近了。
那时为了突破天花板，我们做了很多尝试。比如从 18 年到 19 年、甚至到 20 年，抖音最重要、也是战略级的事情，就是做社交。
社交和社区有很多种定义（大家有兴趣可以去读下 Albert 这篇采访，把社交、社区讲得很透：拒绝三亿美金 offer 的人 | 42章经），当时我们想做的，是类似 Ins 或微信朋友圈那种「先有关系、再有内容」的社交，也投入了非常多精力。
曲凯：我能不能这么理解：当时你们发现 DAU 的天花板就是微信，对自己的天花板又不太自信，也比较焦虑，所以为了突破天花板，就决定去做微信擅长的社交，试图靠拢微信级的 DAU 规模？
于北川：某种意义上来讲，是的。
当然微信是个特例。但为什么微信或 Ins 这类产品的 DAU 都很高？因为用户需要互动。当关系链越密，用户打开的动机就越强。哪怕 Ta 没有特别强的内容消费需求，也会因为想要互动而打开 APP。
所以我们当时的认知是：社交能增强长期留存，也能加速用户泛化。
于是我们在「人与人的互动和社交」这件事上做了很多探索。一鸣当时对这件事也非常执着。
曲凯：合理。但最后是不是那些探索基本都失败了？
于北川：我觉得算是失败了。
曲凯：回头看，18 到 20 年，甚至再往后两年，市场就已经没什么机会了。尤其是社交这块，我印象中从 18 年开始，就再没跑出来过大的新社交产品。
现在经常有人质疑「字节为什么做不好社交」，但放大来看，当时不只是字节，全国也没有谁能做成一个新的社交产品。
不过我觉得，字节做不好社交，还是有它的原因（笑）。
于北川：我认可。从根本上讲，字节没那么擅长做人与人之间这种生态的、关系性的事。
曲凯：对，它的运作方式、组织形式、企业文化等等，可能就决定了这一点。
于北川： 是。大家经常说字节喜欢做 AB 实验、喜欢看数据，这当然带来了很多好处，但也带来了一些典型问题。
在做社交这件事上，这些问题就暴露得很明显。
因为数据是可以被 hack 的。比如有同学能很快把抖音的好友中位数提上来，另一个同学也能迅速把互动频次拉高。
曲凯：最简单的方式，可能就是让用户做一些动作，然后领积分、领红包之类的。
于北川：对。但用户最后未必真的会在产品里发生自然的互动。
当你把社交这件事拆解成一个个细碎的指标，它就缺乏了整体性。而做好社交，恰恰需要整体性和连贯性的思考，要让用户能自然地在你的场景里流转。
曲凯：而且我觉得，做跟人相关的东西也很需要品味。
我不是说字节没有品味啊（笑），而是想讨论另一个问题，就是我一直很好奇，为什么头条没有品味，而抖音有？
我应该是在 17 年就开始用抖音了。当时身边的人还没那么喜欢，但我已经很喜欢了，还写过一篇文章（回顾：日聊投资三个人，日刷抖音三百条 | 42章经，发布于 2017 年 6 月）。
我们先不讨论品味的高低，但至少大家都会承认，头条和抖音的品味是不一样的。
那你觉得这是为什么？明明这两个产品都是一家公司做出来的。
于北川：这是个很有意思的观察。我觉得「调性」这个词可能更合适一点。
抖音之所以能成功、后来能战胜快手，其中一个非常重要的原因，就是它起点的调性足够高。
当然，头条能成功，可能也是因为它选择了那样的调性，否则它也不一定能起量。它可能会变成另一种知乎。
曲凯：不太可能（笑）。它想做知乎没做成。可能会变成另一个腾讯新闻？
于北川：哈哈，那我们说回抖音。先看当时的短视频市场环境。那时比较大的产品，就是快手和火山。
17 年快手已经具备一定量级，18 年时 DAU 已经相当大了。同期，火山在 17 年增速也很快，18 年做到 3000 多万 DAU，一度远高于抖音。
那为什么火山没能继续起来？
因为火山和快手太像了。
火山很多早期用户其实是从头条导量来的，而头条用户和快手用户重叠很大，这导致火山的种子用户更偏好消费「快手类」的内容。
所以从市场定位上看，当时火山和快手形成了直接竞争。火山在增长时自然会遇到很大的上行压力，因为那时快手体量更大，增速更快，生态更成熟，创作者体系也更完善。
在这种情况下，抖音是怎么冲出来的呢？有三个关键原因：
第一，抖音 day one 就坚决不从头条导用户。这是卷卷当时做的非常对的决定。自己起量虽然更难，但那是一条难而正确的路。
第二，抖音的品牌元素更年轻化，也更有独立审美。在 17、18 年时，抖音可能是中国较大的 APP 里，唯一选择全黑 UI 的。黑色虽然不利于阅读，但抖音靠 UI、Logo、名字等，建立起了独特的品牌调性。
第三，强大的内容运营。
你如果在 17 年下半年打开抖音，会刷到很多极限运动的视频、很酷的小哥哥小姐姐，还有很多技术流内容。
在内容池不够大、用户量还不多的阶段，机器学习和推荐算法还起不了太大作用，所以抖音当时有一个「精选标签」，由团队挑选优质内容，通过产品策略或运营手段让更多用户看到。这其实代表了团队对内容社区的引导。
曲凯：我觉得这就是品味。运营的品味。
于北川：对。所以这三点，让抖音吸引了更多当时的年轻用户。
曲凯：是。而且你刚才提到一个点，你说当时你进去的时候，一半的产品经理都是应届生。
我刚才还在想，比如现在豆包里的产品经理，你敢说有一半是应届生吗？肯定没有。
于北川：可能比例没那么高。那时候字节是真的很相信年轻人。
曲凯：不过当时是因为字节相信年轻人，还是因为抖音这个项目没那么受重视，所以没调太多人过来？
于北川：主要还是因为字节相信年轻人。我坚信这一点。
现在的字节可能还是相对相信年轻人，只是有经验的人确实变多了。
而且抖音独特的一点是，它的增速足够快，所以年轻人能获得更大的空间。
曲凯：对。我这两年一直在跟人讲，我觉得从 20 年、甚至再往前一两年开始，给年轻人的机会就少了。大家没那么多机会经历高速增长。
于北川：是。我觉得很多优秀的年轻人确实需要更多的机会和红利。
曲凯：我会更激进一点，我觉得是需要打仗。
于北川：对对，这个表述挺准确的。我们可能是最后一批吃到移动互联网红利的人。再往后，哪怕一个人资质再好、再聪明，也很难再加入增速这么高的组织，能获得的成长空间也有限。
曲凯：那几年想要成长的人，可能都去搞 Web3 了。不过这两年，AI 又给大家带来了机会。
于北川：对。我觉得某种意义上讲，AI 拯救了所有人的灵魂。
我是 96 年的嘛，像我们这一代人，上学时先后见证了 PC 互联网、O2O、移动互联网的崛起。好不容易毕业赶上移动互联网的末班车，等到自己有一点能力和资源时，却发现战役已经快速结束了、红利也没了。
所以在 AI 出现之前，大家都挺躁动的，包括我自己，也焦虑过、绝望过。
AI 的出现，确实拯救了整个行业。
曲凯：OK（笑）。那我们讲回「运营的品味」。
这里我有个问题，就是「有品味」是不是和「大众性」矛盾？比如一个特别有品的杂志，大概率不会太大众。那你们当时是怎么解决这个问题的？而且我理解，产品到一定规模也都得靠推荐算法，那时候又怎么保持品味？
于北川： 有两个关键因素，一是早期用户，二是分发器。
在产品的 0-1 阶段，最重要的是选对早期用户群。
抖音最早吸引的主要是年轻人，而年轻人有一个很大的优势，就是兴趣广泛，也因此更容易泛化。
举个例子，你很难让我爸妈去看二次元视频，但如果让一个年轻人去看「土味视频」，Ta 会愿意试试看。
有了这样的人群之后，如果能及时引入更多垂类创作者和内容，就能进一步扩展用户。
所谓的「泛化」，本质上就是不断引入新的内容，让推荐系统去学习、去分发，推给更多可能感兴趣的用户。而因为抖音的用户更容易接受不同类型的内容，这些新内容就能在社区里逐渐做起来，进而吸引更多愿意消费这类内容的人进来。
而抖音的单列分发器又非常强大，这让整个过程变得特别高效。
极致的分发效率，极大加速了内容的泛化。
相比之下，快手、小红书、B 站那样的双列选择器，分发效率和泛化效率都弱得多，因为用户得先自己筛选「想看什么」。
曲凯：我记得当时有很多关于单列 vs 双列的讨论。
于北川：对，当时我们内部也争论得很激烈。
快手是很后期才改成单列的，早期它的双列做得非常极致，前端显示的信息很少，没有点赞数，基本只能看到封面，甚至分不清是视频还是图文。18 年时，快手的图文内容比例也确实比较高。点进封面后，下滑看到的也不是下一个视频，而是评论区。
这样的机制有两个直接结果：第一，它让流量分发更平均、更公平；第二，它天然更适合普通人创作。
所以在那个阶段，快手的投稿率天然高于抖音。
这其实也说明了一个更底层的逻辑——分发容器决定了分发效率，也决定了生态的走向。
什么意思？
快手的双列逻辑，让流量分布更平均，也更像一个社区，互动性更强。所以当时不少人都觉得，快手可能会成为中国的 Ins。
这也是为什么，虽然抖音在 17 年就已经确定了单列形态，但我们当时对这个选择并没有那么自信。单列的分发效率虽然更高，但用户主要在单边看这个全天候电视机，互动会更弱，所以我们担心产品的长期互动属性太低。
曲凯：那你们内部既然讨论了这么久，没想过干脆 AB Test 一下吗？
于北川：涉及到双边生态和用户信任的改造，是很难 AB Test 的。
要测双列，就得让一部分用户只能看双列，另一部分只能看单列。可创作者那端是分不开的。你想测双列用户，但 Ta 关注的创作者发的却是单列内容，那怎么测？
所以要么只能测消费侧的影响，要么只能测创作侧的影响，很难设计出尽善尽美的 AB Test。
曲凯：所以最后讨论下来，还是决定维持单列？
于北川：对。因为抖音确实涨得太快了。
曲凯：就是在增长面前，一切都不是问题了（笑）。
于北川：是的。我们从来不焦虑短期 DAU，因为 DAU 涨得真的很快。焦虑的反而是长期留存，所以我们才去提高互动，去做社交。
曲凯：那前面讲的这些互动、留存问题，最后是因为涨得够快就自然消弭了，还是你们确实做对了什么？
于北川：早期靠的是抖音团队对品牌调性的坚持、对内容的把控。
但坦白讲，到中后期，容器定型、分发机制成熟后，人能发挥的作用就没那么大了。
虽然我们现在能后验地总结出很多「为什么」，但在当时，我们谁也不知道抖音为什么能涨到这么高的 DAU，也说不清为什么单列的商业化就一定更好。
曲凯：那你觉得抖音的 DAU 能做到这么高，最核心的原因是什么？
于北川：足够「无脑」。
抖音最大的竞争对手其实是游戏。
当你无聊时，打开手机第一件事是什么？打一把游戏，还是点开一个「不用动脑」的产品？
一旦你能做出一个让人无脑打开的产品，这个心智就是穿透一切的。
曲凯：我突然想到了一个点——怪不得短剧这么火，因为短剧底下的评论第一条总是「我先把脑子存在这儿」哈哈。
我觉得字节的逻辑，就是分发所有无脑的内容（笑）。
于北川：这我可不敢讲哈哈。
曲凯：你看，抖音是无脑短视频，番茄是无脑爽文，红果是无脑短剧。
但确实，人们很多时候，尤其是在会议间隙、通勤上下班时，就是不想动脑，对吧？
于北川：我觉得这就是人性。
这类产品的天花板天然更高，因为需要放松的人一定更多。或者说，每个人每天都需要一段放松的时间。
另外，如果说字节早期有一条主线，那一定是推荐系统。而推荐系统在分发这类「无脑内容」时有天然优势，因为用户打开频次高、停留时间长、能积累更多消费数据。这些数据又会反过来让算法继续分发更多类似内容。
曲凯：是。我在想，如果下一个创业者来跟我说要做「下一个抖音」，我可能得先判断，Ta 做的内容够不够「无脑」（笑）。
那回头看，18 到 20 年这三年，抖音还有什么特别重要的核心决策？
于北川：最重要的事就是做社交。
曲凯：重要但未成功（笑）。
