作者 | 杨一溪
当 AI 能在一秒内生成无数种方案时，我们反而比任何时候都更容易迷失在“可能性”的汪洋里。我们似乎拥有了解决一切问题的能力，却正在失去定义“真问题”的耐心。
这正是 BAT 增长顾问、前快手产品总监杨一溪，在全球产品经理大会（PM-Summit）上试图击穿的迷思。这位曾亲手将快手 DAU 拉升 117 个百分点、把美团商家钱包从 0 做到 500 万，甚至参与过“天宫”空间站计划的增长实战派，带来的不是更复杂的 AI 模型，而是一个返璞归真的常识：在算力爆炸的时代，最稀缺的，是对人心的洞察力。
杨一溪在 PM-Summit 演讲现场
“所有增长的出发点都是用户需求和洞察，这是不变的。”
-
当所有公司都在用 AI 武装“打工人”时，一家公司选择去倾听一个母亲深夜的焦虑，为她做孩子作业的 PPT，结果撬动了惊人的增长。
-
当报表显示用户消费力下降时，美团没有强行提高客单价，而是果断将增长目标从漂亮的“GMV”切换到更诚实的“订单量”。
-
当所有银行都在抢存款时，招商银行看到了高净值用户对“资金灵活”的真实渴望，从而靠一个不同的指标，走上了一条完全不同的路。
这些都不是聪明工具的胜利，而是“笨拙”洞察的胜利。它证明了，无论技术如何演进，商业的本质，依旧是人与人的连接。杨一溪的分享，与其说是一套增长方法论，不如说是一份清醒剂。它提醒每一个被技术浪潮裹挟的人：
有时候，知道用户为什么离开，比知道他们为什么留下更重要。
以下，是杨一溪的完整分享。
AI 产品爆发，但你的痛点解决了吗？
8.15-16 北京威斯汀·全球产品经理大会 PM-Summit，3000+ AI 产品人社群已就位。
直面 AI 落地难题 · 拆解头部案例 · 对接精准资源扫码登记信息，添加小助手进群，抢占 AI 产品下一波红利
本文将探讨五个核心主题：
第一，AI 时代做增长的变与不变。随着 AI 时代的到来，增长的逻辑有哪些相同与不同之处？
第二，AI 如何赋能全域增长。AI 能为业务带来哪些实实在在的新增量？
第三，AI 如何在规模化拉新方面降本增效、提升质量。
第四，AI 如何赋能留存和价值提升。如今 AI 在旅游等行业的增量空间可达千亿级别，这是如何实现的？
最后，关于如何用 AI 召回用户。众所周知，我们已经进入存量增长时代，如何盘活庞大的流失和沉睡用户，是所有企业面临的挑战。过去，这类用户情况复杂、流失原因多样，而 AI 模型为解决这一难题提供了新的机会。
在接下来的内容中，我会结合之前在美团、滴滴、快手的经验，以及一些最新的案例来分享。内容偏向故事和案例，希望大家能有记忆点。
这里我举一个 AI PPT 的案例，它的增长做得比较好。大家都知道，工具这个市场竞争非常激烈，有微软等一系列成熟产品。那么作为一个小公司，想做增长该怎么入手呢？
大家有时会觉得做增长很焦虑，那是因为我们总是在一个存量的盘子里竞争。但实际上，尤其是对于 AI 领域的创业者来说，还有很多细分的用户可以去挖掘，存在着大量的增长机会。
AI PPT 就是一个很好的例子。大部分做 Office 软件的公司，比如微软，他们的目标用户是我们这样的“打工人”，并且需要在功能上不断内卷。
但他们在推广时也遇到了难点：作为“打工人”，我肯定不希望让老板知道我的 PPT 是用 AI 写的；如果我是做咨询的，用 AI 生成的 PPT 交付给客户，似乎也不太专业。这些都给推广带来了难度。
AI PPT 就很聪明，它选择了一条与大厂差异化的路线。它发现了一类用户，虽然使用频率不高，但基数足够大，足够长尾，那就是宝妈群体。
