PMF在AI时代需适应新变化，探索增长本质。

对于企业来讲，增长是任何时代都永恒不变的话题。增长需要内外兼修，外需要客观的看到和理解环境和变化，内更清楚客观的知道自己是谁，基因是什么，优劣势是，在环境中可以获得怎样的生态位。 

带着过去密集思考与实践，和对AI时代的学习和理解，继续一起探索事物的底层逻辑和增长的本质。 

我的内容可能不会告诉你正确答案是什么，但我希望尽可能去创造时效性长和深入核心的内容，去帮助你回归和看清问题的本质，相互启发，帮你提出更多对的问题。 

“在一个好的市场里，有一个能够满足那个市场需求的产品”，PMF(aka 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》 所提出。 

同时在linkedin的创始人Reid Hoffman的《Blitzscaling闪电扩展》一书中，产品市场契合度（PMF）被视为一个创业公司达到快速扩展之前的关键里程碑。

Hoffman解释，PMF意味着一个产品已经找到了它的市场并且用户需求强劲，这是企业决定是否进入闪电扩展阶段的基础。 

这个概念在过去PC和移动互联网时代的近20年，被创投圈里广泛应用。 

但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？我们现在快速的回顾一下PMF这个概念构成后面的意义。

Market： 一直是最核心最高优先级的要素，也是最难的。我认为占到创业者至少占到80%以上的时间与精力，属于战略性问题，它的核心目标就是一个「do the right thing」。这里面要做市场/人群/需求/场景/现有产品和方案等等的深入一线的调查分析与假设，以确保要解决问题不是一个伪需求，不是我们YY出来，且是有经济效益的，最好还是一个市场需求在快速增长的状态。 

Product + Fit： 相比Market，反而难度不是最大，发现了对的机会，每个创始团队都有各自的基因和1 of 10的拿手绝活，各自切入的手法会不一样，以尽可能低的成本，拿到市场反馈，以最快的迭代速度让产品能够贴合的满足市场需求，这个过程的方法论，工具过去都沉淀不少。 

以上对PMF的理解很重要，这里还有一个更重要，但会被绝大多数人忽略的。 

PMF是有强时空边界效应的，我们定义PMF的有效期到产品被市场开始大规模的接纳和采用，时空边界决定了它的适配范围和程度。这就好比食品的有效期或最佳赏味期。

Market会被各种大小变量影响，也就直接导致了Product会在新时代的各种变量下变得格格不入。 我们试着从五个基本面入手，去理解是什么导致在AI时代造成了PMF，以及为什么。 分别是基建稳定性，效果作用点，竞争激烈度，生意成立性，护城河变化。

后续的文章中会讲作为创业者在这个新环境当中PMF探寻之道，与生存和发展原则的方法。 （新的读者朋友记得先关注，星标） 

1.基建稳定性：技术远未成熟 vs 应用脆弱易碎

新技术(Enabling tech)的出现往往能够让新产品有机会比原来的要好100倍，或者破坏性的降低原有产品的使用门槛与成本。但技术基建的稳定性，对Product产生直接影响，也直接决定了利用其能力的产品和服务稳定性。

我一直以电的发明来类比现在的AI，它是一种能源，智力能源，和水电煤的本质属性一致。 

回顾电力在各行业的渗透过程来看AI，历史总是惊人相似，只是细节的不同。

法拉第在1831年发现电磁感应现象，发明电动机和发电机的基本原理。将近50年后，1878年爱迪生发明了电的超级app-白炽灯，同时在1882年建立世界上第一座商业发电站(Pearl Street Station)，标志着电力开始大规模的应用。尼古拉特斯拉推广交流电系统，使电力传输更为高效和远距离。

Electrification started(也就是第二次工业革命逐渐开启):

Electrification adoption curve 

1889年：电力应用开始缓慢上升的初期(距首座电站建立7年)

1909年：电力应用开始显著增加的时期(距首座电站建立27年)

1929年：电力在各个行业中广泛普及，接近饱和(距首座电站建立47年)

1949年：图表的终点，电力在各个行业中的普及已接近完全(距首座电站建立67年）

第一座商业发电站出现后的60年才在各个行业完成渗透。类比2020年OpenAI的GPT3正式发布这一里程碑事件，距离现在也才仅仅4年时间，对比电力电气化的进展速度，已经是飞快了。

