为什么说 AI 还没到泡沫？等四篇 | 42章经 AI Newsletter

这是 Newsletter 的第二期，我们筛选了海外 200+ 篇文章和 100+ 期播客。

上期很多朋友反馈希望以邮件的形式订阅，所以我们给 AI Newsletter 的新专栏单独开了一个网站 ( https://42chapter.substack.com/ )，感兴趣的朋友可以转战网页版阅读 。

目录 1. 1 年 1 亿美金 ARR，Fal 做对了什么? 2. 为什么说 AI 还没到泡沫? 3. 250 家公司的经验：AI 产品要如何定价? 4. 增长的幂律定律

他们做的是所谓 “AI 生成式媒体云”，简单说，就是为开发者提供各种图像、视频和音频模型的优化 API 服务，可以理解为 AI 模型的金牌中介+超级加速器。

这家公司有多猛呢？一年时间，ARR 从 200 万美金干到了 1 亿美金。而且，目前整个团队还不到 50 人。

于是，我最近连听了三期采访创始团队的播客，想知道他们是如何做到这一切的。

这里摘取一些重点：

1）关于战略选择

Fal 的起点和现在毫无关联。他们最早在做一个数据处理相关的产品，对标 Databricks 和 Snowflake。

转折点发生在 Stable Diffusion 出现的时候，在 GPU 危机最严重的时候，在 Hugging Face 上运行一个 Stable Diffusion 1.5 的 Demo，前面排了 3000 个人。这种极端的供需失衡，让他们意识到，眼前有一个明确的用户痛点，未来对 “推理优化” 的需求会暴增。

但老产品当时已经有了稳定的付费客户，所以他们在两条产品线上痛苦地并行了两三个月。

最后帮他们下定决心的是投资人的一个灵魂拷问：

“你觉得哪个点子能让你先到 100 万 ARR？哪个点子能让你先到 1000 万 ARR？”

当时他们觉得老产品到 100 万更快，但新方向到 1000 万更快，于是就此完成了这次关键的取舍。

决定转向 Inference 后，他们又面临第二个关键决策：做 LLM 还是做 Image/Video（生成式媒体）？

当时 LLM 显然是更热的赛道。但 Fal 做出了一个极度反共识的决策，做后者。

CEO 提到，当时去融资，VC 们都不信，觉得 “推理平台不都一样吗？”，而且还觉得图像市场太小。

但他们的判断是：LLM 和图像是两个完全不同的市场。两者的优化方式、技术取舍截然不同，买家也完全不一样。

而最核心的是：LLM inference 最大的 use case 是搜索，这是在跟 Google 抢地盘。Google 为了守住搜索业务，在必要时甚至会把 LLM 推理免费送给用户，这对创业公司来说是死路一条。

但图像和视频是净增市场，它不抢夺任何巨头的存量蛋糕。这个版图刚开始小，但增长飞快，是很完美的创业公司游戏，Fal 可以陪着行业一同野蛮生长。

此外，他们还发现，在大模型领域，技术的 SOTA 红利期短得可怜（SOTA = State of the Art，但在这里= Soon Obsolete Technology Also...)，最多只能带来 3-4 个月的领先优势。

原因有三：

• 独家的研究成果总会泄露。

• 一旦某件事被证明可行（比如 Sora），其他人就很容易复制。

• 模型的 API 可以被蒸馏，对手能用更便宜的成本抄作业。

基于此，他们判断未来的模型会越来越多，越来越碎片化。现在，图像模型的竞争已进入 “差异化” 阶段，各家都在寻找自己的生态位（例如，Imagen 擅长角色一致性，Flux 强在工具生态）。