孩子上学时，学校常常要求家长做各种展示 PPT，一个月总有一两次。很多宝妈不像在座的各位这么擅长做 PPT，大部分其实并不精通。AI PPT 就抓住了这个需求和洞察，从而实现了很好的增长。
我想分享一个个人观点：做增长，与其在存量市场里激烈竞争，不如去寻找一些尚未被发现的增长需求。无论是创业公司还是大公司的第二曲线业务，一旦找到这样的需求，你会发现空间远比想象中大，并非存量时代就再无机会。
比如可口可乐，他们之前定位自己是碳酸饮料，市场份额已经触及天花板。但当它把定位改成“带味道的水”，即在水中占据有味道饮料的比例时，就立刻获得了新的机会，并推出了茶饮等产品。
这就是我想分享的第一个观点：从用户未被满足的需求出发。AI PPT 发现了这个洞察后，用了三个策略将它很好地落地。
-
第一，人群洞察。它精准地找到了宝妈这个群体，而且宝妈还有一个特质，就是乐于传播，所以他们不需要投入重金去购买流量。
-
第二，定价体系。定价并非基于成本，而是基于为用户创造的增值价值。宝妈群体的消费能力和对工具的渴求度不像办公人士那么高，所以它的价格定得相对较低，但仍有价值空间，做得比较好。
-
第三，内容驱动。内容本身既能带来增量，也能促进留存。它做了一些场景化的定制模板，覆盖了各个行业，带来了很好的增长。
当然，要做好基础产品，还需要有创作者生态，激励大家来制作模板。所以，我们从这个案例中可以得出一个结论：在我们具备了一定能力之后，可以去寻找那些未被满足的用户需求，而 AI 能帮助我们更好地完成这些需求。
第二个案例是百度网盘。它最早是一个内容工具，后来转变为生产力工具。我们如何判断大厂的增长做得好不好？看财报就行了，AI 也能帮我们搜集这些资料。
以前，百度网盘和百度文库流失了大量用户。大家去搜索这些内容的核心目的，其实是为了完成论文、PPT 等工作，而不仅仅是找到素材。他们也发现了用户的这个需求洞察，所以把产品定位为生产力工具。我不知道大家用过没有，它现在可以一键生成 PPT，这些功能做得还不错。从财报来看，通过这种方式，它的会员数量实现了 50% 的绝对值增长。
但是，他们也遇到了难点和瓶颈。首先，虽然定位和用户心智变了，也带来了新的增量，但如何将这些用户留下来，把产品的核心体验打磨得更好，是一个挑战。其次，在推广方面，办公人士群体依然不太接受，不太愿意让别人知道自己的工作成果是 AI 完成的。这两个案例都是为了佐证一个观点：所有增长的出发点都是用户需求和洞察，这是不变的。
做增长还有一个不变的原则，就是在我们定位好用户之后，无论是团队还是个人制定 OKR，都必须先确定北极星指标。
它就像黑夜中的北极星，指引着唯一的前进方向。这个指标一旦确定，就不应轻易改变，所有人都应以此为标准去执行。它不是拍脑袋想出来的，也不是看竞品做什么我们就做什么，而是有严谨的推理过程。
我举美团的例子，美团外卖原来的北极星指标是 GMV，现在改为了订单量。
为什么会有这样的变化？我们需要向外看行业，向内看用户。如今大环境确实不那么乐观，从用户数据洞察来看，订单量下降主要源于客单价的降低。你会发现美团也推出了“拼好饭”这类产品，其背后的逻辑就是用户消费力在下降，同一类人群的客单价确实受到了影响。
如果目标仍然是增长 GMV，那么下属团队就会想方设法去做交叉营销、提高单价，在存量用户身上做文章。所以，为了让团队的目标更清晰、工作更直接、信息传达更简单，美团就将指标改为了订单量。这意味着他们希望用补贴去换取更大的增长空间。不光是美团，其他大厂也观察到，比如百度，70% 的用户其实是价格敏感型用户。所以，这个目标的改变是基于市场和用户洞察的。
