為什么說 AI 還沒到泡沫？等四篇 | 42章經 AI Newsletter

這是 Newsletter 的第二期，我們篩選了海外 200+ 篇文章和 100+ 期播客。

上期很多朋友反饋希望以郵件的形式訂閱，所以我們給 AI Newsletter 的新專欄單獨開了一個網站 ( https://42chapter.substack.com/ )，感興趣的朋友可以轉戰網頁版閱讀 。

目錄 1. 1 年 1 億美金 ARR，Fal 做對了什么? 2. 為什么說 AI 還沒到泡沫? 3. 250 家公司的經驗：AI 產品要如何定價? 4. 增長的冪律定律

他們做的是所謂 “AI 生成式媒體云”，簡單說，就是為開發者提供各種圖像、視頻和音頻模型的優化 API 服務，可以理解為 AI 模型的金牌中介+超級加速器。

這家公司有多猛呢？一年時間，ARR 從 200 萬美金干到了 1 億美金。而且，目前整個團隊還不到 50 人。

于是，我最近連聽了三期采訪創始團隊的播客，想知道他們是如何做到這一切的。

這里摘取一些重點：

1）關于戰略選擇

Fal 的起點和現在毫無關聯。他們最早在做一個數據處理相關的產品，對標 Databricks 和 Snowflake。

轉折點發生在 Stable Diffusion 出現的時候，在 GPU 危機最嚴重的時候，在 Hugging Face 上運行一個 Stable Diffusion 1.5 的 Demo，前面排了 3000 個人。這種極端的供需失衡，讓他們意識到，眼前有一個明確的用戶痛點，未來對 “推理優化” 的需求會暴增。

但老產品當時已經有了穩定的付費客戶，所以他們在兩條產品線上痛苦地并行了兩三個月。

最后幫他們下定決心的是投資人的一個靈魂拷問：

“你覺得哪個點子能讓你先到 100 萬 ARR？哪個點子能讓你先到 1000 萬 ARR？”

當時他們覺得老產品到 100 萬更快，但新方向到 1000 萬更快，于是就此完成了這次關鍵的取舍。

決定轉向 Inference 后，他們又面臨第二個關鍵決策：做 LLM 還是做 Image/Video（生成式媒體）？

當時 LLM 顯然是更熱的賽道。但 Fal 做出了一個極度反共識的決策，做后者。

CEO 提到，當時去融資，VC 們都不信，覺得 “推理平臺不都一樣嗎？”，而且還覺得圖像市場太小。

但他們的判斷是：LLM 和圖像是兩個完全不同的市場。兩者的優化方式、技術取舍截然不同，買家也完全不一樣。

而最核心的是：LLM inference 最大的 use case 是搜索，這是在跟 Google 搶地盤。Google 為了守住搜索業務，在必要時甚至會把 LLM 推理免費送給用戶，這對創業公司來說是死路一條。

但圖像和視頻是凈增市場，它不搶奪任何巨頭的存量蛋糕。這個版圖剛開始小，但增長飛快，是很完美的創業公司游戲，Fal 可以陪著行業一同野蠻生長。

此外，他們還發現，在大模型領域，技術的 SOTA 紅利期短得可憐（SOTA = State of the Art，但在這里= Soon Obsolete Technology Also...)，最多只能帶來 3-4 個月的領先優勢。

原因有三：

• 獨家的研究成果總會泄露。

• 一旦某件事被證明可行（比如 Sora），其他人就很容易復制。

• 模型的 API 可以被蒸餾，對手能用更便宜的成本抄作業。

基于此，他們判斷未來的模型會越來越多，越來越碎片化。現在，圖像模型的競爭已進入 “差異化” 階段，各家都在尋找自己的生態位（例如，Imagen 擅長角色一致性，Flux 強在工具生態）。

