AI产品，真正的壁垒在哪？

01 

壁垒？

在技术和商业环境日新月异的当下，“壁垒”一词常隐含着短视、封闭与自视甚高的傲慢——妄图通过建立高墙的方式把竞争者隔绝在外。然而从GPT3.5到Claude4，似乎随着模型能力的攀升，所谓的壁垒似乎已经不存在了。这时候沉迷壁垒带来的安全感幻觉，似乎沙漠里盖草房的感觉——盖的越高、崩的越惨。另一方面，因为经济周期带来的市场情绪，舆论常常在期待一些一夜爆红、以一敌百、暴虐大厂的产品神话，也因此总是站在壁垒这类带有一丝垄断意味立场的对立面。

02 

为什么还要谈壁垒

事实上，当市场谈论AI产品时，常常陷入符号化的价值叙事：Benchmark刷新、融资新高、大佬站台……或许是为了传播，或许是因为我们太依赖于通过抽象要素来分析问题。然而这些水面之上的价值点，却无一能成为真正的壁垒。benchmark会被刷新、市场会被大厂后来者居上、技术大牛和高P会被高薪挖走……似乎一切价值都是阶段性的、节点化的、流动变化的。

而很多符号化包装的AI产品，就像小红书上的精装伪人，精致、优秀、有mcn，还把我当傻子玩。

但其实，符号化的壁垒是市场幻觉，并不代表壁垒真的不存在。

因为当我们认为壁垒是一个不会被改变的符号，就意味着我们对未来的想象是一个有终局的游戏，符号的价值高低决定胜率。

但游戏，永远没有终局。

如果市场、用户、技术都是波动的，那所谓的壁垒，也应该是动态的、反脆弱的。

反脆弱的本质是“非线性响应”—— 当系统暴露在波动、压力、风险等外部冲击下时，其收益与冲击的强度并非成简单的线性关系，而是呈现 “正反馈”。

因此，即使这个词因为种种原因有点被污名化了，但对于产品、企业长期发展，仍然有讨论的意义。

03 

什么是动态的壁垒

AI产品的成功依赖于商业化、领域、技术三个区间的动态平衡。

• 商业化-可持续性：市场的大小、目标客户、竞争对手、成本

• 领域-需求场景：场景需求、场景数据、用户体验、用户价值

• 技术-可行性：性能、模型效果、工程化落地

23-24年大家一直在说PMF（Product-Market-Fit，产品市场匹配度）、TPF（Technology-Product-Fit，技术产品匹配度）。后来做着做着，发现模型和产品推广实在太贵了、客户还不爱付费，于是又有了highlight成本的融合版——TC-PMF（技术x成本x产品市场匹配度），用于表明不光要找场景，还要考虑模型成本。

但其实这一套定义还是更符合美国SaaS市场。除了美国SaaS市场本就是国内的7-15倍之外，还因为在美国，任何一个细分场景做的字够好，都能活下来。但国内市场及国内的出海团队还是讲究赢家通吃那一套。也就是不管哪种Fit，其实都是在侧重找场景，而国人之间的竞争，场景只是第一步。

事实上，对于大多数的团队来说，我们拥有的是同样的市场、模型、开源组件、产品架构、和差不多的人才密度。单拎出来任何一个，都很难构成壁垒。

听起来挺绝望的，但归根结底就是不能从单点去找突破。AI四小龙已经印证了，刷榜可以带来辉煌，但“所有不能闭环的辉煌都是暂时的”。上不了市必然有未被解决的问题，而上市也不代表笑到最后。

能够通盘去看多种要素、能构建闭环、闭环能够产生价值，也就是说要在特定领域上构建复利系统。

04 

特定领域上的复利系统

这个概括可以分为领域、复利系统。

(1) 领域

好的领域确实是成功的一半。

当然，并非法律场景不可能做出AI产品，但不同领域的开放性不同就导致不同领域实现智能跃迁的顺序一定是有先后的。而单个垂类场景实现跃迁的经验必然也会随着人的流动、经验的流动辐射到其他垂类。对于产品、创业者来说，心怀热忱，也要心系Timing。

一个好的领域，并不是一个无人问津的美丽富饶小岛，这在国内市场是不 - 存 - 在 - 的！就好比你发现一个街角旺铺一直空着没人去开店，要么这个地方赚不到钱，要么就是有其他坑。