这就是北极星指标的制定方法，它一定是根据用户洞察来制定的，定下来之后，大家就朝着这一个目标去完成。
我再补充几个制定北极星指标的原则。
第一，北极星指标是因时而变的，它会随着产品不同的生命周期而变化。
第二，制定指标时要有一个制约指标。比如，我们做新客增长，需要关注 ROI。ROI 有两种计算口径，一种是 LTV（用户生命周期总价值）与 CAC（用户获取成本）的比值，另一种是经营指标，即（GMV × 净利润）再除以 CAC。在这样的基础上，我们还要看规模是多少，以保证用户质量。这样做还有一个好处，就是如果只看拉新数量，你可能会获取一些低质量用户，反而损害了长期的用户价值。
第三，最难的一点，是在用户价值和商业价值之间找到平衡，同时还要在短期利益和长期发展之间找到平衡。你可能会觉得“原理我都懂，但一做就出问题”，所以我们举个字节的例子。字节做增长，商业化团队和用户产品团队的目标会有冲突。商业化团队为了完成业绩目标，可能会与用户产品团队达成一个原则：如果我每次商业化变现（比如做直播）对用户时长的伤害不超过 1% 到 2%，就可以去做。大家可能觉得这没什么毛病，但对用户体验的伤害是从量变到质变的。他们做得很好的一点是会进行长期的追踪对比，后来发现有一天，直播导致的用户时长出现了断崖式下跌。所以，我想提醒大家，北极星指标看似简单，但背后有很多逻辑需要注意。
我再举一个非互联网行业的例子——银行。招商银行做得就比较好。与国有大行相比，招行几乎没有任何先天优势。
大家都知道，招行的线下网点数量可能还不到国有大行的一半。这说明，不是资源比别人少，就做不出增长。在银行发展的第一阶段，大多数银行追求的是存款量。因为定了这个指标，下面的客户经理就会把所有的赠品、补贴利率全都用在拉存款上，存款额确实增长了。
但招行是怎么做的呢？它以 AUM（资产管理规模）为核心。它洞察到，一部分高净值用户的需求是对资金有流动的、灵活的需求。所以它不强求用户做定期存款，而是提供理财等解决方案。正是这样一个指标，给招行的零售业务带来了巨大的帮助。当你满足了用户的真实需求后，用户会觉得这个产品不错，愿意把更多的钱放在这个账户里。你看，同样是银行，不同的北极星指标带来了完全不同的结果，这再次证明了从用户角度出发的重要性。
到了第二阶段，招行的指标又变成了 MAU（月活跃用户数）和 AUM 双轮驱动。
为什么会有这个变化？因为它发现，真正对金融非常了解的用户其实没那么多。金融产品的特点是高度标准化，比如利率、存款金额等。但用户做决策时是有成本的。如果只从现有用户中去筛选，天花板很有限。于是，招行想通过一些金融相关的场景，比如生活服务、话费充值等，来慢慢培养用户。因为金融是低频的，而这些生活场景是高频的，通过这些场景能更好地获取用户。所以他们把指标变成了 MAU+AUM。
一个指标一旦定下来，下面的人都会照着它去做。如果定错了，就会带来负面影响。
我举一个字节飞书的例子。他们曾把 B 端业务的指标定为活跃用户数，没有其他制约指标。如果你是字节的员工，你会怎么做？当然是去和大型企业合作，签下一个大客户，活跃用户数就上来了。这导致团队投入大量人力去攻克大企业，但收入和净利润却不理想。所以说，指标定好了，下面的人才会走对路。