GPT-4o预测Gen AI在各领域的渗透进度曲线 

我们把目前大模型基建的情况与电力体系在做一个简单类比，以便更好的理解目前的基建格局：

1. 发电机的核心原理： 发电机的工作原理基于电磁原理，这类似于Transformer模型和scaling law在AI中的应用。电磁感应原理使得机械能转化为电能，Transformer和scaling law通过复杂的数学和算法模型，将大量数据转化为有用的智能输出； 

2.发电机的各类形态：发电机有多种形态，如风力发电、水力发电、火力发电和核能发电。对应于AI领域，我们可以看到各种数据源训练的开源和闭源大模型、多模态模型、专家模型等； 

3.发电的各类设备：基于不同的功率和能耗，从大型发电机到小型家用发电机，以及蓄电池等储能设备。在AI领域我们看到不同计算资源和功效为不同算力需求场景所诞生的模型，如云端大模型，边缘模型，本地模型，端侧模型等等； 

虽然技术还在不断进化，但大模型的输出结果还远未稳定，普通人很难在一次或者几次对话中就能获得满意的答案，甚至连scaling law和transformer这些最基础的原理和架构也有可能随时被颠覆。

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。Agentic flow本质上也用更精细化的分工思路来对应大模型一揽子工程但交付粗糙，沟通费时，专业深度不够的问题。

对原料做深加工和价值体验升级，本来就是商业的一种重要形式，无可厚非。 但我想要强调是，一定要尽量避免自己的项目落在大模型升级的死亡区域和路径当中。

创业者面对大模型升级死亡区域有哪些呢？有以下原则构成：

越通用，附加价值低的： 比如摘要提取，改写，文章生成，翻译，解释，常规问题的问答

越重复，规则越明确的： 比如数据整理，清洗，标注，可视化

越基础，有模版套用的： 比如简单图像生成，图片去噪，分别率提升，基础数据分析，报表生成，代码片段生成，自动补全，财务报表，市场分析

避免走向这些死亡区域的策略就是： 产品专注核心能力/竞争力，设计扩展灵活度高的架构，尽快帮助用户在产品上积累数据资产，关系资产，不断提高转移门槛，让产品形成网络效应或者品牌效应。 

2.商业要素作用点：连接力 vs 生产力

PC&移动互联网与AI做为新技术作用点不同在哪里？先说结论。 

从商业要素来看，互联网作用是在渠道模块，建立更高效的连接和触达能力；而AI是则主要作用是在生产力，从供给侧提供效能的提升。

商业是由产品，市场，渠道，模式和供给五个核心要素构成，从互联网到AI，技术作为核心大变量，在商业要素的直接作用点不同，价值和收入贡献路径，也是截然不同。 

商业模式五要素关系

首先来看，每种新的技术都有自己的核心技术基础和驱动方向：

PC和移动互联网：它们的核心技术基础，是计算机硬件、操作系统、TCP/IP协议、web浏览器，这里面连接性是主要驱动力，回看过去市值最高的那些互联网企业，不管是社交网络，个性化内容推荐应用，还是各类型交易平台，都是使得信息可以快速传递，人与人之间、人与信息之间，连接能力变得前所未有的强大与便捷。 

互联网技术打开了产品新销路，更快匹配合适的客户，卖给更多的新客户；加上丰富的营销手段和传播机制玩法，从交易数据上看，往往会有种势如破竹的感觉。为什么？因为它通过提升连接效率，也提升了交易效率，在同样的时间段内，商家的收入变多了。 

PC/移动互联网->新连接 = 新收入，见效快，路径短，立竿见影，

AI：它的核心技术是机器学习、深度学习、自然语言处理、计算机视觉等。这些依赖于大量的数据、高性能计算和复杂算法相关。生产力的自动化，智能化是主要驱动力，优化决策过程，从给人打辅助配合，到完全自主决策，自主行动直到达成目标。AI是新质生产力，极大规模的提升了生产效率和产能。

而供给侧和生产端的效能提升，价值链路相对长，不带来直接的新增销售额，尤其是经济疲软，市场需求乏力，消费力变弱，哪怕大幅的生产效能提升也没法带来更大的收入增长与变化，反而是要想办法去产能。相反，企业通过重构生产关系，大幅降低成本和提升利润率，比如AI数字员工，AI销售，AI客服等可以显著降低运营成本，但如果产品服务价格跟随成本下降，也有机会进一步扩大市场需求和销量（尤其价格弹性高的产品或服务）。 

