AI Day 67: AI产品策略框架 — Build vs Buy、定价、PMF与增长

日期: 2026-06-07 | 阶段: 第六阶段 · AI前沿补完 (Day 61-70) | 主题: AI Product Strategy Framework 标签: #AI产品策略 #定价 #PMF #BuildVsBuy #增长 #商业模式

学习路径 / Learning Path

AI/LLM 深度技术学习 70天计划
├── 第一阶段：模型基础 (Day 1-15) ✅
│   ├── Day 1: Transformer与LLM基础 ✅
│   ├── Day 2: 量化与本地部署 ✅
│   ├── Day 3: 训练全流程 ✅
│   ├── Day 4: Prompt Engineering ✅
│   ├── Day 5: RAG架构 ✅
│   ├── Day 6: 向量数据库与Embedding ✅
│   ├── Day 7: 微调技术 ✅
│   ├── Day 8: 推理优化 ✅
│   ├── Day 9: 长上下文技术 ✅
│   ├── Day 10: 多模态模型 ✅
│   ├── Day 11: 推理模型 ✅
│   ├── Day 12: Agent框架 ✅
│   ├── Day 13: MCP协议 ✅
│   ├── Day 14: 模型评估 ✅
│   └── Day 15: 阶段一总结 ✅
├── 第二阶段：工程实践 (Day 16-30) ✅
│   ├── Day 16: LLM应用架构 ✅
│   ├── Day 17: 安全与护栏 ✅
│   ├── Day 18: 可观测性 ✅
│   ├── Day 19: 生产RAG·解析与分块 ✅
│   ├── Day 20: 生产RAG·检索与重排 ✅
│   ├── Day 21: 生产RAG·评估与迭代 ✅
│   ├── Day 22: Agent状态与恢复 ✅
│   ├── Day 23: Agent成本优化 ✅
│   ├── Day 24: 多Agent系统 ✅
│   ├── Day 25: Agent测试部署 ✅
│   ├── Day 26: LLM成本工程 ✅
│   ├── Day 27: 多模型编排 ✅
│   ├── Day 28: LLM应用测试 ✅
│   ├── Day 29: 企业LLM平台 ✅
│   └── Day 30: 阶段二总结 ✅
├── 第三阶段：金融零售AI应用 (Day 31-42) ✅
│   ├── Day 31: 金融AI风控 ✅
│   ├── Day 32: 智能投顾与量化 ✅
│   ├── Day 33: 合规与RegTech ✅
│   ├── Day 34: 信贷AI全链路 ✅
│   ├── Day 35: 金融AI总结 ✅
│   ├── Day 36: 零售AI推荐 ✅
│   ├── Day 37: 智能客服 ✅
│   ├── Day 38: 供应链AI ✅
│   ├── Day 39: 智能营销 ✅
│   ├── Day 40: 零售AI总结 ✅
│   ├── Day 41: CeFi×DeFi×AI融合 ✅
│   └── Day 42: AI融合案例与职业 ✅
├── 第四阶段：面试冲刺 (Day 43-50) ✅
│   ├── Day 43: 系统设计·LLM平台 ✅
│   ├── Day 44: 系统设计·RAG系统 ✅
│   ├── Day 45: 系统设计·Agent系统 ✅
│   ├── Day 46: 系统设计·推荐系统 ✅
│   ├── Day 47: 面试·产品AI ✅
│   ├── Day 48: 面试·架构AI ✅
│   ├── Day 49: 面试·行为AI ✅
│   └── Day 50: 学习总结 ✅
├── 第五阶段：动手实战 (Day 51-60) ✅
│   ├── Day 51: 本地大模型部署全流程 ✅
│   ├── Day 52: RAG系统实战 ✅
│   ├── Day 53: RAG进阶优化 ✅
│   ├── Day 54: LoRA微调实战 ✅
│   ├── Day 55: Agent开发实战 ✅
│   ├── Day 56: MCP Server开发 ✅
│   ├── Day 57: 多模态应用 ✅
│   ├── Day 58: AI全栈开发 ✅
│   ├── Day 59: 性能调优与成本 ✅
│   └── Day 60: 60天总结 ✅
└── 第六阶段：AI前沿补完 (Day 61-70)
    ├── Day 61: Vibe Coding产品全景 ✅
    ├── Day 62: AI Coding深度产品分析 ✅
    ├── Day 63: Computer Use与GUI Agent ✅
    ├── Day 64: Enterprise Agentic AI ✅
    ├── Day 65: MCP 2026协议生态 ✅
    ├── Day 66: Voice AI与实时对话Agent ✅
    ├── Day 67: AI产品策略框架 ← 你在这里
    ├── Day 68: Physical AI与机器人
    ├── Day 69: AI产品分析文章
    └── Day 70: AI功能MVP + 70天总结

---

核心概念 / Core Concepts

为什么AI产品需要不同的策略？/ Why AI Products Need Different Strategy

传统SaaS产品:                          AI产品:
┌──────────────────────┐              ┌──────────────────────┐
│ 确定性输出            │              │ 概率性输出            │
│ 边际成本趋近于零       │              │ 每次推理都有成本       │
│ 功能即护城河           │              │ 功能易被复制          │
│ 按座位收费天经地义      │              │ 座位≠价值，用量≠价值   │
│ Bug是明确的           │              │ 幻觉是模糊的          │
│ 用户预期稳定           │              │ 用户预期指数级增长     │
│ 竞争壁垒: 功能+网络效应 │              │ 竞争壁垒: ?????       │
└──────────────────────┘              └──────────────────────┘

AI产品的根本悖论 / The AI Product Paradox:

容易构建，难以差异化。 任何人都可以调用GPT-5 API，用一个周末做出一个"AI写作助手"。 但让它成为一个可持续盈利的产品？这需要完全不同的思维方式。

2026年的现实是残酷的:

• 90%的AI创业公司 将在2年内失败（高于传统创业的70%）
• S&P Global数据: 42%的企业在2025年废弃了大部分AI项目（2024年仅17%）
• 仅5% 的企业AI计划产生了可衡量的收入影响
• 14,000+ AI创业公司在2024年创立，其中5,600+在2026年初已关闭

失败的核心原因并非技术不行，而是 产品策略 出了问题。

AI产品策略的四大支柱 / Four Pillars of AI Product Strategy

                    ┌─────────────────────┐
                    │   AI产品策略框架      │
                    │  Product Strategy    │
                    └─────────┬───────────┘
            ┌─────────┬──────┴──────┬──────────┐
            ▼         ▼             ▼          ▼
     ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐
     │Build vs  │ │  定价    │ │  PMF    │ │  增长    │
     │  Buy     │ │ Pricing  │ │验证     │ │ Growth   │
     │  决策    │ │  策略    │ │Product  │ │  策略    │
     │Decision  │ │ Strategy │ │Market   │ │Strategy  │
     │Framework │ │          │ │  Fit    │ │          │
     └──────────┘ └──────────┘ └──────────┘ └──────────┘
         │             │            │            │
    何时自建？      如何收费？     用户真的     如何规模化
    何时购买？      成本结构？     需要吗？     增长？
    何时微调？      价值捕获？     如何验证？   飞轮在哪？

