AI 可能会颠覆那些具有重复性、规律性强且依赖大量数据处理的产品。例如传统的客服服务，AI 能通过学习大量对话数据，快速准确地回答各种常见问题，取代人工客服的部分工作，提供 7×24 小时不间断服务。还有一些数据密集型的分析工作，如市场调研分析，AI 可以在短时间内处理海量数据并给出精准的分析结果，比人工分析更高效。另外，一些简单的翻译任务，AI 凭借其强大的语言学习能力，能快速生成高质量的翻译内容，对传统翻译行业带来冲击。总之，凡是能被数据和算法有效替代部分功能的产品，都有可能被 AI 颠覆。

最近看了前Tinder首席产品官Ravi Mehta的一个讲座分享视频，他在讲座中提出了一个让所有产品人都应该深思的问题：你的产品是否正面临AI颠覆的风险？

看完这个讲座后，我深受震撼。不是因为AI技术有多先进，而是因为我突然意识到，我们可能正处在一个史无前例的时代——那些曾经稳固的Product Market Fit正在大规模失效。

想想看，Chegg市值暴跌87.5%，Stack Overflow流量断崖式下降，这些都不是孤立事件，而是一个更大趋势的冰山一角。我之前也写过分析Chegg为什么失败的原因，感兴趣的朋友可以看之前的文章《Chegg大败局的思考，关于AI解题产品、SEO和出海运营》。

Ravi在讲座中分享了他开发的AI Disruption Risk Assessment（产品被AI颠覆风险评估）框架，这让我开始重新审视整个科技行业的竞争格局。过去我们习惯了Product Market Fit的渐进式提升，但AI的出现彻底改变了这个游戏规则。客户期望不再是线性增长，而是瞬间激增。ChatGPT仅用5天就获得了100万用户，这种技术扩散速度前所未有。这意味着什么？意味着那些我们认为固若金汤的产品护城河，可能在一夜之间就被AI填平。

我想通过这篇文章，结合Ravi的框架和我自己的观察，帮助大家理解这个新时代的竞争逻辑，以及如何评估和应对AI带来的颠覆风险。关于AI时代的护城河，可以看我之前的两篇分析文章：《速度将成为AI时代唯一的护城河》和《深度分析｜为什么顶级风投NFX和a16z都说“速度就是新护城河”？》。

在深入探讨之前，我想强调一个关键观点：我们正在经历的不是简单的技术升级，而是商业模式和用户行为的根本性重构。

那些早期AI明星公司如Jasper和Tome都被迫调整策略来应对激烈竞争，而像Adobe这样的传统巨头却通过快速行动，关闭了AI优先设计初创公司希望利用的机会窗口。与此同时，有些公司仍然相对安全，至少目前如此。Airbnb的CEO Brian Chesky表示，将AI融入产品需要数年时间，显然他们并未面临生成式AI繁荣带来的迫在眉睫的威胁。这种差异化的影响模式，正是我们需要深入理解的核心问题。

一、PMF失效：一个前所未有的现象正在上演

在深入讨论风险评估之前，我想先谈谈Ravi提出的一个核心概念：Product Market Fit Collapse，也就是PMF大规模失效现象。这是科技史上前所未有的情况。过去，Product Market Fit的门槛是渐进式提升的，就像杰夫·贝佐斯在1998年股东信中写的那样：“客户的期望永远不会停滞不前，它们会不断上升。这是人性。我们不会因为满足现状而从狩猎采集时代发展到今天。人们对更好方式有着贪婪的需求，昨天的‘哇’很快就会变成今天的‘普通’。”但那时候，这种提升是可预测的、渐进的。

现在情况完全不同了。AI技术的扩散速度快到令人咋舌，客户期望不再是平稳上升，而是瞬间飙升。Ravi在讲座中引用了Casey Winters和Fareed Mosavat在Reforge Product Strategy项目中描述的PMF跑步机概念：红线代表PMF门槛，在技术转变期间，这个门槛会加速上升。但过去，这种加速主要是由于“技术扩散”造成的——人们需要时间上网或获得手机。而AI技术的扩散要快得多。ChatGPT只用了5天就达到了100万用户，这创造了一种前所未有的情况：客户期望不再是在较长时间内以可预测的线性速度上升，而是几乎瞬间激增。