AI->新效率 = 新利润，见效慢，路径长（售价降低，撬动潜在需求和增加销量）

3.竞争激烈度：incumbents vs startups 

这是一场延续巩固已有优势和颠覆破坏性创新的对决。 

Incumbents（现有企业）在数据和渠道上的优势明显，甚至它们本身就是渠道的主导者。新技术在这种情况下更多是起到锁定现有市场的作用，而市场或商业模式并没有发生根本性的变化。谷歌通过使用AI增强搜索体验，而ChatGPT则通过自然语言模型重新定义搜索工具，谷歌通过广告收费，而GPT采用付费订阅，这可能会颠覆现有的搜索引擎广告商业模式。从历史看这种事件在不断的发生，从流媒体服务冲击过去传统的有线电视，移动支付冲击传统银行行业，Airbnb和Uber冲击传统的酒店行业和出行行业。

每家公司都可以利用人工智能实现自己的目标，但需要明确的是，新项目是否能够通过enabling tech shift来颠覆性创新持续提供更优质或难以想象的服务。这种改进应当是相对于原有体验的10倍甚至100倍的提升，或者把曾经的使用门槛或者成本降的足够低或者免费。

否则，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。

创业公司具备以下潜在的优势

变换维度的切入：是否创新创造了全新的市场和服务，是否解锁了以前不可能或者难以想象的场景，比如Uber，Airbnb

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

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，这行业行业本身行业链条就长，变化小，市场机会和风险都会传递的比较慢（比如制造业，医疗行业，石油化工等）

创业公司可以切入的机会

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当年利用图形界面都是创新性的解锁

寻找非结构化数据的机会：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。然而，这些领域虽然能提供初期优势，但难以成为长期的护城河。因此，新兴企业需要不断创新，维持竞争力。

4.生意成立度：产品价值优先 vs 生意闭环优先

大多数经历过PC和移动互联网起步及爆发过程的从业者都有一个思维惯性，即“产品价值优先”远大于“商业生意闭环优先”。

这种理念认为，只要有越来越多的人使用产品或服务，就不必过多关注商业模式和成本。商业模式可以在扩大规模的过程中逐渐找到，逐步实现收入，甚至可以持续不盈利，只要管理好市场预期和情绪，拉升股价就皆大欢喜。 

看一份最新数据，2024年Q1全球Gen AI早期投资的数量变化，对比2023年Q3期间，骤降76%。极少数创业团队有条件或者有胆量像当年PC和移动互联网阶段，敢大踏步式的发展，快速的把用户规模做起来再去找商业模式，不像当年的Google, Facebook, Linkedin等等 

Pitchbook: early stage VC deals in Gen AI 

在Kyle Poyar的一篇文章《how ai apps make money》里统计了40家目前最先进的AI公司里就指出了，目前七成以上的ai应用都是以最为保守的订阅模式来付费，以效果付费的产品屈指可数就那么几个 

在一个经济低迷，流动性差，新技术基建远未稳定，前置投入变高的创业高失败率环境中，创业者发射子弹的次数没有增加，反而还严重受到了限制。

为什么？ 原因很简单：经济持续低谷+Hype破灭对创投环境的持续悲观影响

一是经济持续处于低谷，远未恢复（美国GDP Q1又在下降，加息周期还处于高峰，降息迟迟未到，消费者信心指数，中小企业信心指数虽有小幅度回升，都还远未到过去50年的历史平均水平）； 

2024 Q1 SMB optimism index 

2024 Q1 Real GDP 

二是从Gartner Hype Cycle的周期来看，Generative AI也正在经历从过往期望峰值(Peak of Inflated Expectations)向幻灭低谷(Trough of Disillusionment)快速滑坡的阶段（我们知道的事实就是技术基建还是远未稳定，也看到第一代AI独角兽公司集体寻求卖身） 

这两股周期的走势目前叠加在一起，让投资市场的心理和情绪钟极速从钟摆一端摆向另外一端：

• 从贪婪到恐惧
• 从乐观到悲观
• 从风险忍受到风险规避
• 从信任到怀疑
• 从相信未来价值，到坚持现在要有实实在在的价值
• 从急于购买，到观望和恐慌卖出

环境的变化和风险在生态链中层层传递，这使得大多数创业者被迫放弃先长期主义和理想主义，更加的精打细算成本和收入，回到生意和生存逻辑当中。 

5.护城河变化：变量 vs 常量

在AI时代，企业的护城河有哪些呢？结合巴菲特过往的访谈，我们可以总结出以下几种类型的护城河，并从AI时代的角度进行扩充：

成本优势

优化流程、独特地理位置、独占资源、较大规模等都会带来成本优势。然而，AI时代通过自动化和智能化进一步降低了运营成本。AI技术可以显著减少人力成本，提高生产效率，形成新的成本优势护城河。然而，这种护城河容易被攻破，因为竞争对手可以迅速采用类似的AI技术。

