AI 产品的 PMF 和 SaaS 差在哪：四条结构性不同
判断有没有到 PMF 的那套工具——问卷分数、留存曲线、回收期表格——是在 SaaS 的经验里长出来的。搬到 AI 产品上，坏掉的往往不是方法的形状，而是方法里几个被默认填好的输入值。
Andreessen 2007 年给的那个定义里一个数字都没有（A2.1）。所有的数字都是后人为了回答「怎么知道到了没有」补上的测量手段。既然是测量手段，它就带参数；参数是按当年的软件生意校准的，换一门生意就得重校。
需要重校的输入正好有四处：留存的参照系、毛利率、护城河要防的方向、度量口径的可靠性。
站内 L9 阶梯里那篇讲该不该做投放的课，把「到了 PMF 再放量」当作前提，然后讲投放本身怎么做。这篇不碰投放，只补那个前提：在 AI 产品上，你凭什么说自己到了。
一、留存的参照系整个换掉了
ChartMogul 那份《The SaaS Retention Report: The AI churn wave》覆盖约 3500 家软件公司，其中 AI 原生这一组的样本量约 200，数据统计至 2025 年 9 月（B1.1）。按净收入留存看，B2B SaaS 的 NRR 是 82%，B2C SaaS 是 49%，AI 原生是 48%；AI 原生这一组的 GRR 是 40%。这些都是 2025 年 9 月那个时点的快照，会变。
两件事必须一起说，否则这组数就会被用歪。
第一，这份报告只统计已达到 25 万美元年经常性收入的公司（B1.0）。它描述的是已经活下来的公司之间的差异，不是初创产品的命运。你如果还在琢磨有没有到 PMF，大概率不在这个样本里。
第二，在截至 2025 年 9 月的这同一组数里，按同一把尺子看，AI 原生的 48% 和 B2C SaaS 的 49% 几乎重合。差距只存在于对 B2B 的那一侧。只挑 82% 出来对比，口径没错，结论却是挑出来的。
再加上时间维度：同一份报告里，AI 原生的中位 GRR 从 2025 年 1 月的 27% 涨到了 2025 年 9 月的 40%（B1.4）。九个月，方向明确，这个领域的数字在快速变化。
所以要换掉的输入是「拿谁当及格线」。本站的判断是：按 B1.0 和 B1.4 这两条，AI 产品在验证期根本没有可用的外部留存及格线——公开参照的样本和你不同层，口径和你比的不是一回事，而且它还在移动。可用的只有你自己上一版的曲线。
顺带一提，同一份报告按价格档把 AI 原生这组拆开时（同样截至 2025 年 9 月），高档那一档的 NRR 是 85%，与 B2B SaaS 的 82% 基本持平；低档只有 32%（B1.2）。但这个「档」按标价分还是按每账户平均收入分，报告页上没有确认，本站没有核实到。所以它只能读成相关：在这份报告里，高档那一档（分档依据本站未确认）留存更好；不能读成「你把价格标高就能留住人」。这张表真正有用的地方在别处——同为 AI 产品，档与档之间差出去几倍。本站的判断是（依据 B1.2）：留存差的根源未必在「AI 这项技术」本身，更可能与你承诺了什么、以什么姿态定价有关。
二、毛利率不再是一个可以先填好的常数
传统低价 SaaS 普遍走免费层加长试用期，逻辑是高毛利让养一个免费用户的成本几乎可以忽略，用户在某天自己想通了就升级。AI 产品的每一次调用都在花钱，于是被迫在很早就推转化，甚至出现按日结算的用量墙——这种设计在传统 SaaS 里几乎不会出现（B2.2）。
这条机制不含任何数字，也不随价格波动，它直接改掉了验证期的两个默认动作。
一是免费用户的数量不再是一个正面信号。在 SaaS 语境里，一大批免费用户是「有人要」的证据，也是未来的转化池。在 AI 产品上，同一批人同时是一张每天在走的账单。本站的判断是（依据 B2.2 第 1 条）：验证期看「有多少人在用」的时候，必须同时看「这些人里有多少已经付过钱」，两个数分开摆，不许合并成一个「用户数」。
二是验证的时间窗口被压短了。回收期算的是用毛利贡献补回获客成本要几个月，毛利率下降多少，回收期就按同比例拉长——毛利率打对折，回收期就要原来两倍的时间（B2.2 第 2 条）。这里只谈比例关系，不带具体百分数，因为 AI 产品的毛利率数字本身就是二手的：能说的只有它显著低于传统 SaaS 那个 80% 以上的水平，各家机构给的口径差异很大，而且这类数字会变（B2.1）。
站内 L9 阶梯里有一篇专讲投放测量的课，把 CAC、ROAS、LTV、回收期怎么算讲透了，还给了一个可以照填的算账模板。那篇的方法没有问题，它的算账示例里毛利率是按传统 SaaS 的高位填的，在它自己的语境里是对的。这篇不重算那套公式，只提示一件事：如果你的产品每用一次都要调模型，那张模板里的毛利率格子必须换掉，换完之后回收期、LTV、以及「这个渠道能不能跑」的结论会跟着一起变。
三、护城河要防的方向变了
「PMF 会丢」这件事不是为 AI 产品新造的说法。a16z 2017 年那篇文章里就把它列为需要破除的迷思之一：PMF 不是一次性的、大爆炸式的事件；文中转述 Ben Horowitz 的观点，PMF 是迭代的、连续的，如果停止适应就会丢掉（A5.4）。