而市场越是碎片化，Fal 这样的聚合平台就越有价值。他们能把所有模型（目前超过 600 个）都接入并深度优化好，为开发者提供一个统一的入口。

这逐渐演变成一个强大的双边市场飞轮：

先用最快最全的模型 API 吸引开发者，再用海量开发者吸引更多模型入驻。

播客中一个有趣的细节是，这个双边市场模式不是他们一开始想到的，而是被一个爆款单品意外点燃的。当神秘的中国模型 Kling 刚出来时，Fal 率先将它引入了西方市场并提供 API，结果一夜爆火。这反过来让其他模型实验室意识到 Fal 是绝佳的分发渠道，于是纷纷主动寻求上架，整个生态被瞬间激活。

2）关于 GTM

在最早期，Fal 的客户全是独立开发者和爱好者，投资人担心他们做的东西看起来很像“玩具”。

但 Gorkem 对 “玩具” 有一个评判标准：看用户愿不愿意花钱。

“当用户一天能在你平台上花几万美金时，这绝对不是玩具。人们正在用它做严肃的产品。”

有了这些高潜客户，他们的 GTM 策略非常清晰，是一个 PLG + Sales 闭环：

第一步，自助服务：开发者用信用卡注册，直接开跑，按需付费。

第二步，筛选高潜客户：当系统监测到某个用户的日消费超过一个阈值（比如 300 美元/天），Salesforce 里会自动生成一个商机。

第三步，销售转化：销售马上跟进这个线索，联系对方，说服他们签一个年度合约，并给一个折扣。

这套打法让他们在早期就获得了持久的企业收入，回应了投资人对他们收入质量的质疑。

此外，Fal 的品牌营销也很有品位。他们深深理解：“传统的营销方式对开发者没用，他们觉得很尬”。

所以 Fal 的思路是做一个鲜活的 “自己人”。

举两个例子：

• GPU Poor or GPU Rich：

他们做了两款标志性的帽子作为活动周边：一款是乡村俱乐部风的 GPU Rich，另一款是黑底白字的 GPU Poor。结果到了现场，“GPU Poor” 那一款简直被抢疯了，所有人都爱不释手。

• 公开直播部署：

一有新模型发布，他们的工程 VP 就会立马开直播，现场挑战极速部署，全程屏幕共享。这种对技术实力的展示，是开发者最认的品牌营销。

3）下一个大机会

播客的最后，主持人问了一个问题：你认为生态里还缺什么？有啥财富密码可以给想创业的朋友分享一下。

Fal 因为拥有 “上帝视角”，能看到所有开发者在构建什么，在头疼什么，所以他们给出了几个非常具体的方向：

1）针对图像和视频领域的 Scale AI：现在每个模型公司都在重复造轮子，自己去收集和标注数据 (比如各种视频特效、运镜角度)。这里有机会出现一个平台级的公司。

2）图像/视频的 RL：视频模型的 reward function 应该是什么？ 这是一个值得探索的前沿方向。

3）更垂直的广告应用：现在大家都在做水平平台，但针对特定行业、特定广告网络的垂直解决方案还有大量空白。

（对以上方向感兴趣的朋友，欢迎找我们交流！）

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

最近资本市场出现了一个有趣的大动作，Michael Burry 高调复出。

Michael Burry 这个名字，在金融圈外可能有些陌生。但如果提到电影《大空头》，很多人就有印象了。Burry 是这其中的主角原型，他在 2008 年金融危机前，精准预言并重仓做空了美国的房地产市场。

在投资界，他几乎等同于 “泡沫预言家”。

这周，他所在基金的 Q3 持仓文件显示，他进行了一次彻底的 “持仓换血”。其中接近 80% 的仓位，都用来买入了英伟达和 Palantir 的看跌期权，对应股票的名义价值超 10 亿美元。

