PMF 信号里的价格档效应：留存差距未必来自技术
留存曲线难看的时候，最省事的解释是「AI 产品都这样」。支撑这句话的通常是同一份公开报告。而那份报告里还有一张表，正好把这个解释拆掉。
一、同一批底层能力，档位之间差三倍
ChartMogul 的《The SaaS Retention Report: The AI churn wave》把 AI 原生这一组按价格档拆成了三行（B1.2），数据统计至 2025 年 9 月：
| 档 | GRR（总收入留存） | NRR（净收入留存） |
|---|---|---|
| 高档 | 70% | 85% |
| 中档 | 45% | 61% |
| 低档 | 23% | 32% |
高档那一行的 NRR 是 85%，跟同一份报告里 B2B SaaS 的 NRR 82% 基本持平（B1.1）。而低档的总收入留存只有 23%，高档 70%，差了三倍。这些都是 2025 年 9 月那个时点的快照，这个领域变得快，往后大概率是另一组数。
顺手把同口径的另一头也摆上，免得只挑一个数说话：同一份报告里 B2C SaaS 的 NRR 是 49%，AI 原生整体是 48%，两者几乎一模一样（B1.1，同为 2025 年 9 月）。「AI 产品留存差」这个说法，只在拿它跟 B2B 比的时候才成立。而上面那张分档表说明，就算只看 AI 这一侧，内部差距也比「AI 与非 AI」这条线大得多。
三行里的公司都是 AI 原生产品，接的是同一批模型厂商的能力。
这张表有两条限制，不说清楚就没法往下用（B1.0）。
样本门槛。 这份报告只统计已达到 25 万美元年经常性收入的公司。你要是还在找 PMF，大概率不在这个样本里。它描述的是已经活下来的那批公司之间的差异，不是初创产品的命运。
分档口径。 这个「档」究竟按产品标价分，还是按 ARPA（每账户平均收入）分，本站没有核实到。记录时写的是月单价，而这类报告通常按 ARPA 分档。所以这张表只能读成「高档那一档（分档依据本站未确认），留存明显更好」，不能读成「把价格标高，留存就会变好」。前者是相关，后者是因果，这份材料只支持前者。
二、技术属性解释不了这三倍
本站的判断：按 B1.2 那三行的分布，把留存差整个归给「AI 这项技术」是说不通的。
常被拿来当原因的那几条——输出不稳定、同一个问题问两次结果不一样、产品之间高度同质化、用户随时能换一家——是这三档共有的。共有的因素解释不了三倍的差距。真正把这三行拉开的那个变量，不在模型那一侧。
反过来也别推过头。这张表同样不支持「提价就能救留存」：高 ARPA 那一档是被什么筛出来的，报告没有交代，分档口径本身又存疑。它只结实地支持一件事——同为 AI 产品、做法不同，留存能差出数倍。所以「AI 产品留存天然就差」这句话不能当结论用，只能当一个待排查项。
这个结构其实很旧。2007 年 Andreessen 在《The Only Thing That Matters》里把市场排在团队和产品前面，理由是好市场会主动把产品拉出来，哪怕产品并不完美；而糟糕的市场会把最好的团队和产品一起摧毁（A2.2）。档位之间的差距，本站倾向于读成「你在服务哪一群人」的差距，而不是「你产品做得好不好」的差距——这个对应关系是本站的推演，不是报告给出的结论。
三、先把自己的 ARPA 算出来
要用这张表，第一步不是对着自己的定价页找档位，是算一次 ARPA。
ARPA 是一段时间内的经常性收入，除以同期的活跃付费账户数。标价只是其中一个输入。把标价和 ARPA 拉开的常见因素有这么几个：
- 一个账户里有几个人。 按席位卖的产品，一个账户可能只有一个人，也可能是十几个人，实收差出一个量级。
- 年付与折扣。 年付摊到每个月的实收，跟页面上挂的月费不是一回事。
- 老价格锁定。 涨过价的产品，存量账户还挂在旧档位上，新老混在一起算才是真的 ARPA。
- 按用量收的那部分。 这一条是 AI 产品特有的：同一个标价，重度用户和轻度用户的实收可能差几倍。
算完你会得到一个跟标价未必一致的数。拿它去对 B1.2 那三档，你知道的只有一件事——自己该拿哪一行当参照。不能拿它预测结果，因为样本门槛（B1.0）已经把你这个规模排除在外了。
