AI产品增长:谈PMF之前,先做到AI Market Fit | 榕汇实战分享
从ChatGPT发布,到今天AI渗透到诸多行业、国内外大模型基本进入1元/百万tokens时代,不到20个月的时间,AI产品开启了一种全新的增长范式,其模式和规律拥有一些独特的特征,但更多依然要遵循基本的增长法则。
近期,高榕创投投资合伙人、原快手首席增长官刘新华,在GCF GenAI创业实战营上分享了他对于AI产品增长的思考。
他认为,AI应用的爆发最本质要解决成本障碍,未来18个月,随着更低成本和更强模型的涌现,AI应用层创新的壁垒和障碍有机会移除。在此之前,AMF(AI Market Fit)依然是AI产品增长的支配性规律。
刘新华也结合案例,分享了To C和To B类AI应用提升留存、防止流失的具体产品策略和方法。
以下是刘新华的分享(经编辑):
AI应用的爆发 最本质要解决成本障碍
毫无疑问,AI已经在全社会引起广泛关注并渗透到很多行业。但AI应用尤其是AI Native应用尚未规模性爆发,或者爆发仅限定在狭窄区域。如果我们联想2011年前后移动互联网的崛起,随着iPhone的普及和App Store的出现,应用生态百花齐放、比今天要更加繁荣。企业级AI产品也更多是原有产品基础上的改造,实现颠覆性提效的场景相对有限。
AI应用为何没有达到乐观的预期?我们认为,AI应用的爆发最本质要解决成本障碍。一方面,今天模型训练、推理的成本依然很贵;同时,模型能力需要进一步提升,包括多模态、模型端到端能力等。
好消息是未来18个月可能会发生重大变革——多重因素叠加让大模型推理成本大幅下降,且下降速度远超摩尔定律。
首先,AI相关硬件的成本有望下降4-5倍,包括芯片、存储、本身制造成本等。
其次,模型架构优化将带来4-5倍成本下降,例如在Transformer架构基础上,通过模型蒸馏、模型拼接和混合专家模型等,可以压缩模型的参数数量和计算需求,降低成本。此外,分布式计算和算力集群调度可以降低训练成本。端云协同技术减少对云端资源的需求,也会降低模型成本。
最后是算法维度的优化,有望带来3-4倍成本下降,如利用Agent自动执行连续性任务,亦或是结合针对细分场景的机器学习算法。
上述三重要素相乘,有机会让AI应用产品开发、部署和运营的成本下降100倍。如果创业者基于开源模型开发,加上自身独有数据,成本还会进一步下降。
换言之,随着更低成本和更强模型的涌现,AI应用层创新的壁垒和障碍将基本移除。这将使得更多用户能够免费尝试乃至参与到产品创造中,产品也能获得更多的数据反馈,从而反哺大模型和AI能力,让产品体验变得更好。届时AI Native应用才有机会实现系统性的爆发和规模性的增长。
近期无论是Open AI的GPT-4o mini,还是国内的字节、DeepSeek等,基本进入了1元/百万tokens的时代。相信随着大模型的降价,AI创业者有机会以更低成本加速创新。
AI原生早期时代 遵循AMF法则
2023年10月,我们最早提出AI产品现阶段要遵循AMF法则(AI Market Fit),即AI原生早期时代的PMF(Product Market Fit)。在当前模型推理成本仍未大幅下降的情况下,AI产品要想达到PMF会面临许多局限;也因此,未来一段时间内AMF依然是AI产品增长的支配性规律。
总的来说,由于成本问题,当下AI产品要达到AMF,需要面向高价值场景或者价格不敏感场景,如搜索、文生图、情感陪伴等。随着制约因素移除,我们相信会出现前所未见的产品。未来真正能够有巨大增长潜力的AI应用一定是原生应用,其最重要的特征是产品适应人,而非人适应产品。
接下来,我们分别看To C和To B两类AI产品如何实现AMF。
对于ToC产品,想要构建正向的单位经济模型、形成商业闭环、达到AMF,需要有以下特征:
1)高可用性是前提;
2)重点集中在高价值场景:如智能助手、文生图产品、Perplexity等搜索产品、duolingo等教育产品,都为用户提供了较高的实用价值;Character.ai等情感陪伴向的产品,则为用户提供情绪价值。
3)To C类AI产品容许一定的创意包容度,大模型容易出现的幻觉等问题在某些情况下反而可能成为优势,例如AI生成的图可能是人类创意设想不到的。
对于To B产品来说,同样需要做到高可用性,并面向高价值场景,如营销、编程、法律、工业设计、金融等高度依赖专业人士、流程复杂、成本高昂的工种。与To C不同,To B场景对大模型幻觉容忍度低,需要结合标注数据、RAG乃至垂直领域小模型等方式,提升输出结果的准确性。此外,To B产品要与工作流高度贴合,并加入专业人员的反馈。