这种决绝的手法，和他 2008 年的操作如出一辙。

于是，硅谷最近最热的话题就是：AI 现在到底是不是泡沫？

最新的调查结果是，到今年 10 月，已经有 54% 的基金管理人认为 AI 市场进入了泡沫阶段。

带着这个问题，我们也翻阅了大量资料。

过去三周，在所有关于泡沫的文章、播客、Twitter 讨论中，我们读到最扎实、最详尽的内容来自 Coatue。

他们回溯了 400 余年历史，阅读了 10 多本书，深入分析了 30 多个泡沫案例。

最后出乎意料地得出了一个乐观的结论：AI 目前还没有到泡沫阶段。

我们一起来看一下他们的拆解。

首先，我们要捋清一个概念，泡沫究竟是什么？

Coatue 给出的定义是：泡沫是资产价格远超内在价值的状态，通常由投机、宽松信贷或从众行为推动，破裂后往往引发严重后果。

而当前市场对 AI 的质疑，主要集中在几个点上：

质疑 1: 估值是不是太高了？

这是最直观的担忧，很多人认为现在科技股的估值倍数已经远超历史平均水平，证明市场很可能已经过热了。

但 Coatue 表示，从历史对比看，现在的估值虽然不便宜，但也绝对谈不上疯狂。

如果和 2000 年互联网泡沫的顶峰比，当时纳斯达克 100 指数的动态市盈率高达 89 倍，而现在仅为 28 倍，还远没到失控的程度。

质疑 2: 钱是不是太集中了？

2000 年泡沫高点，美国前 10 大公司市值占 GDP 比例是 34%，而到了 2025 年，这个比例达到了 77%。

但 Coatue 说，此集中度非彼集中度。

2000 年的巨头，业务相对单一。而今天的巨头，更像是集合了多个业务的八爪鱼。比如亚马逊，它同时布局了零售和云业务，这几乎是两个独立的产业。

所以，用 77% 对比 34% 并不公平，今天头部巨头的市值承载了更多领域的价值。

更重要的是，高集中度并非是负面信号。MIT 的一项研究指出，在集中度较高时，“买入并持有”这种策略的回报反而会好于频繁卖出。

质疑 3 : 天量的资本开支 (CapEx) 对劲吗？

还有人担心：资本开支过高，会不会拖垮企业的盈利数字？

从数据来看，S&P 500 公司的 CapEx 已经占到了美国 GDP 的 1.6%，这个比例已经超过了互联网泡沫时期的 1.4%，并且市场共识是它会进一步涨到 2.0%。

但 Coatue 认为，关键问题不是花了多少钱，而是钱从哪里来。

2000 年泡沫顶峰时，CapEx 占到了企业现金流的 75%；而当前，这个比例仅为 46%。

这一点和 2000 年有根本区别。它不是债务推动的狂欢，而是巨头的内部造血。

质疑 4：AI 是不是在玩障眼法式的融资循环？

这个是我最关心的：这个圈子是不是在 “左手倒右手”？

现在发生的事情似乎是，OpenAI 承诺向甲骨文下一个 300B 的大单，然后甲骨文股价大涨；甲骨文作为英伟达的大客户，向其采购 GPU；英伟达作为投资者，又把钱投给了 OpenAI；OpenAI 再用这笔融资款，去兑现给甲骨文的付款。

许多个这种嵌套式的资金闭环，让人不得不怀疑 AI 收入的含金量。

Coatue 对此的回应是，这并不新鲜。互联网时期，也存在大量的“易货收入” (barter revenue)，企业通过资源互换而非实际现金交易来创造收入。 (但这个回应感觉有点避重就轻，我们不能抛开剂量谈毒性，关键是今天这种 “空转” 收入的占比是不是有点过大了？)

质疑 5： 企业采用率低，且无法盈利

看空者说，AI 的采用率正在放缓。MIT 调研显示 95% 的机构没在 AI 投资上获得回报。企业 AI 采用率（按员工数计）在最近三个月也开始不升反降，从 13% 回落到了 12%。而且，ChatGPT 都推出 3 年了，还没看到广泛盈利。