这种变化创造了一个全新的现象：Product Market Fit Collapse，即PMF的大规模失效。这在科技史上是史无前例的。我深刻理解这个概念后发现，它不仅仅是市场竞争的加剧，而是整个产品价值验证逻辑的颠覆。

过去，一个产品达到PMF后，只要持续优化和迭代，通常能保持较长时间的市场地位。但现在，AI的出现可能让一个产品的核心价值主张在短时间内变得过时，即使这个产品之前拥有很强的市场地位。

Stack Overflow的案例特别能说明这个问题。软件开发者在工作中经常遇到技术难题——那些很难修复的bug会让开发进度停滞不前。为了继续推进，他们需要快速、可靠的答案。多年来，这意味着要转向Stack Overflow。这个平台建立了一个完美的良性循环：更多问题吸引更多答案，更多答案又吸引更多问题。开发者社区在这里分享知识，解决彼此的技术难题，形成了一个看似坚不可摧的生态系统。

但2021年底GitHub Copilot和ChatGPT出现后，一切都变了。开发者发现他们可以直接在编程环境中获得更快、更个性化的指导。几乎是一夜之间，那条通往Stack Overflow的稳定访问流开始衰退，其下降速度迅速且明显。开发者面临的问题并没有改变，但解决方案已经转变——从Stack Overflow的问答论坛转向AI助手。随着开发者迁移到其他地方，Stack Overflow曾经蓬勃发展的良性循环被打破了，网站的帖子、点赞数量以及最终的流量都出现了急剧下降。

这个案例让我深思的是，Stack Overflow不是因为产品质量下降而失去用户的，也不是因为出现了一个功能更强的竞争对手。而是整个问题解决的范式发生了转变，从社区协作式的问答模式，转向了个性化AI助手模式。这种转变的速度和彻底性，是传统的技术迭代完全无法比拟的。更可怕的是，当用户开始迁移时，原本的良性循环瞬间变成了恶性循环：用户减少导致新内容产生减少，新内容减少又导致平台价值下降，进而导致更多用户流失。

我认为这种PMF失效现象之所以前所未有，是因为AI同时具备了三个关键特点：技术门槛极低（任何人都能使用ChatGPT，不需要专门培训）、效果提升显著（通常比原有解决方案好几倍，而且是即时的）、以及获取成本极低（大部分AI工具都有免费版本或极低的使用成本）。这三个因素结合在一起，创造了一种“完美风暴”，让用户转换的阻力降到了最低，而转换的动力却达到了最高。传统的用户粘性机制——学习成本、转换成本、网络效应——在这种冲击下显得脆弱不堪。

二、AI Disruption Risk Assessment：重新审视产品竞争力的四个维度

基于Ravi的深度研究，我们可以从四个核心维度来评估产品面临的AI颠覆风险：用例风险（Use Case Risk）、增长模式风险（Growth Model Risk）、防御性风险（Defensibility Risk）和商业模式风险（Business Model Risk）。每个维度都包含多个具体因素，总共18个评估要素。

这个框架的价值在于，它不仅能帮我们识别风险，更重要的是能指导我们制定应对策略。我发现这个系统性的评估方法特别有价值，因为它迫使我们从多个角度审视产品的脆弱性，而不是仅仅依靠直觉判断。

第一个维度是Use Case Risk，主要考察AI如何影响用户与产品的交互方式。这里有8个关键因素需要评估，每一个都可能成为决定产品生死存亡的关键变量。首先是Primary Workspace vs Adjacent Tool的问题。你的产品是用户进行核心工作的地方（即主要工作空间），还是更大工作流程的一部分（即辅助工具）？我发现这个区别至关重要，几乎可以说是最难克服的风险因素之一。

生成式AI的杀手级应用场景出现在用户创造内容的地方——在编程环境中（如GitHub Copilot）、在写作界面上（如Notion AI）、或在设计画布上（如Figma）。如果你的产品位于用户工作空间的“下游”或外部，就更容易被替代。

我们在多个案例中都看到了这种模式。尽管Jasper是早期进入者，但当Notion和Office等主要工作空间添加了AI功能后，它还是失去了Product Market Fit。Stack Overflow也是如此，它是开发环境（如Visual Studio Code，GitHub Copilot插入其中）的辅助工具。现在开发者可以在不离开自己环境的情况下获得答案，Stack Overflow就变得不必要了。