于北川：对。幸运的是，这件事成不成功，对抖音的天花板影响没那么大。
但那时候我们确实很焦虑，也做了很多疯狂的决策，比如买下 18 到 19 年春晚的冠名权。
当时一鸣非常激进，他希望能让用户尽快在抖音内建立社交关系，形成这种心智。
而春晚这个舞台历来都有「神话」，比如支付宝靠集五福出圈，微信普及了摇一摇和红包心智，所以我们也寄予了春晚很大期待。
春晚有两个冠名档，区别在于口播时间。那一年我们没拿到第一冠名位，但也能获得大量流量。于是我们想借这波春晚流量，把抖音的社交场景推出来。
赞助春晚必须要配红包活动，我们就设计了一个玩法，希望通过发红包，引导用户加好友、互动。
现在听起来挺扯的哈哈，发红包跟社交能有什么关系？但当时确实是这样的导量逻辑。
后来上线前两周，我们又临时把活动目标从「互动」改成「拉新」，因为大家激烈讨论后，发现前者的逻辑还是不太顺。
这件事也是个教训。当时战略太摇摆，最后互动和拉新两边都没做好。
曲凯：除了社交，还有别的核心决策吗？
于北川：剩下比较重要的，就是增长相关的了。
19 到 20 年，我们的重点是守住短视频第一的位置，并进一步拉开和快手的差距。那时做了几件关键的事。
第一，推出抖音极速版，对标快手极速版。这个产品从立项到上线只用了两周，然后迅速涨到了几千万 DAU。
第二，19 年底到 20 年初，火山更名为「抖音火山版」。
第三，也是最重要的一件，就是在 20 年春节，用整个集团的力量给抖音导量。
为什么会有这件事？
因为那年快手非常激进，独家拿下了春晚的两个冠名位，而且改成了单列，想趁机冲一波流量。
我们当时非常紧张，担心快手的 DAU 会暴涨，然后他们真能接住这波流量。
于是我们采取了两个对策。一是加大发红包力度，要在市场声量上压过快手。快手发 10 亿，我们就发 20 亿。二是动员抖音矩阵中的其余 6 个产品，全部给抖音这 1 个产品导流。
曲凯： 这就是打仗啊。
于北川： 对！真的是一场硬仗。好在我们打赢了，而且打得非常漂亮。
怎么打的呢？
春节红包的核心玩法是「集卡」，用户集齐几张卡，就能瓜分红包。
字节把每张卡都对应成一个产品，比如皮皮虾卡、头条卡、西瓜卡……最稀有的那张叫「抖音卡」，相当于支付宝的「敬业福」。
关键来了——想拿到抖音卡，无论你在哪个 App 参与活动，都得去抖音。只要用户在春晚当天打开抖音，就有很高概率拿到这张卡。
同时，那天晚上我们还发了全量 push，所有用户点开都会直接跳进抖音。
所以那一晚，整个字节几乎是倾尽全力在给抖音导流。
这是只有字节能做到的事。你很难在其他公司看到这样跨部门、跨产品的协同，而且调动资源的力度如此之大。
后来抖音也确实接住了这波流量。那天我们的 DAU 冲到了 4.7 亿的峰值，算下来 LTV 也是正的。
紧接着疫情来了，很多新用户也就留了下来。
那场春节战役，成了抖音开启疯涨模式的转折点。
有个细节我印象很深。在活动前一两周，一鸣跟我们开会的时候还问：「20 亿够吗？要不要花 100 个亿？」
这其实就特别能体现字节的风格：追求极致，甚至有点极端（笑）。
但也正是这种「从极致到极端」的思维，会逼着你去想：怎样才能真正打败对手？怎样才能实现 100% 的增长，而不只是优化一两个点？
曲凯：明白。所以如果时间倒流，那几年里有没有哪件事你会做得不一样？
于北川：我觉得我会更激进一点。那几年我们对抖音、对未来的认知都不够，所以做事还是偏保守。
这种保守也跟当时团队的工作方式有关。
很多人以为字节做事就是搞个差不多就上线、之后再疯狂 AB Test。
其实不是。
那时候抖音的做事方式非常严谨。我们有完整的评审机制，每个方案都要经过充分论证、说服关键人，才能推进。因为抖音已经是个很大的产品了，所以 AB Test 反而是在比较靠后的环节。
这种状态很好，让我们耐心地等来了抖音的高速增长。
但也因此，错过了一些机会。
曲凯：比如呢？如果更激进，你会做什么？
于北川：我会在 18 年更早、更激进地推直播。
当时最大的直播平台是快手，而抖音的直播流量很差。
我们当时的思路是开一个单独的直播入口，而不是直接在 feed 流里试。因为团队还很谨慎地控制着 feed 流里能分发什么内容。
结果后来事实证明，抖音的 feed 流可以分发一切，比如认识的人的卡片、电商广告，甚至附近的店。
所以如果当时能更早分发直播，抖音直播可能也会更早起来。
曲凯：那几年里你应该接触过很多字节的人，甚至上到一鸣。所以你对字节的组织和人的印象是什么样的？
于北川：字节有一个很与众不同的特征：你不知道谁是谁。
曲凯：怎么讲？
于北川：就是你看不到头衔，不知道谁是负责人、谁是 VP。系统里你可能只能看到对方在哪个部门、OKR 是什么、联系方式是什么。
字节尽可能弱化了层级关系。
我加入的时候，公司其实已经有好几万人了，但我依然能和高层直接交流、开会。除了我在一个比较重要的业务之外，更重要的是，字节愿意给大家这样一个扁平的环境。
我第一天入职，卷卷就跟我说：「在这里，你不需要把自己当成实习生或者校招生。」大家都是直接对接、直接讨论。
这种扁平，是字节早期核心团队刻意保留下来的文化风格。
它带来了什么？——「祛魅」。
你在新闻里看到一鸣、卷卷这些名字，会觉得离自己很远；但在公司里，你会觉得他们离你很近。
而在这种距离被拉近的过程中，你会自然地产生一种想法：「很多事情我也能做。」
于是你更不设边界，更敢承担，更敢成长，也更有野心。
所以为什么我前面说字节早期给年轻人的机会非常大？为什么那么多优秀的年轻人是从字节出来的？
正是因为这套组织文化。在这样的文化里，组织才会一直有活力。
这也是字节最核心的竞争力。其次才是它的理性、数据驱动这些。
曲凯：聊个不能播的（笑）。那为什么现在这么多人都想着从字节出来？到底什么变了？
于北川：也能播吧哈哈。
我觉得是因为组织被稀释了。
简单说，就是字节太大了。只靠校招生已经满足不了它的用人需求，所以只能招外部有经验的人。外部的人当然很多也很优秀，但他们带着自己的习惯，不一定会遵循字节原本的做事方式，也未必有人能提醒他们。久而久之，原有的组织文化内核就被稀释了。
这其实是所有公司在扩张过程中都会遇到的问题，而且不可逆。只是有的公司能把这个过程拖得更久。
所以现在大家说字节有大公司病，我觉得这是必然的。但相对来说，字节已经做得很好了。至少今天大家还会觉得它是一个有战斗力的公司，不会让人觉得没威胁。
曲凯：这个你谦虚了（笑），字节永远是最大的威胁。
于北川： 哈哈对。所以我们现在创业，也一直在想，团队变大之后，怎么保证做事风格不变。
曲凯： 我之前听过一句挺有道理的话：
所谓企业文化，就是你招的前几十个人什么样。
于北川：是。文化建设是创始人 day one 就要想清楚的。一鸣在这点上真的很强，他是真的把自己的行事准则，渗透进了整个组织。
曲凯：那你觉得你在字节那几年，最核心的收获是什么？
于北川：极致。
这是字节最突出的特征。一方面是行动上的极致，就是不顾一切去解决问题。另一方面是思考上的极致，也就是永远在想怎样最大化收益、怎样扩张业务。
这种思维方式，往往能带来真正的战略改变和创新。
曲凯：很多时候，大家会把字节对极致的追求理解成「大力出奇迹」。
于北川：我觉得不是。字节的极致，其实是战略思考上的极致。
举个例子：你想做一件事，可能同事告诉你可以做到涨 10%。
那你可以问：怎么涨两倍？
如果是一鸣，甚至可能会问：怎么涨五倍？
当一个人被这样问到，就会被逼着去思考真正「不破不立」的答案。
涨 10%，可能靠东拼西凑、加几个功能点就能实现；但如果要涨 200%，就得去想大的战略变化。
我觉得一鸣一直在做的，就是带着整个组织去这样思考。
所以为什么大家一听字节进入某个新领域都会害怕？
因为它的逻辑永远是「不破不立」。
曲凯： 格局打开了（笑）。
那讲讲你现在做的事吧。你从字节出来之后，怎么想到要自己创业？
于北川：简单说，就是经历了抖音那几年高速增长和辉煌之后，我被「惯坏」了，不太能接受去到其他增长更慢的环境里，尤其是可能还要面临各种汇报和不那么纯粹的事。然后机缘巧合之下，就开始创业了。
我们已经做了一年多，一直在迭代。现在有两个业务，一个业务还不错，有稳定收入；另一个就是最近大家可能刷到比较多的 Lessie AI。
Lessie AI 的定位是 People Search AI Agent，有点像一个帮你找人的小助理，或者说是 AI 时代帮你加好友的帮手。
大量找人的场景其实特别多，比如营销公司要找 KOL，工厂要找外贸客户，猎头要找候选人。过去大家会用一些 SaaS，先去搜联系方式，再手动筛选、校验，然后想办法建联。
Lessie AI 的价值，就是更快、更准、更省地，用 AI 帮你找到想找的人，并帮你完成初步建联。相比传统 SaaS，它能节省几十倍的时间，转化也更好，而且还能持续学习上下文。
曲凯：那你对比在大厂核心业务工作的感受，和出来创业，有什么不同？
于北川： 大厂会锻炼你分析和解决具体问题的能力，而创业更需要你做战略选择、配置资源。
这种差异，也是很多在大厂做业务的人出来创业后，最需要完成的认知转变。
创业有时候很容易「偷懒」。
什么意思？
你会假装自己很忙，比如疯狂写文档、测 bug，但其实这些事和你没关系。
你忙这些事，只是为了安抚焦虑，显得自己在努力。
但你真正该做的，是想清楚产品定义、找到最合适的 CTO、想好未来 6 个月钱怎么花之类的问题。
这些问题，大厂不会教你，只能靠自己重新学习和训练。
但因为这些问题都很难，所以很多人会选择性地回避。
曲凯：你讲的是大厂人创业时很普遍的状态。它不一定是主观选择，很多时候就是肌肉记忆。解决具体业务问题又开心又容易，还有成就感和正反馈。
于北川：对。人天然会选择更容易的事，这就是思维惰性。
但其实真理就是那句话：要做难而正确的事。
这些事一定很难，可能两天都想不出结果，但一旦解决，就能带来质的飞跃。
当然，创业也要找到平衡点。你既要有一线解决问题的能力，又要能想清楚战略和资源层面的事。
曲凯： 明白。最后，如果有一天字节也来做你们正在做的事，你会怎么办？
于北川： 关键是要想清楚：你创业，长期会留下什么？
是眼前的 ARR，还是你在这个圈子里积累的生态和用户数据？
如果这个问题都答不出来，那字节今天做、明年做、后年做，对你来说都没区别。
其次，要看时间窗口，也就是现在你有没有在正面和字节竞争？
如果它的注意力不在这，那就是你的窗口期。
接下来就要思考，怎么在窗口期里快速起量？而要快速起量，就要想清楚 day one 的切入点是什么、增长怎么做、怎么验证 PMF。
只要这些问题想清楚了，你在逻辑和原理上，就已经具备和字节一战的可能。
42章经
思考事物本质
2025-11-09 21:17:00
原创 Celia 2025-11-09 21:17 中国香港
关于 AI 泡沫、增长方法论、AI 产品定价、独角兽 Fal 的成功秘诀等
这是 Newsletter 的第二期，我们筛选了海外 200+ 篇文章和 100+ 期播客。
上期很多朋友反馈希望以邮件的形式订阅，所以我们给 AI Newsletter 的新专栏单独开了一个网站 (https://42chapter.substack.com/)，感兴趣的朋友可以转战网页版阅读 。
目录
1. 1 年 1 亿美金 ARR，Fal 做对了什么?
2. 为什么说 AI 还没到泡沫?
3. 250 家公司的经验：AI 产品要如何定价?