连锁经营优势

连锁经营也是能形成护城河的，这一块主要是针对实体相关的行业与产品。但可以让AI深入到行业中的workflow与重要节点中。比如更智能高效的商品企划，产品设计，优化供应链管理，提高和预测库存管理效率，个性化客户服务体验，市场投放和产品优化。

无形资产护城河

无形资产护城河包括品牌护城河、专利护城河和政府授权垄断。品牌的护城河会一直存在，同样专利和政府授权垄断也一样，这些AI本身关系度不是太大。但在AI时代，数据资源成为新的无形资产护城河。拥有大量高质量数据，独家，且有行业深度数据的企业在AI应用上具有显著优势。

网络效应护城河

网络效应护城河在AI时代依然强大。在过去的系列文章打造增长核武器①：承载与创造科技公司70%价值的「网络效应」已经非常详细的讲过网络效应，简单来讲，网络效应就是当一个产品或服务被越来越多的人使用，这个服务或产品变的越来越有价值的一种效应。有兴趣可以再去回顾。经典的如单边网络效应如社交软件，双边网络效应如电商交易平台，但这里会有一种新的叫“数据网络效应”新概念，后续文章会继续分享。

转换成本护城河

转换成本护城河在AI时代进一步提高。例如，用户长时间的使用某个产品，和个性化的AI助手，积累了大量的使用数据和偏好设置，比如keep积累大量的运动和健康数据，notion积累了大量知识内容和笔记数据，linkedin积累了大量的关系资产和数据，duolinguo积累了大量的语言学习数据和习惯，这些都不会让与用户轻易迁移到其他平台。

科技优势护城河

科技优势护城河和专利护城河是两个概念。AI时代的科技优势护城河更加显著。但核心还是海量高质量的独家数据，自研的芯片与独特算法，强大的计算能力等等，这些在科技行业同行之前可能壁垒不会太高，或者说可以短暂拉开差距，但长期看应该都会相差不大。

要知道，所有的护城河都都是有时效性的，没有永远的护城河，只有日新月异的技术发展。AI时代，所有护城河都会面临新的挑战。AI技术的发展迅速，创新周期缩短，市场竞争更加激烈。企业需要不断投资于AI研发，保持技术领先地位。同时，灵活应对市场变化，积极探索新的商业模式和合作机会，才能维持竞争优势，但也要客观接受再伟大的企业，也是时代的产品，都有自己生老病死！

IN THE END

过去从PMF的验证就是完成以下假设和验证闭环的不断重复，直到各类指标能够确明确释放出signficant signals。 

Reid hoffman说，一旦PMF点之后，就可以开始blitzscaling，到必须要同时完成Product Channel Fit(产品渠道匹配), Channel model fit(渠道模式匹配), Model Market Fit(模式与市场匹配)，完成所有成本和收入计算评估后，也只敢在ROI为正的时候扩张。 

最后为创业公司提供三个原则，更可以说的目前能存活下来的纪律性： 

第一，必须要在早期就非常清晰的知道你的目标用户是谁，和他们未被满足好的需求和痛点是什么，你可以结合AI给他们多大的价值或体验提升（一般需要至少10X，才会让用户有足够动力去冒险尝试一款新的产品）

第二，清楚知道他们在哪，而且必须要非常低成本，或者免费的触达和转化他们（不要想着取巧批量性获得他们，有可能土办法+真诚就是最有效最省钱的方式）

第三，命中率高，必须让他们在看到产品demo，甚至仅仅知道产品概念后，就能留下极佳的第一印象，有付费的行为发生，以及用很好的沟通来管理用户的预期 

最后这一切都要让你每一笔帐能算的过来（token的成本，数据成本，渠道，试错，迭代等等），且要能高效的回款，因为在早期还无法判断和计算用户life-time的时候，LTV/CAC的公式会显得过于长远。 

Ref & Inspired by:



https://www.nfx.com/post/product-market-fit

https://pmarchive.com/guide_to_startups_part4.html

https://caseyaccidental.com/caseys-guide-to-finding-product-market-fit/

https://brianbalfour.com/essays/product-market-fit-isnt-enough

https://a16z.com/12-things-about-product-market-fit/

https://builtin.com/articles/product-market-fit

Reid hoffman《Blitzscaling》

Howard Marks 《Master the cycle》

https://www.growthunhinged.com/p/how-ai-apps-make-money

本文来自微信公众号“Roc的增长备忘录”（ID:RocGrowthMemo），作者：Roc Yu