虽然这是最难克服的因素之一，但并非不可能。例如，Grammarly（通常用作辅助工具）最近收购了Coda，以便在其客户群的某个细分市场中确立自己作为主要工作空间的地位。这个例子说明，通过战略性的产品扩展或收购，辅助工具也可以转变为主要工作空间。但这需要大量的资源投入和产品重新定位。

第二个关键因素是Outlier Output vs Commodity Output。你的产品是用来交付卓越品质的“异常值输出”，还是“商品化品质”就足够满足用户需求？尽管AI技术突飞猛进，但与人类的巅峰输出相比，它往往还有差距。服务于最苛刻用例的产品面临被AI颠覆的风险较小。相比之下，一些用例满足于快速、足够好的答案（如基础技术支持或市场研究）。在这些情况下，用户会转向能够快速、轻松、经济地提供可接受结果的AI产品。

虽然AI可达到的质量标准会继续提高，但总会有一个AI无法复制的“异常值”水平，以及寻求那种质量水平的客户。像Figma和Procreate这样的专业产品，将被用来生成Uizard和MidJourney无法匹敌的巅峰水平输出。正如我们之前讨论的，Chegg、Stack Overflow和Getty Images之所以脆弱，是因为他们的用户只需要“足够好”的内容。相比之下，像Figma这样的专业工具没有面临直接威胁，可以以更加审慎的步伐推出其AI路线图。

第三个因素是Human Judgement vs Pattern Recognition。你的产品/服务依赖人类判断，还是复杂的模式识别就能取代？虽然大语言模型非常强大，特别是最新的推理模型，但它们依赖于一种复杂的模式识别形式。在许多情况下，这种复杂的模式识别就是全部必要的。例如，EvenUp公司正在使用AI来撰写法律“索赔信”。这些信件遵循复杂但可预测的模式，曾经需要法律助理、律师助手和初级律师数百小时的工作。类似地，大语言模型现在在诊断常见疾病方面比医生更好。

然而，AI并非在所有用例中都表现良好，特别是那些需要细致入微判断或训练数据有限的情况。AI在复杂的庭审法律（如集体诉讼）或治疗罕见疾病方面的作用更为有限。这个区别让我意识到，那些需要深度背景理解、创造性解释和灵活应变的任务，仍然是人类的优势领域。

第四个因素是Hard to Automate vs Easy to Automate。你产品的核心用例能否完全自动化，还是涉及AI无法轻易替代的工作流程？这种区别在评估AI颠覆风险时至关重要。处理具有明确参数的结构化任务的产品可以完全自动化，而那些需要人类创造力、判断力和适应性的产品仍然抗拒完全自动化。

这种区别在内容创作中很明显。像Spiral这样的AI工具可以轻松地将现有材料（比如播客转录）转化为衍生作品（如社交媒体帖子）。相比之下，创造原创、引人注目的源材料——开发品牌声音、制作叙事策略或产生思想领导力内容——对AI来说仍然具有挑战性，因为它需要深度的上下文理解和因项目而异的创意洞察。

第五个因素是Conservative Customers vs Tech-Forward Customers。你的客户在技术采用曲线上处于什么位置？客户群体的特征显著影响你对AI颠覆的脆弱性。技术前沿的早期采用者会迅速尝试新工具，当出现更好的替代方案时会毫不犹豫地放弃现有解决方案。相比之下，被既定流程束缚的保守客户采用创新的速度较慢，这为你提供了抵御快速颠覆的缓冲。

Fareed Mosavat在最近的播客中提到了一个很好的观点：“我们今天看到的真正颠覆发生在采用曲线的顶端（代码、设计、技术、学生）。服务不那么精通技术客户的企业可能不太容易受到影响。”你的受众在采用曲线上越早，Product Market Fit崩溃的速度就越快。这些用户愿意测试新工具、放弃旧习惯，当出现明显升级时显示出很少的忠诚度。他们通常精通技术——如开发者——或者是有时间和好奇心探索新技术的年轻消费者。这就是为什么Stack Overflow的开发者群体和Chegg的学生受众是首批看到Product Market Fit崩溃的群体。

第六个因素是Human Relationship Matters vs Relationship Irrelevant。你的客户是否重视产品背后的人——治疗师、培训师、客户经理等——还是他们只关心结果？当买家与个人提供者形成强烈联系时，这些关系创造了保护企业免受AI替代的护城河。但如果客户以结果为导向，对谁来交付漠不关心，他们更有可能接受AI解决方案。

