PMF 是会丢的：这不是新说法，2017 年就写过

2026-08-25

你在几个月前判断自己到了 PMF：用户留得住，口碑起来了，你开始敢往里投钱。之后注意力就全挪到放大上——加渠道、加投放、加人。半年过去，数字开始往下走，可你找不到哪里坏了。产品没退步，团队没散，价格也没动。

这种时候最顺手的解释是「执行出了问题」，于是继续加大执行。另一种可能是：PMF 已经不在了，而你还在按「它还在」的假设分配资源。

一、这句话 2017 年就白纸黑字写过

a16z 那篇《12 Things About Product-Market Fit》（2017 年）的第 8 条专门列了几个关于 PMF 的迷思，其中一条是「PMF 总是一个离散的、大爆炸式的事件」——文章把它归为迷思，并在同一条里写明 PMF 不是一次性事件、不总是显而易见、是会丢的（A5.1 第 8 条）。同一篇里还转述了 Ben Horowitz 的观点：PMF 是迭代的、连续的，如果停止适应就会丢掉；配套的论点是市场和竞争者在持续变化，因此需要持续适应才能保住它（A5.4）。

出处的部分到此为止。有用的是它推出来的那个东西：**PMF 不是一枚拿到手就永久有效的徽章，是一个有保质期的状态。**既然是状态，它就得被定期复检，而不是被判定一次之后写进商业计划书当成前提用三年。

站内 coding 支柱那条阶梯反复拿 PMF 当决策开关——「没到 PMF 就砸广告等于往漏桶里浇水」「PMF 之后再放量」。那些课讲的是到了之后该怎么放大，这篇讲的是到了之后它还会不会掉回去、你怎么发现。两件事不冲突，但顺序上，后者是前者的续集。

二、三种丢法，症状完全不同

「丢了」是个笼统的说法。本站的判断是，把它拆成三种来源更有用，因为三种的可观察表现完全不一样，误判成另一种会让你修错地方。这个三分是本站按 A5.4、B4、B3.1 各自指向的机制归纳出来的，不是哪份研究给的分类。

第一种：需求那一侧变了。

A5.4 的配套论点讲的就是这一种：市场和竞争者在持续变化，你不动，契合度自己就退了。表现是老用户的使用场景在悄悄迁移——他们还在登录，但用的功能换了一批；新签进来的客户和你当初那张画像越来越不像；销售或客服沟通里，用户开始用一套你不熟悉的词描述自己要干的事。

第二种：尺子变了。

你判断 PMF 用的那把尺，本身也在动。a16z 那份消费级生成式 AI 榜单的第 6 版（2026-03-09 发布，数据截至 2026 年 1 月）里，作者明确承认它的排名越来越低估了人们用得最多的那些 AI 产品，举的例子是一个每天泡在 Claude Code 里八小时的开发者属于重度用户，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」做成招牌的机构，拿着专业流量数据都会这么说自己的口径。你手上那几个从后台导出来的数，也有同样的问题：它们量的是行为的影子，不是行为本身。产品形态一变（比如从网页转到命令行、从会话转到后台任务），影子的形状就跟着变，而你会把这个变化读成用户在流失。

第三种：底座变了。

这是 AI 产品独有的那一条。有一种常见的自检问法是：如果模型厂商下一个版本把这个能力做成默认功能，你的客户会不会退订（B3.1#3）。本站的判断是，这个问题在第一次判断 PMF 的时候最容易被跳过——那时候产品刚起来，能力还是稀缺的。它需要被反复问，因为答案会随时间变。

站内讲独立开发者长期定位的那篇课，讲的护城河威胁来自别的开发者：编程工具把门槛踩平，同质化竞争者暴增。这里说的是另一个轴：威胁来自你脚下的模型厂商。两条轴可以同时发生，但应对完全不同，别混在一起想。至于门槛具体怎么建、叠几层才算数，那是另一篇的事，这篇只负责让你按期把这个问题重新问一遍。