总体来看,To B领域达到AMF的时间会更长,因为除了大模型成本之外,还面临数据、合规等层面的限制。
AI产品增长依然要遵守基本增长法则
AI原生产品经过10多个月的旅程,不断尝试诸多增长方法,有一些产品通过“新奇特”的方式出圈。随着这些产品逐步构建增长壁垒,会发现很多底层规律逐渐趋同,AI产品增长依然要遵守基本增长法则。
今天产品触达用户的成本越来越高,最终还是要回到用户本身,用户价值公式非常关键。AI产品带来的新体验对比旧体验需要形成10X的巨大体验差,才可能在有效弥补用户转换成本及获客成本之外形成足够的价值牵引力,进而在一个有明确需求的市场内产生用户和客户的大规模迁移。
思考AI产品增长,也必须理解用户行为是如何发生变迁的,福格行为模型给予很好的指导。用户动机有多强、能力障碍有多低、触发有多频繁,决定了用户是否可能从无到有采用产品。例如AI产品要满足用户“追求快乐、希望、认同,逃避痛苦、恐惧和排斥”的动机;解除用户使用产品的能力障碍,如时间、金钱乃至脑力障碍;触发则包括付费触发、反馈触发、人际触发等。
“短期看激活,中期看习惯,长期看心智”,AI 产品增长除了看短期获客,还要看长期如何构建更好的增长模型和有效的增长回路。ChatGPT、Kimi、Midjourney、Leonardo.Ai等产品已经在一些场景内实现用户习惯回路的建立,即人们开始把产品融入到日常工作或生活中,并逐步形成了稳定的心智。
建立习惯回路是产品达到PMF之后最重要的事情,决定中期增长留存和粘性。习惯回路的建立,需要触发(Cue)、惯例(Routine)和筹赏(Reward)不断循环,从而打破旧习惯、形成新习惯。例如当用户使用AI工具后,发现可以帮助自己极大提高效率,就是习惯回路中的筹赏。
AI产品提升留存率的方法
总的来说,今天这批AI原生产品对比Web2时期的产品,无论是新用户激活还是老用户留存,仍然存在一定差距。接下来结合A16Z和Bessemer Venture Partners的框架,分别看To C和To B方向的AI应用如何提升用户留存率、防止用户流失。
首先是To C类AI原生产品提升用户留存率的7个方法。
1)最快速度展示产品核心价值:产品要在最短时间内展示产品核心价值,如Perplexity简洁易用,用户很快能够上手、并切身体会到搜索效率的提升。
2)引导用户在onboarding阶段体验“aha moment”:在大量产品增长实践中,产品团队会发现从量变到质变的转折点——用户某个关键行为达到一定数量,留存率会显著提高,即“路转粉”的时刻,如用户使用社交产品7天内加了10个好友。AI产品需要引导用户快速达到这些数值。
3)设计用户互惠机制,为产品做贡献:“付出才能获得”,用户为一款产品付出越多,如沉淀了自己的创造和工作,就越难离开产品。举例来说,AI视频产品Viggle的机制是需要用户先制作和发布视频才能看到别人的作品,这样的玩法对于产品的冷启动和留存都有帮助。
4)合理地利用Push:要围绕用户的社交反馈、奖章、点赞、里程碑等个性化信息设计Push。
5)游戏化的打卡设计、保持用户连续性:例如AI教育产品Duolingo就包含了不少趣味性的游戏化打卡设计,让用户在游戏的过程中潜移默化地养成学习习惯。
6)为用户创建摘要:如定期或年终回顾,生成式AI更容易生成个性化摘要。
7)赋予有创造性的影响力用户以社区地位:产品增长早期需要社区中的意见领袖或者KOL来拉动,可以为他们提供激励、引导打榜,激活更多用户。
1)通过集成和合作伙伴嵌入现有平台与工作流:目的是在用户所在之处满足他们、减少访问摩擦,也在最短的时间内为用户展现价值,方式包括提供API接口,或者在用户经常使用的产品(如Slack、钉钉、企业微信)中集成,亦或是作为Chrome插件。
2)提供有形的工作产品:To B的AI产品最好有一个明确的交付物,如迅速生成报告、PPT、数据图表等,从而更好量化产品的价值。
3)围绕价值链提供能力,为理想客户群(ICPs)带来更多价值:在To B产品增长中,定义理想的客户画像非常重要。AI Embedded产品要思考如何提供更多的附加价值;AI原生产品要围绕价值链、在相近的场景中为目标客户提供更多服务,而不是短期就盲目扩展其他人群、无法形成增长的合力。
4)利用专有数据或新颖的数据技术来创建护城河:前文谈及,To B的AI产品可以结合标注数据或专有训练的小模型,构建增长的护城河,如EvenUp拥有大量针对不同理赔场景的专有数据库。
5)实现多模态:企业服务通常需要多模态的支持,未来有机会使产品的厚度更高,满足客户的多样化需求。
6)通过平台架构最大化网络效应:思考如何构建单边或双边的网络效应,网络效应永远是产品最强大的护城河。
微信扫码关注该文公众号作者