而市場越是碎片化，Fal 這樣的聚合平臺就越有價值。他們能把所有模型（目前超過 600 個）都接入并深度優化好，為開發者提供一個統一的入口。

這逐漸演變成一個強大的雙邊市場飛輪：

先用最快最全的模型 API 吸引開發者，再用海量開發者吸引更多模型入駐。

播客中一個有趣的細節是，這個雙邊市場模式不是他們一開始想到的，而是被一個爆款單品意外點燃的。當神秘的中國模型 Kling 剛出來時，Fal 率先將它引入了西方市場并提供 API，結果一夜爆火。這反過來讓其他模型實驗室意識到 Fal 是絕佳的分發渠道，于是紛紛主動尋求上架，整個生態被瞬間激活。

2）關于 GTM

在最早期，Fal 的客戶全是獨立開發者和愛好者，投資人擔心他們做的東西看起來很像“玩具”。

但 Gorkem 對 “玩具” 有一個評判標準：看用戶愿不愿意花錢。

“當用戶一天能在你平臺上花幾萬美金時，這絕對不是玩具。人們正在用它做嚴肅的產品。”

有了這些高潛客戶，他們的 GTM 策略非常清晰，是一個 PLG + Sales 閉環：

第一步，自助服務：開發者用信用卡注冊，直接開跑，按需付費。

第二步，篩選高潛客戶：當系統監測到某個用戶的日消費超過一個閾值（比如 300 美元/天），Salesforce 里會自動生成一個商機。

第三步，銷售轉化：銷售馬上跟進這個線索，聯系對方，說服他們簽一個年度合約，并給一個折扣。

這套打法讓他們在早期就獲得了持久的企業收入，回應了投資人對他們收入質量的質疑。

此外，Fal 的品牌營銷也很有品位。他們深深理解：“傳統的營銷方式對開發者沒用，他們覺得很尬”。

所以 Fal 的思路是做一個鮮活的 “自己人”。

舉兩個例子：

• GPU Poor or GPU Rich：

他們做了兩款標志性的帽子作為活動周邊：一款是鄉村俱樂部風的 GPU Rich，另一款是黑底白字的 GPU Poor。結果到了現場，“GPU Poor” 那一款簡直被搶瘋了，所有人都愛不釋手。

• 公開直播部署：

一有新模型發布，他們的工程 VP 就會立馬開直播，現場挑戰極速部署，全程屏幕共享。這種對技術實力的展示，是開發者最認的品牌營銷。

3）下一個大機會

播客的最后，主持人問了一個問題：你認為生態里還缺什么？有啥財富密碼可以給想創業的朋友分享一下。

Fal 因為擁有 “上帝視角”，能看到所有開發者在構建什么，在頭疼什么，所以他們給出了幾個非常具體的方向：

1）針對圖像和視頻領域的 Scale AI：現在每個模型公司都在重復造輪子，自己去收集和標注數據 (比如各種視頻特效、運鏡角度)。這里有機會出現一個平臺級的公司。

2）圖像/視頻的 RL：視頻模型的 reward function 應該是什么？ 這是一個值得探索的前沿方向。

3）更垂直的廣告應用：現在大家都在做水平平臺，但針對特定行業、特定廣告網絡的垂直解決方案還有大量空白。

（對以上方向感興趣的朋友，歡迎找我們交流！）

Reference：

• How Fal.ai is Making AI Video Faster & Easier | A16Z

  http://i71i.com/aj9z

• A Technical History of Generative Media | Latent Space

  http://i71i.com/aj9t

• How Fal found explosive growth in gen

  erative media | In Depth

  http://i71i.com/aj97

最近資本市場出現了一個有趣的大動作，Michael Burry 高調復出。

Michael Burry 這個名字，在金融圈外可能有些陌生。但如果提到電影《大空頭》，很多人就有印象了。Burry 是這其中的主角原型，他在 2008 年金融危機前，精準預言并重倉做空了美國的房地產市場。

在投資界，他幾乎等同于 “泡沫預言家”。

這周，他所在基金的 Q3 持倉文件顯示，他進行了一次徹底的 “持倉換血”。其中接近 80% 的倉位，都用來買入了英偉達和 Palantir 的看跌期權，對應股票的名義價值超 10 億美元。