4. 增长的幂律定律
他们做的是所谓 “AI 生成式媒体云”，简单说，就是为开发者提供各种图像、视频和音频模型的优化 API 服务，可以理解为 AI 模型的金牌中介+超级加速器。
这家公司有多猛呢？一年时间，ARR 从 200 万美金干到了 1 亿美金。而且，目前整个团队还不到 50 人。
于是，我最近连听了三期采访创始团队的播客，想知道他们是如何做到这一切的。
这里摘取一些重点：
1）关于战略选择
Fal 的起点和现在毫无关联。他们最早在做一个数据处理相关的产品，对标 Databricks 和 Snowflake。
转折点发生在 Stable Diffusion 出现的时候，在 GPU 危机最严重的时候，在 Hugging Face 上运行一个 Stable Diffusion 1.5 的 Demo，前面排了 3000 个人。这种极端的供需失衡，让他们意识到，眼前有一个明确的用户痛点，未来对 “推理优化” 的需求会暴增。
但老产品当时已经有了稳定的付费客户，所以他们在两条产品线上痛苦地并行了两三个月。
最后帮他们下定决心的是投资人的一个灵魂拷问：
“你觉得哪个点子能让你先到 100 万 ARR？哪个点子能让你先到 1000 万 ARR？”
当时他们觉得老产品到 100 万更快，但新方向到 1000 万更快，于是就此完成了这次关键的取舍。
决定转向 Inference 后，他们又面临第二个关键决策：做 LLM 还是做 Image/Video（生成式媒体）？
当时 LLM 显然是更热的赛道。但 Fal 做出了一个极度反共识的决策，做后者。
CEO 提到，当时去融资，VC 们都不信，觉得 “推理平台不都一样吗？”，而且还觉得图像市场太小。
但他们的判断是：LLM 和图像是两个完全不同的市场。两者的优化方式、技术取舍截然不同，买家也完全不一样。
而最核心的是：LLM inference 最大的 use case 是搜索，这是在跟 Google 抢地盘。Google 为了守住搜索业务，在必要时甚至会把 LLM 推理免费送给用户，这对创业公司来说是死路一条。
但图像和视频是净增市场，它不抢夺任何巨头的存量蛋糕。这个版图刚开始小，但增长飞快，是很完美的创业公司游戏，Fal 可以陪着行业一同野蛮生长。
此外，他们还发现，在大模型领域，技术的 SOTA 红利期短得可怜（SOTA = State of the Art，但在这里= Soon Obsolete Technology Also...)，最多只能带来 3-4 个月的领先优势。
原因有三：
独家的研究成果总会泄露。
一旦某件事被证明可行（比如 Sora），其他人就很容易复制。
模型的 API 可以被蒸馏，对手能用更便宜的成本抄作业。
基于此，他们判断未来的模型会越来越多，越来越碎片化。现在，图像模型的竞争已进入 “差异化” 阶段，各家都在寻找自己的生态位（例如，Imagen 擅长角色一致性，Flux 强在工具生态）。
而市场越是碎片化，Fal 这样的聚合平台就越有价值。他们能把所有模型（目前超过 600 个）都接入并深度优化好，为开发者提供一个统一的入口。
这逐渐演变成一个强大的双边市场飞轮：
先用最快最全的模型 API 吸引开发者，再用海量开发者吸引更多模型入驻。
播客中一个有趣的细节是，这个双边市场模式不是他们一开始想到的，而是被一个爆款单品意外点燃的。当神秘的中国模型 Kling 刚出来时，Fal 率先将它引入了西方市场并提供 API，结果一夜爆火。这反过来让其他模型实验室意识到 Fal 是绝佳的分发渠道，于是纷纷主动寻求上架，整个生态被瞬间激活。
2）关于 GTM
在最早期，Fal 的客户全是独立开发者和爱好者，投资人担心他们做的东西看起来很像“玩具”。
但 Gorkem 对 “玩具” 有一个评判标准：看用户愿不愿意花钱。
“当用户一天能在你平台上花几万美金时，这绝对不是玩具。人们正在用它做严肃的产品。”
有了这些高潜客户，他们的 GTM 策略非常清晰，是一个 PLG + Sales 闭环：
第一步，自助服务：开发者用信用卡注册，直接开跑，按需付费。
第二步，筛选高潜客户：当系统监测到某个用户的日消费超过一个阈值（比如 300 美元/天），Salesforce 里会自动生成一个商机。
第三步，销售转化：销售马上跟进这个线索，联系对方，说服他们签一个年度合约，并给一个折扣。
这套打法让他们在早期就获得了持久的企业收入，回应了投资人对他们收入质量的质疑。
此外，Fal 的品牌营销也很有品位。他们深深理解：“传统的营销方式对开发者没用，他们觉得很尬”。
所以 Fal 的思路是做一个鲜活的 “自己人”。
举两个例子：
GPU Poor or GPU Rich：
他们做了两款标志性的帽子作为活动周边：一款是乡村俱乐部风的 GPU Rich，另一款是黑底白字的 GPU Poor。结果到了现场，“GPU Poor” 那一款简直被抢疯了，所有人都爱不释手。
公开直播部署：
一有新模型发布，他们的工程 VP 就会立马开直播，现场挑战极速部署，全程屏幕共享。这种对技术实力的展示，是开发者最认的品牌营销。
3）下一个大机会
播客的最后，主持人问了一个问题：你认为生态里还缺什么？有啥财富密码可以给想创业的朋友分享一下。
Fal 因为拥有 “上帝视角”，能看到所有开发者在构建什么，在头疼什么，所以他们给出了几个非常具体的方向：
1）针对图像和视频领域的 Scale AI：现在每个模型公司都在重复造轮子，自己去收集和标注数据 (比如各种视频特效、运镜角度)。这里有机会出现一个平台级的公司。
2）图像/视频的 RL：视频模型的 reward function 应该是什么？ 这是一个值得探索的前沿方向。
3）更垂直的广告应用：现在大家都在做水平平台，但针对特定行业、特定广告网络的垂直解决方案还有大量空白。
（对以上方向感兴趣的朋友，欢迎找我们交流！）
Reference：
How Fal.ai is Making AI Video Faster & Easier | A16Z
A Technical History of Generative Media | Latent Space
How Fal found explosive growth in gen
erative media | In Depth
最近资本市场出现了一个有趣的大动作，Michael Burry 高调复出。
Michael Burry 这个名字，在金融圈外可能有些陌生。但如果提到电影《大空头》，很多人就有印象了。Burry 是这其中的主角原型，他在 2008 年金融危机前，精准预言并重仓做空了美国的房地产市场。
在投资界，他几乎等同于 “泡沫预言家”。
这周，他所在基金的 Q3 持仓文件显示，他进行了一次彻底的 “持仓换血”。其中接近 80% 的仓位，都用来买入了英伟达和 Palantir 的看跌期权，对应股票的名义价值超 10 亿美元。
这种决绝的手法，和他 2008 年的操作如出一辙。
于是，硅谷最近最热的话题就是：AI 现在到底是不是泡沫？
最新的调查结果是，到今年 10 月，已经有 54% 的基金管理人认为 AI 市场进入了泡沫阶段。
带着这个问题，我们也翻阅了大量资料。
过去三周，在所有关于泡沫的文章、播客、Twitter 讨论中，我们读到最扎实、最详尽的内容来自 Coatue。
他们回溯了 400 余年历史，阅读了 10 多本书，深入分析了 30 多个泡沫案例。
最后出乎意料地得出了一个乐观的结论：AI 目前还没有到泡沫阶段。
我们一起来看一下他们的拆解。
首先，我们要捋清一个概念，泡沫究竟是什么？
Coatue 给出的定义是：泡沫是资产价格远超内在价值的状态，通常由投机、宽松信贷或从众行为推动，破裂后往往引发严重后果。
而当前市场对 AI 的质疑，主要集中在几个点上：
质疑 1: 估值是不是太高了？
这是最直观的担忧，很多人认为现在科技股的估值倍数已经远超历史平均水平，证明市场很可能已经过热了。
但 Coatue 表示，从历史对比看，现在的估值虽然不便宜，但也绝对谈不上疯狂。
如果和 2000 年互联网泡沫的顶峰比，当时纳斯达克 100 指数的动态市盈率高达 89 倍，而现在仅为 28 倍，还远没到失控的程度。
质疑 2: 钱是不是太集中了？
2000 年泡沫高点，美国前 10 大公司市值占 GDP 比例是 34%，而到了 2025 年，这个比例达到了 77%。
但 Coatue 说，此集中度非彼集中度。
2000 年的巨头，业务相对单一。而今天的巨头，更像是集合了多个业务的八爪鱼。比如亚马逊，它同时布局了零售和云业务，这几乎是两个独立的产业。
所以，用 77% 对比 34% 并不公平，今天头部巨头的市值承载了更多领域的价值。
更重要的是，高集中度并非是负面信号。MIT 的一项研究指出，在集中度较高时，“买入并持有”这种策略的回报反而会好于频繁卖出。
质疑 3 : 天量的资本开支 (CapEx) 对劲吗？
还有人担心：资本开支过高，会不会拖垮企业的盈利数字？
从数据来看，S&P 500 公司的 CapEx 已经占到了美国 GDP 的 1.6%，这个比例已经超过了互联网泡沫时期的 1.4%，并且市场共识是它会进一步涨到 2.0%。
但 Coatue 认为，关键问题不是花了多少钱，而是钱从哪里来。
2000 年泡沫顶峰时，CapEx 占到了企业现金流的 75%；而当前，这个比例仅为 46%。
这一点和 2000 年有根本区别。它不是债务推动的狂欢，而是巨头的内部造血。
质疑 4：AI 是不是在玩障眼法式的融资循环？
这个是我最关心的：这个圈子是不是在 “左手倒右手”？
现在发生的事情似乎是，OpenAI 承诺向甲骨文下一个 300B 的大单，然后甲骨文股价大涨；甲骨文作为英伟达的大客户，向其采购 GPU；英伟达作为投资者，又把钱投给了 OpenAI；OpenAI 再用这笔融资款，去兑现给甲骨文的付款。
许多个这种嵌套式的资金闭环，让人不得不怀疑 AI 收入的含金量。
Coatue 对此的回应是，这并不新鲜。互联网时期，也存在大量的“易货收入” (barter revenue)，企业通过资源互换而非实际现金交易来创造收入。 (但这个回应感觉有点避重就轻，我们不能抛开剂量谈毒性，关键是今天这种 “空转” 收入的占比是不是有点过大了？)
质疑 5： 企业采用率低，且无法盈利
看空者说，AI 的采用率正在放缓。MIT 调研显示 95% 的机构没在 AI 投资上获得回报。企业 AI 采用率（按员工数计）在最近三个月也开始不升反降，从 13% 回落到了 12%。而且，ChatGPT 都推出 3 年了，还没看到广泛盈利。
Coatue 的回应是： 请给基础设施一点时间，并看看 C 端用户的表现。
首先，ChatGPT 的 MAU 增长曲线，其普及速度远超互联网和 PC。这种爆发式的用户增长，恰恰说明了 AI 有多强的用户需求。
其次，盈利需要周期。以 Azure（微软云服务）为例，它花了 6 年时间才实现了正的 ROIC (资本回报率)。AI 的逻辑与云服务一致，需要时间沉淀。
延续前面对 AI 盈利能力的担忧，Coatue 还做了一个浩大的工程，他们拆分了各种指标，试图把 AI 的经济账真正算清楚。
他们把 AI 的回报分成了两部分：
直接效用：这部分很直观，比如 ChatGPT 的订阅收入，因为 AI 提效而减少的薪资成本等等。
间接效用：这部分就比较模糊。比如 Google 用 AI 优化广告投放，带来了更多收入，或者员工用了 AI 工具，生产力变高了。
这样算下来，AI 的盘子有多大呢？
他们最终建模得出的结论是，未来 5 到 10 年内，AI 的收入大概会增长 10 倍，相关利润可以达到 1 万亿美元。
目前，整个行业还在巨额投入期。
但转折点在 2030-2035 年，这时候年收入预计会飙升到 1.9 万亿美元，EBIT 转正到 8500 亿美元。
这样，ROIC 将从现在的 -3% 跃升到 +20%。
+20% 是什么概念？这已经接近 AWS、Azure 这些成熟云服务的盈利水平了。
这样来看，当下对 AI 领域的投资会是完全合理的。
但这是否意味着股市还有上涨空间呢？毕竟，市场已经连续涨了 3 年了，是不是该到头了？
我们可以进一步看两项很有意思的历史研究：
