尝鲜的人算不算你的 PMF 信号
新增在涨，试用的人也说了好话，第二个月回来的却没几个。碰到这种情况，第一反应往往是去怀疑产品哪里没做好。还有一种可能需要同时排除：进来的人里有一批，本来就不是冲你这个产品来的。
一、报告里记下的那条现象
ChartMogul 那份留存报告里有一条现象描述：实验性质的 AI 产品使用者最终会离开，而这批人离开时的关键特征是转向下一个热门产品（B1.3）。不是回到旧办法，不是不做这件事了，是换了另一个新的。
报告没有给这批人下正式定义（B1.3），所以这里也不发明一个词往上安。它记下的只是现象本身：存在这么一群人，他们的去向有规律。同一份报告还提到相当比例的短期合约用户不会续约，具体比例在本站取到的版本里没有配套时点，按本专题的数字纪律不引用。
这份报告的样本有个门槛：它只统计已达到 25 万美元年经常性收入的公司（B1.0），引用它的任何一条都得把这句带上。换句话说，连它记录下的这种流失，都发生在已经跑出规模的公司身上。一个刚上线几个月的产品，用户构成里的尝鲜成分只会更重不会更轻——这一句是本站从 B1.0 往下的外推判断，报告本身没有这个量级的样本，它描述的是已经活下来的公司之间的差异。
二、被污染的是哪一类信号
2007 年那份最早的 PMF 判据，正面反面加起来十二条，一个数字都没有（A2.3、A2.4）。反面是客户没拿到足够价值、口碑传得慢、使用量涨得不快、销售周期拖长；正面是客户买的速度快过你能生产的速度、使用量涨得快过你能加服务器的速度、媒体主动找上门。
这两组判据默认了一件事：使用量往上走，等于有人真的需要它。 本站的判断是，这个默认在 A2.4 成文的那个年代基本站得住：装一套企业软件的成本摆在那儿，没人会为了「体验一下新东西」这件事本身反复走一遍流程。
AI 产品把这个默认打破了。按 B1.3 那条现象，存在一批用户的动机是「试试最近这个新的」，试完就走，走的时候去试下一个。他们贡献的恰恰是十二条里最靠前的那几条——注册量、首次使用量、社交平台上的正面提及。你的曲线会长得很像 A2.4 描述的样子，但底下的东西不一样。
还有两点要说明。这十二条是 2007 年针对融过资、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」这种症状，往个人产品上套需要换算，这个换算属于本站的判断而不是原文的意思。另外，a16z 2017 年那篇里，十二条要点的第 6 条写的就是创始人经常把早期的一点起色误当成真的 PMF，第 5 条则说认出 PMF 需要定性判断而不是纯看数（A5.1）。这个坑不是 AI 产品独有的，AI 产品只是把掉进去的概率提高了。
三、有一组数在反向说明这批人正在离场
同一份报告（样本仍是已过 25 万美元年经常性收入的公司）给了一条时间序列：AI 原生产品的中位总收入留存，2025 年 1 月是 27%，2025 年 9 月是 40%（B1.4）。九个月往上走了十三个点，这个方向本身在快速变化，往后再看多半又是另一个数。
一个说得通的解释是：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了。
如果这个解释成立，有个推论对你更实用，这是本站的判断：你的新增里含多少尝鲜成分，是随时间变的。 一个话题最热的时候上线，和热度过去之后上线，同样的产品拿到的早期信号强度完全不同。去年别人跑通的「上线两周涨了多少」这类经验，今年不能直接拿来当自己的参照系。
四、你后台的口径也在低估真实使用
不只是你分不清。a16z 2026 年 3 月发布的第 6 版消费级 AI 应用榜单，网页端按 SimilarWeb 月度独立访问量、移动端按 Sensor Tower 月活，数据截至 2026 年 1 月（B4）。原文在方法说明里明确承认，它的排名越来越低估人们用得最多的那些 AI 产品，原话是 undercount the AI products people use most（B4，a16z 第 6 版）。他们举的例子是：一个每天泡在 Claude Code 里八小时的开发者显然是重度 AI 用户，但在网页流量数据里几乎体现不出来。
一家把「排 AI 应用榜」做成招牌的机构，拿着两套商业数据源，仍然量不准这个品类。
本站的判断是，同一个毛病在你自己的后台反向发作：注册数、日活、会话数把「打开看一眼就关」和「靠它干了一件事」记成同一个事件。榜单低估的是重度使用，你的后台高估的是轻度使用，方向相反，成因是同一个——这个品类里，“来过”和”用上”之间的距离比传统软件远得多。
