PMF 的定义里没有 40%：先分清定义和测量手段

2026-08-25

站内 coding 阶梯讲分发的那篇课里写着「没到 PMF 就砸广告，等于往漏桶里浇水」，讲投放的那篇写着「PMF 之后再放量」。它们把 PMF 当成一个开关，负责讲开关合上之后该怎么做。这篇负责另一件事：你手上现在拿来读这个开关的那些数，究竟有几个真的在读它。

一、原始定义里一个数字都没有

Andreessen 在 2007 年 6 月 25 日那篇《The Only Thing That Matters》里给出的定义是（A2.1）：

“Product/market fit means being in a good market with a product that can satisfy that market.”

中文重述：处在一个好市场里，并且手上的产品能满足这个市场。

这句话里有两个变量、一个连接词，没有阈值，没有百分比，没有任何指标的名字。这个定义写于 2007 年，而 40% 也好、次日留存也好、日活曲线也好，全都是后来的人为了回答「怎么知道到了没有」而发明出来的测量手段，不是定义本身。

把定义和测量手段混成一件事，后果不是抽象的。它会让你在做决定时问错问题——你会去问「我的分数够不够 40」，而不是问「我够到了定义的哪一半」。

二、定义的两半，权重并不相等

那篇原文同时给了一个排序：市场 > 团队 > 产品（A2.2）。理由写得很直白：好市场会主动把产品「拉」出来，哪怕产品并不完美；团队可以换，但换不掉一个糟糕的市场；糟糕的市场会把最好的团队和产品一起摧毁。原文把这条写成了以 Rachleff 命名的法则，核心是头号公司杀手是缺乏市场（A2.2）。

顺带把出处这件事一句话说清：那篇文章通篇没有说明 product/market fit 这个术语是谁发明的，只写了作者向 Rachleff 致敬、说是他帮忙把这个说法结晶成形（A1）。术语归属一般认为出自 Rachleff，本站未见他本人的亲笔论述。这件事对你今天要做的判断没有影响，知道就行。

有影响的是排序本身。本站的判断是：按 A2.2 的排序，定义的两半权重不等，「好市场」那一半更重；而按 A2.1，这两半都不是能直接读出数值的量。你手上绝大多数的数，测的是靠后的那一半。

三、那条问卷阈值是测量手段，而且只测半边

这个 40% 的说法，最常被引用的转述来自 Superhuman 创始人 2018 年那篇复盘（A3.1）。2009 年那篇被认为是原始出处的博客文章，本站没有取到正文，所以这里一律按转述处理，不写成「某人在某文里说」。

那篇 2018 年的复盘里，转述过来的做法是：问用户「如果以后再也不能用这个产品了，你会是什么感觉」，选项是非常失望 / 有点失望 / 不失望，回答「非常失望」的比例到 40% 视为达到 PMF。这条线的来源是横向比较了一批公司之后得出的经验值——增长吃力的公司通常低于它，势头强劲的几乎总是超过它（A3.2）。有说法认为，有效回答数最少要三十份左右，过百之后信心才明显更高（A3.2）。

本站的判断是：按 A2.1 的两半，这份问卷问的是「拿走它你会怎样」，测的是定义里「产品能满足这个市场」那一半的强度，对「这是不是一个好市场」几乎不给信息。原因在分母——问卷的分母是你已经拥有的用户，而好市场问的是这样的人一共有多少、他们愿意为此付多少、这个数每年还在不在长。分母之外的世界，问卷照不到。

一个极端情况能说明这个缺口：一群人确实非常需要你的产品，需要到拿走就非常失望，但这样的人一共就那么一小撮，而且不增长。问卷会给你一个很漂亮的分数，定义的前一半却是不成立的。

四、提出这条线的人自己也在讨论它失灵

Sean Ellis 于 2024 年 12 月 19 日在自己的 Substack 上发过一篇，标题直译就是「PMF 分数很高但留存很低」（A3.3）。付费墙前可见的摘要里记录了一个创始人的案例：问卷里有 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 40% 线，但公司仍然面临低留存。

他对此给出的解释、原因清单和修正建议都在付费墙后面，本站没有取到，所以这里不写他的答案，只写这件事本身。

这条素材的价值不在答案，在提问的人是谁：连提出这条阈值的人，都在 2024 年底专门写文章讨论「分数越过了线，产品还是站不住」。分数越过阈值和产品在定义意义上站住了，从来不是同一件事。

a16z 在 2017 年 2 月 18 日发过一篇讲 PMF 的十二条，里面也写着同一件事的另一面：识别 PMF 靠的是「大量客户产生共鸣」的那一刻，需要定性判断，不是纯看数；而且创始人经常把早期的一点起色误当成真的 PMF（A5.1 第 5、6 条）。