1）如果分析过往的标普 500 指数，我们会发现，在市场连续上涨 3 年后，第 4 年继续上涨的概率是 48%。虽然上涨动能确实放缓了，但基本还是一个五五开的局面。
2）如果我们复盘1990-2000 年纳斯达克 100 指数的回报，会得到一个 lesson：过早卖出的机会成本极高。
举个例子，如果你在 1999 年的市场高点买入了纳指，那么到 2003 年，你的平均年增长率为 -4%，但如果你能坚持拿到 2007 年，你的平均年增长率就会达到 +2%。
当大浪潮来临时，市场的上升周期往往比想象的更长。尤其在 AI 这种可能持续十年的技术浪潮里，耐心往往比时机更重要。
所以，未来究竟会怎样？
Coatue 内部的结论是：
大于 2/3 概率，市场欣欣向荣，科技板块继续领涨。
小于 1/3 概率，泡沫破裂，引发崩盘。
总的来说，Coatue 理性看多。
最后想补一句的是，AI 泡沫可能现在还没有到来，但它也终将会到来。
Sam Altman 也在最近的 BG2 播客上亲口承认，算力泡沫和过剩未来「肯定会发生」，这是人性。
现在科技巨头就像进入了一场不断加注的扑克游戏。
为了在市场站稳脚跟，他们必须不断加大投入，只要 AI 进步没有停止，巨头就会不断加码，但问题是，模型每升级一次，烧的钱都是 10 倍起跳，谁也不知道 GPT-7，GPT-8 的 ROI 是多少。
目前百亿级别的 Capex 即使踩空，市场也能承受；可一旦牌桌上的筹码堆到万亿、十万亿，而收入却没能跟上，那才是真正的清算时刻。
而在此之前，游戏还会继续。
Reference：
Coatue Public Market Updates
Michael Burry effect? | The Economic Times
目前 OpenAI 发展面临哪些问题？ hrel 的知乎回答
最近看到的另一条好内容，来自 Lenny 和定价专家 Madhavan 的对谈。
Madhavan 曾经为超过 250 家公司和 30 家独角兽设计过定价策略，所以他在这期播客里系统地讲解了 AI 产品定价的正确打开方式。
信息密度很高！这里梳理一下。
首先，公司在不同阶段，定价的侧重点不同。
在公司早期，定价的首要原则是简单。简单到什么程度呢？你可以试着让客户复述一遍你的定价策略，如果他说不清楚，那就说明你的方案太复杂了。
另外，报价的时候最好能讲出一个漂亮的故事。比如 Superhuman 每月 30 美元，听起来很贵，但他们的说法是：“每天花 1 美元，每周帮你省下 4 小时。” 听起来就划算多了。
第二个阶段，等公司开始上规模后，谈判能力会变得更加重要（主要指 2B 领域）。
这里有几个重要的技巧，我觉得很有意思，在其它商业谈判场合也适用：
1) 有舍必有得
谈判时不能一味让步。你每给出一个折扣，就必须从对方那里要回点什么。
一个很好用的索求是要求对方出具一份 “价值审计报告”。你可以说：“折扣可以，但作为交换，我需要你们每半年内部出具一份报告，用你们的数据来量化我们产品带来的价值。”这份报告就是你后面续约和涨价的王牌，因为这是客户自己盖章认证的价值。
2) 让客户自己说服自己
很多创始人在谈判中只会单向输出，这是大忌。你必须在对话中不断设下圈套，让对方亲口承认你的价值 。多问一些类似 “你觉得这个功能在你们公司能怎么用？” 或 “这个仪表盘你最喜欢哪一点？” 的问题。当客户自己开始帮你吹嘘时，后续的商务谈判会顺畅得多。
同理，POC 结束时，千万别自己做好一个 ROI 模型去给客户汇报，没人会信你单方面的假设。正确的做法是，从第一天起就拉着客户一起确认模型里的每一个变量，当所有输入都得到他认可后，最终的结果他们就很难反驳了。
3) 永远带着选项去谈判
不要只提供一个产品和一个价格，这样对方的注意力只会集中在价格上。你应该提供 “好、更好、最好” 三个选项，比如 10 万、20 万和 30 万。这会把对话从 “价格” 引向“价值”，客户会开始讨论 “我喜欢 20 万方案里的某个功能，但预算只有 10 万”，这时你就可以顺势把话题带回价值探讨。
4) 让步的幅度要递减：
最糟糕的谈判方式，是先给 5% 折扣，不行再多给 5%，再不行再给 5%，这等于在告诉对方 “我这还有的是空间，继续压价”。高明的谈判者恰恰相反，先给一个大的折扣，比如 10%，不行再让 5%，再不行再让 2%。这种递减的方式，会给对方一个强烈的心理暗示：这已经是我的底线了。
接着，Madhavan 介绍了 AI 产品定价的标准流程：
先通过 POC（Proof of Concept，概念验证）和客户一起算出 ROI，然后尽量找到能按效果付费的定价策略。
这引出了 AI 创始人最常问的两个问题：
1）POC 怎么做？ 2）价格到底怎么定？
我们先来看 POC。
很多创始人会把 POC 当成一个技术测试，看产品在客户那儿跑不跑得通。
但这就抓错了重点。Madhavan 说，POC 的唯一目标，就是和客户一起共创一个商业案例，用实打实的数字证明你的产品到底能为他创造多少价值。
随后 Madhavan 没有细讲 POC 要怎么做，而是回答了一个创始人经常有的问题，就是 POC 到底该不该收费？他认为要收。收费能区分那些只是随便看看的人和认真购买的人，避免浪费时间。
但收钱也有讲究：
1) 你要非常明确地告诉客户，POC 这一个月的费用（比如 1 万美元）只是为了共建商业案例，和未来正式的商业合同完全是两码事。否则，客户会想当然地认为一年的合同价就是 12 万，你就给自己挖了个大坑。
2) 如果客户在 POC 之前就想探探底，问最终价格大概是多少，这时候不要直接给一个具体的数字，你可以换一种说法：“根据我的经验，我们至少能帮你创造 1000 万美元的价值，然后我们大概就收这其中的 1/10。”
如果客户一定要给一个具体数字，那就给一个宽泛的区间，比如“最终价格会在 70 万到 130 万美元之间，具体取决于我们最终能给你创造的商业价值。”
等 POC 做完，价值也验证了，就到了正式定价的环节。
这里 Madhavan 提了一个简洁的分析框架，主要就看两个维度：价值的归因难度和 AI 的自主性 (后者指的是多大程度上 AI 能自己把活干了)。
左上角（难归因 & 高自主）：比如一些后端或基础设施类的 AI，可以按实际用量计费，用多少算多少。
左下角（难归因 & 低自主）：传统的 SaaS 工具大多落在这个区间，只能按席位订阅，赚个辛苦钱。
右下角（易归因 & 低自主）：像 AI Copilot 这类产品，价值很明确，就是提升效率。适合“订阅+用量”的模式。
右上角（易归因 & 高自主）：像 AI Agent 这种能直接出结果的，可以按效果付费，这是定价权的顶层。
除此之外，Madhavan 还提醒了几个创始人经常踩的坑：
1) 产品里 20% 的功能，往往决定了 80% 的用户付费意愿。但讽刺的是，这 20% 的功能常常是最好做的，所以很多创始人随手就把它做出来免费送了，后面的高级版只能用大量零零碎碎的低价值功能硬撑，用户自然不买账。
2) 定价要频繁迭代：传统 SaaS 两年改一次价，AI 至少要一年甚至半年就重新评估，因为市场和技术变化太快。
3) 降低 churn rate 的第一要义是找出最稳定、最长久的客户画像，把获客预算砸在这群人身上。但很多公司会反过来，花太多力气去思考哪些客户可能流失，我要怎么留住他，后者通常得不偿失。
最后还想再补充一点，我们和市场上好几个创始人、增长负责人交流后的 learning 是，现在绝大多数 AI 产品都定价过于保守了，大家都有非常大的涨价空间，应该大胆测测试试。
巴菲特说过的一句话送给大家：“评估一家公司，最重要的就是定价权。如果涨价 10% 得让你在内心祈祷，那你做的肯定是一门糟糕的生意。”
Reference：
Pricing your AI product: Lessons from 400+ companies and 50 unicorns | Lenny's Podcast
她大概是近十年最顶尖的增长操盘手之一，在 Meta、Pinterest、Descript 都带过增长团队，把产品做到过 2 亿用户。
这期内容也确实精彩。就像主持人说的，这是他近年来做过 “最细致 (most granular)” 的一期节目。
摘录一下对我们最有启发的几个要点：
1) 为什么“数据驱动”会杀死增长？
Sandy 提出一个观点：要让团队保持 Data-inspired（数据启发），而不是 Data-driven（数据驱动）。
增长团队容易掉入一个陷阱：看到数据漏斗里有个值不好看，就觉得 “这比竞品基准差太多，我们必须把它提上来”。
她分享了一个惨痛教训。早期 Descript（一个音视频剪辑工具）只有桌面版，增长团队发现，从 “注册” 到 “下载” 这一步流失率巨大。
于是她想，桌面版摩擦力太大了，我们应该推出一个无摩擦的 Web 版，这样转化率一定会暴涨。
团队花了两年时间开发了 Web 版，结果呢？
转化率、激活率、收入全面暴跌。
她复盘时才想通：摩擦力是一种筛选器，一个人愿意花时间去安装应用，证明他的使用意愿非常高，而且他已经投入了沉没成本，所以更愿意花时间深入探索产品。而 Web 版吸引来的，全是大量随便看看的观光用户。
所以她总结出了一个重要认知：
增长假设 = 数据洞察 + 背景解读。
一定不能只有前者，而没有后者，不然推导出的决策很可能就是错的。
2) 增长的幂律分布定律（Power Law of Distribution）
Sandy 认为，创业公司做增长，常踩的一个坑是广撒网，在资源极其有限的情况下，如果一上来就同时测试十几个渠道，最终的结果往往是广种薄收。
她发现，真正高速增长的公司，往往都符合“增长的幂律分布”：公司 80% 的增长，是由 1-2 个核心渠道驱动的。
所以最重要的是找到你的 “不公平优势”（Unfair Advantages）。比如，Descript 的一个 “不公平优势” 是：
对于一个服务于创作者的产品，用户天然会基于它来创作内容。
她当时给 Descript 做增长的时候，意外发现，很多早期用户会自发在 YouTube 上做 Descript 的评测和教程视频。
她灵光一闪，做了两个实验：
实验 1：主动联系这些博主，请他们加上产品链接。结果：流量增加了。
实验 2：推出联盟计划（Affiliate Program)。你推荐来的付费用户，我们给你 15% 的永久佣金。
结果是，ROAS (广告回报率) 高到不可思议。这个渠道在当年贡献了 25% 的新用户，而且几乎是全自动的。
(所以做个总结：“不公平优势” 往往藏在产品和用户的自然交互中。增长团队的核心能力是发现这种杠杆，并系统地撬动它。）
3) 一个巧妙的搭配：水平定位 + 垂直获客。
传统建议是定位要窄，但 Sandy 认为，Prosumer 产品可以在功能和定位上做得 “大而全”，但是用 “垂直入口” 来切入获客。
Descript 的品牌定位是 “一体化音视频编辑器”，这是宽泛的。但它的获客入口非常垂直，具体分为两类：
按场景划分： 针对一个相对完整的使用场景。比如，“播客剪辑工具”、“视频会议转录”。
按具体任务划分： 针对一个具体的痛点或问题。比如，“如何给音频去噪”。
用户通过一个非常具体的需求点进落地页，但数据发现，超过一半的用户，第二个动作是点击 Logo 返回首页，他们想看看“这个能解决我小问题的工具，到底是个什么东西”。 结果，那个“大而全”的首页，反而比最开始的垂直页面转化率更高。
（插一句，针对这一点，Monica 当时一定程度上也是这样做的，而且它还有助于挖掘细分的价值场景，做精细化的运营和商业化测试。
作为一个 all in one 的浏览器插件，Monica 集成了多种功能：总结网页、总结 YouTube 视频、编辑图像、Chat with PDF... 他们会把每一个功能单独拎出来，做成一个独立的 web 页面，拿这个页面去测试这个单一功能场景下的商业化前景，以及最合适的定价方案。
针对不同的流量来源，他们也会设计不同的产品界面承接，比如区分广告来的用户和非广告来的用户，在广告来的用户身上，做更激进的商业化测试，弹出更多的 push 来刺激对方付费，但对自然增长来的用户不做这个动作。这样可以很好地平衡核心用户的体验和商业化目标。）
4) 创业公司该什么时候招第一个增长负责人？