Coatue 的回应是： 请给基础设施一点时间，并看看 C 端用户的表现。

首先，ChatGPT 的 MAU 增长曲线，其普及速度远超互联网和 PC。这种爆发式的用户增长，恰恰说明了 AI 有多强的用户需求。

其次，盈利需要周期。以 Azure（微软云服务）为例，它花了 6 年时间才实现了正的 ROIC (资本回报率)。AI 的逻辑与云服务一致，需要时间沉淀。

延续前面对 AI 盈利能力的担忧，Coatue 还做了一个浩大的工程，他们拆分了各种指标，试图把 AI 的经济账真正算清楚。

他们把 AI 的回报分成了两部分：

• 直接效用：这部分很直观，比如 ChatGPT 的订阅收入，因为 AI 提效而减少的薪资成本等等。

• 间接效用：这部分就比较模糊。比如 Google 用 AI 优化广告投放，带来了更多收入，或者员工用了 AI 工具，生产力变高了。

这样算下来，AI 的盘子有多大呢？

他们最终建模得出的结论是，未来 5 到 10 年内，AI 的收入大概会增长 10 倍，相关利润可以达到 1 万亿美元。

目前，整个行业还在巨额投入期。

但转折点在 2030-2035 年，这时候年收入预计会飙升到 1.9 万亿美元，EBIT 转正到 8500 亿美元。

这样，ROIC 将从现在的 -3% 跃升到 +20%。

+20% 是什么概念？这已经接近 AWS、Azure 这些成熟云服务的盈利水平了。

这样来看，当下对 AI 领域的投资会是完全合理的。

但这是否意味着股市还有上涨空间呢？毕竟，市场已经连续涨了 3 年了，是不是该到头了？

我们可以进一步看两项很有意思的历史研究：

1）如果分析过往的标普 500 指数，我们会发现，在市场连续上涨 3 年后，第 4 年继续上涨的概率是 48%。虽然上涨动能确实放缓了，但基本还是一个五五开的局面。

2）如果我们复盘1990-2000 年纳斯达克 100 指数的回报，会得到一个 lesson：过早卖出的机会成本极高。

举个例子，如果你在 1999 年的市场高点买入了纳指，那么到 2003 年，你的平均年增长率为 -4%，但如果你能坚持拿到 2007 年，你的平均年增长率就会达到 +2%。

当大浪潮来临时，市场的上升周期往往比想象的更长。尤其在 AI 这种可能持续十年的技术浪潮里，耐心往往比时机更重要。

所以，未来究竟会怎样？

Coatue 内部的结论是：

• 大于 2/3 概率，市场欣欣向荣，科技板块继续领涨。

• 小于 1/3 概率，泡沫破裂，引发崩盘。

总的来说，Coatue 理性看多。

最后想补一句的是，AI 泡沫可能现在还没有到来，但它也终将会到来。

Sam Altman 也在最近的 BG2 播客上亲口承认，算力泡沫和过剩未来「肯定会发生」，这是人性。

现在科技巨头就像进入了一场不断加注的扑克游戏。

为了在市场站稳脚跟，他们必须不断加大投入，只要 AI 进步没有停止，巨头就会不断加码，但问题是，模型每升级一次，烧的钱都是 10 倍起跳，谁也不知道 GPT-7，GPT-8 的 ROI 是多少。

目前百亿级别的 Capex 即使踩空，市场也能承受；可一旦牌桌上的筹码堆到万亿、十万亿，而收入却没能跟上，那才是真正的清算时刻。

而在此之前，游戏还会继续。

Reference：

• Coatue Public Market Updates

  http://i71i.com/aj9p

• Michael Burry effect? | The Economic Times

  http://i71i.com/azlk

• 目前 OpenAI 发展面临哪些问题？ hrel 的知乎回答

  http://8cc7.com/aj9q

最近看到的另一条好内容，来自 Lenny 和定价专家 Madhavan 的对谈。

Madhavan 曾经为超过 250 家公司和 30 家独角兽设计过定价策略，所以他在这期播客里系统地讲解了 AI 产品定价的正确打开方式。

信息密度很高！这里梳理一下。

首先，公司在不同阶段，定价的侧重点不同。

在公司早期，定价的首要原则是简单。简单到什么程度呢？你可以试着让客户复述一遍你的定价策略，如果他说不清楚，那就说明你的方案太复杂了。

另外，报价的时候最好能讲出一个漂亮的故事。比如 Superhuman 每月 30 美元，听起来很贵，但他们的说法是：“每天花 1 美元，每周帮你省下 4 小时。” 听起来就划算多了。