這種決絕的手法，和他 2008 年的操作如出一轍。

于是，硅谷最近最熱的話題就是：AI 現在到底是不是泡沫？

最新的調查結果是，到今年 10 月，已經有 54% 的基金管理人認為 AI 市場進入了泡沫階段。

帶著這個問題，我們也翻閱了大量資料。

過去三周，在所有關于泡沫的文章、播客、Twitter 討論中，我們讀到最扎實、最詳盡的內容來自 Coatue。

他們回溯了 400 余年歷史，閱讀了 10 多本書，深入分析了 30 多個泡沫案例。

最后出乎意料地得出了一個樂觀的結論：AI 目前還沒有到泡沫階段。

我們一起來看一下他們的拆解。

首先，我們要捋清一個概念，泡沫究竟是什么？

Coatue 給出的定義是：泡沫是資產價格遠超內在價值的狀態，通常由投機、寬松信貸或從眾行為推動，破裂后往往引發嚴重后果。

而當前市場對 AI 的質疑，主要集中在幾個點上：

質疑 1: 估值是不是太高了？

這是最直觀的擔憂，很多人認為現在科技股的估值倍數已經遠超歷史平均水平，證明市場很可能已經過熱了。

但 Coatue 表示，從歷史對比看，現在的估值雖然不便宜，但也絕對談不上瘋狂。

如果和 2000 年互聯網泡沫的頂峰比，當時納斯達克 100 指數的動態市盈率高達 89 倍，而現在僅為 28 倍，還遠沒到失控的程度。

質疑 2: 錢是不是太集中了？

2000 年泡沫高點，美國前 10 大公司市值占 GDP 比例是 34%，而到了 2025 年，這個比例達到了 77%。

但 Coatue 說，此集中度非彼集中度。

2000 年的巨頭，業務相對單一。而今天的巨頭，更像是集合了多個業務的八爪魚。比如亞馬遜，它同時布局了零售和云業務，這幾乎是兩個獨立的產業。

所以，用 77% 對比 34% 并不公平，今天頭部巨頭的市值承載了更多領域的價值。

更重要的是，高集中度并非是負面信號。MIT 的一項研究指出，在集中度較高時，“買入并持有”這種策略的回報反而會好于頻繁賣出。

質疑 3 : 天量的資本開支 (CapEx) 對勁嗎？

還有人擔心：資本開支過高，會不會拖垮企業的盈利數字？

從數據來看，S&P 500 公司的 CapEx 已經占到了美國 GDP 的 1.6%，這個比例已經超過了互聯網泡沫時期的 1.4%，并且市場共識是它會進一步漲到 2.0%。

但 Coatue 認為，關鍵問題不是花了多少錢，而是錢從哪里來。

2000 年泡沫頂峰時，CapEx 占到了企業現金流的 75%；而當前，這個比例僅為 46%。

這一點和 2000 年有根本區別。它不是債務推動的狂歡，而是巨頭的內部造血。

質疑 4：AI 是不是在玩障眼法式的融資循環？

這個是我最關心的：這個圈子是不是在 “左手倒右手”？

現在發生的事情似乎是，OpenAI 承諾向甲骨文下一個 300B 的大單，然后甲骨文股價大漲；甲骨文作為英偉達的大客戶，向其采購 GPU；英偉達作為投資者，又把錢投給了 OpenAI；OpenAI 再用這筆融資款，去兌現給甲骨文的付款。

許多個這種嵌套式的資金閉環，讓人不得不懷疑 AI 收入的含金量。

Coatue 對此的回應是，這并不新鮮。互聯網時期，也存在大量的“易貨收入” (barter revenue)，企業通過資源互換而非實際現金交易來創造收入。 (但這個回應感覺有點避重就輕，我們不能拋開劑量談毒性，關鍵是今天這種 “空轉” 收入的占比是不是有點過大了？)

質疑 5： 企業采用率低，且無法盈利

看空者說，AI 的采用率正在放緩。MIT 調研顯示 95% 的機構沒在 AI 投資上獲得回報。企業 AI 采用率（按員工數計）在最近三個月也開始不升反降，從 13% 回落到了 12%。而且，ChatGPT 都推出 3 年了，還沒看到廣泛盈利。