传统建议是：等有了 PMF 再招。但 Sandy 有一个不同看法：最好尽早。
她不认为存在一个 “招增长太早了” 的阶段。增长就应该在最早期介入，把增长能力构建到产品里，这样可以解决很多早期找 PMF 和 PCF (Product Channel Fit) 的问题。
而且，在 YC 最新几期项目中已经明显有了这个趋势，很多团队还不到 5-10 人，就已经在招增长负责人了，“极早期招增长” 只会变得越来越普遍。
至于这个人该是 “经验丰富的老炮”，还是 “饥渴的年轻人”？ Sandy 说：都行。
她唯一看重的特质是，必须有 “无法抑制的、保持 Hands-on 的渴望”。
增长是一个高度依赖体感的学科，而不是纯粹的战略管理。
尤其是 AI 时代，玩法每天都在变，老手的经验如果不能结合一线实操，很快就会过时，甚至成为决策的阻碍。
Reference：
20Growth: How to Build a Paid Marketing Machine | 20VC
更多阅读：
Figma 如何战胜 Adobe 等六篇 | 42章经 AI Newsletter
2025-11-02 21:28:00
原创 曲凯 2025-11-02 21:28 北京
有关获客、转化、留存、洞察的实战干货。
OpusClip 是近几年最成功的海外华人 AI 产品之一。在前不久的一场活动中，我们邀请到了 OpusClip 前增长产品负责人谢君陶，分享他在公司的整个增长周期中积累的实践经验。
前半部分是谢君陶的个人分享，后半部分是我补充的一些提问。
播客原文约 18000 字，本文经过删减整理后约 9500 字。
非常感谢曲凯老师的邀请。
接下来我会聊聊，在增长的不同阶段，如果只能选一件最重要的事，我会做什么。
先说获客。在这个阶段，几乎所有团队都会遇到类似的难题。
比如我前几天和一个朋友聊，他们刚发布了一个产品，联系了很多推广 AI 工具的创作者去做冷启动，但遇到了不少问题：
很多创作者会买粉刷单，交不出事先承诺的数据结果，双方很难建立信任；
与代理机构合作，又很难精准把控投放效果，因为无法与达人一对一沟通；
就算达人能带来一些用户，也难以判断这些人是否是产品的目标用户，因为他们的背景太杂。
针对这些问题，我先反问了一句：
「你们合作的这些达人，是你们的真实用户吗？」
这个问题在产品早期尤其重要。
冷启动阶段，你要找的第一批用户，应该是你的 Partners，而不是 Affiliates。
两者差别很大。
Affiliates 是那些希望通过佣金或销售提成赚钱的人。这些人不一定是你产品的深度用户，也不太能提供有价值的产品反馈和洞察。
而 Partners 来自你的真实用户，他们能看到产品的潜力、愿景和方向，愿意在前期帮你打磨、共建，甚至以更低的价格帮你推广或背书。
这类人，才是你要找的第一波推广用户。
那视频产品到底该怎么做冷启动？
其实，只要视频产品真正找到了 PMF，通常就自带很强的破圈能力。
因为你的用户，尤其是那些内容创作者，本身就是最好的推广渠道。
创作者会围绕 KOL 形成圈层。如果在早期能和一些 KOL 合作，借助他们的影响力和背书打入这些圈层，就能快速建立起用户群。
但这里有一点要特别注意：不要一味消耗创作者对产品的热情，让他们长期「为爱发电」。
更好的做法是尽早与他们建立稳定、正式的经济关系。只有这样，合作才能持续，也才能实现长期共赢。
对于创作者来说，他们之所以能成为 KOL 或 KOC，就是因为他们能持续为受众创造价值。而提供价值的方式之一，就是分享最前沿的工具和使用方法。如果你的产品真的好用，他们自然愿意主动分享给自己的社群，从而获得热度和关注。
对于产品方来说，这种合作也能带来更精准的用户。如果为你宣传的人是你的真实用户，那么 Ta 的受众往往也与你的目标用户重合。
相反，广撒网式的获客会带来大量噪音。这种噪音在产品早期迭代阶段，往往是致命的。
所以在早期，应该聚焦于少量与自己愿景一致的创作者，让他们帮你破圈、宣传、获客。这样双方都能获得正向反馈，形成一个健康的循环。
那具体该怎么建立这种良性循环呢？
以 Opus 为例。上线不久后，我们就推出了 Brand Partner Program，邀请的创作者都是产品的早期用户，其中不乏一些头部大 V。
这些人一早就看到了我们产品的价值，愿意持续给我们反馈，和我们展开越来越深入的合作。比如 Jon Youshaei，他现在几乎所有短视频结尾都会加一句「Edited with OpusClip」，我们也在多场活动和联合营销中保持长期合作。
这种关系，正是得益于前面提到的策略——去找 Partners 深度共建，而不是依赖 Affiliates 做浅层宣传。
这里有一个常见的误区：很多人觉得冷启动阶段应该尽可能多找 Affiliates、铺尽可能广的渠道。
但这并不一定高效。
我们的 Brand Partner Program 做了两年，到现在只和十几位创作者签了年框合同。但这十几个人，为我们带来了大量自然流量。
所以找达人的关键不在数量，而在质量。他们必须是你的精准用户。
怎么找到这些人？
第一步是锚定圈层。比如我们会重点瞄准播客创作者群体，在这个圈子里集中发力。如果是视频生成类产品，AI 视频导演圈就是一个很好的突破口。
确定圈层后，再从中找到你们的真实用户，然后筛选出第一批种子用户和 KOL。
而在冷启动之后，大家比较关心的一个问题，就是怎么更快、更好地提升营收和用户增长？
众所周知，付费转化是增长的基石。而为了实现规模化、可持续的推广，提升付费转化率至关重要。
然而，能影响转化率的因素太多了。
提升产品质量和能力一定是长期手段。但在早期，我们更需要一些短期、确定性高的抓手，先初步优化转化率，形成用户增长和产品迭代的正循环。
可现实中，很多团队都会卡在这里：冷启动之后用户太少，想继续推广，那 ROI 就打不平。
所以该怎么办？
一个很有效的切入点，就是灵活且精准的定价策略。
我跟很多创始人聊，发现大家很容易忽略一点：
定价不是一成不变的，而是可以随着产品阶段和用户需求动态调整的。这种调整，往往能带来立竿见影的收益。
以视频产品为例，我建议大家可以围绕「定制化」去设计定价。
因为用户使用视频产品的目的，是为了创作内容，然后向受众传递价值。而内容的价值核心在于独特性。对创作者来说，凸显独特性最简单的方式就是建立自己的品牌。这个品牌可能来自真人出镜、个人声音，或者是 Logo、字体等元素。
我很喜欢举的一个例子是 RunwayML。它的定价策略就很好地抓住了创作者对定制化的需求。RunwayML 的 Standard 和 Pro 两个方案最大的差异在于，Pro 用户可以上传自己的声音，实现从文本到自己声音的 Voice Cover 或 Lip Sync，从而让内容与个人品牌绑定。
另一个优秀案例是 Higgsfield。它最核心的一个付费功能，就是用户可以上传自己的照片，创建出一个专属角色，此后生成的所有图片，都能保持这一角色的特征。这一功能直接带动了它的整体增长，如今势头依然很猛。
从这两个例子可以看出，「定制化」是一个非常强的付费点。尤其在做视频产品和创作者生态时，这点更为明显。
不过调整定价确实是一件很精细的事。很多产品上线后都不太敢动价格，怕用户敏感、怕被抱怨。
所以我从 Opus 的实践中，总结了几条比较通用的经验，供大家参考。只要考虑到这几点，基本就可以放心大胆地去调整定价了。
第一，永远要保护老用户的利益。无论是推出新的付费计划，还是增加层级，都一定要保证老用户的体验和利益不受损，甚至可以更大方一点，给他们额外的权益。
一方面，老用户是长期增长的基石。老用户的留存，决定了你的 ARR 能做到多大。
另外一方面，老用户也决定了你的口碑。口碑本质上就是老用户如何看待你这个产品。新用户来来去去，老用户才是你真正的根基。
第二，团队要有做全生命周期 AB 测试的能力。
最好的定价策略是测出来的。而且搭建 AB 测试其实比很多人想得要简单快速很多，这点我们后面也会再展开。
第三，UI 传达的信息也是定价的一部分。
比如，付费弹窗在什么时候弹？弹出时展示哪些功能？文案怎么写？这些都是定价策略的一环，而且是非常低垂的果实。
如果你有良好的 AB 测试的基建，然后去优化 UI，往往能快速看到效果。比如你简单调整下付费弹窗的时机、修改几句文案，很可能就会带来 30%、甚至更高的转化提升。这听起来可能有点不可思议，但事实就是如此。
不过 UI 的重要性被大大低估了。我看过上百个产品的定价策略，真正把这块做好的公司很少。前面提到的 RunwayML 和 Higgsfield 是优秀代表，很推荐大家研究一下他们的做法。
再往下，就聊到了留存。
我认为留存是长期最重要的增长指标。
为什么？
因为留存决定了你的付费规模能做到多大。
忽视留存去做增长，就像拿一个漏水的桶去打水，无论你多卖力，最后也只能剩下桶底那一点点水。
举个例子。假设一家公司的留存率是 90%，另一家是 80%，从留存的角度来看，这两家公司都很厉害。可反过来从流失的角度来看，前者的流失率是 10%，后者是 20%，半年后，前者的存量用户几乎就是后者的两倍了。
另外，用户量越大，留存就越关键。
当你的付费基数越来越大时，每天在流失的老用户也会越来越多。而新增用户的数量不会无限增长，因为获客在一定阶段后就是会趋于平稳。
这时，你的流失率越高，就会越快进入零增长的阶段，也就是每天流失的用户和每天新增的用户数量相等。
所以，高留存是实现产品复利式增长的基石。
Opus 的留存一直做得不错，这也是我们能有长期营收增长的一个关键原因。
那要怎么提升留存呢？
这里分享一句我特别喜欢的话：
「大约 70% 的新产品想法来自于倾听那些有着良好判断力的用户，这些用户能够提供宝贵的意见。而 30% 则是做一些本应该会大受欢迎的事情，但并没有被用户明确地提出需求。
—— Stripe 联创 Patrick Collison
这句话有两个关键点，点出了提高留存的两个路径：
第一，70% 的产品改进应该来自用户反馈。
这点印证了 Opus 的策略。我们之所以能把留存做好，就是因为搭建了「以用户为中心」的运营体系。这一点我后面也会展开。
第二，剩下那 30% 没被明确提出来的需求，同样关键，不能被忽略。
当你建立起反馈机制后，很容易被反馈淹没。客服和市场团队每天都会收到大量负面反馈，自然会优先去解决这些问题。
但与此同时，产品团队必须保留长期愿景，去抓那 30% 用户没说出口的方向，因为这 30% 往往决定了产品能否做出差异化。
那具体要怎么搭建一个「以用户为中心」的反馈闭环？
首先，要从不同渠道收集用户反馈，多多益善，因为用户在不同场景下就是会有不同声音。
以 Opus 为例，我们主要有四个渠道：
Discord：用于社区互动，收集用户对产品的构思和实时反馈。
Intercom：用于客服支持，主要处理用户、尤其是付费用户的 Bug 报告。
Canny：用于结构化收集功能需求，并公开展示，让用户看到产品 roadmap。
社交媒体：用于监测潜在用户观点与品牌口碑。
这四个渠道构成了我们主要的外部反馈系统。
其实即便在早期，有很多方式可以收集和运用用户数据。举两个例子：
第一，「邮箱后缀」可能很有信息量。Opus 就曾通过分析邮箱后缀，意外发现了许多来自美国教会和房产中介的用户。这一发现直接拓宽了我们的理想用户画像。
第二，「用户关联的社交账号」也很重要。通过分析这些账号，可以识别出高影响力的创作者，并主动建立长期合作。联系一个已经在用你产品的用户，比 cold reach 一个陌生人要容易得多。
而在团队内部，我们也建立了一套高效的运作机制。
在 Opus，我们非常重视客服团队，也舍得投入。哪怕团队只有 30 人时，我们也配了 5、6 位在美国的全职客服。
我们要求客服团队每周输出报告，汇总来自各渠道的 Top Feature Requests 和 Top Complaints，并分享给用户。
同时，我们还配备了工程和产品同事，为客服团队做自动化，让他们能在每周处理数千张工单的同时，仍能快速、准确地向产研团队提供有效、可执行的洞察。
最后，就是要让整个流程形成闭环。
所谓闭环，对产品团队来说，就是要明确并公示产品路线图，让面向客户的一线同事清楚，哪些 Top Feature Requests 被采纳了、当前的优先级和进度如何。