五、把你手上的判据摊开，逐条归栏

先把定义拆成一张两栏表：

定义的哪一半	它实际在问什么	常见的测量手段落在哪
处在一个好市场里	这样的人一共有多少、愿意付多少、这个数还在不在长	产品内的指标基本照不到
产品能满足这个市场	已经在用的人，被拿走会怎样	问卷分、留存、复购、主动推荐

然后拿出纸，按下面五问过一遍：

列全。你现在用来判断「到没到」的数，一共有几个？注册数、次留、问卷分、付费转化，逐个写下来，不要凭印象说「我看好几个指标」。
归栏。每一个归到上表哪一栏？
数空栏。如果「好市场」那一栏是空的，你目前的判断只覆盖了定义的一半，而且是权重更轻的那一半（A2.2）。
写分母。每个数的分母是谁？是全部注册用户，还是用过核心功能的现役用户？分母不同，同一个数的含义完全不同。
写阈值来源。每个数你心里那条及格线是从哪来的？是行业文章里看来的、是同行随口说的、还是你自己上一版的值？来源写不出来的阈值，等于没有阈值。

跑完这五问，你手上会剩下一张卡：上半是定义的两半，下半是每个判据的归栏、分母和阈值来源。它的用法是——每次你要做「该不该放量」「该不该加预算」这类决定之前，先看一眼第 3 问那一栏是不是还空着。

六、2007 年那份判据，全是定性的

那篇原文其实给过判据，只是形态和今天完全不同。「没到」的症状有六条（A2.3）：客户没从产品里拿到足够价值、口碑传播很慢、使用量涨得不快、媒体报道反应平淡、销售周期拖得很长、交易频繁谈崩。

「到了」的症状也是六条（A2.4）：客户买的速度快过你能生产的速度、使用量涨的速度快过你能加服务器的速度、客户的钱不断进来、在拼命招销售和客服、媒体主动上门要采访、开始拿创业者奖项。

这十二条通篇是症状描述，没有一处要你去读某个数。当年的判据本来就是「到了你不会不知道」。后来之所以要发明问卷和指标，是因为在某些形态的产品上，你真的会不知道。

本站的判断是：这十二条描述的是融过资、有销售团队、有服务器扩容压力的公司，直接套在一个人身上不成立——独立开发者身上不会出现「拼命招销售」这种症状。要用就得换算，而这个换算是本站自己做的，A2.3 和 A2.4 的原文里没有个人版本：

2007 年的公司版症状	换算到一人产品
客户买的速度快过你能生产的速度	支持请求你处理不过来，得先关掉某个入口
使用量涨得快过你能加服务器	你开始每天看账单，而不是每天看注册数
媒体主动上门	有陌生人在你没有投放过的地方主动提到你
在拼命招销售和客服	你开始认真考虑把某件重复的事外包掉或自动化

换算完你会发现，这一组测的仍然是定义的后半——它们描述的都是「产品能满足」造成的溢出效应。前半仍然没有被测到。

七、专业机构的口径也在失准

判据本身会失准，这件事有一个很硬的例子。a16z 在 2026 年 3 月 9 日发布的第 6 版消费级 AI 应用榜单里（数据截至 2026 年 1 月），原文明确承认它的排名 “undercount the AI products people use most”（a16z 第 6 版）。文中举的例子是：一个每天泡在 Claude Code 里八小时的开发者显然属于重度 AI 用户，但在网页流量数据里几乎体现不出来（B4）。

一家把「排 AI 应用榜」做成招牌产品的机构，拿着两家数据商的口径，仍然在自己的报告里写下这句话。本站的判断是：一个人拿注册数、拿日活去判断自己有没有 PMF，误差只会比这更大，而不是更小。这不是说指标没用，是说任何单一测量手段都只是定义在某个角度上的投影，投影缺了哪一块，你得自己知道。

八、和站内既有内容的分工

站内 coding 阶梯里讲分发和讲投放的那两篇课，负责的是「到了 PMF 之后怎么放量」；讲需求验证的 L5 那一批，负责的是「动手之前怎么确认有人要」。这两片都已经写透，这篇不重复。

本专题里另有一篇处理「问卷分数低时该换题还是继续做」——那篇处理的是分数已经跑出来之后怎么读它，这篇处理的是那个分数在整个判断里占什么位置。两篇的关系是：先归栏，再读数。归栏没做，读数读得再仔细也只是把半边的事看得更清楚。

真正要带走的是那张两栏卡，以及第 5 问的答案。定义只有两半，你能说清自己测的是哪一半、漏的是哪一半，这个开关才算读得动。