五、一次十分钟就能做完的分组对账
不需要新埋点，翻最近一批新用户的记录就行。每个人标四个位：
- 进来的时候有没有带着一个属于自己的具体任务。 判断依据是他的第一次操作：粘进来的是自己手上真实的东西（自己的文件、自己的数据、自己客户的问题），还是明显在试探边界的样例。
- 第二个使用周期有没有在你没提醒的情况下回来。 周期按你产品的自然节奏定，日更工具就看第二天，周报类工具就看下一周。
- 有没有把东西留在你这儿。 配置、模板、历史记录、协作对象，任何一样只要留下了，迁移成本就不是零。
- 走掉的人去哪了。 三选一：不做这件事了 / 回到原来的办法 / 换了另一个同类的新产品。第三种就是 B1.3 描述的那条特征。
四个位标完，看两条线。这两条线是本站为了让判断能落地而定的，不来自任何报告，你可以按自己的品类调整：
- 第 1 位为「是」的比例不到一半 → 你现在看到的增长主要来自话题而不是需求。这时候去做投放放大，放大的是话题的衰减曲线。
- 第 4 位里「换了另一个同类新产品」占了多数 → 你被替换的成本接近于零。这不是留存问题，是产品在用户工作里的位置问题，加功能通常解决不了。
第 1 位和第 3 位为「是」、且第 2 位也为「是」的那批人，才是值得你拿去做下一步判断的样本。人数少不要紧，判断 PMF 本来就该看这批人在多苛刻的条件下还留着，而不是看总量。
六、三个可以照抄的问句
样本挑出来之后要问话。Superhuman 那篇复盘里有个做法本站认为在这里特别适用：构建高期待用户画像时，要用受访者自己的措辞和关键词，不要用你自己的行业黑话（A4.3）。同一篇里配了几道主问题之外的题（A4.4）。按本篇的用途改写成三句，可以直接抄去发：
- 上一次你用它，具体在处理什么事？ 答不出具体场景的，基本可以判定为尝鲜样本。留意他用的名词——那些名词就是你的落地页该用的词。
- 如果这个东西明天不能用了，你会改用什么？ 答「换个别的 AI 工具」和答「手动做，得花掉我半天」是两种完全不同的处境，后者才是你被需要的证据。
- 你觉得哪一类人最应该用它？ 这一问的价值在于对方会替你把画像描出来，而且用的是他自己的语言。
对已经走掉的人，把第二问改成过去时问一遍就够了：「后来这件事你是怎么处理的？」回答里如果出现了另一个产品名，对应的就是第 4 位那种情况。
七、问卷分数同样会被构成拉高
有一件事需要提前知道：拿问卷分数当判据，不能免疫这个问题。Sean Ellis 本人 2024 年 12 月 19 日在自己的 Substack 上写过一篇，标题就叫《高 PMF 分数但低留存》，文中记录了一个创始人的案例——问卷里 55% 的用户回答「没有这个产品会非常失望」，高于他自己推荐的那条线，公司却仍然面临低留存（A3.3）。他给出的解释在付费墙之后，本站没有取到，所以这里不替他回答。
能确定的只有这个事实本身：提出这套问卷的人，在 2024 年底还在讨论分数过线而留存不行的情况。本站的判断是，任何基于回答的指标都受回答者构成影响，先定清楚问的是谁，再看分数是多少。分组对账那一步，正好可以拿来当发问卷的名单筛子。
八、和站内既有课程的分工
站内 L9 阶梯有一篇专讲留存的，讲漏桶模型、首次价值时间、次留七留怎么读、前七天激活怎么诊断。那篇回答的是留存为什么优先、以及怎么把它提上去，并且明确拒绝给行业基准值。这篇不重复也不推翻它，只补一层它没有覆盖的东西：AI 产品的新用户池里混着一批以「试新东西」本身为目的的人，这在传统软件产品上没有等量的存在，所以激活漏斗的每一格都要先问一句「这一格里有多少是尝鲜的」。
同一条阶梯上还有一篇讲该不该做投放的，结论是投放是放大器不是发动机，没到 PMF 就砸广告等于往漏桶里浇水。那篇告诉你「到了 PMF 再放量」，这篇给的是判断到没到时该把哪部分数据剔出去。
另外，本专题里另有一篇专门讨论这批人该不该算进留存的分母、怎么分组算。那篇讲的是算法，这篇讲的是他们制造出来的信号该怎么读，两件事不重叠。
对账做完，你手上会多出两个数：自带任务的比例，和流失去向里「换了另一个新产品」的占比。这两个数不需要跟任何行业基准比，跟你自己上个月的比就够用了。
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）