这一步单独拎出来做，是因为很多人对自己产品「属于低价还是中价」的印象来自定价页，而不是来自实收。这两者一旦不一致，后面所有的横向对照都对错了行，越比越糊涂。
四、档位效应更可能来自哪几处
以下几条是本站的判断，依据是 B1.2 那张表和它周边的两条素材，没有引入外部依据。
一是承诺水平。 报价越高，售前把话说得越死，交付边界越清楚，客户也越知道自己买的到底是什么。低档产品常常连「这东西替我干掉哪件事」都没约定过，用户自己也说不清，那么停用时也就没什么可惜的。
二是客户构成。 同一份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，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。价格低、上手门槛低的产品，天然会吸进更多这样的人；他们进了分母，也确实会走。
三是决策的位置。 低档往往是个人自己掏钱、想停就停；高档常常已经进了别人的预算流程，续不续是一个要有人签字负责的决定。这两种停用的阻力不在一个量级上。
还有一条结构性的东西值得连着看（B2.2#1）：传统低价 SaaS 敢做长免费层和长试用期，是因为养一个免费用户几乎不花什么钱，用户哪天自己想通了就升级。AI 产品每一次调用都在花钱，于是被迫很早就推转化，甚至出现按日的用量墙——这在传统 SaaS 里几乎不会发生。这条机制不含任何数字，去掉数字也成立。它的后果是：低档 AI 产品的付费用户里，相当一部分是被墙推着做的决定，而不是自己想通了才掏的钱。被推着做决定的人和自己想通的人，续费行为不会一样。
这三条加一条机制，指向的都是同一件事：档位差异更像是不同人群的差异，不是不同技术的差异。
五、把「AI 就这样」排到最后：一份归因清单
在动手改产品之前，先用自己的数据把这个解释排掉，或者坐实。这套做法是本站给的，判据里的界线是粗略的经验线，不是从报告里读出来的。
- 按 ARPA 把付费账户切成两组。 人少就按中位数一刀切成两半，别切三组，切细了每组都没数。
- 两组分别算月度留存，至少连着看三个月。 小样本下单月的数噪音太大，一个大账户走掉就能把当月打穿。
- 按下面三条读数：
- 高组明显好于低组（粗略界线：高组是低组的两倍以上）→ 拉开你留存的变量在客户构成和承诺水平上，不在技术上。接下来该做的是搞清楚高组这批人是谁、拿产品干什么，而不是去调模型。
- 两组差不多一样差 → 这时候才轮到怀疑产品本身和交付质量，技术侧的问题也才真正进入视野。
- 高组不足十个账户 → 这个切法暂时不成立。别下结论，继续记，等样本够了再看。
- 把归因写成一句能被推翻的话。 比如「低组留存差，是因为他们本来就是来试新鲜的」。然后主动去找反例：高组里有没有一批人也是首月就停？低组里有没有一批人用了半年？找不到反例，这句话才暂时算成立。
- 别拿行业中位数当及格线。 按 B1.4，AI 原生的中位总收入留存在 2025 年 1 月是 27%，到 2025 年 9 月变成 40%，九个月里移动了十几个百分点。这条线自己就在快速变化，拿它给自己判分没有意义。
这套东西的门槛只有一个：你得能把每个付费账户和它的实收对上。绝大多数收款工具后台导一份账单明细就够了，不需要额外埋点。
六、和站内那几篇的分工
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、新用户前七天怎么激活，重点是留存为什么优先于获客、以及怎么把它提上去，那篇还明确拒绝给行业基准值。这篇不碰「怎么提」——在决定去提之前，得先知道这条难看的曲线在指向哪一头。
本专题里另有一篇把这份报告的整组数完整摆过一遍，重点是那两条限制和时间趋势本身。这篇只取档位那一张表，也只做归因这一件事。
七、结论只有一句能拿走
曲线难看的时候，第一件事不是改产品，是分组。两组的留存曲线拉出来摆在一起，才知道这个月该动哪一头。
这张表能给你的也就到此为止：它不告诉你怎么把留存做上去，只是把「AI 产品留存天然就差」这个借口拿掉，逼你回到自己那份账单明细上。
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）