三、为什么在 AI 产品上，丢了更难被发现

2007 年 Andreessen 那篇给「到了 PMF」和「没到 PMF」各列了一组可观察症状（A2.4、A2.3）。到了的样子是：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，钱不断进来，你在拼命招销售和客服，媒体主动上门。没到的样子是：口碑传播很慢，使用量涨得不快，销售周期拖得很长，交易频繁地谈崩。

这两组加起来 12 条，一个数字都没有，全是定性的。它们暗含的前提是——你不会不知道。

两个麻烦：

其一，这 12 条描述的是融过资、有销售团队、有服务器扩容压力的公司（A2.5）。一个独立开发者身上不会出现「拼命招销售」这种症状。要用它必须先换算，而换算是你自己做的，属于判断，不属于观测。

其二，正因为定性判据在小规模产品上不好使，你被迫回去依赖数字。而数字这一侧的地面也在移动。ChartMogul 那份留存报告里，AI 原生产品的中位总收入留存在 2025 年 1 月是 27%，到 2025 年 9 月变成 40%（B1.4）。九个月里挪了这么多，可能的解释是尝鲜的人陆续离场、基本盘沉淀下来。这份报告的样本门槛是已达到 $250k ARR 的公司（B1.0），描述的是活下来的公司之间的差异，不是初创产品的命运；而且这类数字变化很快，看到时点就该默认它已经旧了。

这条趋势对复检的意义很直接：**你去年拿一个行业基准比自己，今年那个基准已经换了位置。**本站的判断是，基准在涨的时候，你原地不动就等于在退——按 B1.4 那组数，同一个留存水平放在 2025 年 1 月和 2025 年 9 月，读出来的结论是相反的。

顺带把两个容易撞车的数说开：上面那个 40% 是 2025 年 9 月的收入留存中位数，和 PMF 问卷里「回答非常失望的用户占比达到 40%」完全是两回事，一个量钱一个量人，别放在一起推。

还有一处更值得注意的信号。提出那条问卷线的 Sean Ellis 本人，在 2024 年 12 月 19 日的一篇文章里讨论的正是「分数高但留存低」——他记录的那个案例里，问卷有 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，所以这里不写他的答案。但只凭这个可见的部分就够了：**一次高分不构成长期状态的证明。**分数是拍照，不是体检报告。

四、一份可以照抄的季度复检清单

复检的骨架直接来自 Superhuman 2018 年那篇复盘的第 4 步：持续对新用户发问卷，把这个分数当最重要的指标，每季度重建一次路线图（A4.2）。原样搬过来只做了一半的事——它复检的是分数，不复检前提。这份清单是本站在那一步之上补出来的，六条，前五条各带一个判断标准，第六条在第六节单独展开。标准的松紧度是本站给的操作起点，不是研究结论，你可以按自己的节奏调。

画像还是同一批人吗？ 把这个季度新回答「非常失望」的人挑出来，按 A4.3 的做法，用他们自己的措辞和关键词重建一次画像——不是用你的行业黑话翻译一遍。判断标准：新画像里的核心关键词，和上个季度那份能对上大半，算没漂；如果关键词换了一批，说明你正在服务的已经是另一群人了。
他们说的主要收益，还是你在主推的那个吗？ 用 A4.4 的第二题：你从这个产品里拿到的主要收益是什么。判断标准：回答里排在最前面的那个收益，和你官网首屏写的那句是不是同一件事。不是，就说明价值已经迁移，而你的对外表达还停在旧位置。
「有点失望」那批人卡在哪，和上季度一样吗？ 用 A4.4 的第三题收阻碍。判断标准：如果这个季度的阻碍清单和上个季度高度重合，问题在你没做；如果换了一批新阻碍，说明使用场景变了，得先搞清是哪一段变了再排期。
默认功能测试重跑一遍。 按 B3.1#3 问：模型厂商下一个版本把这个能力做成默认功能，你的客户会不会退订。判断标准很硬——你能不能说出至少一样即使那件事发生、客户仍然留下来的东西。说不出来就是红灯，无论这个季度的数字有多好看。
你的观测口径这个季度动过吗？ 按 B4 那个逻辑自查：产品形态、埋点定义、活跃口径，只要有一处改过，跨季度的曲线就不再可比。判断标准：动过口径的指标，这个季度不许用来做「有没有丢」的判断，只能重新起一段基线。
你上一次判断「到了 PMF」是什么时候，依据是什么？ 这条是整份清单里最容易被跳过、也最关键的一条，第六节单独说怎么做。