第二个阶段，等公司开始上规模后，谈判能力会变得更加重要（主要指 2B 领域）。

这里有几个重要的技巧，我觉得很有意思，在其它商业谈判场合也适用：

1) 有舍必有得

谈判时不能一味让步。你每给出一个折扣，就必须从对方那里要回点什么。

一个很好用的索求是要求对方出具一份 “价值审计报告”。你可以说：“折扣可以，但作为交换，我需要你们每半年内部出具一份报告，用你们的数据来量化我们产品带来的价值。”这份报告就是你后面续约和涨价的王牌，因为这是客户自己盖章认证的价值。

2) 让客户自己说服自己

很多创始人在谈判中只会单向输出，这是大忌。你必须在对话中不断设下圈套，让对方亲口承认你的价值 。多问一些类似 “你觉得这个功能在你们公司能怎么用？” 或 “这个仪表盘你最喜欢哪一点？” 的问题。当客户自己开始帮你吹嘘时，后续的商务谈判会顺畅得多。

同理，POC 结束时，千万别自己做好一个 ROI 模型去给客户汇报，没人会信你单方面的假设。正确的做法是，从第一天起就拉着客户一起确认模型里的每一个变量，当所有输入都得到他认可后，最终的结果他们就很难反驳了。

3) 永远带着选项去谈判

不要只提供一个产品和一个价格，这样对方的注意力只会集中在价格上。你应该提供 “好、更好、最好” 三个选项，比如 10 万、20 万和 30 万。这会把对话从 “价格” 引向“价值”，客户会开始讨论 “我喜欢 20 万方案里的某个功能，但预算只有 10 万”，这时你就可以顺势把话题带回价值探讨。

4) 让步的幅度要递减：

最糟糕的谈判方式，是先给 5% 折扣，不行再多给 5%，再不行再给 5%，这等于在告诉对方 “我这还有的是空间，继续压价”。高明的谈判者恰恰相反，先给一个大的折扣，比如 10%，不行再让 5%，再不行再让 2%。这种递减的方式，会给对方一个强烈的心理暗示：这已经是我的底线了。

接着，Madhavan 介绍了 AI 产品定价的标准流程：

先通过 POC（Proof of Concept，概念验证）和客户一起算出 ROI，然后尽量找到能按效果付费的定价策略。

这引出了 AI 创始人最常问的两个问题：

1）POC 怎么做？ 2）价格到底怎么定？

我们先来看 POC。

很多创始人会把 POC 当成一个技术测试，看产品在客户那儿跑不跑得通。

但这就抓错了重点。Madhavan 说，POC 的唯一目标，就是和客户一起共创一个商业案例，用实打实的数字证明你的产品到底能为他创造多少价值。

随后 Madhavan 没有细讲 POC 要怎么做，而是回答了一个创始人经常有的问题，就是 POC 到底该不该收费？他认为要收。收费能区分那些只是随便看看的人和认真购买的人，避免浪费时间。

但收钱也有讲究：

1) 你要非常明确地告诉客户，POC 这一个月的费用（比如 1 万美元）只是为了共建商业案例，和未来正式的商业合同完全是两码事。否则，客户会想当然地认为一年的合同价就是 12 万，你就给自己挖了个大坑。