对研发团队来说，就是要快速响应和修复 Bug，并第一时间通知客服团队，由他们回传给用户。
这样就形成了从收集反馈，到内部响应，再到产品迭代和用户感知的完整闭环。
无论是这个闭环，还是前面提到的 AB 测试，背后的共同点都是「用数据驱动决策」。
很多人都会好奇，到底该怎么做到数据驱动？尤其对创业公司来说，在资源有限的情况下，数据建设到底该投入到什么程度？
这就来到我今天分享的最后一部分：洞察。
通过数据去洞察用户需求、辅助决策，其实是一件贯穿产品整个生命周期的事。
在产品早期，一是要优先关注那些收益高、确定性强的动作。
比如我们前面讲过的定价 AB 测试，它不仅能带来直接收益，还能帮团队建立信心，让大家切身体会到，数据真的能驱动增长。
二是要定义好转化漏斗，然后逐步对每个环节进行测试。
我建议从最简单的前端 AB 测试做起，比如功能渗透率实验。随着数据积累，再去做更复杂的留存测试或跨端注册实验。
在产品早期，付费弹窗是最简单、最有效，适合最早测试的一环。你可以测试不同的触发时机、UI 设计和文案内容。
举个例子，有个叫 Arcade Software 的产品，付费点就抓得非常准。
用户进入这个产品后可以录制视频，然后系统会自动生成一条 Product Demo。它的付费节点设置在，当用户搞定前三个 Demo，也录完了第四个视频，准备将它发布为公开项目时。
这个点非常精准，我当时几乎没犹豫就付了费。这显然是他们多轮测试后得出的最佳方案。
现在很多 To Prosumer 的产品，用户的付费决策周期都很短，可能在 10 分钟内就会完成决策。在这段时间内，他们会频繁操作，有大量测试的空间。
这些测试不仅能直接提升转化率，也能帮助你更深入地理解用户。这也是为什么，付费弹窗越早测试越好。
事实上，AB 测试的过程，本质上也是学习用户、寻找 PMF 的过程。
比如，用户的付费点在哪里，你的 PMF 很可能就在哪里。当你发现用户在某个节点更容易转化时，往往意味着你找到了他们的 Aha Moments。而这些 Aha Moments，其实就是产品的核心价值所在。
那么创业早期，到底该在数据上投入多少？比如要不要招数据科学家？要不要先搭数据仓？
我的答案是，数据驱动固然重要，但不必一上来就重投入，而是应该合理规划，确保把资源用在刀刃上。
1）在 0–50 人阶段，有一两个懂点数据的产品经理和工程师，稍微自学一下，再用一些 SaaS 工具，就能把基本的 AB 测试体系搭起来。
创业公司一定要善用 SaaS。北美有很多成熟的工具，比如 Statsig 这样的 AB 测试平台，几乎是即插即用，跑通一个完整实验可能都用不了半小时。
这些工具对创业者非常友好，它们前期通常会对小公司免费，等他们规模变大后再收费。
所以在早期阶段，你完全可以重度依赖这些 SaaS 工具，高效搭建体系，而几乎不用花钱。
2）到 50 人左右、数据需求变复杂，比如要算 LTV、优化成本时，才需要考虑招一位全职数据分析师或数据科学家。因为这时的工作量，可能已经足以支撑一个全职岗位了。
3）等到团队进入非常后期，才需要考虑招一些数仓的人。因为那时团队需要应对 SOC2 合规，以及降低对第三方 SaaS 的依赖、减少成本的问题。而这些事情完全没必要一早就去做。
最后简单做个小结。
前面我主要分享了在获客、转化、留存、洞察这四个环节上的一些思考。
获客最重要的是理解用户，与他们共同成长。冷启动时，核心是在早期找到对的人，不求数量，但求少而精。
转化要以定价作为短期的增长抓手，核心是不要伤害老用户的利益，其次是可以通过修改 UI、UX 和文案，多做测试。
留存的关键就是围绕客服建立反馈闭环，保持高效迭代链路，让用户感受到被倾听，同时别忽略那 30% 没说出口，却非常重要的需求。
最后，洞察的关键就是「be resourceful」，努力用好一切可以收集到的数据。但不要超前规划，数据基建可以长期保持在毛坯状态，够用就行。
下面就是看曲凯老师有什么样的问题。
曲凯：谢谢君陶的分享。
首先我想问，现在很多创业公司都要招做增长的人，从你的经验来看，他们应该在什么阶段、招什么样的人？
谢君陶：我可以分享一下 Opus 的增长团队是怎么分工协作的。
首先我们把投放分成了两个部分。
一部分人负责 Direct-to-Customer，在各个平台上做投放；
另一部分人专门对接 KOC、KOL，去谈合作、签年框，寻找和维护长期合作伙伴。
此外，我们还有做 Product Marketing 的人，负责对外传播，比如运营社交媒体。这块更偏向于对已有用户的持续沟通和营销，因为创意类产品会不断更新，老用户的长期价值会越来越大。当投放逐渐饱和、市场份额趋稳后，召回老用户、提升留存的价值就会更高。
再有就是我之前负责的 Growth Product 这部分。
我们一方面会通过 AB 测试提升产品内的转化率，服务投放团队、提高 ROAS；另一方面，也会为不同团队搭建基础设施，比如支持 KOC、KOL 团队，设计流畅的分账系统，让我们和达人之间的合作更长期、更稳定。
曲凯：这里面有一个小环节你没提，就是 SEO 优化。这部分你们有专人在做吗？
谢君陶：SEO、Direct Sales 这些偏投放的工作，都是由我们的 Head of Growth 一并负责。
曲凯：明白。那这些角色你们是同时招、同时开做的吗？还是有先后顺序？
谢君陶：早期都是需要的，因为不同产品最适合的增长路径都不一样。
像 Higgsfield 这种产品，就完全靠社交媒体驱动，因为他们能组建一支很强的创意团队，自产内容引流；而像 Opus，早期更多是依托我们的达人 Partners 起量。
曲凯：明白。那你们做过那么多 AB 测试，有得出过什么反直觉的结论吗？
谢君陶：有。其实我觉得最好的 AB 测试，不是能验证你原本的想法，而是能让你学到意料之外的东西。
比如在 Opus，我们就遇到过一个挺有意思的例子。我们做短视频工具，有很多字幕模板。后来在一次设计改版中，我们把字幕模板的样式露出做得明显了些，结果转化率一下子大幅提升。
这其实很合理，因为短视频用户天然非常关注字幕模板，但我们之前没意识到，这个点的价值会这么大。
曲凯：在付费这件事上，你们通过 AB 测试有没有得到什么核心结论？
谢君陶：我们发现 Price Discrimination 这种实验非常值得做。
曲凯：我们之前跟 Ace Studio 的 Joe 聊过（回顾：《硅谷顶尖孵化器奇遇》），他也提到，他们之前实现增长目标最有效的方式就是直接涨价。
所以是不是现在绝大多数 AI 产品的定价都偏保守？
谢君陶：可以这么说。根本原因在于毛利率。
SaaS 产品的毛利率通常能做到 70% 甚至 80%，但 AI 产品的毛利率低很多，因为大量成本都在模型厂商那里。
不过肯定是有调整空间的。比如我最近听说 Listen Labs 就有过一次大涨价，直接把价格从几百美元一个月，提升到了 3 万到 5 万美元一年。这应该是他们深入研究用户画像和付费意愿后的调整。
所以，怎么探索一种能让用户产生高付费意愿的产品形态、怎么找到最适合的产品定价，是当下最核心的课题。
曲凯：是。然后大家经常还会纠结，不同的付费模式到底该怎么选？比如该收周费、月费，还是年费？这几种模式之间又该差多少钱？
这方面你有什么经验吗？
谢君陶：其实不用想得太复杂。如果你希望产品的留存更高、长期增长更稳，那就延长付费周期。
在 Opus，我们采用的是「月付 + 年付」的组合策略。
年付的主要目的就是提升整体留存率。它通常会设置比较大的折扣，用来引导转化。而因为选择年付的用户留存更高，所以可以把折扣的 ROI 打正。当然，折扣的设置需要测试，就是要找出在成本允许范围内，怎样能让更多人转向年付。
曲凯：所以听起来，这些都需要长期测试？
谢君陶：对。测试时要重点考虑三点：成本、毛利率，以及试用所带来的成本。
试用成本一定要计入整体收益。现在很多 AI 产品的一大问题，就是试用太贵，导致没办法像传统 SaaS 那样大规模投流获客。
曲凯：那像付费相关的测试，一般要测多久？是要一直做吗？
谢君陶：看需求吧。我们是一直在做。团队每次脑暴增长点时，也都会考虑付费项目。
这件事也随时可测。每当推出新功能，或者调整用户权益，比如加水印、改免费额度之后，都可以立刻测试付费率的变化。这些测试往往能带来非常可观的收益。
曲凯：但付费率的提升，难免会和转化、留存这些指标冲突，对吧？这种时候怎么办？
谢君陶：你谈到的就是付费率和留存率之间的 trade-off。比如你加了水印，付费率可能立刻翻倍，但用户体验变差、流失也会增加。
在大厂，可能就会通过「反转 AB 测试」等复杂方法去验证。
但对初创团队来说，可以直接把测试周期拉长一点，比如跑半个月到一个月，观察付费率提升了多少、流失率增加了多少，再计算整体收益变化，就能得出结论。
曲凯：明白。你前面提到客服和数据那部分，我听起来还挺适合用 AI 来辅助提效的。你们在这个过程中，有哪些地方用了 AI 吗？有没有什么能分享的？
谢君陶：增长团队相对来说都比较小，所以必须想办法用最小的力量办最大的事。要做到这点，肯定离不开各种 SaaS 工具。
比如我们的客服中心是用 Mintlify 搭建的，并接入了 Intercom，等于拥有了一个每周能自动处理上千条用户反馈的客服系统。
我们也用了一些和留存相关的 SaaS。
以支付环节为例，Past Due Payment（逾期支付）是一块很大的损失。很多用户最终没能完成付款，其中可能只有一半是主动取消，另一半往往是因为卡里暂时没钱等原因，所以支付失败。
如果不做干预，大概只有 20%–30% 的用户会自行重试成功，但如果接入 Stripe 的功能，或使用第三方 SaaS 工具，这个比例可以提升到 40%–50%。
于是我们就用了一些工具来提升重试成功率。它们可能会通过弹出提示或发送 retry email 的方式重新触达用户，然后就能带来一些增长。
曲凯：听起来你们真的用了蛮多 SaaS 的。大概有多少？
谢君陶：反正我自己用的就不下 10 个。
曲凯：OK。那回过头看，你觉得 Opus 这几年做得最正确的一件事是什么？
谢君陶：品牌搭建。
如果想要长期获得稳定的流量和新增用户，就得有清晰的产品定义，最好能成为 Category Definer，定义一个全新的品类。
曲凯：但现在很多人都吐槽，说每出来一个 AI 产品，都号称「全球首款」（笑）。
谢君陶：因为大家都想做到这件事，但真的做到了的很少。
Manus 算是做到了，OpusClip 其实也算。人们想到「长剪短」的视频工具，第一个想到的，大概率就是 Opus。
我们是怎么做到的？
其实就是把品牌做好。
做好品牌，核心在于知道你的用户是谁、他们在哪里、以及该怎么和他们建立连接。
就像前面说的，Opus 在找第一批用户时，先定位在了播客创作者这个圈层，然后发现这个社区往往会围绕 KOC、KOL 互相学习。于是我们从这里切入，找到最合适的 KOC、KOL，与他们建立长期合作，把这小群人打透。
之后，只要这群人想到「长剪短」，就会先想到 OpusClip，然后帮我们去传播。
这样，我们的品牌、品类定义和壁垒，就都慢慢建立起来了。
曲凯：所以 Opus 的成功，主要来自于品牌建设，而不是投放或者内容？
谢君陶：对，Opus 从内到外都是围绕品牌在做。
曲凯：这还挺美国打法的。
谢君陶：因为品牌确实能带来用户粘性和忠诚度。
曲凯：明白。最后，你现在怎么看 AI 视频市场？Opus 算是做得很早也很成功的，但近两年有很多新产品出来。
谢君陶：我觉得市场还处于早期。
我们可以从两个角度去看这个问题，一是生成模型的可用性，二是 Agent 的可用性。
之所以要看 Agent，是因为现在单个模型还很难独立生成完整视频，很多时候需要靠 Agent 把不同片段拼接起来。
而无论是模型还是 Agent，都是今年 4 月之后才逐渐成熟的。
所以我认为，整个行业仍处在早期探索阶段。
但我比较看好 Higgsfield 和 Pixverse。
曲凯：就都是 AI 特效类产品。
但这类产品会不会厚度不够？
打个比方。过去十年间，修图软件层出不穷。有时候某个特效火了，整个产品就会跟着火一阵。但我印象中，修图软件大概是 App 排行榜上变化最频繁的品类。
AI 特效类产品有没有可能也会这样？
谢君陶：竞争确实很激烈。
但我认为，现在一些 AI 特效产品，本质上就是工具。