Coatue 的回應是： 請給基礎設施一點時間，并看看 C 端用戶的表現。

首先，ChatGPT 的 MAU 增長曲線，其普及速度遠超互聯網和 PC。這種爆發式的用戶增長，恰恰說明了 AI 有多強的用戶需求。

其次，盈利需要周期。以 Azure（微軟云服務）為例，它花了 6 年時間才實現了正的 ROIC (資本回報率)。AI 的邏輯與云服務一致，需要時間沉淀。

延續前面對 AI 盈利能力的擔憂，Coatue 還做了一個浩大的工程，他們拆分了各種指標，試圖把 AI 的經濟賬真正算清楚。

他們把 AI 的回報分成了兩部分：

• 直接效用：這部分很直觀，比如 ChatGPT 的訂閱收入，因為 AI 提效而減少的薪資成本等等。

• 間接效用：這部分就比較模糊。比如 Google 用 AI 優化廣告投放，帶來了更多收入，或者員工用了 AI 工具，生產力變高了。

這樣算下來，AI 的盤子有多大呢？

他們最終建模得出的結論是，未來 5 到 10 年內，AI 的收入大概會增長 10 倍，相關利潤可以達到 1 萬億美元。

目前，整個行業還在巨額投入期。

但轉折點在 2030-2035 年，這時候年收入預計會飆升到 1.9 萬億美元，EBIT 轉正到 8500 億美元。

這樣，ROIC 將從現在的 -3% 躍升到 +20%。

+20% 是什么概念？這已經接近 AWS、Azure 這些成熟云服務的盈利水平了。

這樣來看，當下對 AI 領域的投資會是完全合理的。

但這是否意味著股市還有上漲空間呢？畢竟，市場已經連續漲了 3 年了，是不是該到頭了？

我們可以進一步看兩項很有意思的歷史研究：

1）如果分析過往的標普 500 指數，我們會發現，在市場連續上漲 3 年后，第 4 年繼續上漲的概率是 48%。雖然上漲動能確實放緩了，但基本還是一個五五開的局面。

2）如果我們復盤1990-2000 年納斯達克 100 指數的回報，會得到一個 lesson：過早賣出的機會成本極高。

舉個例子，如果你在 1999 年的市場高點買入了納指，那么到 2003 年，你的平均年增長率為 -4%，但如果你能堅持拿到 2007 年，你的平均年增長率就會達到 +2%。

當大浪潮來臨時，市場的上升周期往往比想象的更長。尤其在 AI 這種可能持續十年的技術浪潮里，耐心往往比時機更重要。

所以，未來究竟會怎樣？

Coatue 內部的結論是：

• 大于 2/3 概率，市場欣欣向榮，科技板塊繼續領漲。

• 小于 1/3 概率，泡沫破裂，引發崩盤。

總的來說，Coatue 理性看多。

最后想補一句的是，AI 泡沫可能現在還沒有到來，但它也終將會到來。

Sam Altman 也在最近的 BG2 播客上親口承認，算力泡沫和過剩未來「肯定會發生」，這是人性。

現在科技巨頭就像進入了一場不斷加注的撲克游戲。

為了在市場站穩腳跟，他們必須不斷加大投入，只要 AI 進步沒有停止，巨頭就會不斷加碼，但問題是，模型每升級一次，燒的錢都是 10 倍起跳，誰也不知道 GPT-7，GPT-8 的 ROI 是多少。

目前百億級別的 Capex 即使踩空，市場也能承受；可一旦牌桌上的籌碼堆到萬億、十萬億，而收入卻沒能跟上，那才是真正的清算時刻。

而在此之前，游戲還會繼續。

Reference：

• Coatue Public Market Updates

  http://i71i.com/aj9p

• Michael Burry effect? | The Economic Times

  http://i71i.com/azlk

• 目前 OpenAI 發展面臨哪些問題？ hrel 的知乎回答

  http://8cc7.com/aj9q

最近看到的另一條好內容，來自 Lenny 和定價專家 Madhavan 的對談。

Madhavan 曾經為超過 250 家公司和 30 家獨角獸設計過定價策略，所以他在這期播客里系統地講解了 AI 產品定價的正確打開方式。

信息密度很高！這里梳理一下。

首先，公司在不同階段，定價的側重點不同。

在公司早期，定價的首要原則是簡單。簡單到什么程度呢？你可以試著讓客戶復述一遍你的定價策略，如果他說不清楚，那就說明你的方案太復雜了。

另外，報價的時候最好能講出一個漂亮的故事。比如 Superhuman 每月 30 美元，聽起來很貴，但他們的說法是：“每天花 1 美元，每周幫你省下 4 小時。” 聽起來就劃算多了。