这就是为什么像Fiverr和99designs这样的市场平台——在这些平台上速度和价格胜过创作者身份——容易受到Adobe Firefly和MidJourney等图像生成器的冲击。相比之下，像Substack、Patreon和BetterHelp这样更强调个人关系的平台因此处于更强的地位。

第七个因素是Varied Output vs Consistent Output。在你产品的输出中，一致性和可重复性有多重要？生成式AI本质上是概率性的——它可以从相同的输入产生不同的结果。这使得它非常适合欢迎甚至重视变化的任务，但不适合严格一致性至关重要的场合。

像Writer或Copy.ai这样的营销文案平台受益于AI生成新鲜、意外想法的能力；每次运行都产生新概念，正是用户想要的。相比之下，财务报告软件必须每次返回相同的数字——任何变化都可能产生严重的合规问题、监管担忧或决策错误。

最后一个因素是Frequent Use Case vs Infrequent Use Case。用户需要多频繁地使用你的产品？Reforge的Mastering Retention项目称这为产品的自然频率——人们面临你解决的问题并寻求解决方案的节奏。这种节奏塑造了每个参与和留存策略。

一些产品被频繁使用——例如Slack、Instagram和YouTube，每周、每天甚至一天中持续打开。其他产品，如Zillow和Carvana，可能每几年才使用一次。频繁使用的产品占据习惯区域。要打破习惯，新的AI产品必须提供英特尔的Andy Grove所说的“10倍力量”——价值的十倍跳跃，使转换变得不可抗拒。不频繁使用的产品落入遗忘区域。通常，用户忘记你的产品存在，从头开始搜索——给新的AI竞争对手获胜的机会。

三、Growth Model风险：AI如何重塑产品增长逻辑

第二个维度是Growth Model Risk，你的增长模式回答了一个看似简单的问题：你的产品如何增长？在你的团队中询问，你可能会听到各种回应——有些指向产品质量，其他指向渠道或财务模型。AI正在改变产品的增长方式——有时是微妙的，有时是根本性的。要了解它对你增长模式的影响，需要考虑三个关键因素。

首先是Stable Distribution Channels vs Disrupted Distribution Channels。我们需要从检查你增长模式依赖的分发渠道开始。这些渠道是否正在被AI颠覆？AI正在改变用户行为——不仅在你的产品内，而且在用户花费时间的每个平台上。

例如，AI正在颠覆Google搜索：ChatGPT、Claude和Perplexity正在从Google那里夺取流量；Google的“AI概览”功能正在从有机结果中拉走点击量；大量AI生成的内容正在促使Google更新其算法——通常以不可预测的方式。因此，严重依赖SEO的公司，如Tripadvisor、Yelp和Stack Overflow，都面临风险。

正如我们将在下面看到的，这种风险因为AI也在削弱通常驱动强SEO分发的用户生成内容增长循环而加剧。关于SEO和GEO，我之前也写过分析文章《SEO不香了？GEO领域的大额融资来了，英伟达和众多顶级机构共同押注2000万美金》和《a16z最新洞察：从SEO到GEO，流量的游戏规则正在如何被改写？》。

与此同时，其他公司发现他们的分发渠道不受AI影响，或者在某些情况下，AI甚至在加速分发。例如，企业销售渠道已被AI加强，因为它们受益于AI驱动的潜在客户识别（Clay）和参与工具（Day.ai）。这种差异化的影响让我意识到，同样是AI技术，对不同类型的分发渠道产生的影响完全不同。有些渠道被削弱，有些被加强，还有些基本不受影响。

第二个因素是Intact Growth Loop vs Weakened Growth Loop。AI是在加强还是在破坏驱动产品增长的基本机制？每个成功的产品都有一个核心增长循环——一个创造可持续扩张的自我强化周期。在那个循环的每一步背后都有一个激励用户行动的“为什么”。当AI破坏这些动机时，以前积极的增长循环可以迅速逆转方向。

例如，这种脆弱性在像Stack Overflow和Chegg这样的用户生成内容平台中特别明显。它们的增长循环历史上依赖于贡献者获得认可、声誉和帮助他人的满足感。随着AI工具现在可以立即生成类似的答案，人类贡献的动机减少了，整个增长循环开始瓦解。人们不再有动力去回答问题，因为AI可以更快地提供答案；没有新的高质量答案，平台对提问者的价值下降；提问者减少后，回答者获得的成就感和认可也减少，进一步降低了贡献的动机。