---

Build vs Buy 决策框架 / Build vs Buy Decision Framework

2026年的三条路径 / Three Paths in 2026

传统的"Build vs Buy"二选一已经过时。2026年的正确问题是: Build vs Buy vs Fine-tune。

┌──────────────────────────────────────────────────────────────┐
│                  AI能力获取决策树                              │
│              AI Capability Acquisition                        │
└──────────────────────┬───────────────────────────────────────┘
                       │
              你的AI需求是否是
              核心差异化能力？
                       │
              ┌────────┴────────┐
              │                 │
             YES               NO
              │                 │
        你有足够的          ┌───┴───┐
      专有数据吗？         直接购买
              │           SaaS/API
       ┌──────┴──────┐    (Path C)
       │             │
      YES            NO
       │             │
  数据量是否      通用AI API
  >10万条？        足够好吗？
       │              │
  ┌────┴────┐    ┌────┴────┐
  │         │    │         │
 YES       NO  YES       NO
  │         │    │         │
自研模型   微调    使用      微调开源
(Path A)  (Path B) API    模型+RAG
                (Path C)  (Path B)

三条路径详细对比 / Detailed Path Comparison

2026年企业的实际选择 / Real Enterprise Choices in 2026

2026年最成功的企业采用 混合策略 (Hybrid Approach):

┌────────────────────────────────────────────────────┐
│              2026 混合AI策略                        │
│                                                    │
│  购买 (Buy):                                       │
│  └── 系统级基础设施 (合规、审计、工作流)               │
│  └── 非核心AI功能 (翻译、OCR、语音转文字)             │
│                                                    │
│  微调 (Fine-tune):                                  │
│  └── 行业专用模型 (金融风控、医疗诊断)                │
│  └── 品牌语调和知识模型                              │
│                                                    │
│  自建 (Build):                                      │
│  └── 差异化体验层 (AI Copilot、Agent工作流)           │
│  └── 专有数据处理管线                                │
│  └── "用户与AI交互"的核心界面                        │
│                                                    │
│  关键原则: 购买"记录系统"，自建"差异化层"             │
└────────────────────────────────────────────────────┘

成本深度分析 / Cost Deep Dive

2026年AI推理成本发生了巨大变化：

推理成本演变 (GPT-4级别模型):
  2022年底: ~$20.00 / 百万token
  2023年中: ~$6.00  / 百万token
  2024年中: ~$2.00  / 百万token
  2025年中: ~$0.80  / 百万token
  2026年初: ~$0.40  / 百万token    ← 3年下降 1000倍!

驱动因素:
  硬件: 每代GPU提升2-3x推理吞吐量/美元 (H100→B200)
  软件: vLLM/TensorRT-LLM将GPU利用率从30-40%提升到70-80%
  架构: MoE模型、推测解码、注意力优化
  竞争: 开源模型(Llama, Mistral, Qwen)压低价格

关键数据:
  2026年，推理占所有AI计算需求的~2/3（2023年仅~1/3）
  NVIDIA GB200 NVL72: 推理MoE模型成本降低10x（vs Hopper）

对产品策略的影响: 推理成本的持续下降意味着：

1. API方案越来越经济 — 自建的成本优势在缩小
2. 用量增长不再可怕 — 但仍需监控，OpenAI 2025年亏损$50亿（收入$37亿）
3. 定价弹性增加 — 可以更激进地提供免费层

Build vs Buy 决策检查清单 / Decision Checklist

回答以下问题，根据得分决策：

┌─────────────────────────────────────────────────┐
│  Build vs Buy 评分卡 (每项 1-5 分)               │
├─────────────────────────────────────────────────┤
│                                                 │
│  倾向自建 (Build) 的信号:                        │
│  □ AI是你的核心产品差异化点？         ___/5      │
│  □ 你拥有大量独特的专有数据？         ___/5      │
│  □ 对延迟/隐私有极端要求？            ___/5      │
│  □ 你有足够的ML人才和预算？           ___/5      │
│  □ 你的行业需要定制化程度极高？       ___/5      │
│                                                 │
│  倾向购买 (Buy/API) 的信号:                      │
│  □ AI只是增强功能，不是核心？         ___/5      │
│  □ 你需要快速上市？                   ___/5      │
│  □ 预算有限，团队不大？               ___/5      │
│  □ 用例是通用的(翻译/摘要/分类)？     ___/5      │
│  □ 供应商锁定风险可接受？             ___/5      │
│                                                 │
│  评分指南:                                       │
│  Build得分 > 20 且 Buy得分 < 15 → 自建          │
│  Buy得分 > 20 且 Build得分 < 15 → 购买          │
│  两者都在 15-20 → 混合(微调+API)                 │
└─────────────────────────────────────────────────┘

---

AI产品定价策略 / AI Product Pricing Strategy

定价革命: 从座位到成果 / The Pricing Revolution

AI正在彻底重塑SaaS定价模型。2026年的核心趋势：

定价模型演变:

  2015-2020: 按座位收费 (Per-Seat)
  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  "每个用户 $X/月"
  代表: Salesforce ($25-$300/user), Slack, Notion
  逻辑: 用户数=价值

  2020-2023: 按用量收费 (Usage-Based)
  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  "用多少付多少"
  代表: Snowflake, Twilio, AWS
  逻辑: 消费量=价值
  数据: 85%的SaaS公司在2024年采用了某种形式的用量计费

  2024-2025: 混合模式 (Hybrid)
  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  "基础费+用量"
  代表: OpenAI, Cursor, GitHub Copilot
  逻辑: 平台费+增量价值

  2025-2026: 按成果收费 (Outcome-Based)
  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  "按解决的问题收费"
  代表: Salesforce Agentforce, AI客服Agent
  逻辑: 成果=价值
  预测: IDC预计2028年70%软件供应商将转向成果定价

2026年AI定价模型全景 / AI Pricing Models Landscape

真实定价案例研究 / Real Pricing Case Studies (2026)

Case 1: Cursor — 信用额模型的标杆

Cursor 定价演变:
  2024: 按请求计费 (X次fast/slow请求)
  2025.6: 转向信用额制 (Credit-based)
  2026: 完全信用额制

  当前定价:
  ┌─────────────┬──────────────┬──────────────────────┐
  │ Plan        │ 月费          │ 信用额                │
  ├─────────────┼──────────────┼──────────────────────┤
  │ Hobby       │ $0           │ 有限免费              │
  │ Pro         │ $20/月       │ $20等值信用额          │
  │ Pro+        │ $60/月       │ $60等值信用额          │
  │ Ultra       │ $200/月      │ $200等值信用额         │
  │ Teams       │ $40/人/月    │ $40等值信用额/人       │
  └─────────────┴──────────────┴──────────────────────┘

  信用消耗规则:
  - Auto模式(自动选模型): 无限使用
  - 手动选Claude Sonnet/GPT-4: 消耗信用额
  - Token定价: ~$0.25/M(缓存), $1.25/M(输入), $6.00/M(输出)

  商业成果:
  - 接近$10亿ARR (年化经常性收入)
  - 数百万用户
  - 2022年成立 → 2026年独角兽

  策略洞察:
  - 将定价与基础设施成本对齐(类似云计算模式)
  - Auto模式降低用户决策负担，同时优化成本
  - 信用额 = 月费金额 → 心理上"花多少得多少"

Case 2: Claude — 分层订阅 + API双轨

Anthropic Claude 2026定价:

  消费者订阅:
  ┌─────────────┬──────────────┬──────────────────────┐
  │ Plan        │ 月费          │ 核心权益              │
  ├─────────────┼──────────────┼──────────────────────┤
  │ Free        │ $0           │ Sonnet 4.5基础访问    │
  │ Pro         │ $20/月       │ 全模型 + 标准用量      │
  │ Max 5x      │ $100/月      │ 5x用量 + 记忆 + 优先  │
  │ Max 20x     │ $200/月      │ 20x用量 + 全部特权     │
  └─────────────┴──────────────┴──────────────────────┘

  API定价 (每百万token):
  ┌─────────────┬──────────────┬──────────────────────┐
  │ Model       │ 输入          │ 输出                  │
  ├─────────────┼──────────────┼──────────────────────┤
  │ Haiku 4.5   │ $1           │ $5                   │
  │ Sonnet 4.6  │ $3           │ $15                  │
  │ Opus 4.6    │ $5           │ $25                  │
  └─────────────┴──────────────┴──────────────────────┘

  策略洞察:
  - 消费者: 固定月费，可预测
  - 开发者: 按Token，弹性
  - Batch API + 缓存: 可降低成本高达95%
  - 1M上下文窗口无额外收费 → 降低门槛

Case 3: ChatGPT — 广覆盖分层

OpenAI ChatGPT 2026定价:
  ┌─────────────┬──────────────┬──────────────────────┐
  │ Plan        │ 月费          │ 定位                  │
  ├─────────────┼──────────────┼──────────────────────┤
  │ Free        │ $0           │ GPT-5 mini, 有限      │
  │ Go          │ $8/月        │ 入门级付费, 更快       │
  │ Plus        │ $20/月       │ 主力, 全模型           │
  │ Pro         │ $200/月      │ 无限制, GPT-5 Pro     │
  │ Business    │ $25-30/人/月  │ 团队协作              │
  │ Enterprise  │ 定制          │ 150+人, 定制化        │
  └─────────────┴──────────────┴──────────────────────┘

  策略洞察:
  - 6个层级覆盖从个人到大企业的完整频谱
  - Free → Go ($8) 的低门槛: 降低首次付费阻力
  - Plus ($20) vs Pro ($200): 10x价格差 → 捕获不同价值感知
  - OpenAI仍在亏损: 2025年收入$37亿，亏损$50亿

Case 4: Salesforce Agentforce — 开创性按成果收费

Salesforce Agentforce 2026定价:

  定价演变:
  V1: $2/对话 (按Conversation)
  → 被批评价格高、不可预测
  V2: Flex Credits (推荐)
  → 标准操作20 credits ($0.10)
  → 语音操作30 credits ($0.15)
  → 10万credits = $500

  企业版: $550/用户/月 (含100万Flex Credits/年)

  不能混用: 一个组织只能选Conversation或Flex Credits

  策略洞察:
  - 按成果收费的先驱者
  - 从$2/conversation到Flex Credits的转型说明:
    纯成果定价在实践中很难 → 退回到信用额代理
  - 验证了市场对"按工作量而非人头"定价的需求
  - 但也暴露了: 定义"成果"本身就很困难

Case 5: GitHub Copilot — 座位制 + 用量溢出

GitHub Copilot 2026定价:
  ┌─────────────┬──────────────┬──────────────────────┐
  │ Plan        │ 月费          │ Premium Requests      │
  ├─────────────┼──────────────┼──────────────────────┤
  │ Free        │ $0           │ 有限                  │
  │ Pro         │ $10/月       │ 包含配额              │
  │ Pro+        │ $39/月       │ 更高配额              │
  │ Business    │ $19/人/月    │ 团队管理              │
  │ Enterprise  │ $39/人/月    │ 1000+, 定制模型       │
  └─────────────┴──────────────┴──────────────────────┘

  超出配额: $0.04/次 premium request

  策略洞察:
  - 保留了开发者熟悉的按座位模型
  - 但增加了用量维度(premium requests)
  - 超额按次收费 → 混合模式的典型实践
  - 说明: 纯座位制在AI时代不够用，但完全放弃也太激进

Case 6: Lovable — 面向Vibe Coding的信用额

Lovable 2026定价:
  ┌─────────────┬──────────────┬──────────────────────┐
  │ Plan        │ 月费          │ Credits               │
  ├─────────────┼──────────────┼──────────────────────┤
  │ Free        │ $0           │ 5/天                  │
  │ Pro         │ $25/月       │ 150/月 + 5/天          │
  │ Business    │ $50/月       │ 更多                  │
  │ Enterprise  │ 定制          │ 按需                  │
  └─────────────┴──────────────┴──────────────────────┘

  Credit消耗:
  - 简单样式调整: ~0.5 credit
  - 复杂功能(认证): ~1.2 credits
  - Chat模式(无代码修改): 1 credit/消息

  策略洞察:
  - 基于任务复杂度的可变信用消耗
  - 每天5个免费credit → 低门槛尝试
  - 含$25/月免费云托管 → 降低总拥有成本

AI产品定价决策框架 / Pricing Decision Framework

选择定价模型的决策树:

你的AI产品类型是什么？
        │
    ┌───┴────────────────────┬────────────────────┐
    │                        │                    │
  API/平台               消费者产品             Agent/自动化
    │                        │                    │
  按Token/请求            ┌──┴──┐              ┌──┴──┐
    │                    │      │             │      │
  混合:                轻度    重度          可量化   不可量化
  基础费+用量          用户    用户          成果     成果
    │                  │      │             │      │
  例: Claude API     免费增值  订阅制       按成果   混合:
                     (Freemium)             收费    基础费+信用额
                       │       │             │      │
                    ChatGPT  ChatGPT       Agent   Salesforce
                     Free     Plus        force    Flex Credits

单位经济学 / Unit Economics

这是AI产品PM必须理解的核心:

AI产品单位经济学公式:

  每用户收入 (Revenue/User)
  ─────────────────────── = 毛利率
  每用户推理成本 (Cost/User)

  示例 (2026年典型AI SaaS):

  ┌────────────────────────────────────────────┐
  │ 月订阅收入:           $20/用户              │
  │                                            │
  │ 成本构成:                                   │
  │   - 推理成本(API):    $3-8/用户  (15-40%)  │
  │   - 基础设施:         $1-2/用户  (5-10%)   │
  │   - 其他COGS:         $1-2/用户  (5-10%)   │
  │   ─────────────────────────────            │
  │   总COGS:             $5-12/用户            │
  │                                            │
  │ 毛利率:               40-75%                │
  │                                            │
  │ 对比传统SaaS毛利率:   80-90%                │
  │                                            │
  │ ⚠️ AI产品毛利率显著低于传统SaaS!            │
  └────────────────────────────────────────────┘

  关键杠杆:
  1. 模型路由 → 简单任务用便宜模型(Haiku vs Opus)
  2. 缓存 → 相似查询复用结果(节省50-90%)
  3. 批处理 → 非实时任务用Batch API(节省50%)
  4. 用量管控 → 设定合理的使用上限
  5. 提示词优化 → 更短的prompt, 更少的token