第二個階段，等公司開始上規模后，談判能力會變得更加重要（主要指 2B 領域）。

這里有幾個重要的技巧，我覺得很有意思，在其它商業談判場合也適用：

1) 有舍必有得

談判時不能一味讓步。你每給出一個折扣，就必須從對方那里要回點什么。

一個很好用的索求是要求對方出具一份 “價值審計報告”。你可以說：“折扣可以，但作為交換，我需要你們每半年內部出具一份報告，用你們的數據來量化我們產品帶來的價值。”這份報告就是你后面續約和漲價的王牌，因為這是客戶自己蓋章認證的價值。

2) 讓客戶自己說服自己

很多創始人在談判中只會單向輸出，這是大忌。你必須在對話中不斷設下圈套，讓對方親口承認你的價值 。多問一些類似 “你覺得這個功能在你們公司能怎么用？” 或 “這個儀表盤你最喜歡哪一點？” 的問題。當客戶自己開始幫你吹噓時，后續的商務談判會順暢得多。

同理，POC 結束時，千萬別自己做好一個 ROI 模型去給客戶匯報，沒人會信你單方面的假設。正確的做法是，從第一天起就拉著客戶一起確認模型里的每一個變量，當所有輸入都得到他認可后，最終的結果他們就很難反駁了。

3) 永遠帶著選項去談判

不要只提供一個產品和一個價格，這樣對方的注意力只會集中在價格上。你應該提供 “好、更好、最好” 三個選項，比如 10 萬、20 萬和 30 萬。這會把對話從 “價格” 引向“價值”，客戶會開始討論 “我喜歡 20 萬方案里的某個功能，但預算只有 10 萬”，這時你就可以順勢把話題帶回價值探討。

4) 讓步的幅度要遞減：

最糟糕的談判方式，是先給 5% 折扣，不行再多給 5%，再不行再給 5%，這等于在告訴對方 “我這還有的是空間，繼續壓價”。高明的談判者恰恰相反，先給一個大的折扣，比如 10%，不行再讓 5%，再不行再讓 2%。這種遞減的方式，會給對方一個強烈的心理暗示：這已經是我的底線了。

接著，Madhavan 介紹了 AI 產品定價的標準流程：

先通過 POC（Proof of Concept，概念驗證）和客戶一起算出 ROI，然后盡量找到能按效果付費的定價策略。

這引出了 AI 創始人最常問的兩個問題：

1）POC 怎么做？ 2）價格到底怎么定？

我們先來看 POC。

很多創始人會把 POC 當成一個技術測試，看產品在客戶那兒跑不跑得通。

但這就抓錯了重點。Madhavan 說，POC 的唯一目標，就是和客戶一起共創一個商業案例，用實打實的數字證明你的產品到底能為他創造多少價值。

隨后 Madhavan 沒有細講 POC 要怎么做，而是回答了一個創始人經常有的問題，就是 POC 到底該不該收費？他認為要收。收費能區分那些只是隨便看看的人和認真購買的人，避免浪費時間。

但收錢也有講究：

1) 你要非常明確地告訴客戶，POC 這一個月的費用（比如 1 萬美元）只是為了共建商業案例，和未來正式的商業合同完全是兩碼事。否則，客戶會想當然地認為一年的合同價就是 12 萬，你就給自己挖了個大坑。

2) 如果客戶在 POC 之前就想探探底，問最終價格大概是多少，這時候不要直接給一個具體的數字，你可以換一種說法：“根據我的經驗，我們至少能幫你創造 1000 萬美元的價值，然后我們大概就收這其中的 1/10。”