2) 如果客户在 POC 之前就想探探底，问最终价格大概是多少，这时候不要直接给一个具体的数字，你可以换一种说法：“根据我的经验，我们至少能帮你创造 1000 万美元的价值，然后我们大概就收这其中的 1/10。”

如果客户一定要给一个具体数字，那就给一个宽泛的区间，比如“最终价格会在 70 万到 130 万美元之间，具体取决于我们最终能给你创造的商业价值。”

等 POC 做完，价值也验证了，就到了正式定价的环节。

这里 Madhavan 提了一个简洁的分析框架，主要就看两个维度：价值的归因难度和 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（难归因 & 高自主）：比如一些后端或基础设施类的 AI，可以按实际用量计费，用多少算多少。

• 左下角（难归因 & 低自主）：传统的 SaaS 工具大多落在这个区间，只能按席位订阅，赚个辛苦钱。

• 右下角（易归因 & 低自主）：像 AI Copilot 这类产品，价值很明确，就是提升效率。适合“订阅+用量”的模式。

• 右上角（易归因 & 高自主）：像 AI Agent 这种能直接出结果的，可以按效果付费，这是定价权的顶层。

除此之外，Madhavan 还提醒了几个创始人经常踩的坑：

1) 产品里 20% 的功能，往往决定了 80% 的用户付费意愿。但讽刺的是，这 20% 的功能常常是最好做的，所以很多创始人随手就把它做出来免费送了，后面的高级版只能用大量零零碎碎的低价值功能硬撑，用户自然不买账。

2) 定价要频繁迭代：传统 SaaS 两年改一次价，AI 至少要一年甚至半年就重新评估，因为市场和技术变化太快。

3) 降低 churn rate 的第一要义是找出最稳定、最长久的客户画像，把获客预算砸在这群人身上。但很多公司会反过来，花太多力气去思考哪些客户可能流失，我要怎么留住他，后者通常得不偿失。

最后还想再补充一点，我们和市场上好几个创始人、增长负责人交流后的 learning 是，现在绝大多数 AI 产品都定价过于保守了，大家都有非常大的涨价空间，应该大胆测测试试。

巴菲特说过的一句话送给大家：“评估一家公司，最重要的就是定价权。如果涨价 10% 得让你在内心祈祷，那你做的肯定是一门糟糕的生意。”

Reference：

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

  http://i71i.com/1bgi

她大概是近十年最顶尖的增长操盘手之一，在 Meta、Pinterest、Descript 都带过增长团队，把产品做到过 2 亿用户。

这期内容也确实精彩。就像主持人说的，这是他近年来做过 “最细致 (most granular)” 的一期节目。

摘录一下对我们最有启发的几个要点：

1) 为什么“数据驱动”会杀死增长？

Sandy 提出一个观点：要让团队保持 Data-inspired（数据启发），而不是 Data-driven（数据驱动）。

增长团队容易掉入一个陷阱：看到数据漏斗里有个值不好看，就觉得 “这比竞品基准差太多，我们必须把它提上来”。

她分享了一个惨痛教训。早期 Descript（一个音视频剪辑工具）只有桌面版，增长团队发现，从 “注册” 到 “下载” 这一步流失率巨大。

于是她想，桌面版摩擦力太大了，我们应该推出一个无摩擦的 Web 版，这样转化率一定会暴涨。

团队花了两年时间开发了 Web 版，结果呢？

转化率、激活率、收入全面暴跌。

她复盘时才想通：摩擦力是一种筛选器，一个人愿意花时间去安装应用，证明他的使用意愿非常高，而且他已经投入了沉没成本，所以更愿意花时间深入探索产品。而 Web 版吸引来的，全是大量随便看看的观光用户。