  ⚠️ 警告: OpenAI 2025年收入$37亿，亏损$50亿
           说明即使头部公司也在为单位经济学挣扎

---

AI产品PMF验证 / AI Product-Market Fit Validation

AI产品PMF的特殊挑战 / Special PMF Challenges for AI

传统产品PMF:                        AI产品PMF:
┌─────────────────────┐            ┌─────────────────────┐
│                     │            │                     │
│ "人们想要这个功能    │            │ "人们觉得很酷...     │
│  并愿意付费"        │            │  但不知道每天用      │
│                     │            │  它来做什么"         │
│ 信号明确:           │            │                     │
│ - 用户增长          │            │ 信号模糊:           │
│ - 留存率            │            │ - 新鲜感 ≠ 价值     │
│ - 付费转化          │            │ - Demo效果 ≠ 日常用  │
│ - NPS               │            │ - "wow" ≠ "need"    │
│                     │            │                     │
└─────────────────────┘            └─────────────────────┘

核心区分: 新鲜感采纳 vs 工作流采纳 (Novelty vs Workflow Adoption)

如果你的用户无法描述你的产品替代或改进了哪个 具体的、反复发生的任务， 你拥有的是新鲜感吸引力，而不是产品市场契合。

AI产品PMF验证框架 / PMF Validation Framework

              AI产品PMF验证三环模型
              ┌─────────────────┐
         ┌────┤   Problem       ├────┐
         │    │ (真实痛点)       │    │
         │    └────────┬────────┘    │
         │             │             │
    ┌────▼──────┐      │      ┌──────▼────┐
    │   AI      │      │      │  Defend-  │
    │ Advantage │◄─────┴─────►│  ability  │
    │(AI独特优势)│             │ (可防守性) │
    └───────────┘             └───────────┘

  三环必须同时满足:

  环1 - Problem (真实痛点):
    ✓ 用户现在在用什么解决方案？(即使很糟)
    ✓ 他们每周花多少时间在这个任务上？
    ✓ 如果你的产品消失，他们会痛苦吗？

  环2 - AI Advantage (AI独特优势):
    ✓ 非AI方案能解决80%的问题吗？
    ✓ AI在这里提供的是10x改善还是2x？
    ✓ AI的不确定性(幻觉)在这个场景下可接受吗？

  环3 - Defensibility (可防守性):
    ✓ 竞争对手能在1个月内复制吗？
    ✓ 你的数据/工作流集成创造了切换成本吗？
    ✓ 用户使用越多，产品是否越好？(飞轮)

AI-specific PMF信号 vs 传统PMF信号

2026年AI PMF验证的关键指标

PMF验证仪表盘 (AI Product):

  ┌─────────────────────────────────────────┐
  │  核心指标                               │
  │                                         │
  │  1. Time-to-Value (TTV)                 │
  │     目标: < 60秒获得第一个价值           │
  │     2026基准: 优秀AI产品TTV < 30秒      │
  │                                         │
  │  2. Intent Resolution Rate (IRR)        │
  │     用户意图被成功解决的比率              │
  │     目标: > 80%                         │
  │                                         │
  │  3. Second-Bite Rate                    │
  │     完成第一个任务后回来做第二个的比率     │
  │     目标: > 40%                         │
  │                                         │
  │  4. Override Rate                       │
  │     用户修改AI输出的比率                 │
  │     目标: < 30% (越低=越信任)            │
  │                                         │
  │  5. 按用例的留存率                       │
  │     不看整体留存，看具体用例留存          │
  │     找到留存最高的那个用例 = PMF起点      │
  │                                         │
  └─────────────────────────────────────────┘

  2026关键洞察 (Mixpanel数据):
  - AI产品用户设备增长26% YoY
  - 但总AI事件(event)数量略有下降
  - 含义: 更多人用AI，但每人操作更少
  - 成熟部署中，成功 = 更少点击、更少提示、更快结果

常见反模式 / Common Anti-Patterns

AI产品PMF失败的5种模式:

  ❌ 模式1: "AI Wrapper综合症"
  ──────────────────────────
  症状: 产品=漂亮UI + API调用，无差异化
  结果: 模型提供商一更新，你就过时
  数据: 38%的AI创业失败因为缺乏市场需求

  ❌ 模式2: "Demo-ware陷阱"
  ──────────────────────────
  症状: Demo很酷，但日常使用场景不明
  信号: 注册量高，7天留存 < 10%
  本质: 新鲜感 ≠ 产品市场契合

  ❌ 模式3: "技术找问题"
  ──────────────────────────
  症状: "我们用了最新的GPT-5!" 但用户不在乎
  现实: 用户在乎结果，不在乎你用什么模型
  解法: 从用户痛点出发，而非从技术能力出发

  ❌ 模式4: "过度承诺"
  ──────────────────────────
  症状: 营销说"AI自动做一切"，实际需要大量人工干预
  结果: 期望落差 → 信任崩塌 → 流失
  数据: 80%+的AI项目因数据质量问题失败

  ❌ 模式5: "成本失控"
  ──────────────────────────
  症状: 用户越多越亏钱，重度用户侵蚀利润
  根因: 固定订阅价+可变推理成本，无用量管控
  教训: 必须设计成本上限和智能路由

---

AI产品护城河 / AI Product Moats

2026年的残酷现实 / The Brutal Reality of 2026

"如果你的整个业务是 'GPT-5 + 专门的提示词 + 漂亮的UI'， 你距离被OpenAI的一次产品更新消灭只有一步之遥。"

传统的功能护城河 (Feature Moat) 在AI时代已经死亡。功能可以在数天内被复制。 那么，什么才是真正的护城河？

AI产品护城河矩阵 / Moat Matrix

防守强度
  高 │
     │  ┌──────────┐     ┌──────────┐
     │  │ 网络效应  │     │ 数据飞轮  │
     │  │ Network   │     │  Data    │
     │  │ Effects   │     │ Flywheel │
     │  └──────────┘     └──────────┘
     │
     │  ┌──────────┐     ┌──────────┐
     │  │ 工作流    │     │ 垂直行业  │
     │  │ 深度集成  │     │  专精    │
     │  │Workflow   │     │Vertical  │
     │  │Integration│     │Expertise │
     │  └──────────┘     └──────────┘
     │
     │  ┌──────────┐     ┌──────────┐
     │  │ 品牌信任  │     │ 切换成本  │
     │  │ Brand     │     │Switching │
     │  │ Trust     │     │  Cost    │
     │  └──────────┘     └──────────┘
     │
  低 │  ┌──────────┐     ┌──────────┐
     │  │ 功能领先  │     │ 价格竞争  │
     │  │ Feature   │     │  Price   │
     │  │ Lead      │     │   War    │
     │  └──────────┘     └──────────┘
     └──────────────────────────────────
       弱                      强
                  持久性

六大AI护城河详解 / Six AI Moats Explained

护城河1: 数据飞轮 (Data Flywheel)

最强AI护城河:

  用户使用产品
      │
      ▼
  产生专有数据
  (行为、反馈、偏好)
      │
      ▼
  数据改善模型
  (微调、RAG、排序)
      │
      ▼
  产品体验更好
      │
      ▼
  吸引更多用户 ──→ 循环加速
      │
      ▼
  竞争对手难以追赶
  (因为没有你的数据积累)

  案例:
  - Cursor: 每个开发者的代码补全反馈→改善模型
  - Tesla FSD: 行驶数据→改善自动驾驶
  - Spotify: 听歌行为→改善推荐

  关键: 数据必须是"专有"的
        如果你的数据竞争对手也能获取，不算飞轮

护城河2: 工作流深度集成 (Workflow Integration)

切入用户工作流的核心位置:

  表面集成 (弱):            深度集成 (强):
  ┌─────────────────┐      ┌─────────────────┐
  │ "可以复制粘贴    │      │ "在我的IDE里     │
  │  AI的输出"       │      │  直接修改代码"    │
  │                 │      │                 │
  │ = 用户可以       │      │ = 离开这个工具    │
  │   随时切换       │      │   我的效率降50%   │
  └─────────────────┘      └─────────────────┘

  案例:
  - Cursor: 直接在编辑器中修改代码 (vs ChatGPT复制粘贴)
  - Notion AI: 在你的文档系统中工作 (理解你的笔记结构)
  - GitHub Copilot: 在你的代码仓库上下文中补全

护城河3: 垂直行业专精 (Vertical Expertise)

通用AI (弱):                   垂直AI (强):
"我能做任何事，                "我是最懂医疗/法律/金融
 但都做得一般"                 的AI，比通用模型好10x"

  2026年VC投资方向:
  ✗ 通用AI助手 → 已饱和
  ✓ 垂直AI → 医疗、法律、建筑、教育、金融

  案例:
  - Harvey AI: 法律垂直 (理解判例法、合同格式)
  - Viz.ai: 医疗影像 (FDA认证的AI诊断)
  - RoofScope: 建筑测量 (人工验证的屋顶数据)

  为什么有效:
  1. 行业术语和规则复杂 → 通用AI做不好
  2. 合规要求高 → 需要行业认证
  3. 专有数据 → 行业数据不在公开互联网上
  4. 信任门槛高 → 用户更信任行业专家

护城河4: 网络效应 (Network Effects)

用户A使用 → 数据改善 → 用户B受益

  案例:
  - Waze: 更多司机→更准确的路况
  - Stack Overflow + AI: 更多问答→AI回答更好
  - Midjourney (社区): 更多创作→更多灵感→更多创作

  AI网络效应的特殊性:
  传统网络效应: 用户直接互动创造价值
  AI网络效应: 用户间接通过数据/模型改善创造价值

护城河5: 品牌信任 (Brand Trust)

在AI时代，信任是稀缺资源:

  "AI说的对吗？" → 这是每个用户的隐忧

  建立信任的方式:
  1. 可解释性: 展示AI决策的推理过程
  2. 透明度: 明确告知AI的能力边界
  3. 安全记录: 没有重大数据泄露或错误
  4. 行业认证: FDA/SOC2/GDPR等合规认证

  信任 → 留存 → 口碑 → 更多用户

  案例:
  - Anthropic: "负责任的AI"品牌定位
  - OpenAI: 先发优势建立的品牌认知

护城河6: 切换成本 (Switching Costs)

让用户不想走:

  低切换成本:              高切换成本:
  - AI写作助手             - 企业知识库(接入了所有文档)
  - AI翻译工具             - AI CRM(学习了所有客户偏好)
  - 通用ChatBot            - AI代码库(理解了整个codebase)

  创造切换成本的方法:
  1. 积累用户专有数据(对话历史、偏好、自定义规则)
  2. 深度集成到现有工具链(API、插件、SSO)
  3. 提供迁移出去很痛的数据格式(锁定，但要小心反噬)
  4. 建立用户的学习投入(自定义模板、工作流配置)

"API Wrapper"能成功吗？/ Can API Wrappers Succeed?

答案: 短期可以，长期不行。除非你在Wrapper之上建立了真正的护城河。

  ┌─────────────────────────────────────────────┐
  │  API Wrapper的生存策略                       │
  │                                             │
  │  注定失败:                                   │
  │  × 只有UI + Prompt的包装                    │
  │  × 没有专有数据                              │
  │  × 没有工作流集成                            │
  │  × 没有行业专精                              │
  │                                             │
  │  可以存活:                                   │
  │  ✓ UI是10x更好的体验 (Cursor vs ChatGPT)    │
  │  ✓ 深度集成到特定工作流                      │
  │  ✓ 积累了专有数据用于改善                    │
  │  ✓ 在特定垂直做到最好                        │
  │  ✓ 建立了社区和品牌信任                      │
  │                                             │
  │  本质: "Wrapper"只是起点，不是终点            │
  │  关键: 你在API之上建立了什么？               │
  └─────────────────────────────────────────────┘

---

AI产品增长策略 / AI Product Growth Strategy

PLG在AI时代的进化 / PLG Evolution in the AI Era

2020年 PLG:                         2026年 PLG:
"让产品自己说话"                     "让AI自己证明价值"

  核心变化:
  ┌────────────────────────────────────────────┐
  │                                            │
  │  变化1: "用户"不再只是人类                  │
  │  2026年: PLG的"用户"包含AI Agent            │
  │  Agent需要: API > UI, 文档 > 教程          │
  │                                            │
  │  变化2: 价值时间极短                        │
  │  2020: 注册→引导→第一次使用 (分钟级)       │
  │  2026: 输入需求→AI设置→看到结果 (<60秒)    │
  │                                            │
  │  变化3: 定价必须配合                        │
  │  从 per-seat → per-task (WaaS)             │
  │  甚至 per-outcome (RaaS)                   │
  │                                            │
  │  变化4: 混合运营是标配                      │
  │  Self-serve先让用户试用                     │
  │  → 企业销售层叠在自助之上                   │
  │  2026赢家 = 混合产品驱动+销售驱动            │
  │                                            │
  └────────────────────────────────────────────┘

AI产品增长飞轮 / AI Growth Flywheel

                ┌───────────────┐
                │  更好的模型    │
                │ Better Model  │
                └───────┬───────┘
                        │
         ┌──────────────▼──────────────┐
         │                             │
         ▼                             │
  ┌──────────────┐              ┌──────┴───────┐
  │  更好的体验   │              │  更多的数据   │
  │ Better UX    │              │  More Data   │
  └──────┬───────┘              └──────────────┘
         │                             ▲
         ▼                             │
  ┌──────────────┐              ┌──────┴───────┐
  │  更多的用户   │──────────────▶│  更多的反馈   │
  │ More Users   │              │ More Feedback │
  └──────────────┘              └──────────────┘

  这是AI产品独有的增长飞轮:
  - 传统SaaS: 更多用户 → 更多收入 → 更好产品 (线性)
  - AI产品: 更多用户 → 更多数据 → 更好模型 → 更好体验 (指数级)

  前提: 你必须有数据闭环 (能从用户行为中学习)

增长策略矩阵 / Growth Strategy Matrix

AI产品增长的关键战术 / Key Growth Tactics

战术1: 60秒TTV (Time-to-Value)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  用户进来 → 输入需求 → AI理解 → 产出结果 → <60秒
  不要让用户注册→设置→学习→再使用
  让AI替用户完成设置

  实践: Lovable → 描述你想要的App → 直接生成
        Cursor → 打开项目 → AI已理解你的代码

战术2: 输出即营销 (Output as Marketing)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  AI产出的内容本身就是传播载体
  "Made with Lovable" / "Powered by Claude"
  用户分享AI帮他做的东西 → 新用户看到 → 想试试

战术3: 使用越多越好 (Progressive Value)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  第1天: AI给出通用回答
  第30天: AI了解你的风格和偏好
  第90天: AI已经像你的私人助理
  → 切换成本随时间指数增长

战术4: 社区+教育 (Community-Led Growth)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  Discord/论坛/GitHub → 用户互相帮助
  教程/模板/最佳实践 → 降低学习门槛
  用户生成内容 → 自动化内容营销