如果客戶一定要給一個具體數字，那就給一個寬泛的區間，比如“最終價格會在 70 萬到 130 萬美元之間，具體取決于我們最終能給你創造的商業價值。”

等 POC 做完，價值也驗證了，就到了正式定價的環節。

這里 Madhavan 提了一個簡潔的分析框架，主要就看兩個維度：價值的歸因難度和 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（難歸因 & 高自主）：比如一些后端或基礎設施類的 AI，可以按實際用量計費，用多少算多少。

• 左下角（難歸因 & 低自主）：傳統的 SaaS 工具大多落在這個區間，只能按席位訂閱，賺個辛苦錢。

• 右下角（易歸因 & 低自主）：像 AI Copilot 這類產品，價值很明確，就是提升效率。適合“訂閱+用量”的模式。

• 右上角（易歸因 & 高自主）：像 AI Agent 這種能直接出結果的，可以按效果付費，這是定價權的頂層。

除此之外，Madhavan 還提醒了幾個創始人經常踩的坑：

1) 產品里 20% 的功能，往往決定了 80% 的用戶付費意愿。但諷刺的是，這 20% 的功能常常是最好做的，所以很多創始人隨手就把它做出來免費送了，后面的高級版只能用大量零零碎碎的低價值功能硬撐，用戶自然不買賬。

2) 定價要頻繁迭代：傳統 SaaS 兩年改一次價，AI 至少要一年甚至半年就重新評估，因為市場和技術變化太快。

3) 降低 churn rate 的第一要義是找出最穩定、最長久的客戶畫像，把獲客預算砸在這群人身上。但很多公司會反過來，花太多力氣去思考哪些客戶可能流失，我要怎么留住他，后者通常得不償失。

最后還想再補充一點，我們和市場上好幾個創始人、增長負責人交流后的 learning 是，現在絕大多數 AI 產品都定價過于保守了，大家都有非常大的漲價空間，應該大膽測測試試。

巴菲特說過的一句話送給大家：“評估一家公司，最重要的就是定價權。如果漲價 10% 得讓你在內心祈禱，那你做的肯定是一門糟糕的生意。”

Reference：

• Pricing your AI product: Lessons from 400+ companies and 50 unicorns | Lenny's Podcast
  

  http://i71i.com/1bgi

她大概是近十年最頂尖的增長操盤手之一，在 Meta、Pinterest、Descript 都帶過增長團隊，把產品做到過 2 億用戶。

這期內容也確實精彩。就像主持人說的，這是他近年來做過 “最細致 (most granular)” 的一期節目。

摘錄一下對我們最有啟發的幾個要點：

1) 為什么“數據驅動”會殺死增長？

Sandy 提出一個觀點：要讓團隊保持 Data-inspired（數據啟發），而不是 Data-driven（數據驅動）。

增長團隊容易掉入一個陷阱：看到數據漏斗里有個值不好看，就覺得 “這比競品基準差太多，我們必須把它提上來”。

她分享了一個慘痛教訓。早期 Descript（一個音視頻剪輯工具）只有桌面版，增長團隊發現，從 “注冊” 到 “下載” 這一步流失率巨大。

于是她想，桌面版摩擦力太大了，我們應該推出一個無摩擦的 Web 版，這樣轉化率一定會暴漲。

團隊花了兩年時間開發了 Web 版，結果呢？

轉化率、激活率、收入全面暴跌。

她復盤時才想通：摩擦力是一種篩選器，一個人愿意花時間去安裝應用，證明他的使用意愿非常高，而且他已經投入了沉沒成本，所以更愿意花時間深入探索產品。而 Web 版吸引來的，全是大量隨便看看的觀光用戶。

