AI 产品的留存断层：判断 PMF 前要知道的两条限制

2026-08-25

做 AI 产品判断有没有到 PMF 时，多半会有人拿一组数字告诉你：AI 产品的留存比传统 SaaS 差得多。

数字是真的，出处也扎实。但它有两条限制，在绝大多数转述里被抹掉了。

一、那组数

出处是 ChartMogul 的《The SaaS Retention Report: The AI churn wave》。样本约 3500 家软件公司，其中 B2B SaaS 约 2700 家、B2C SaaS 约 600 家、AI 原生约 200 家。数据统计至 2025 年 9 月（B1.1）。

类别	GRR（总收入留存）	NRR（净收入留存）
B2B SaaS	报告未单独列出	82%
B2C SaaS	报告未单独列出	49%
AI 原生	40%	48%

这是快速变化的领域，每个数只代表 2025 年 9 月那个时点，往后会变。

几乎所有转述都搞错了一处：网上通常写成「AI 产品 GRR 只有 40%，SaaS 有 82%」。82% 是 NRR 不是 GRR，报告根本没单独列出 B2B 的 GRR，这一侧压根没有可比对象。

按同一把尺子看，会看到另一件事：**AI 原生的 NRR 是 48%，B2C SaaS 是 49%，几乎一模一样。**真正的差距只存在于对 B2B。「AI 产品留存差」这个说法，只在拿它跟 B2B SaaS 比时才成立。挑 82% 出来讲故事容易，但那是挑出来的。

二、限制一：样本门槛把你排除在外

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）。

如果你正在琢磨自己有没有到 PMF，大概率离这个门槛还很远。这组数描述的是「已经活下来的公司之间的差异」，不是「初创产品的命运」。

它回答「一批已跑到一定规模的 AI 公司留存如何」，不回答「一个刚起步的 AI 工具留存会怎样」。后一个问题这份报告没有样本。

本站的判断：这组数可以用来校准预期量级，不能用来预测你的结果。

顺带一提同一份报告里两条容易被忽略的结论（B1.5）：低留存公司萎缩而非快速增长的比例高出三倍多；达到 500 万美元年经常性收入的公司，总体和净收入留存都明显更好。第二条其实在提示一件事——留存差异很可能是规模的结果而不只是原因，这让「留存低所以我完了」这种读法更站不住。

三、限制二：价格档那张表，口径存疑

报告按价格把 AI 原生这组拆开了（B1.2）：

档	GRR	NRR
高档	70%	85%
中档	45%	61%
低档	23%	32%

**高档的 NRR 是 85%，跟 B2B SaaS 的 NRR 82% 基本持平。**同样是 AI 产品，高低档差出去三倍还多。

但这个「档」按什么分，本站没有核实到。记录时写的是月单价，而这类报告的分档通常按 ARPA——每账户平均收入，不是产品标价。一个标价很低但企业客户批量买席位的产品，ARPA 可以很高。

所以这里把话说死：

不许读成「你把价格标高，留存就会变好」。 只能读成「在这份报告里，报告分出的高／中／低三档中，高档的留存明显更好，分档依据本站未确认」。

前者是因果，后者是相关，这份报告只支持后者。

那这张表还剩什么用？本站的判断是：它说明留存差的根源未必在「AI 这项技术」本身。如果是技术属性决定的，三个档不该差这么多。更可能与承诺水平、客户类型、以及产品在对方工作里的位置有关。

四、这个数正在快速改善

只讲 40% 是不诚实的，因为它在动（B1.4）：

时点	AI 原生中位 GRR
2025 年 1 月	27%
2025 年 9 月	40%

九个月从 27% 到 40%。这个方向本身就在快速变化，明年再看多半又是另一个数。

一个说得通的解释：早期涌进来的尝鲜用户陆续离场，基本盘沉淀下来，分母里的水分被挤掉。

这条趋势的意义不只是「补一个正面信息」。它说明你现在看到的任何 AI 行业留存基准都是一张快照，而且这张快照在以每个季度可感知的幅度移动。拿它给自己的产品下判决，是方法上的错误。

四之二、尝鲜的人该不该算进分母

同一份报告里还有一条现象描述：实验性质的 AI 产品使用者最终会离开，关键特征是转向下一个热门产品（B1.3）。报告没有给这批人下正式定义，只描述了现象。

这带出一个实操问题：算留存的时候，这批人该不该进分母。

本站的判断是分开算，但不要删。两个理由：

删掉他们，你的留存曲线会立刻好看，但你失去了唯一能观测「多少人是冲着新鲜来的」的窗口，而这个比例本身就是产品状态的一部分——它高，说明你目前吃的主要是话题红利。

不分开算，你又没法回答「留下来的那批人到底留得怎么样」，而这才是判断 PMF 真正要看的。

具体做法上，最省事的切法是按「有没有产生第二次有意义的使用」分组，而不是按注册时间或渠道分。冲新鲜来的人通常止步于第一次完整体验，这条线比任何人口属性都更干净。

五、和站内《留存优先于获客》的分工

站内 L9 阶梯有一篇专讲留存的：漏桶模型、TTV、次留七留怎么读、前七天激活清单。那篇讲留存为什么优先、以及怎么提，并且明确拒绝给行业基准数字，理由是留存健康线极度依赖品类，应该跟自己的上一版比。

这篇不重复也不推翻，只做一件事：当你确实想找一个外部参照时，说清现有的公开参照长什么样、以及它为什么大概率不适用于你。结论和那篇一致——最后还是得跟自己比，区别是这篇给出了理由。

六、那自己的基准从哪来

验证期需要的不是一条行业基准线，是一条自己的、能看出方向的曲线。有两点值得提前定死：

第一，口径先定死再开始记。 你看的是「还在付钱的人数比例」还是「收入总量的变化」，这两件事在人数少时差别巨大——一个大客户走掉，前者动一格，后者塌一半。哪个都行，但必须从第一天起用同一个，中途换口径等于把之前的数据作废。

第二，把「撞到限制」和「主动不用了」分开记。 如果产品有额度、速率上限或排队，用户停下来的原因可能根本不是不喜欢。这两类混在一起，你的曲线会同时包含产品问题和运营问题，而它们解法完全不同。

这两点都不依赖外部基准，从有第一批用户那天就能做。

七、三条使用纪律

引用这组数时必须带样本门槛。「25 万美元年经常性收入以上的公司」这句不能省，省掉整组数的意义就变了。
跨类别比较认准同一把尺子。 比 NRR 就都比 NRR。想说「AI 留存差」，请把 B2C 的 49% 一起摆出来。
档位那张表只读相关不读因果。 可以说「高 ARPA 那档留存更好」，不能说「你涨价就能留住人」。

这组数最有用的地方，可能不是它说 AI 产品留存有多差，而是它顺手证明了同为 AI 产品、做法不同，留存能差出三倍——「AI 产品留存天然就差」作为开脱理由是站不住的。