站内 L9 有一篇讲一个人该盯哪几个指标、怎么做周复盘的课。那篇是运营节奏：一周一次，看增长指标动没动、这周该修什么。这份清单是状态复检：一季一次，看「PMF 还在不在」这个前提本身还成不成立。频率不同，问题也不同——周复盘不会问「我服务的还是不是同一批人」，因为那个问题在一周的尺度上没有答案。

五、复检发现漂了，先动哪一步

直觉反应是加大增长投入：既然数字掉了，就多买点量补上。

A5.3 把两个假设的先后关系写得很清楚：价值假设说清「客户为什么会用你的产品」，增长假设只有在价值假设被验证之后才做。漂移意味着价值假设那一侧出现了裂缝——这时候加增长，等于在一个还没重新验证的假设上加杠杆。同一篇的第 9 条也说，在验证 PMF 之前扩张会失败；第 10 条说先把 PMF 找到，再去把产品做健壮（A5.1）。这两条本来是讲第一次找 PMF 的，本站的判断是它们在重估的场景下同样成立：漂移之后你实际处在「重新找」的位置，只是起点比第一次高。

具体怎么排，可以直接沿用 A4.2 第 3 步那个配比：一半资源用来强化用户已经喜欢的地方，另一半用来处理阻碍，优先做低成本高影响的（A4.2）。

这个配比在漂移场景下有一层额外的用处。数字下滑的时候，人本能地会把全部资源投到「修问题」那一侧——用户抱怨哪儿就补哪儿。但如果漂移是第一种（需求那侧变了），抱怨你的人里有相当一部分本来就不该是你的用户，把他们的意见全修完，你得到的是一个更平的产品：谁都能用，谁都不非用不可。留一半资源在「强化已经被验证的那部分」上，是在保住你手里唯一确定的东西。

还有一条要防的是反方向的误判。a16z 那十二条里的第 6 条说，创始人经常把早期的一点起色误当成真的 PMF（A5.1 第 6 条）。复检的时候这个偏差会以镜像形式出现：数字回升一点，就宣布漂移结束了。第 5 条给的提醒是，认出 PMF 那一刻需要定性判断，不是纯看数（A5.1 第 5 条）。回升是不是真的，得看第四节清单里第 1、2 条那批人的原话回来了没有，不是看曲线抬头了没有。

六、今天就能做的那件事

复检需要对照物。本站的判断是，复检真正卡住人的地方不在清单本身，而在上一次判断「到了 PMF」的时候，没留下任何可比对的记录——第四节那六条每一条都是拿现在和过去比，比不出来是因为过去那一端根本没被记下来。

所以今天要做的是补这份记录，一页纸就够：

**日期。**你是什么时候认定自己到了 PMF 的，精确到月。
**当时的依据。**具体是哪几个观察——是留存曲线平了，是某几个客户主动推荐，还是问卷分数过了线。把当时看的那个数抄下来，连同口径一起（是全部注册用户还是现役用户，是周活还是月活）。
**当时那批最舍不得你的人是谁。**用他们自己的话写，三到五条原话，不要转述成你的总结。
**当时成立的三条前提。**比如「这个能力目前还没有通用工具能直接做」「这批用户的工作流是这样跑的」「这个场景的调用频率是这个量级」。前提是漂移最先失效的地方，也是最少被写下来的地方。

写完标上日期存好。下个季度按第四节那六条跑一遍，跟这页纸逐条对。对不上的那几条，就是你要查的方向。

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）