Pixverse 就是一个很好的代表。它能和其他特效类产品拉开差距，主要靠两点：
第一，他们针对专业运镜场景训练了大量 LoRA 模型，让特效真正能用于内容生产，而不只是娱乐。
第二，他们非常注重角色一致性，让创作者可以围绕固定角色打造自己的 IP。当创作者能用工具产出稳定的形象和风格，这个工具就能真正帮助他们创造商业价值了。
现在 Pixverse 还开放了很多免费功能，也是因为他们看到了一个正在快速成长的新型创作者群体。这些人不只是内容消费者，而是真正的生产者。在 Pixverse 的用户中，确实已经有相当比例是后者。
曲凯：那如果把 AI 特效刨除在外，你觉得在什么时间点、以什么样的形态，会出现真正意义上 AI-Native 的视频生成产品？
谢君陶：这是个挺好的问题。翻译一下，就是什么时候，能看到一个类似 Premiere 那样的一站式视频工具，对吧？
曲凯：不一定。也有可能是下个抖音？我不知道。
但我总体感觉，现在大家在用 AI 生成视频这件事上还比较局限。
AI 剪辑大多靠理解而非生成，AI 特效也只是把图片转成很短的视频，还谈不上真正的 AI-Native。
也许是因为视频生成模型还不够成熟，或者成本依然太高？
谢君陶：其实从专业创作者的角度来看，成本并不算高。因为 AI 视频产品替代的，是摄影棚、专业设备等高价值元素。
我认为真正的卡点，不在成本，而在于生成式模型的学习成本和使用门槛太高了。
一方面，目前无论是视频模型还是图片模型，从技术上来说都还不是真正的多模态。它们往往需要依靠插件或脚本，把自然语言和视频生成过程串联起来。
这个流程对传统创作者来说门槛很高，也非常占用时间精力。他们要熟悉模型，要学习 Prompt Engineering，而且模型一旦迭代，还得从头再来。
另一方面，不同模型各自擅长的场景也不同，这让很多创作者的工作流非常割裂。所以现在很多集成平台依然很火。
未来最好有一个 Agent 产品，能把复杂的模型能力全部封装起来，让创作者只需通过自然语言、画布，或其他符合直觉的交互方式，就能完成创作和调用功能。
这也是为什么最近会出现那么多「一键成片」或「画布式创作」的产品。它们本质上，都是在降低生成式技术的使用门槛和学习成本。
曲凯：明白。其实今天听下来，你讲的内容，包括 Opus 的整个历程，并没有什么神奇的秘诀，更多是把那些应该做的事，用更科学的方式，做得更好。
不过说起来简单，做起来难。
每一个环节都需要有足够好的人去推动、去落地，才能真正做好增长吧。
42章经
思考事物本质
2025-10-26 21:40:00
原创 Celia 2025-10-26 21:40 北京
关于 Figma、RL、Plaud、产品惊喜感、Retention、Palantir FDE 等
AI、创投市场的信息越来越多，其中不乏很多很好的外文内容，但想找到好内容的筛选成本很高，且引进过来的中文版本大都编译得比较粗糙，所以我们决定来做一个过滤、筛选和提炼总结的工作，就有了这个 Newsletter 系列。
第一期内容，我们筛选了 300+ 篇文章和 100+ 期播客。因为 AI 始终无法达到我们的标准，所有内容都是人工筛选，也大都是纯手工古法制作。我们会尽量争取每两周更新一期，内容以观点和 insights 为主，争取能给大家带来启发。
以下，enjoy：
Figma 前一阵上市，吸引了很多的热度。
大家普遍的共识是，Figma 是靠「协作」取胜的，这当然是事实，但一个很有意思的问题是：协作这个点，大家都能看到，为什么资源和积累更厚的 Adobe 却做不到呢？
答案是，Adobe 不是没做「协作」的功能，而是他们对「协作」的理解和 Figma 有着本质的不同。
Adobe 的整个逻辑，是围绕着「文件」（比如 .psd 或 .ai 文件）这个原子单位来构建的。
Figma 的整个逻辑，是围绕着「元素」（比如一个按钮或一种样式）这个原子单位来构建的。
这个区别看起来很小，但决定了「协作」的形态完全不同。
在 Adobe 的世界里，「协作」更像是把一个本地文件传到云端，方便团队成员互相发送和下载，本质上还是文件的传递。
但在 Figma 的世界里，设计项目不再是一堆需要来回合并管理的文件。它变成了一个所有人都能实时进入的「画布」或「现场」。大家可以直接在同一个地方修改各自负责的元素，所有的修改都会被记录。这才是真正的「同步协作」。
Adobe 所面临的困境，其实是很多现有巨头都会重复遇到的问题。他们是基于过去的成功路径和业务包袱来做改变，很难彻底抛开原有的逻辑。这就导致他们的方案不是基于新技术的「原生」方案。
想要 Adobe 真正做到 Figma 那样，无异于重构整个公司，这种内部的阻力和难度，比从零做一家新公司还要大得多。
在类似的逻辑下，还有很多领域是技术改变了原有的「最小原子单位」，进而改变了这些领域生态系统的结构。比如音乐领域，专辑曾经是最小的原子单位，因为黑胶唱片和 CD 的架构迫使歌曲被捆绑在一起。但随着 MP3 的出现，原子单位变成了歌曲。这一简单的转变催生了全新的发行架构：Napster、iTunes，以及最终的 Spotify。
这对我们思考 AI 时代的机会也很有启发。我们也可以去想，AI 带来的最底层的改变是什么？
比如，它有没有让某个领域的「最小工作单位」发生变化？
它有没有让组织体系的性质发生变化？
又或者，它有没有让整个生态系统的结构发生变化？
找到这些更底层的改变，可能就是新机会的真正入口。
Reference：
Figma - The untold story
我最近经常在想创业公司和模型本身竞争的终局是什么，到底什么才是应用公司真正的壁垒？类似 Cursor、Manus 这样的公司最终该如何和模型大厂竞争？
Cursor 最近发的一篇技术博客，也许提供了一个解答的思路。这篇文章讲的是它们怎么用在线强化学习来优化 Tab 这个代码补全功能的。
Tab 是 Cursor 的一大 killer feature，它会自动预测用户接下来要写的代码，用户只要按下 Tab 键就能自动输入。
为了让代码预测得更准，Cursor 直接把用户的每一次交互（接受 or 拒绝建议）都当成一次奖惩信号，灌回模型做实时 RL 训练。现在 Cursor 每 1.5-2h 就能上线一个新模型，建立起了一套高频的实时反馈循环。
而目前模型的建议量已经减少了 21%，但采纳率提升了 28%。
关于「实时训练」的畅想其实已经在 AI 圈存在了很久，但这回是真的第一次大规模跑通上线了，这或许预示着，AI 的数据飞轮要真正开始转起来了？
如果未来各种应用公司都可以用类似的方法来提升自身模型效果，是否会是一个很好的竞争手段？
Reference：
Online RL for Cursor Tab
http://i71i.com/19q9
所以最近我们跟 Plaud 中国区 CEO 莫子皓聊了聊，也看了创始人许高的几篇访谈，然后 get 了一些有意思的认知：
1）我觉得 Plaud 的成功核心验证了一件事情，就是 context 的价值。
他们早年一个重要的非共识判断是：Conversation is a form of intelligence（对话是智能的一种体现形式）。
对话承载了一个人多年的经验、偏好、痛点。但 99.99% 的人都没有把现实世界里的对话采集起来。这背后是一个巨大的金矿。
所以与其说 Plaud 是一个录音笔，不如说它是一个 context 收集器，它的一切设计都是围绕两个核心目的：一是在硬件上，如何更好地捕捉用户的 context；二是在软件上，如何最大化地分析和利用这些 context。
2）我印象最深的是，莫子皓在跟我们聊的时候，说了八遍「反过来」。
他喜欢「把一切反过来想」。
比如，他的思考原点不是 AI 如何服务人类，而是人类如何服务 AI。他相信 AI 的能力已经完全超越了人类，所以重要的是怎么给模型提供足够详尽、独家、个性化的 context，而 Plaud 在做的正好就是捕捉和利用用户 context，所以这是他加入 Plaud 的一个原因。
比如，他给 Plaud 加了一个新功能 —— Ask Plaud，但他来了个反向操作，不是人问 AI，而是 AI 问人。背后的逻辑是，既然现在 AI 能力已经超越绝大部分人类了，那为什么不能是 AI 主动点拨用户？ （AI：我觉得你这个问题问得不好，我来问你几个问题）
比如，他们认为不仅是人类可以提示 AI 怎么分析一段对话内容，AI 也应该主动提示人类怎么分析一段对话内容。Plaud 内置了很多模板来挖掘对话中的隐含信息，比如它会根据对话内容自动推荐 2-3 个模板，告诉你可以从什么角度分析问题。其中有一些很有意思的，比如分析对话中话语权的流动，分析谈判中对方「虚张声势」的程度，分析面试过程中候选人是否有野心、有童年阴影、有言外之意等等。
(其实类似「反过来想」的思考方式，是很多伟大的商业创新的原点。比如拼多多是对「传统保险模式」的「反过来想」，无印良品是对「品牌 Logo 很重要」的「反过来想」，众筹平台是对「先生产再销售」的「反过来想」，ClassPass 是对「办了卡就只能去这家健身房」的「反过来想」...）
3）关于野心和品味
我对 Plaud 还有一个好奇点是，它给人一种比较明显的品牌感和世界第一的野心。
这对国内公司来讲并不常见。
那这种气质是怎么来的？
几条有趣的线索是：
① 许高之前有过三次失败的创业经历，在开启这次创业前，他设置了一些前提，其中一个是：要做就做世界第一的产品。
但这不来自于他的狂妄，而恰恰是来自于他的谨慎，他有一个残酷的观察：世界第二，往往只有第一名 80% 的性能，50% 的定价能力，和 10% 的盈利能力。
第一名能用更高的利润雇佣更好的人、做更好的研发，形成正循环。而第二名，很容易在追赶中和第三、四、五名陷入惨烈肉搏，最后被耗死。
所以，做不到世界第一，就干脆别做。
② 创业公司有两种模式：生存模式 vs 发展模式。公司在实现盈利之前，创始人脑子里想的都是“公司不要死掉”，这是生存模式。但 Plaud 很快跨越了这个节点，连续两年十倍增长、利润率极高，且没有投资人压力，所以整个团队的心态就进入了「发展模式」。大家开始思考 “我们有没有可能成为一家世界级的公司？” 这个心态的转变，会深刻地影响公司的战略、招聘和格局。
③ 可穿戴设备代表着一个人的身份和品味。尤其当用户群体是企业家、高管时，他们掏出的设备自然会成为一种社交语言。所以对 Plaud 来说，Taste 就是一切。比如他们在招聘时，工业设计没有找传统的 3C 电子工程师，而是找了奢侈品和珠宝行业的人；营销则专门找了来自 LV、Rimowa 的人才。
Reference：
Plaud 许高首次深度讲述：全球增速最快 AI 硬件，与一种创业美学｜卫诗婕 商业漫谈 Jane's talk
工作久了，她就琢磨出了一些方法，把 「打造惊喜感」 这件事拆解成了一套有迹可循的方法论。
她首先给「Delight」下了个定义：Delight = 喜悦 (Joy) + 惊喜 (Surprise)。
那如何系统地打造 Delight？有三个抓手：
1) 超越预期: 给用户一些他们压根没想到的好处。比如，你用微软的 Edge 浏览器买东西，快付款时它不知道从哪儿自动找到了一个 15% 的折扣券，帮你白赚了一笔。
2) 预判需求：在用户开口之前，就想到他们可能需要什么。比如 Revolut 作为一个跨国转账 App，居然内置了卖 eSIM 卡的功能。因为他们知道自己的用户很多是国际商旅人士，有流量和通话的需求。
3) 消除阻力：想想用户在哪个环节最焦虑、最痛苦，然后用产品方案把这种负面情绪抹平。比如，Google Meet 团队就发现，大家之所以会「Zoom 疲劳」，一个很重要的原因是总在屏幕上盯着自己的脸看，这体验就像旁边有个人随时举着一面镜子，心理压力巨大。于是他们就开发了一个功能，让人能把自己的画面最小化，一下子就解脱了。
具体的执行流程，她也拆了四步：
第一步：重新定义用户分类。 她强调了一点，传统做产品，总喜欢按人口特征（这人是谁）或者行为（他干了什么）来区分用户，但这还不够。更有效的方法，是按动机来分。同样是打开 Spotify，有的人是想给自己的视频找个配乐（功能动机），有的人纯粹是为了排解孤独（个人情感动机），还有的人是为了转发分享，显示自己品味很好（社交情感动机）。