一个好的领域，应能够以较低成本触达大量用户、用户能够贡献数据用于产品优化、且用户能够基于效果进行宣传。

也就是说，评估一个领域是否好的衡量标准：潜在用户量、数据获取难度、自发传播难度。

(2) 复利系统

a. 以增长为目标的迭代

有好的领域才有复利的可能。就像给律师做合同审核产品，拿不到数据从一开始就结束了，更别说基于数据实现复利。

但进入领域只是第一步，复利系统的构建也很重要。

复利的短期结果是以用户数据驱动产品/模型迭代，长期结果是以产品价值提升来驱动增长。归根结底还是为了增长，不以增长为目的的迭代都是刷流氓。

以Duolingo为例，17年底Duolingo已经是全球下载量最高的教育类应用，拥有数亿用户。而到了18年中，产品日活跃用户同比仅以个位数增长，这对于一家曾经历爆炸式增长的初创公司来说，是个令人担忧的信号。

时任Duolingo产品负责人的Jorge把重启增长分为5个阶段：

step1.通过增强游戏化体验来提高用户留存(失败❌)：当时产品的流量主要来自于自然流量，因此相比获取新用户，团队优先关注了留存问题。当时团队推测“游戏化”可以提升留存，因此借鉴了一款让人上瘾的游戏——《Gardenscapes》中的“步数限制”环节，即通过提醒用户可用机会有限去增加紧迫感。团队把这个机制加在了答题环节，当用户答题错误次数达到上限后，需要重新开始课程。然而结果是留存率毫无变化，DAU 没有增长，用户反馈寥寥无几。

step2.增加用户推荐机制(失败❌)：由于当时Uber通过拉新机制实现了成功的增长，受其启发，Duolingo也组建了新的用户获取团队，推出了类似的推荐系统，奖励是赠送一个月的高级会员。然而，新增用户仅增长了 3%。虽然是正向结果，但远称不上突破。

step3.用数据和模型驱动增长(起效✅)：通过将用户留存指标进行更细粒度的拆解并建立更为复杂的模型，如下图。这些桶（长方块）代表着不同参与度的用户群。曾经用过该产品的每一位用户在任何一天都只能属于某一个桶。这意味着该模型里面的桶是 MECE（互相排斥，完全穷尽）的关系，共同代表了曾经使用过 Duolingo 的整个用户群。箭头表示的是用户在不同的桶之间的转移。通过用户群与转化方向，这个模型建立起一个近乎封闭的系统，只有新用户才会打破这个系统。

Duolingo的日活用户模型

通过调整箭头所代表的转化率，可以建模不同增长策略在中长期的复利和累积效应。增长团队实现了对DAU增长趋势的准确预测。并通过这个模型，找到了第一个“北极星指标”：当前用户（Current Users）的留存率（CURR）。这代表最忠实的用户，他们经常回访。如果能够让这批人更常回来，那么 DAU 就会自然增长，而这些用户也是最有可能转化为付费用户的人群。所以提高 CURR 不仅能带来增长，还能促进收入。 这个模型为Duolingo带来了清晰的策略方向：应该围绕提高 CURR 去优化产品。接下来的产品功能，也正是在这个思路指导下产生的。

step4.围绕核心指标的功能突破（成功✅）：基于日活用户模型及北极星指标，重新组建留存团队。围绕核心指标，Duolingo团队分别设计了排行榜策略、强化了消息推送、优化了“连胜”机制。“连胜”成为Duolingo参与度最高的模块，而该功能优化方面取得的成功让团队意识到，优化现有功能的效果也许不亚于开发新功能。一个优秀的团队，是可以兼顾推出新功能以及快速迭代旧功能的。

Duolingo的实践告诉我们：模仿并不能带来可持续的增长，真正的增长需要借助系统化思维对场景、用户、数据有深刻的理解，并基于数据进行持续迭代优化。

b. AI产品的复利系统

Duolingo的通过数据模型驱动增长，就是复利系统的价值体现，但这个案例呈现给我们的，更多的还是把AI能力作为产品功能背后的一个确定性组件，没有展开围绕功能背后的AI能力规划及数据生产体系。

事实上，Duolingo也很早就开始重视AI在产品中的应用。2021年开始，宣布与OpenAI达成合作，使用OpenAI模型用于生成课程内容、教学材料，以及为部分用户的写作提供反馈。24年9月，Duolingo发布两项AI功能：视频通话与Duolingo大冒险。用户可以与Duolingo角色对话，且对话内容会根据用户语言水平灵活调整。