所以她總結出了一個重要認知：

增長假設 = 數據洞察 + 背景解讀。

一定不能只有前者，而沒有后者，不然推導出的決策很可能就是錯的。

2) 增長的冪律分布定律（Power Law of Distribution）

Sandy 認為，創業公司做增長，常踩的一個坑是廣撒網，在資源極其有限的情況下，如果一上來就同時測試十幾個渠道，最終的結果往往是廣種薄收。

她發現，真正高速增長的公司，往往都符合“增長的冪律分布”：公司 80% 的增長，是由 1-2 個核心渠道驅動的。

所以最重要的是找到你的 “不公平優勢”（Unfair Advantages）。比如，Descript 的一個 “不公平優勢” 是：

對于一個服務于創作者的產品，用戶天然會基于它來創作內容。

她當時給 Descript 做增長的時候，意外發現，很多早期用戶會自發在 YouTube 上做 Descript 的評測和教程視頻。

她靈光一閃，做了兩個實驗：

• 實驗 1：主動聯系這些博主，請他們加上產品鏈接。結果：流量增加了。

• 實驗 2：推出聯盟計劃（Affiliate Program)。你推薦來的付費用戶，我們給你 15% 的永久傭金。

結果是，ROAS (廣告回報率) 高到不可思議。這個渠道在當年貢獻了 25% 的新用戶，而且幾乎是全自動的。

(所以做個總結：“不公平優勢” 往往藏在產品和用戶的自然交互中。增長團隊的核心能力是發現這種杠桿，并系統地撬動它。）

3) 一個巧妙的搭配：水平定位 + 垂直獲客。

傳統建議是定位要窄，但 Sandy 認為，Prosumer 產品可以在功能和定位上做得 “大而全”，但是用 “垂直入口” 來切入獲客。

Descript 的品牌定位是 “一體化音視頻編輯器”，這是寬泛的。但它的獲客入口非常垂直，具體分為兩類：

• 按場景劃分：針對一個相對完整的使用場景。比如，“播客剪輯工具”、“視頻會議轉錄”。

• 按具體任務劃分：針對一個具體的痛點或問題。比如，“如何給音頻去噪”。

用戶通過一個非常具體的需求點進落地頁，但數據發現，超過一半的用戶，第二個動作是點擊 Logo 返回首頁，他們想看看“這個能解決我小問題的工具，到底是個什么東西”。 結果，那個“大而全”的首頁，反而比最開始的垂直頁面轉化率更高。

（插一句，針對這一點，Monica 當時一定程度上也是這樣做的，而且它還有助于挖掘細分的價值場景，做精細化的運營和商業化測試。

作為一個 all in one 的瀏覽器插件，Monica 集成了多種功能：總結網頁、總結 YouTube 視頻、編輯圖像、Chat with PDF... 他們會把每一個功能單獨拎出來，做成一個獨立的 web 頁面，拿這個頁面去測試這個單一功能場景下的商業化前景，以及最合適的定價方案。

針對不同的流量來源，他們也會設計不同的產品界面承接，比如區分廣告來的用戶和非廣告來的用戶，在廣告來的用戶身上，做更激進的商業化測試，彈出更多的 push 來刺激對方付費，但對自然增長來的用戶不做這個動作。這樣可以很好地平衡核心用戶的體驗和商業化目標。）

4) 創業公司該什么時候招第一個增長負責人？

傳統建議是：等有了 PMF 再招。但 Sandy 有一個不同看法：最好盡早。

她不認為存在一個 “招增長太早了” 的階段。增長就應該在最早期介入，把增長能力構建到產品里，這樣可以解決很多早期找 PMF 和 PCF (Product Channel Fit) 的問題。

而且，在 YC 最新幾期項目中已經明顯有了這個趨勢，很多團隊還不到 5-10 人，就已經在招增長負責人了，“極早期招增長” 只會變得越來越普遍。

至于這個人該是 “經驗豐富的老炮”，還是 “饑渴的年輕人”？ Sandy 說：都行。

她唯一看重的特質是，必須有 “無法抑制的、保持 Hands-on 的渴望”。

增長是一個高度依賴體感的學科，而不是純粹的戰略管理。

尤其是 AI 時代，玩法每天都在變，老手的經驗如果不能結合一線實操，很快就會過時，甚至成為決策的阻礙。

Reference：

• 20Growth: How to Build a Paid Marketing Machine | 20VC

  http://i71i.com/aj9n