相比之下，以分享和协作为中心的增长循环通常能抵御AI颠覆，甚至从中受益，因为它们的价值源于人际联系而不是内容。例如，AI笔记工具Granola的快速增长部分得益于卓越的分享功能。这个例子说明，不是所有的增长循环都会被AI削弱，关键在于理解你的增长循环的核心驱动力是什么。

第三个因素是Direct Customer Relationship vs Mediated Customer Relationship。客户是直接访问你的产品，还是通过第三方？直接关系建立更强的忠诚度和留存。依赖中介的产品更容易受到影响——特别是当这些渠道转变或被AI颠覆时。

Tripadvisor和Airbnb的对比清楚地说明了这种动态。Tripadvisor严重依赖搜索引擎流量——用户通常在Google搜索后访问Tripadvisor，近70%的用户通过Google到达。这种依赖使他们容易受到搜索颠覆的影响。Tripadvisor最近宣布与Perplexity合作，这是他们预期主要分发渠道变化的关键步骤。相比之下，Airbnb与旅行者和房东建立了直接关系——只有约20%的流量来自Google。他们处于更有韧性的位置，这解释了为什么他们不急于推出AI驱动的应用程序。

我从这个分析中得出的一个重要洞察是，拥有直接客户关系的产品不仅更能抵御AI颠覆，还有更多时间来制定深思熟虑的AI策略。它们不需要匆忙响应，可以花时间真正理解AI如何为其客户创造价值，而不是仅仅为了跟上竞争而添加AI功能。

四、Defensibility风险：AI时代的护城河重构

第三个维度是Defensibility Risk。防御性是阻止竞争对手抢走你生意的因素。它是不仅帮助你今天获胜，而且让其他人明天难以追赶的一系列优势。没有防御性，增长只是动量——容易受到下一波颠覆的影响。AI正在改变防御性护城河的构建方式——在某些情况下，完全侵蚀它们。要了解你的产品在AI驱动的世界中保持多强的防御性，你需要评估五个因素。

第一个因素是Proprietary Data vs Public Data。你的产品依赖公开可获得的信息，还是你拥有AI系统无法轻易访问的独特、专有数据？在AI驱动的世界中，数据确实是新石油——但有一个关键区别：只有专有数据创造持久优势。建立在公共信息基础上的产品面临高颠覆风险，因为像OpenAI和Anthropic这样的前沿AI公司可以利用和综合相同的来源。

例如，OpenAI的Deep Research功能显著提高了市场研究公司的PMF门槛，使Gartner、Forrester和eMarketer等公司处于具有挑战性的位置。这些公司的价值主要建立在收集、分析和综合公开市场信息的基础上，而现在先进的AI系统可以执行类似的任务，通常速度更快、成本更低。相比之下，像Reforge Insight Analytics或Amplitude这样的分析平台拥有强势地位，因为它们处理通用AI模型无法访问的专有客户数据。这些专有数据创造了无法在没有访问底层信息的情况下复制的独特洞察。

我认为这个因素在未来几年会变得越来越重要。随着AI模型变得更加强大和普及，任何基于公共数据的价值主张都将面临压力。公司需要问自己：我们拥有什么独特的数据？这些数据如何为客户创造无法复制的价值？如果答案是“我们主要依赖公共信息”，那就需要紧急重新思考数据策略。

第二个因素是Data-Driven Value vs Content-Driven Value。你产品的价值是根植于启用个性化体验的独特数据，还是AI可以轻易复制的通用内容？主要提供信息内容的产品——如文章、指南或摘要——非常脆弱，因为AI系统现在可以快速、大规模地生成那种内容。相比之下，使用独特、专有数据来驱动个性化体验的产品更难复制，因此更具防御性。

考虑WebMD和Hims之间的差异。WebMD提供一般医疗信息和症状检查器——AI模型如ChatGPT现在可以生成类似质量的内容。另一方面，Hims基于个人健康数据和病史提供个性化治疗。因为这种体验根植于专有患者数据，通用AI在没有访问相同底层信息的情况下更难复制。

这种区别让我思考内容和数据驱动价值之间的根本差异。内容可以被复制和重新生成，但建立在独特数据集基础上的个性化体验需要访问那些特定的数据。这就是为什么那些拥有丰富、独特数据集的公司在AI时代有显著优势的原因。

