冷启动:双重的不确定性
传统产品冷启动解决一个问题:有没有人要。AI 产品要同时解决两个:有没有人要,以及模型能不能做得到。
很多 AI 产品的死法是需求真实存在,但模型能力差一口气。比如 AI 法律顾问,需求明明白白,但法律场景对准确率的要求是 99%,模型只能做到 90%,这 9 个点的差距就是产品和坟墓的距离。所以 AI 产品冷启动的第一课是选「容错率高」的场景:AI 写营销文案,写得不好用户改一改还能用;AI 做医疗诊断,错一次就是事故。Copy.ai、Jasper 这类写作工具能先跑出来,不是需求最大,是容错最高。
冷启动期还有个小技巧:用人工补模型的短板。早期可以人机混合交付,AI 出草稿、人工兜底,先把服务跑起来收集真实数据,再逐步把人撤掉。很多现在看起来很自动化的 AI 产品,早期后台都坐着一排人。
成长期:抢的不是功能,是数据飞轮
传统产品成长期拼功能迭代速度和渠道,AI 产品拼的是数据飞轮能不能转起来:用户用得越多 → 沉淀的数据越多 → 模型效果越好 → 产品越好用 → 用户更多。这个轮子一旦转起来,后来者很难追。
Cursor 就是典型。它不只是套了 Claude 的壳,而是把程序员在 IDE 里的每一次接受、拒绝、修改都变成了改进产品的养料,补全采纳率越做越高,体验和通用模型拉开了差距。反过来,没有数据飞轮的 AI 产品在成长期会很痛苦:功能你有的别人三个月就能抄,用户没有留下来更多数据的理由,竞争就变成了纯烧钱。
所以成长期要问自己的不是「我们功能比竞品多几个」,而是「用户每用一次,产品是不是变聪明了一点」。答不上来,就要警惕了。
成熟期:成本战和体验微分
AI 产品到了成熟期,模型能力趋同,竞争焦点变成两件不那么性感的事:成本和细节体验。
成本是 AI 产品特有的战场。同样一次对话,你的推理成本是对手的一半,你就有了打价格战或做免费额度的空间。豆包敢把 Token 价格打到行业地板价,背后是火山引擎的算力成本优势。产品经理在这个阶段要深度介入成本结构:哪些请求用大模型、哪些用小模型、哪些根本不用模型用规则,路由策略直接影响毛利。
体验微分是指:当大家的答案质量都在 85 分以上,胜负手变成了响应快 0.5 秒、引用格式更清楚、移动端少一步操作。这些在传统产品里也有,但在 AI 产品里权重更高,因为功能层面大家真的很难拉开差距了。
AI 产品特有的死法:能力平台期被跳过
传统产品衰退是因为需求变了或被替代品打败。AI 产品多一种死法:底层模型能力跃迁,直接把你的产品价值清零。
Jasper 是最惨的案例。它基于 GPT-3 做营销文案,估值一度 15 亿美元,ChatGPT 出来后用户发现「我直接跟 GPT 聊就行,为什么要为 Jasper 付每月 49 美元」,增长瞬间失速。所有「模型能力的薄封装」都面临这个风险:你包装的那点能力,下一代模型原生就带。
判断自己的产品会不会被跳过,就看一层窗户纸:如果明天 GPT 或 Claude 出下一代,你的核心价值还剩多少?剩下的是行业 know-how、私有数据、深度工作流整合,你就安全;剩下的只是「我把 prompt 调得比较好」,那基本是倒计时状态。
阶段判断的信号
导入期看留存:种子用户不用你提醒会自己回来,才算有东西。成长期看数据飞轮的转速:效果指标是不是随用户量自然变好。成熟期看单位经济模型:毛利能不能覆盖获客成本。衰退期——如果竞品对话量突然暴涨而你没有对应动作,先别怀疑营销,去看看是不是出了新模型。