所以她总结出了一个重要认知：

增长假设 = 数据洞察 + 背景解读。

一定不能只有前者，而没有后者，不然推导出的决策很可能就是错的。

2) 增长的幂律分布定律（Power Law of Distribution）

Sandy 认为，创业公司做增长，常踩的一个坑是广撒网，在资源极其有限的情况下，如果一上来就同时测试十几个渠道，最终的结果往往是广种薄收。

她发现，真正高速增长的公司，往往都符合“增长的幂律分布”：公司 80% 的增长，是由 1-2 个核心渠道驱动的。

所以最重要的是找到你的 “不公平优势”（Unfair Advantages）。比如，Descript 的一个 “不公平优势” 是：

对于一个服务于创作者的产品，用户天然会基于它来创作内容。

她当时给 Descript 做增长的时候，意外发现，很多早期用户会自发在 YouTube 上做 Descript 的评测和教程视频。

她灵光一闪，做了两个实验：

• 实验 1：主动联系这些博主，请他们加上产品链接。结果：流量增加了。

• 实验 2：推出联盟计划（Affiliate Program)。你推荐来的付费用户，我们给你 15% 的永久佣金。

结果是，ROAS (广告回报率) 高到不可思议。这个渠道在当年贡献了 25% 的新用户，而且几乎是全自动的。

(所以做个总结：“不公平优势” 往往藏在产品和用户的自然交互中。增长团队的核心能力是发现这种杠杆，并系统地撬动它。）

3) 一个巧妙的搭配：水平定位 + 垂直获客。

传统建议是定位要窄，但 Sandy 认为，Prosumer 产品可以在功能和定位上做得 “大而全”，但是用 “垂直入口” 来切入获客。

Descript 的品牌定位是 “一体化音视频编辑器”，这是宽泛的。但它的获客入口非常垂直，具体分为两类：

• 按场景划分：针对一个相对完整的使用场景。比如，“播客剪辑工具”、“视频会议转录”。

• 按具体任务划分：针对一个具体的痛点或问题。比如，“如何给音频去噪”。

用户通过一个非常具体的需求点进落地页，但数据发现，超过一半的用户，第二个动作是点击 Logo 返回首页，他们想看看“这个能解决我小问题的工具，到底是个什么东西”。 结果，那个“大而全”的首页，反而比最开始的垂直页面转化率更高。

（插一句，针对这一点，Monica 当时一定程度上也是这样做的，而且它还有助于挖掘细分的价值场景，做精细化的运营和商业化测试。

作为一个 all in one 的浏览器插件，Monica 集成了多种功能：总结网页、总结 YouTube 视频、编辑图像、Chat with PDF... 他们会把每一个功能单独拎出来，做成一个独立的 web 页面，拿这个页面去测试这个单一功能场景下的商业化前景，以及最合适的定价方案。

针对不同的流量来源，他们也会设计不同的产品界面承接，比如区分广告来的用户和非广告来的用户，在广告来的用户身上，做更激进的商业化测试，弹出更多的 push 来刺激对方付费，但对自然增长来的用户不做这个动作。这样可以很好地平衡核心用户的体验和商业化目标。）

4) 创业公司该什么时候招第一个增长负责人？

传统建议是：等有了 PMF 再招。但 Sandy 有一个不同看法：最好尽早。

她不认为存在一个 “招增长太早了” 的阶段。增长就应该在最早期介入，把增长能力构建到产品里，这样可以解决很多早期找 PMF 和 PCF (Product Channel Fit) 的问题。

而且，在 YC 最新几期项目中已经明显有了这个趋势，很多团队还不到 5-10 人，就已经在招增长负责人了，“极早期招增长” 只会变得越来越普遍。

至于这个人该是 “经验丰富的老炮”，还是 “饥渴的年轻人”？ Sandy 说：都行。

她唯一看重的特质是，必须有 “无法抑制的、保持 Hands-on 的渴望”。

增长是一个高度依赖体感的学科，而不是纯粹的战略管理。

尤其是 AI 时代，玩法每天都在变，老手的经验如果不能结合一线实操，很快就会过时，甚至成为决策的阻碍。

Reference：

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

  http://i71i.com/aj9n