第二步：把动机转化为机会点。 识别出这些动机，尤其是情感层面的，再把它们变成产品可以下手的机会。
第三步：给方案分类，这里她把 「愉悦感」 分了三层：
浅层愉悦 (Surface Delight)，推荐占比 10%：只满足情感，不具备功能性。比如加州有一家酒店在泳池边安了部「冰棒热线」，拿起电话就能叫一根冰棒。很有趣，但用户不会因为它而订这家酒店。
低度愉悦 (Low Delight)，占比 50%：只满足功能，这是产品的基本盘，不多说。
深度愉悦 (Deep Delight)，占比 40%：同时满足功能和情感。比如 Spotify 的个性化歌单就是一个例子，它既能帮忙 「发现新歌」（功能），又时不时让人咯噔一下，「靠，它懂我！」（情感）。
第四步：用清单检查，避免好心办坏事。有时候，你眼里的惊喜，可能是别人眼里的冒犯。当年，法国外卖软件 Deliveroo 在母亲节那天，给用户发了个「妈妈的未接来电」形式的推送。本意是想提醒大家别忘了关心妈妈，结果被骂得很惨。因为不是每个人的妈妈都还在身边，这个「惊喜」对很多人来说，是在伤口上撒盐。
接下来，上面的技巧只解决了单点执行的问题，更深一层的问题是，如何让「创造惊喜」从一种个人技巧，变成一种可持续的组织能力？
Nesrine 也给了一些方法，比如：
可以像 Google 一样，把 Delight 明确写进产品战略里，大家在做规划时不得不想着它。
可以给「惊喜感」原则起个内部代号，搞得酷一点。比如 Dropbox 有个产品原则叫「纸杯蛋糕」(Cupcake)，Snowflake 有个叫「超级英雄」(Superhero)，本质上都在提醒团队：多做一点让人眼前一亮的事情。
还可以把它变成一个日常活动。比如，Spotify 每月都会有「Hack Days」，年底还有「Hack Week」，鼓励大家跳出条条框框去创新。
最后，她还提到了一个 2B 的点，我觉得特别有风骨：
在 B 端市场，信任，是最高级的愉悦感。
比如社交媒体管理工具 Buffer，他们发现有大概 2% 的用户，长期不活跃但还在傻傻地付钱，于是 Buffer 主动给这些人发邮件说：「我们看你很久没用了，要不要我们帮你取消订阅，顺便把钱退你？」
这操作非常反商业直觉，简直是自断财路，但长期看，这种真诚反而把用户的心给锁死了，用户黏性更高了 (所以说，最高级的套路就是真诚！格局打开)。
Reference：
A 4-step framework for building delightful products | Lenny's Podcast
The Power of Emotional Delight in Product Design with Dr. Nesrine Changuel | Agile Mentors Podcast
Nesrine Changuel - We Should All Prioritise Product Delight | One Knight in Product
起因是他们发现，现在很多 AI 公司根本不知道怎么衡量自己的留存率。
AI 产品很多是面向 Prosumer 的，既不能按 ToC 算，也没法套 SaaS 的模版。更头疼的是，AI 产品里有太多尝鲜的「游客」，早期的留存数据没有太大意义。
于是 A16Z 分析了数百个 AI 产品的数据，给了一个新的分水岭：M3（第三个月）。
他们发现，绝大多数 AI 产品的留存率会从 M3 开始变得平稳。这个时候，尝鲜的游客基本都走光了，留下来的才是产品真正的用户。所以，想知道真实的用户留存情况，最好别从第一个月开始看，把基准换到 M3，更能反映产品真实的 PMF。
顺着这个思路，算 LTV/CAC 也最好换个锚点，单独区分一下 M3 这批用户的 LTV/CAC。这才能看清你的市场花费到底换来了多少「有效用户」。
并且，基于 M3 这个新基准，他们还给出了一个新的北极星指标：M12/M3。也就是用第 12 个月的留存用户数除以第 3 个月的留存用户数，看那些熬过「游客期」的用户，在一年后还剩多少。这最终说明了你产品长期留存的质量。
如果 M12/M3＞85%，说明你跑赢了市场平均线。
如果 M12/M3＞95%，属于 Top 25% 。
如果 M12/M3＞100%，就是顶流水平。
Wait，看到这我愣了一下，留存率还能超过 100%？用户还会自我分裂吗？
这在移动互联网时代确实不大可能，但在 AI 时代，很多公司都出现了这种「微笑留存曲线」。因为模型在不断进化，前两个月的流失用户，可能会因为产品变强了而重新回来。最典型的例子就是 ChatGPT，比如下图是 ChatGPT 在不同时期的月留存曲线：
这还只是在谈用户留存。如果看收入留存，超过 100% 的 AI 公司更多。A16Z 的另一篇文章进一步解释了这个问题，他们认为，这背后有两个关键变化：
1) 定价模式发生了改变，从移动互联网时期的订阅制或广告模式，更多转向了基于使用量或者实际结果的收费模式，所以随着 AI 进步，用量就会增加，收入就会增长。
2) AI 天然打通了一条从个人用户到企业客户的渗透路径，比如 ChatGPT、Gamma，很多都是员工自己用着爽，然后就忍不住在工作群里分享，自然而然地就渗透进了公司。一旦同事们开始用，公司就有了付费的理由，从而能够获得更大的企业预算支出。
所以，AI 其实很大程度上改变了 ToC 产品的商业模式。
基于这个逻辑，A16Z 给 AI 创业者提了三点建议，帮助大家进一步提高产品收入：
第一，不要只搞简单的订阅制，现在越来越多的 AI 工具开始提供不同等级的订阅套餐，让用户在基础额度用完后，再单独购买 credits 来继续使用。这样一来，收入就和用户的「使用深度」挂钩，收入天花板会被打开。
第二，尽早加入「团队协作」功能。这是承接上面说的「自下而上渗透」的关键。哪怕产品还在 MVP 阶段，也要加上最基础的团队功能（比如团队文件夹、协作画布、安全验证）。 有了这些，你就能顺理成章地向价格不敏感的企业客户加收溢价（比如 ChatGPT 个人版 20 美元，企业版会收到 25-60 美元）。A16Z 甚至建议，可以把个人版当获客成本，哪怕亏钱也要做，目的就是为了抢占企业市场。Notion 在 2020 年就采用了这种策略，为个人用户提供无限的免费页面，同时对协作功能进行激进收费，这直接带动了它当年的爆发性增长。
第三，从 Day 1 就开始考虑进军 ToB 业务。
如果你的 ToC 产品也可以被企业用户采用，那就应该考虑在 1-2 年内就引进一个 ToB 的销售负责人。如果不去迅速抢占 B 端市场，很可能就会在激烈的竞争中丢掉最大的收入来源。
Reference：
Retention Is All You Need
The Great Expansion: A New Era of Consumer Software
FDE 最近有点小火。
Bob McGrew 有一期很好的播客，把这个模式讲透了。
先稍微介绍一下 Bob McGrew，他曾经是 Palantir 的高管，后来成了 OpenAI 的首席研究官，带队开发了 ChatGPT 和 GPT-4。
他在播客里提到一个很有趣的现象：他去参加 AI 创业者大会，结果没人问他 ChatGPT 的事，所有人都围着他，只想搞清楚 Palantir 的 Forward Deployed Engineer (FDE) 模式到底是怎么玩的。现在 YC 的招聘网站上，有超过 100 家 AI Agent 公司都在招 FDE，连 OpenAI 自己也组建了 FDE 团队来服务大客户。
那要理解这个模式，首先要搞清楚 FDE 到底是干嘛的。
简单来说，FDE 就是一个驻扎在客户现场的工程师，负责填补「你的产品能做什么」和「客户到底需要什么」之间的巨大鸿沟。
我听完第一反应是，这不就是咨询吗？但深究下去，会发现两者的商业逻辑并不一样。咨询模式卖的是「人时」，按小时或按项目收费。而 FDE 模式的核心是「产品探索」。FDE 在一线用定制化的方式满足客户需求，但这只是手段。目的是把这些一线的需求和解法反馈给后方，产品团队再将这些具体的解决方案抽象、沉淀，变成通用的产品功能。所以这个模式在初期往往是亏钱的，但随着产品在一次次实战中变得越来越强大，利润率就会逐渐转正。
Palantir 的 FDE 团队里，有两个关键角色：Echo 和 Delta。
Echo 团队更像「咨询分析师」，他们通常来自客户所在的行业，比如前 CIA 雇员、前金融分析师。他们的任务是深入客户的业务流程，挖掘出用户真正的痛点，同时负责维护客户关系。
Delta 团队则是「部署工程师」，负责快速写代码，把 Echo 的想法变成一个个能跑起来的原型。
这种分工，也决定了他们非常独特的招人标准。
招 Echo，他们喜欢找「叛徒」——那些来自客户行业内部，但又深刻理解现有模式不行、渴望变革的人。
Delta 则要找擅长快速原型开发的人，而不是追求完美代码的工匠。能快速交付价值是第一位的，代码以后可能要重写甚至扔掉。
一个顶级的 FDE，身上往往有创始人的影子。他们需要独立面对高度不确定的环境，自己定义问题，然后利用手头的「产品杠杆」去创造价值。这种经历本身就是极佳的创业训练，这也是为什么 Palantir 能走出大量的创业公司。
而这种模式对后方的产品经理也提出了极高的要求。他必须具备超强的「抽象能力」，能从客户 A 的一个具体需求里，提炼出能满足未来 10 个客户的通用解决方案。Palantir 最早的关系图谱设计，就是把「人」、「钱」这些具体概念抽象成了通用的「对象」和「关系」，这才让一套系统能够灵活地服务于反恐、金融、医疗等完全不同的领域。
另外，这期播客还分享了几个 FDE 模式下常踩的坑：
1) 你必须主动承担风险。很多大企业客户内部经历过太多失败的项目，他们既不相信自己，也不相信你这个小公司能搞定事情。所以，创业公司初期应该主动承担所有风险，比如承诺「没效果就退款」，用这种方式来建立信任，换取进入客户内部的机会。
2) 警惕 FDE 沦为外包。 FDE 最大的风险之一，就是团队只是在完成客户指派的任务，而不是在主动解决对客户业务最有价值的问题。客户让你解决的，往往是他们觉得最容易让你做的，而不是对他们最重要的。不过，一旦你成功解决了客户的第一个核心问题，你就能赢得信任，并有机会发现和解决企业内部其他更有价值的问题。
3) 搞定客户的 CEO 至关重要。 FDE 模式的实施会牵动客户内部的很多流程和部门，如果没有最高管理层的支持，项目根本推不下去。Palantir 就只做 CEO 的 Top 5 concerns，否则宁可不做。
4) FDE 与产品团队的张力是必要的。FDE 的目的是快速解决眼前这一个客户的特定问题，这使得他们倾向于采用最简单的路径，而后方产品团队则要考虑通用性，所以两个团队的沟通过程通常极其痛苦，但这种内在的矛盾和张力是正常的，甚至是必要的。
铺垫了这么多，那到底什么时候该用 FDE 模式？
Bob 的答案来了个 180 度转弯：其实，能不用就别用。
如果你已经找到了 PMF，可以像传统 SaaS 一样标准化地扩张，那你简直是天选之子，千万别碰 FDE。FDE 只适用于那些产品和市场都极度不明确，需要大量共同探索的场景。
但这也就解释了，为什么 FDE 在今天的 Agent 时代突然迎来了一次大爆发。
在传统 SaaS 里，公司会刻意和客户保持距离，因为每个客户付的钱不多，想要规模化盈利就不能做得太重。
但在 AI 时代，游戏规则变了：
一方面，因为 AI 能完全替代人力，所以合同金额可以非常大（几百万甚至上亿），就算投入一支团队深度嵌入客户现场，也是值得的；
另一方面，AI 产品形态高度不确定，客户自己也说不清楚要什么，很多真正的痛点和解决方案必须通过在一线共创才能浮现。
所以，如果做个总结的话，FDE 模式的精髓，就是「doing things that don't scale at scale」 (规模化地做那些不规模的事)。这是 YC 经典建议「做不能规模化的事」的进阶版，也是为什么这个模式如此之「重」，但又如此强大的原因。
Reference：
The FDE Playbook for AI Startups with Bob McGrew | Y Combinator