回到招行的例子。基于用户洞察和对行业外的观察，到了第三阶段，也就是现阶段，他们又把指标改回了 AUM。他们发现，如果用 MAU 和 AUM 双轮驱动，获取到的用户价值并不高。尤其是在疫情期间，通过非金融场景（比如 App 里的生活服务）获取来的用户，虽然花了很多钱，但留存率很低，最后算下来是“花了个寂寞”，并没有实现真正的价值转化。
所以他们发现，在现阶段，金融业务才是更能有效获取高价值用户的渠道，于是又重新聚焦到金融业务本身。通过招行案例的演变和美团外卖指标的变化，我们都可以看到，成功的指标制定都是基于用户洞察、着眼于长期价值，并配合相应的策略去执行的。
接下来谈谈数据分析。大家有没有被数据分析搞得很痛苦？做数据分析时，大家是不是都有这样的痛点：老板每周都来问，我们的 GMV 为什么下降了？初级分析师就开始慌张地猜测：可能是我们最近某个活动下架了，可能是竞品做了什么活动，可能是某个创作者不跟我们合作了……说得老板一头雾水，觉得你毫无条理。而稍微聪明一点的人，会有一个体系化的分析结构，基于我们设定的目标层层拆解。
我可以和大家说一下拆解的思路，也谈谈现在大家通常是怎么做的。我们还拿招行的 MAU+AUM 指标为例。
一级指标拆解，可以按业务线拆。比如在美团，就是美团外卖、酒旅等。当然，不同视角看指标的方式不同。如果我只是一个纯外卖业务的负责人，我就会往下拆成送药、商超等子业务。
如果你只是一个小组长或执行者，可能不需要看业务这块，而是根据你的职能视角来拆。在业务层之下，通常会先拆 B 端和 C 端，因为这涉及到决策判断。
比如在滴滴海外，司机业务一直是以 2C 为重点。但他们发现在巴西地区，油价上涨导致很多滴滴司机不愿出车了。同时，C 端用户对滴滴在巴西已经有了认知，即便补贴下降，用户也不会轻易流失。在这种情况下，他们就会把业务重点从 C 端转向 B 端。这个决策就是基于体系化的数据洞察。
在 C 端这个同层里，可以再拆分为新用户、老用户、流失用户等。现在大家拆得越来越细，还会在这个基础上再分客群，比如年轻用户、老年用户等。像去哪儿网，他们就会发现给老板订票的秘书这类人群，价值巨大，有很大的增量空间，于是就会对这类人群进行细分。
三级指标，我们会细拆到增长的各个方向。比如拉新，一般会拆成四个方向：
-
一是厂商合作；
-
二是 ASO/SEO 关键词搜索，尤其对于海外业务，词的搜索非常有价值，可以采用做长尾词或做头部词的策略。大厂有钱，可以做一些头部热词；而创业公司或大厂的新业务，可以做长尾词，通过“蚂蚁雄兵”的策略，效果不见得比热词差。
-
三是广告投放，后面我会讲 AI 如何赋能投放。
-
四是做各类活动。
对于老用户，我们会拆分成留存、ARPU、频次、召回等。
最难的是从三级往下拆到四级。四级怎么拆？主要拆两个点：一个是转化率，沿着用户旅程去拆，找到影响转化的关键因素；另一个是影响留存的因素。这块是最难的，我怎么能知道什么事情对留存有影响？有两种方式：一种是，如果团队数据能力特别强，能找出所有与留存相关的因素，然后通过 AB 实验去假设和验证。但大家要注意，相关性不等于因果性，跑出结果后还需要验证。另一种方式是，在大部分公司数据资源有限的情况下，就需要增长运营或产品经理自己去分析，通过对比留存用户和流失用户在体验上的差异，找到关键因素。
但更重要的一点是回归用户本质。你其实是对你的用户有基本了解的。比如对 B 端的美团外卖商家来说，他们的核心诉求很明确：如何低成本地多赚钱。围绕这个诉求，影响因素就是激励体系、平台策略分配等。