第三个因素是Emotional Engagement vs Functional Utility。你的产品通过提供功能性效用还是情感参与来交付价值？专注于纯效用——帮助用户高效完成特定任务——的产品面临高颠覆风险，因为AI显著提高了效率。相比之下，提供情感参与和娱乐价值的产品保持更强的韧性，因为它们的核心价值主张围绕体验而非纯效率。

这就是为什么我们看到AI影响娱乐行业的创作端，但不是消费端。AI被用来更高效地开发游戏、生成特效和编写剧本（即它被用于使创作更高效的功能性效用）。然而，消费者面向的例子有限。最好的游戏和节目依赖于与观众的情感连接，这超越了AI今天的能力。

我发现这个区别特别深刻。当我们构建产品时，我们经常关注功能和效率，但在AI时代，情感价值可能是最重要的防御性护城河。那些能够创造深度情感连接、带来愉悦体验、满足人类心理需求的产品，将比那些仅仅解决功能问题的产品更难被AI替代。

第四个因素是Strong Network Effects vs Weak Network Effects。你的产品是否有AI无法替代或模拟的强网络效应？传统的网络效应依赖于一个简单公式：“更多用户=更多价值”。过去，像Quora这样的平台从网络效应中显著受益——Quora网络的规模使用户容易在预先存在的档案中找到答案，或者通过大型、活跃的用户群体快速获得新问题的答案。

然而，这些网络效应正在被AI颠覆。今天，LLM可以通过生成高质量、个性化的答案来“模拟”Quora大型用户群体的好处。Quora面临着与Stack Overflow和Chegg类似的挑战。当AI可以提供即时、准确的答案时，等待社区回应的价值就大大降低了。用户不再需要依赖其他人的知识和经验，因为AI可以综合和生成类似质量的内容。

但是，一些网络效应确实持久。像Etsy这样的手工艺品市场受益于复杂的人为驱动动态——策展、信任和社区参与——这些对AI来说仍然具有挑战性，保持了来自真正用户网络的独特价值（而不是内容库）。考虑你产品的网络价值是来自AI难以复制的真实用户互动，还是来自AI可以轻易模仿的因素。

这让我思考网络效应的本质正在发生变化。传统的信息聚合型网络效应确实容易被AI模拟，但基于信任、情感连接、创意协作的网络效应仍然具有独特价值。未来的竞争优势可能更多来源于促进真实人际连接的能力，而不是简单的信息收集和分发。

第五个因素是High Switching Costs vs Low Switching Costs。从你的产品转换到竞争对手是否容易，还是存在重大的技术和组织障碍？例如，我尝试新的笔记应用很容易。我可以下载它，试用，看看它是否提高我的个人生产力。然而，对于像Notion这样深度集成到团队工作流程中的文档平台，障碍要高得多。这就是为什么AI笔记应用（如Granola）吸引了人们的注意，但AI尚未威胁到像Notion、Google Docs和Office这样的现有文档平台。

不同的客户群体对于克服转换成本需要多少收益有不同的阈值。例如，企业客户由于采购、培训和集成的复杂性，通常需要5~10倍的改进来证明转换的合理性，而个人消费者如果好处明确且立即，可能会为2倍的改进而转换。

此外，数据可移植性和不断发展的数据法规等因素使得转换的某些元素变得更容易，改变了转换的摩擦和潜在奖励。理解这个比率是评估你的客户群体对AI替代方案脆弱性的关键。我观察到，那些建立了高转换成本的产品——无论是通过技术集成、数据锁定还是工作流程嵌入——在AI时代具有显著优势。

五、Business Model风险：AI重塑盈利逻辑

第四个维度是Business Model Risk。你的商业模式回答了另一个基本问题：你的产品如何赚钱？在AI塑造的世界中，货币化模式的关键维度可能会发生变化。重要的是，虽然软件传统上受益于接近零的边际成本，但AI引入了必须纳入货币化决策的非平凡成本。

第一个关键因素是Value-Based Pricing vs Per-Seat Pricing。你的定价如何反映你产品交付的价值？定价从来不是完美的科学，但AI使它变得更加棘手。传统的按席位模式假设每个用户都需要访问——但有了AI，一个人通常可以做许多人的工作。因此，客户可能购买更少的席位，即使你的产品交付更多价值，你的收入也会缩减。