从纯粹的商业角度看，Duolingo的AI转型确实带来了显著成果：

Duolingo 近5个季度的营收情况

到了今年，Duolingo在AI方面的动作更为激进。今年4月底，CEO&联创Luis von Ahn发布了全员信，宣布公司要All in AI。并在信中提到"员工编制只有在团队无法进一步自动化其工作时才会增加"、“我们不能等到技术100%完善。宁愿加紧行动，偶尔在质量上做出小的妥协”，以及“员工的AI使用情况将成为绩效评估的一部分”。

然而，Duolingo也因为大张旗鼓地宣扬AI First战略而遭到用户抵制，带来了TikTok上失去超过40万粉丝，和用户大规模删除应用。而Duolingo的公关操作又再次引起了用户的不满情绪。

对此，Luis von Ahn也在Linkdin进行了澄清，“加入Duolingo的人，是因为想解决教育的大问题。AI是新工具，但我们的核心使命没变。”Luis强调，Duolingo要打造的是全球最好的教育体验，而这必须靠“人”与“科技”协同合作。

Luis von Ahn也在Linkdin的澄清内容

事实上，Luis的高调拥抱AI只是导火索，前Duolingo员工指出："首先，AI输出非常无聊。而Duolingo一直以有趣和古怪著称。其次，它绝对会犯错误。即使在你认为它能做对的事情上也会出错。"

Duolingo 为了追求规模化的内容生产，选择了用AI替代人工创作者，但仍暴露了AI替代可能会带来的质量下降问题：内容质量下降（趣味性和内容深度下降）和错误率上升（AI批改不及预期）

因此，除了以增长为目标的数据驱动系统是产品复利系统，AI产品的复利系统还需要包括：平衡模型负面表现的策略、Agentic数据加工体系、评测驱动优化、前瞻的产品架构、和反脆弱的组织文化与目标。

• 平衡模型负面表现的策略：

AI产品需要平衡模型的不确定性及问题对用户体验的影响。不管是因为模型的上下文限制、还是训练数据分布等等原因，都意味着模型存在着出错的可能。且通过SFT实现的功能，很多时候都会显得死板、僵化。这个时候就需要平衡模型效果对用户体验的影响，尽可能降低模型负面表现带来的用户体验下降的风险。

• Agentic数据加工体系：

构建全新的、Agent视角的数据生产链路。

未来的AI产品一定是越来越趋近于数据飞轮的。也就是根据不同的user memory和用户query去动态响应、自主规划、交付个性化的结果。这就意味着需要有闭环的数据、闭环的标准、符合领域场景的agent架构，和对过程及端到端结果的评测。

• 评测驱动优化-构建能够驱动优化的评测体系

AI功能评测的重要性是大多数AI产品远远低估的，甚至很多评测完全交给QA。也就是仅作为验收标准，而没有发挥评测的指导意义。市面上的AI功能，大多还是先构造一批数据集，然后划一小部分作为评测集，剩下的作为训练集。只要数据量充足、数据质量过关、数据的场景不至于太难模型学不会，那么大多数时候效果都能有个七七八八。但这其实就是填鸭式教学，就相当于让模型小孩去背书，然后解题。模型小孩能僵硬的记住，但不是真的聪明了，并不能最大化发挥模型的效果，从评测结果上看，似乎符合预期，却偏离了产品初衷。这就可能导致对模型在真实、复杂、长尾场景下的表现缺乏认知，以及错失通过深入评测理解模型工作原理、挖掘潜在能力、发现创新应用点的机会。

• 前瞻产品架构：

AI产品需要构建能够随着模型效果提升实现产品提升的产品架构。

对于AI Native产品来说，模型本身就是产品的杠杆。这就意味在设计产品架构时，就要考虑到未来3个月、6个月、一年甚至几年模型可能会有怎样的智能提升。不能功能刚做完，新模型来了，发现原来的问题已经不是问题、功能白做了。

• 反脆弱的目标与组织文化

对不确定性的包容、反作弊考虑的组织目标与文化

KPI也好、OKR也好，初衷是为了给出明确指标来给团队指导方向。组织进步一定是需要目标牵引的，但目标不能流于形式，应考虑到对不确定性的动态适应，以及围绕目标作弊的可能性。