对 C 端用户来说，就是更好的体验：如何更高效地选餐，如何选到心仪的店铺。但“高效”、“心仪”这些词都很虚，无法直接指导推荐策略。我们必须把它定义清楚，比如用户找不到自己喜欢的店铺，是哪个类型的店铺？这个类型是 Top K 级别的还是腰部 C+K 级别的？找不到喜欢的菜品，是丰富度不够吗？这样我们才能找出具体原因。再具体一点，比如用户进入店铺页面又离开了，我们可能会发现，当菜品数量少于 10 到 20 个时，用户更容易离开。一定要有这样明确的定义，才能做策略，才能做数据分析。这个原则也是增长中不变的。
这个分析体系是怎么建立的呢？我们称之为“从大到小看，从大到小做，然后下钻”。现在做得比较好的公司，其实已经到了第二个阶段，就是能做好监控，系统能告诉管理者是哪个环节、哪个负责人出了问题，你直接找那个小伙伴就行了。而未来的阶段，是系统能帮你做预判和诊断。比如，系统发现新用户和沉睡用户在画像上非常相似，新用户喜欢的“冲返”、“即时立减”等优惠，用在沉睡用户身上效果也可能很好，于是它会向你推荐这样的策略。AI 能帮你做智能判断，有了这样的监控系统，大家就不用再辛苦地翻报表了。
当然，只看内部数据就足够了吗？不是的。有时候你没有做错任何事，但外部环境的变化会影响你的业务。比如美团在沙特做外卖和在国内做就不一样，天气会成为影响配送体验的重要因素。还有一些外部因素，比如我们自己没做什么，但竞品找到了一个很好的切入点，做了一些活动，也会影响我们。这些我们都需要进行监测。如果大家有这样的智能监控体系，是可以帮助我们做判断的。
再说说 AI 如何帮助我们做增长研究。有人曾问，怎么用 AI 找数据？以前太累了。我想了解行业数据，可能得去看财报，自己加工处理，想看竞品公司的MAU、DAU 等数据，QuestMobile 是最好用的，只要钱到位，它什么数据都能给你，甚至包括一些非标准的、定制化的漏斗数据。想找行业宏观数据，就得去找国家级的数据源。这样分析起来是不是很累？现在 AI 来了，我们用秘塔或者 Kimi，按照一个结构化的方式去提问，它就能帮你分析出来。
不同级别的人，给老板呈现的报告和自己看的数据是不一样的。
如果你是初级分析师，你可能只了解竞品是什么。比如新能源汽车行业，高级分析师才会去看商业模式。当然，如果你是做商业化的，那即便是初级阶段也要关注商业模式。
高级分析表示则会看竞品在核心竞争地的经营情况，帮助我们扬长避短，以及进行更深入的行业分析。下面这张图是提示词的写法，直接把这个提示词复制到秘塔或 Kimi 里，它就能帮你分析出数据，并且可以要求它标明数据来源，给出结论性数据。
如果大家想查其他东西，但不会写提示词，用秘塔就行了，它特别好用。当你没有头绪的时候，你直接搜索，它会给你一个大致的结构，能满足初、中、高级不同阶段的需求。
接下来讲讲拉新。现在大家在拉新上越来越痛苦，总是在成本、质量、规模之间做权衡，很难三者兼得。我们说一下现在最流行的方法。
在投放领域，最早把规模化做得最好的就是拼多多。它能基于我们前面说的人群分类结构，将不同的人群，匹配上不同的价值卖点，再匹配上不同的 SKU，一小时就能生成 300 多万个素材。当然它不是全部投放，而是通过打分选出最优的素材进行规模化投放。
国内在这方面做得比较好，而国外做得更好、字节也在学习的，是谷歌的“黑盒白盒打分法”。它能将我们广告投放中的不确定性，转变为一些确定性的事情。
比如大家花钱做广告投放，现在都特别谨慎。一个素材放上去，效果不好，就开始搞玄学，说“再发一遍效果就好了”。但我们得明白，字节的算法上确实会有一定的损耗，但比例很小，在 10% 以下，不太可能把一个爆款素材完全抹杀掉。