战术5: Agent分发渠道 (Agent-Led Growth)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
  2026新趋势: AI Agent作为分发渠道
  你的产品被Agent推荐/使用 → 间接获客
  做好API/MCP → 让Agent可以调用你的服务
  Gartner: 到2026年底, 40%企业应用将包含AI Agent

---

AI产品指标体系 / AI Product Metrics Framework

AI产品指标金字塔 / AI Metrics Pyramid

                      ┌─────────┐
                      │ 商业    │ ← 最终看这个
                      │ 指标    │    (收入、利润)
                      ├─────────┤
                    ┌─┤ 产品    ├─┐
                    │ │ 指标    │ │ ← PM日常关注
                    │ ├─────────┤ │    (留存、转化)
                  ┌─┤ │ AI质量  │ ├─┐
                  │ │ │ 指标    │ │ │ ← AI团队关注
                  │ │ ├─────────┤ │ │    (准确率、延迟)
                ┌─┤ │ │ 基础设施 │ │ ├─┐
                │ │ │ │ 指标    │ │ │ │ ← 工程团队关注
                │ │ │ ├─────────┤ │ │ │    (成本、可用性)
                └─┴─┴─┴─────────┴─┴─┴─┘

完整指标清单 / Complete Metrics Checklist

层级1: 商业指标 (Business Metrics)

层级2: 产品指标 (Product Metrics)

层级3: AI质量指标 (AI Quality Metrics)

层级4: 基础设施指标 (Infrastructure Metrics)

AI产品仪表盘设计 / Dashboard Design

┌─────────────────────────────────────────────────────┐
│  AI Product Health Dashboard                        │
├─────────────────────────────────────────────────────┤
│                                                     │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐ │
│  │ MRR         │  │ DAU/MAU     │  │ Gross Margin│ │
│  │ $XXX,XXX    │  │ XX%         │  │ XX%         │ │
│  │ ↑ 12% MoM   │  │ ↑ 3% MoM   │  │ ↑ 2% MoM   │ │
│  └─────────────┘  └─────────────┘  └─────────────┘ │
│                                                     │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐ │
│  │ Task Compl. │  │ Override    │  │ Cost/Query  │ │
│  │ Rate: XX%   │  │ Rate: XX%   │  │ $0.XXX      │ │
│  │ ↑ 5% MoM   │  │ ↓ 3% MoM   │  │ ↓ 8% MoM   │ │
│  └─────────────┘  └─────────────┘  └─────────────┘ │
│                                                     │
│  ┌─────────────────────────────────────────────┐   │
│  │ Retention by Use Case                        │   │
│  │ ┌────────────────────────────────┐           │   │
│  │ │ Code Gen  ████████████████ 72% │ ← PMF!   │   │
│  │ │ Summarize ██████████       45% │           │   │
│  │ │ Chat      ████████         38% │           │   │
│  │ │ Translate ██████           28% │           │   │
│  │ └────────────────────────────────┘           │   │
│  └─────────────────────────────────────────────┘   │
│                                                     │
│  关键洞察: 按用例看留存率，找到PMF最强的场景       │
│  然后 Double Down 在那个场景上                      │
└─────────────────────────────────────────────────────┘

---

AI产品失败模式 / AI Product Failure Patterns

2026年AI产品失败全景 / Failure Landscape

AI产品失败原因分布 (2026年数据):

  缺乏市场需求      ████████████████████████  38%
  不可持续的经济模型  ██████████████████        28%
  数据质量问题       ████████████████          25%
  团队能力不足       ██████████████            22%
  竞争/被平台吞噬    ████████████              18%
  合规/监管问题      ████████                  13%
  技术债务           ██████                    10%

  (数据来源: 2026年多份行业报告综合)
  注: 一个产品可能有多个失败原因，总和>100%

7种失败模式详解 / Seven Failure Patterns

失败模式1: 成本死亡螺旋 (Cost Death Spiral)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

  发生过程:
  产品获得用户 → 用户使用增加 → 推理成本飙升
  → 每用户利润变负 → 限制使用(用户体验变差)
  → 用户流失 → 收入下降 → 无法投入改善 → 死亡

  预防:
  1. 从Day 1就设计成本管控(用量上限、模型路由)
  2. 定价包含用量维度(不要纯固定订阅)
  3. 监控"重度用户占比"和"边际成本/用户"

  案例教训: OpenAI 2025年亏损$50亿


失败模式2: 质量不一致 (Quality Inconsistency)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

  发生过程:
  用户体验1: "太棒了! 正是我要的!"
  用户体验2: "什么垃圾? 完全不对!"
  → 用户无法信任产品 → 放弃使用

  本质: AI的概率性输出 = 体验不一致

  预防:
  1. 为高风险场景添加护栏(guardrails)
  2. 设计优雅的错误处理("我不确定"好于乱回答)
  3. 用评估套件持续监控输出质量
  4. 提供用户反馈渠道并实际响应


失败模式3: 过度承诺 (Over-Promising)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

  营销说: "AI自动处理一切，解放你的双手"
  现实: 需要大量Prompt调试、手工校验、人工介入
  → 期望落差 → 信任崩塌 → 退款/流失

  预防:
  1. 设定合理预期: "AI协助，人类决策"
  2. 明确能力边界: 告诉用户AI不擅长什么
  3. 逐步扩展: 先在小范围做好，再扩大


失败模式4: 平台风险 (Platform Risk)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

  你的产品完全依赖OpenAI/Anthropic的API
  → 平台推出了竞品功能
  → 你的差异化消失
  → 或者API提价/限制
  → 你的经济模型崩溃

  预防:
  1. 多模型策略(不依赖单一提供商)
  2. 在API之上建立真正的护城河
  3. 核心逻辑要可以迁移


失败模式5: 规模失效 (Scaling Failure)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

  Demo很好 → 小规模试点很好 → 大规模部署崩溃
  原因: AI在长尾场景中的表现不可预测

  预防:
  1. 渐进式扩展，而非大爆炸式部署
  2. 为每个场景建立评估基准
  3. 允许人工回退(Human-in-the-loop)


失败模式6: 没有留存 (No Retention)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

  注册曲线漂亮 → 7天留存悬崖 → 30天几乎归零
  原因: 新鲜感驱动，而非工作流驱动

  预防:
  1. 从"解决一次性问题"转向"嵌入日常工作流"
  2. 建立习惯循环(cue→routine→reward)
  3. 提供progressive value(越用越好)


失败模式7: 合规雷区 (Compliance Minefield)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

  特别是在金融、医疗、教育领域:
  - 数据隐私(GDPR/CCPA)
  - 算法偏见(EU AI Act)
  - 行业监管(FDA/SEC/MiCA)

  预防:
  1. 从Day 1就考虑合规
  2. 聘请合规顾问
  3. 记录AI决策的可解释性

---

AI PM的日常工作框架 / AI PM Daily Workflow

2026年AI PM的角色定义 / AI PM Role in 2026

传统PM:                           AI PM:
  需求分析                          + 数据管线设计
  PRD撰写                          + 模型评估与选择
  项目管理                          + 提示词工程监督
  用户研究                          + AI输出质量监控
  数据分析                          + 成本与延迟优化
  上市策略                          + 伦理与合规审查
                                   + AI特有的用户体验设计