AI 产品把这条通用论点具体化成了一个方向明确的风险：你依赖的那层能力不由你控制。围绕这件事，公开讨论里反复出现三种自检问法（B3.1），它们是方法不是研究结论：
- 拆除测试：把模型厂商拿掉，你手上还剩什么？如果答案是一个界面加一段系统提示词，那就没有资产。
- 粘贴测试：一个懂技术的用户把你的核心提示词粘进通用对话框，能不能拿到跟你的产品差不多的产出。
- 默认功能测试：如果这个能力在下一个版本里成了模型厂商的默认功能，你的客户会不会退订。
同样是公开讨论里收敛出来的，护城河的来源集中在三处：随使用而累积、模型厂商拿不到的自有数据；成为某项业务的系统记录方、迁移成本高的工作流锁定；切进一个横向玩家不值得覆盖的细分场景，也就是分销纵深。这三处的共同说法是单靠一处很脆弱，叠两处才算门槛（B3.2）。
站内 L9 那篇讲独立开发者长期定位的课也谈护城河，但它防的是另一个方向——AI 编程工具把开发门槛踩平，同质化的同行暴增。那是横向的威胁。这篇锁定的是纵向的：威胁来自你脚下那一层。两种威胁的解法不一样，横向威胁靠差异化和定位，纵向威胁只能靠上面那三处里的资产。判断有没有到 PMF 的时候，这两个问题都要问一遍。
四、连度量口径自己都在失准
a16z 的 Olivia Moore 做的《The Top 100 Gen AI Consumer Apps》第 6 版发布于 2026-03-09，榜单数据截至 2026 年 1 月，口径是网页端按 SimilarWeb 月度独立访问量、移动端按 Sensor Tower 月活。这一版还把收录范围放宽到「生成式 AI 已成为体验核心组成部分」的消费级产品，不再只收 AI 原生，文中点名了 CapCut、Canva、Notion（B4）。
原文里有一句自承：它明确承认自己的排名越来越低估了人们用得最多的那些 AI 产品，英文原话是 undercount the AI products people use most。它举的例子是一个每天泡在 Claude Code 里八小时的开发者——这样的重度使用者在网页流量数据里几乎体现不出来（B4）。
一家把「排 AI 应用榜」做成招牌的头部机构，拿着两家数据商的口径，在最新一版里说自己量不准这个品类。那么一个独立开发者拿注册数、下载数或者某个榜单位置来判断自己有没有 PMF，可靠性只会更低。另外那条常被引用的「移动端月活前 50 与月收入前 50 只有 40% 重叠」，只能写成有分析指出，而且它出自更早的第 4 版，不挂在 2026 年这一版的名下。
本站的判断是（依据 B4 与 A2.3、A2.4）：AI 产品上的量化信号失真程度更高，反而要把 2007 年那两组定性症状捡回来用——客户拿到的价值够不够、口碑传播快不快、销售周期是拖着还是自己往前走。但那两组症状是给融过资、有销售团队、有服务器扩容压力的公司写的，一个独立开发者身上不会出现「拼命招销售」这种表现，得先换算成个人产品的对应形态才能用。这个换算是本站的推演，不是原文的内容。
五、把四条差异改成四道自检
现在去做一件具体的事：把你眼下用来判断「到没到 PMF」的那几个指标写在一张纸上，逐项过下面四问，凡是答案不对的输入，就地换掉。
- 我拿谁当留存的及格线？ 如果答案是一个从公开报告里抄来的百分比，划掉它，换成「我自己上一版的同期曲线」。理由在 B1.0 与 B1.4：外部参照的样本门槛、分档口径和时间趋势，三条里没有一条对得上你。
- 我的用户数是一个数还是两个数？ 如果它是一个数，拆成「在用的人」和「付过钱的人」两栏分开记。按 B2.2 第 1 条，前者在 AI 产品上同时是成本，不能单独当作需求被验证的证据。
- 我的算账模板里，毛利率那一格是从哪来的？ 如果它是照着 SaaS 常识填的，换成你自己按最近一个月的实际调用支出倒推出来的数。换完之后回收期会变长，按 B2.2 第 2 条只看比例关系就够，不必去追行业平均值。
- 把我脚下这层拿掉，我还剩什么？ 用 B3.1 的三问各答一遍，把答案写成一句话。如果三个答案都指向「界面和提示词」，那你现在测到的任何 PMF 信号，有效期都取决于别人的版本发布节奏。
四问答完，你会得到一张改过输入的判据表。它不会告诉你到了没有，但至少不会用一套按别的生意校准过的参数，给自己发一张假的通行证。
六、和站内既有内容的分工
本专题里另有一篇专讲留存断层的文章，把 ChartMogul 那组数拆到底——两条限制怎么读、档位表为什么只能读相关不读因果、尝鲜的人该不该进分母。这篇不重复那些拆解，只把留存当作四条差异里的一条，讲它如何改变你的判据输入。想细看那组数本身，去看那篇。
和站内既有课程的分工在前面已经逐条写清：投放测量那篇管公式怎么算，这篇管其中一个输入值要换；长期定位那篇管来自同行的横向威胁，这篇管来自模型厂商的纵向威胁；留存优先那篇管留存怎么提，这篇管在 AI 产品上你根本不该去找一条外部及格线。四条差异都不推翻既有课程的方法，只替换它们的默认输入。
延伸阅读
本篇提到的站内课程，可以直接接着往下读：
名词不熟可以先看术语页：PMF（产品市场契合）