还有一种情况是，我放了素材也做了测试，但不知道它到底哪里好，哪里不好。这个打分法就能把素材拆分成几个维度来评估，比如价值卖点本身的维度，还有演绎形式的维度。同样一个价值卖点，我把演绎形式换成剧情类的，效果可能就特别好。它会对色彩等各种元素都进行清晰的打分，我们就知道该调哪里、改哪里。而且，我们都知道，做 AB 实验、小批量测试，都需要花费大量的时间成本。
另外，我分享一些 AI 领域的“黑科技”。大家知道我们搜索东西时，为什么飞书和剪映能做得那么好？它们把一些集合了 AI 功能的关键词植入到产品中，让大家在搜索时能找到它们，从而带来了流量的增长。
一二线的大厂其实已经在偷偷吃这波红利了。还有一个是海外的拼多多（Temu）的增长黑科技，做海外的可以借鉴，国内管得比较严。它叫“页面劫持”。比如我搜一个东西，像苹果手机，正常情况下可能会进入 A 公司的页面，但 Temu 在浏览器层面做了手脚，把它篡改植入到了自己的页面。因为用户有强需求，就是想买这个东西，当你被引导到它的页面，发现价格还挺便宜，就可能直接下单了。它就是靠这种方式低成本地获取了一批用户。
我想说的是，AI 来了，它在将不确定性变为确定性方面有很强的能力。AI 有三大核心能力：
-
第一是知识类能力，这方面做得很好，我们可以用秘塔帮我们做数据处理、用户调研整理等工作，提升我们自己的生产力。
-
第二是逻辑推理能力，这方面 AI 做得还不是特别好，需要我们慢慢去训练，我们要知道它的能力上限和下限。
-
第三是情感化能力，这方面其实做得也挺好，大家有兴趣可以去尝试。
总结一下增长这部分，一个核心是基于用户洞察去做。现在有两个红利可以关注：一个是思考如何把我们页面的关键词植入到 AI 搜索中；另一个是做海外市场的，可以尝试页面劫持的方法，目前还有效。
下面我们讲讲 AI 如何赋能留存和产品价值提升。
大家做留存、做交叉引流时，有这么几个痛点。我就说一下这里的难点。第一个点是认知上的问题：为什么一个活动，之前对 A 人群效果特别好，突然间就不好了？因为 A 人群被各种活动反复触达，他已经看腻了。靠人工去圈选用户，不可能做到那么精准。
第二个痛点是，大家都缺流量，总想节省流量，那么流量体验如何度量？我们这个系统就可以解决这个问题，你不用自己去找资源位。有时候一个活动结束了，资源位可能空了出来没有及时顶上，而这个系统可以在这个阶段帮我们自动圈选用户，匹配最适合的活动。
最重要的价值在于，系统里的数据分析不是走过场，而是能真正把经验沉淀下来。比如我们在美团做实验时，经常被“灵魂拷问”：A 人群也用了这个系统，我们也给他发了非常场景化、精细化的优惠券，为什么效果反而变差了？
后来我们才发现，是因为忽略了一个指标，叫做“实销率”。一个东西再好，你也不能一直发。用户手上的大额优惠券还没用完，他根本不会再领新的。于是我们就基于这个数据洞察，返回去修改我们的系统，把这个规则写进去。这其实就是数据和业务相结合的关键点。我们不能靠“人传人”的方式，你把这个规则告诉一个新员工，或者写在文档里，大家根本没工夫去看，而且他不是亲身经历者，没有体感。所以我们把这些都做到了系统里。这其实就是AI能带给我们的价值，它能帮助我们把流量分发得更精准。做流量分发就两点：一是找好场景入口，二是有数据之后，如何更好地做匹配。
接下来是如何做用户召回。这个模型以美团外卖为例，但实际维度比这个多。做用户召回，最核心的是要明确用户离开的原因是什么。