  2026年数据:
  - 70%+ PM每日使用AI工具
  - AI PM岗位增长超过传统PM
  - 核心技能: 技术理解 + 商业判断 + 伦理意识

AI PM工作流模板 / AI PM Workflow Template

┌─────────────────────────────────────────────────┐
│  AI PM 每周工作节奏                               │
├─────────────────────────────────────────────────┤
│                                                 │
│  周一: 数据日 (Data Day)                        │
│  ├── 审查上周AI质量指标(幻觉率、完成率)          │
│  ├── 分析成本趋势(cost/query变化)                │
│  └── 识别异常模式(突然的质量下降?)               │
│                                                 │
│  周二-三: 产品日 (Product Day)                   │
│  ├── 用户反馈分析(特别是AI输出的负面反馈)        │
│  ├── Prompt/模型优化方案评审                     │
│  └── 新AI功能的可行性评估                       │
│                                                 │
│  周四: 策略日 (Strategy Day)                     │
│  ├── 竞品AI功能变化追踪                         │
│  ├── 模型提供商更新评估(新模型、价格变化)        │
│  └── 长期路线图更新                             │
│                                                 │
│  周五: 复盘+规划                                │
│  ├── 本周AI实验结果总结                         │
│  ├── 下周优先级排序                             │
│  └── 团队知识分享(新发现的AI模式/反模式)         │
│                                                 │
└─────────────────────────────────────────────────┘

AI PM决策框架: 要不要加AI功能？ / Should We Add AI?

不是所有功能都需要AI!

决策清单:

  □ 这个问题用规则/算法能解决吗？
    如果能 → 用规则，更可靠
    如果不能 → 继续

  □ AI在这个场景下的错误可接受吗？
    如果不可接受(金融交易、医疗诊断) → 人工审核
    如果可接受(内容建议、搜索增强) → 继续

  □ 用户能判断AI输出的对错吗？
    如果能 → AI辅助模式(Human-in-the-loop)
    如果不能 → 极高风险，谨慎评估

  □ AI带来的改善是10x还是2x？
    如果2x → 可能不值得(AI的维护成本高)
    如果10x → 值得投入

  □ 推理成本在商业模型中可承受吗？
    计算: 预估用量 × 单次成本 ≤ 可接受的COGS占比

---

面试题 / Interview Questions

Q1: 如何为AI产品设计定价策略？

简短回答 (30秒): AI产品定价的核心挑战是推理成本与价值交付不对齐。2026年的最佳实践是混合模式：基础订阅费保证可预测收入，加上用量/信用额维度对齐边际成本。关键是避免纯固定订阅（重度用户会侵蚀利润）和纯用量计费（用户怕账单不可预测）。

详细回答 (2分钟):

AI产品定价需要考虑四个维度:

1. 成本结构: AI产品与传统SaaS最大的不同是边际成本不趋近于零。每次推理都消耗GPU资源，虽然成本在快速下降（3年降了1000倍），但仍然显著。毛利率通常在40-75%，低于传统SaaS的80-90%。

2. 价值度量: 选择什么作为定价单位。按Token对开发者平台有效（Claude API），按信用额对工具类产品有效（Cursor），按成果对Agent类产品有效（Salesforce Agentforce）。核心原则是定价单位应该与用户感知到的价值对齐。

3. 混合模型设计: 2026年主流做法是"基础费+用量"的混合模式。比如Cursor的信用额模式，月费=$20，同时获得$20等值的信用额，Auto模式无限使用但手选高级模型消耗信用。这平衡了可预测性和成本对齐。

4. 价格层级: 设计合理的层级覆盖不同用户群。ChatGPT的六层设计（Free/Go/Plus/Pro/Business/Enterprise）覆盖了从试用到大企业的完整频谱，其中Free→Go的$8低门槛降低首次付费阻力。

追问准备:

• Q: AI推理成本下降会不会让定价变得不重要？A: 成本下降让你有更多空间，但用量增长同样迅猛。关键是建立成本监控和动态调整机制。
• Q: 纯按成果定价可行吗？A: 理论上最理想，但实践中"成果"的定义和归因很困难。Salesforce从$2/conversation退到Flex Credits就说明了这一点。

---

Q2: AI产品的护城河在哪里？"API Wrapper"能成功吗？

简短回答 (30秒): 纯API Wrapper（只有UI+Prompt）不可持续，因为模型提供商的一次更新就能消灭你。真正的护城河来自数据飞轮（用户数据持续改善模型）、工作流深度集成（离开你效率降50%）、和垂直行业专精（比通用模型好10x）。

详细回答 (2分钟):

2026年AI产品的护城河不在功能层面，而在积累层面。

不可防守的:

• 漂亮的UI（可复制）
• 精心设计的Prompt（可逆向工程）
• 调用最新模型的API（谁都能调）
• 通用的AI功能（翻译、摘要、分类）

可防守的:

1. 数据飞轮: Cursor的每次代码补全反馈都在改善模型。竞争对手即使有相同的基础模型，也没有这些积累的交互数据。

2. 工作流集成: 当AI深入到用户的IDE、CRM、文档系统中，切换成本就变得很高。Cursor直接在编辑器中修改代码，而ChatGPT需要复制粘贴——这个体验差距就是护城河。

3. 垂直专精: 通用AI在法律、医疗、金融等领域不够好。Harvey AI专注法律，理解判例法和合同格式，这种行业深度通用模型很难复制。

4. 网络效应: 越多用户→越多数据→越好的模型→越多用户。但前提是你必须有数据闭环。

API Wrapper能否成功？可以，但只有当"Wrapper"这个词无法描述你的产品时。如果你的产品是API之上的10倍体验改善+工作流集成+数据积累，那就不是Wrapper了。

追问准备:

• Q: 小公司如何和OpenAI/Google竞争？A: 不在通用层面竞争。选一个垂直领域，用专有数据和行业理解打深。大公司做不了所有垂直。
• Q: 开源模型会不会摧毁所有护城河？A: 开源降低了模型层面的壁垒，但反而强化了数据、工作流、行业知识的护城河价值。

---

Q3: 如何衡量AI产品的PMF？

简短回答 (30秒): AI产品PMF最关键的信号不是注册量或"哇"的反应，而是"Second-bite Rate"——用户完成第一个任务后，是否回来做第二个。如果用户无法描述你的产品替代了哪个具体的、反复发生的任务，你拥有的是新鲜感，不是PMF。

详细回答 (2分钟):

AI产品PMF有三个层次的验证：

层次1 — 问题验证: 你解决的是真实存在的问题吗？检查方法：用户现在用什么方式解决这个问题（即使很笨的方式）？如果他们什么都没用——这可能不是真正的痛点。

层次2 — AI优势验证: AI在这个场景下的优势是10x还是2x？如果只是2x，用户不会为了2x改善去承担AI的不确定性（幻觉、不一致）。必须是显著的改善才能克服这些摩擦。

层次3 — 留存验证: 按用例分析留存率。不看整体留存——找到留存最高的那个用例，那就是PMF的起点。Mixpanel 2026年数据显示，成熟AI产品的成功标志是"更少点击、更少提示、更快结果"——用户做更多事但操作更少。

核心指标:

• Time-to-Value < 60秒
• Second-Bite Rate > 40%
• Override Rate < 30%（越低越好，表示信任）
• 按用例留存 > 某个用例有"非凡"的留存