基于此，我们建立 AI 模型，找出影响用户离开的关键因素。我们基本知道的因素，比如用户对价格敏感，那就拆解成券、活动等维度。这里我说一个大家容易忽略的点，就是基础要素里的“地理位置”。
地理位置是一个特别能反映个人资产实力的指标。我想，能在北京顺义住 2000 万房子的人，他会没钱吗？不可能。以前有人跟我抬杠，说他可能是租的房。我的天，能有钱租那种房子的人，也绝对不是一般人。这反映的是他真正的资产能力。
第二个我们会看他的消费能力。有钱和舍得花钱，有时候不是一回事。有的人可能“穷得瑟”，但消费能力也很强。怎么看消费能力？大家都说看手机型号，这没问题，但更重要的是看更换手机的频率。这些都是非常有价值的，AI 可以帮我们去计算用户流失的概率、召回的概率以及召回后的价值，然后排出一个优先级。
如果让我用一句话来总结增长，我会分享这几点：
拉新，就像谈恋爱，是用户为什么选择你。你要给用户一个选择你的理由，然后找准渠道，就能把拉新做好。
留存，永远是基于产品的核心价值去做。
商业价值，来自于用户的真实需求。你看快手直播，最开始为什么做直播？也是因为看到评论里有“老铁”说“我想买你家的苹果”。但他们发现这种私下交易存在信任问题和“偷单”现象，平台有责任去解决，于是就做了自己的电商和支付系统。
包括现在特别火的短剧，其实最早做得最好的是快手。我们是怎么发现短剧这个需求的？也是因为看到一些创作者在剧情类内容上做得特别好，对我们的用户时长和留存有很大帮助，而且我们在这方面也比竞品有优势。所以，真正的商业价值还是源于用户需求。
用户召回和留存，有时候，知道用户为什么离开，比知道他们为什么留下更重要。这其实就是增长的核心。
那么，AI 产品本身有哪些增长难点呢？
第一个难点是，虽然有一些工具类产品跑出了千万级的用户量，但实际运营下来，会发现留存率比较差。我们现在做的移动互联网产品，七日留存能到 60% 已经很不错了（也分产品类型）。而同类型的 AI 社交产品，做到 41% 的留存就已经到极致了。如何更好地满足用户价值以提升留存，还需要继续验证。只有个别产品跑出来了，尤其是情感陪伴类的产品，大家普遍做得不是特别好，而且头部效应明显。比如某个情感陪伴产品，你会发现头部用户特别爱用，活跃度也很高，但很多用户来了就走。如何让更多用户认知并使用好这些 AI 功能，是整个 AI 行业需要加强的。
此外，AI 在商业化变现方面，效率并没有现在互联网广告那么高，也需要探索新的模式。这就是 AI 行业商业化增长的难点。
以前有人跟我说，我们都爱看国外的书，不爱看国内的书。但现在我想说一点，在增长方面，情况已经反过来了，是国外在向国内取经。我们在增长领域已经走在了世界前列。以前我们学习“增长黑客”，但现在大家也可以多看看国内的增长案例，国内的公司在出海、在海外市场的竞争中也做得非常好。
· · ·
听懂了 AI 增长的“道”，还想掌握落地的“术”？
ChatBI 如何告别“玩具”，真正创造业务增量？
智能客服和营销落地时，如何破解最头疼的“意图识别”难题？
今年杨一溪将带来一线落地的实战秘籍！
📢 2025 全球产品经理大会
8 月 15–16 日
北京·威斯汀酒店
2025 全球产品经理大会将汇聚互联网大厂、AI 创业公司、ToB/ToC 实战一线的产品人，围绕产品设计、用户体验、增长运营、智能落地等核心议题，展开 12 大专题分享，洞察趋势、拆解路径、对话未来。
更多详情与报名，请扫码下方二维码。
（文：AI科技大本营）