反模式识别: 注册曲线好看但7天留存低于10%→新鲜感。使用量高但都是一次性任务→没有工作流嵌入。NPS高但付费转化低→"很好但不必要"。

追问准备:

• Q: AI产品的DAU/MAU应该是多少？A: B2B AI工具10-20%是健康的。AI工具天然使用频率低于社交/通讯。关注"成功使用"而非"打开次数"。
• Q: 怎么区分真PMF和AI的新鲜感效应？A: 看30天后的留存和Second-bite Rate。新鲜感在30天后会消失，真PMF不会。

---

Q4: Build vs Buy AI能力，如何决策？

简短回答 (30秒): 2026年不是二选一，而是三选一：Build、Buy、Fine-tune。核心原则：购买"记录系统"（合规、审计等），自建"差异化层"（AI体验、Agent工作流），微调介于两者之间。关键决策因素是：AI是否是你的核心差异化、你是否有专有数据、以及你的时间和人才约束。

详细回答 (2分钟):

S&P Global数据显示42%的企业在2025年废弃了AI项目，很大程度上是因为Build vs Buy决策失误。我建议用以下框架：

Step 1 — 战略定位判断: AI是你的核心差异化还是辅助功能？如果AI是你存在的原因（你就是一个AI产品），至少部分自建。如果AI只是增强功能（给CRM加AI摘要），优先购买。

Step 2 — 数据评估: 你有10万+条高质量的领域专有数据吗？有→微调或自建。没有→API+RAG可能就够了。

Step 3 — 约束条件: 时间约束（<3个月需要上线→Buy）、人才约束（没有ML团队→Buy/Fine-tune）、预算约束（<$100K/年→Buy）、隐私约束（数据不能离开公司→自建或on-prem微调）。

2026年最佳实践: 大多数企业采用混合策略——购买80%（基础能力），微调15%（行业适配），自建5%（核心差异化体验）。这不是一次性决策，而是持续评估的过程。每季度审视：模型提供商是否推出了我们自建的同类功能？我们的自建部分是否真的创造了差异化价值？

追问准备:

• Q: 微调和RAG怎么选？A: RAG适合知识更新频繁的场景（实时数据、不断变化的文档）；微调适合行为/风格的改变（专业术语、特定格式、行业逻辑）。很多情况下两者结合使用。
• Q: 如何避免供应商锁定？A: 核心抽象层（模型调用接口）做到可切换，用LiteLLM等统一接口。同时评估2-3个模型提供商，避免单一依赖。

---

PM视角总结 / PM Takeaways

2026年AI PM的10条铁律 / 10 Rules for AI PMs

┌─────────────────────────────────────────────────────────┐
│                                                         │
│  1. 从问题出发，不从技术出发                              │
│     "我们有GPT-5！" ✗                                   │
│     "客户每周花10小时做X，AI可以减少到1小时" ✓           │
│                                                         │
│  2. 用Learning Velocity代替Release Velocity              │
│     不是"发布了多少功能"，而是"学到了多少关于用户的事"    │
│                                                         │
│  3. 成本是产品设计的一部分，不是事后考虑                  │
│     从Day 1就把推理成本纳入产品设计                      │
│     模型路由、缓存、用量管控 = 产品功能                   │
│                                                         │
│  4. 定价对齐价值，不对齐成本                              │
│     按用户感知到的价值收费                               │
│     不是按你的推理成本加价                               │
│                                                         │
│  5. AI输出不确定性是feature，不是bug                     │
│     设计产品时假设AI会犯错                               │
│     优雅的错误处理 > 追求100%准确                        │
│                                                         │
│  6. 护城河在积累层，不在功能层                            │
│     数据飞轮 > 工作流集成 > 垂直专精 > 功能领先           │
│                                                         │
│  7. 信任是AI产品最稀缺的资源                              │
│     可解释性、透明度、安全记录 → 建立信任                 │
│     信任 → 留存 → 口碑 → 增长                           │
│                                                         │
│  8. 按用例看留存，不看整体                                │
│     找到留存最高的那个用例                               │
│     Double Down 在那个场景上                             │
│                                                         │
│  9. 混合策略是正道                                       │
│     Build vs Buy: 混合                                  │
│     定价: 混合(基础费+用量)                              │
│     增长: 混合(PLG+Sales)                               │
│     模型: 混合(多模型路由)                               │
│                                                         │
│  10. AI PM最重要的技能是判断力                            │
│      什么时候用AI，什么时候不用                           │
│      什么指标重要，什么是虚荣指标                        │
│      什么值得投入，什么该放弃                            │
│      AI可以帮你收集信息，但决策仍然是人的工作            │
│                                                         │
└─────────────────────────────────────────────────────────┘

AI PM求职加分项 / Job Search Differentiators

2026年AI PM面试中，以下能力让你脱颖而出:

  必备 (Table Stakes):
  ├── 理解主流模型的能力和局限
  ├── 能讨论Prompt Engineering和RAG
  ├── 知道常见的AI产品定价模型
  └── 理解幻觉率、任务完成率等指标

  加分 (Differentiators):
  ├── 能设计完整的Build vs Buy决策框架
  ├── 能做AI产品的单位经济学分析
  ├── 有实际的AI产品/功能上线经验
  ├── 理解Agent系统和MCP生态
  └── 能讨论AI伦理和合规考量

  稀缺 (Rare & Valuable):
  ├── 金融/医疗/法律等垂直AI经验
  ├── 从0到1做过AI产品的PMF验证
  ├── 设计过AI产品的定价和商业模型
  └── 有AI成本优化的实战经验

与金融零售的结合 / Intersection with Finance & Retail

对于有金融零售背景的AI PM:

  金融 × AI 产品机会:
  ├── 智能风控Agent (按审核的案件数收费)
  ├── AI投研助理 (订阅+用量混合)
  ├── 合规自动化 (按文档/交易处理量收费)
  ├── RWA × AI (资产评估自动化)
  └── DeFi × AI (AI交易策略Agent)

  零售 × AI 产品机会:
  ├── AI客服Agent (按解决的工单数收费)
  ├── 智能推荐系统 (按转化收入分成)
  ├── 供应链预测 (按预测准确率的成果收费)
  ├── 个性化营销 (按触达+转化的混合计费)
  └── 智能定价引擎 (按GMV提升的收入分成)

  你的差异化: 10年金融零售经验 + AI产品策略
  = 稀缺的垂直AI PM人才

---

延伸阅读 / Further Reading

推荐资源

---

总结 / Summary

Day 67 核心收获:

  1. AI产品策略 ≠ 传统SaaS策略
     概率性输出、非零边际成本、易被复制 → 需要新思维

  2. Build vs Buy → Build + Buy + Fine-tune
     2026年是混合时代，购买80%，微调15%，自建5%

  3. 定价革命已经发生
     座位制→用量制→成果制
     混合模式是当前最优解

  4. PMF验证要看工作流嵌入，不看新鲜感
     Second-Bite Rate > 注册量
     按用例留存 > 整体留存

  5. 护城河在积累层: 数据飞轮 > 工作流集成 > 垂直专精
     功能护城河已死，API Wrapper无法持续

  6. 增长飞轮是AI独有优势
     更多用户→更多数据→更好模型→更好体验→更多用户

  7. AI PM的核心技能是判断力
     什么时候用AI，什么时候不用
     什么值得投入，什么该放弃

---

下一篇: Day 68 (待定) 上一篇: Day 66: Voice AI与实时对话Agent