同时，AI引入了有意义的成本。不是所有用户都相等——一些人大量使用AI，产生计算成本，而其他人几乎不参与。固定的按用户定价可能导致重度用户变得无利可图，而轻度用户悄悄地补贴他们。这创造了一个复杂的经济学问题：如何公平地分配成本，同时保持产品的可访问性和吸引力。

这就是为什么公司正在重新思考他们的定价。例如，Intercom从按席位定价转向基于AI解决的支持工单收费——这个模式更紧密地跟踪交付的价值。这种转变反映了一个更广泛的趋势：从基于访问的定价转向基于使用或结果的定价。

不要忘记竞争格局。许多客户现在将企业AI工具与像ChatGPT这样的消费应用进行基准比较。他们的期望被锚定——他们的支付意愿可能比你想象的要低。当用户可以免费获得GPT-4级别的AI能力时，他们为企业AI工具支付高价的意愿自然会下降。这种“消费者AI锚定”效应正在压缩整个企业AI市场的定价空间。

我认为这个定价挑战将迫使很多公司重新思考他们的价值主张。不能再简单地说“我们有AI功能”，而需要清楚地阐述这些AI功能如何为特定客户群体创造独特、可衡量的价值。价值主张需要从功能导向转向结果导向。

第二个因素是Strong Unit Economics vs Weak Unit Economics。你的利润率对AI颠覆有多脆弱？正如我们讨论的，AI通过随使用量扩展的计算成本引入了重大的可变费用。在已经微薄利润率上运营的产品面临高风险，因为这些新成本进一步压缩盈利能力。

我们之前讨论过像Fiverr和Upwork这样的自由职业者市场如何发现自己与Gen AI驱动的设计工具竞争。这些市场在相对微薄的利润率（约20%）上运营，因为它们在创作者补偿和平台可持续性之间保持平衡。它们现在面临来自像Adobe这样公司开发的AI驱动创作工具的增加压力，Adobe享有更健康的利润率（约40%）。Adobe可以吸收AI计算成本同时保持盈利能力，还可能通过自动化创意解决方案从零工工作者那里夺取市场份额。

这个例子说明了一个重要趋势：在AI时代，利润率健康的公司将有显著优势。它们可以更轻松地投资AI能力，吸收相关成本，并可能以较低价格提供AI增强服务，从而压垮利润率较薄的竞争对手。这种动态可能导致某些行业的进一步整合，因为只有最有利可图的玩家能够在AI转型中生存和繁荣。

六、我对AI Disruption Risk Assessment的深度思考

在深入研究了Ravi的框架并将其应用于各种案例后，我有几个深层思考想要分享。首先，我认为我们正在经历的不仅仅是技术替代，而是整个商业逻辑的重构。传统上，我们习惯于通过增加功能、改善界面、优化流程来提升产品竞争力。但AI时代的竞争逻辑完全不同：谁能更好地理解和满足用户意图，谁就能获胜。这不是增量改进，而是范式转变。

我特别注意到一个现象：那些看似安全的产品，往往是因为它们的核心价值难以被量化或复制。比如Airbnb的CEO Brian Chesky说，将AI融入产品需要数年时间，他们并不面临来自生成式AI的迫在眉睫的威胁。为什么？因为Airbnb的核心价值不仅仅是房源信息，而是信任、体验、社区感这些难以被AI完全复制的元素。这给我们一个重要启示：在AI时代，那些能创造独特人文价值的产品将更有韧性。

另一个深层观察是关于网络效应的演变。传统的网络效应遵循“更多用户=更多价值”的简单公式，但AI正在改变这个等式。像Quora这样的平台，过去依靠庞大的用户网络来提供快速、高质量的答案。现在，一个大语言模型就能“模拟”这种网络效应，生成个性化的高质量答案。这种模拟的网络效应正在削弱真实网络的价值。

但并非所有网络效应都会被削弱。那些依赖复杂人际动态的网络仍然有价值，比如Etsy这样的手工艺品市场。它的价值来自策展、信任、社区参与这些AI难以复制的人性化元素。这让我意识到，未来的竞争优势可能更多来自于人与人之间的真实连接，而不是信息的聚合和分发。

我还观察到一个有趣的现象：AI对不同客户群体的冲击速度差异巨大。正如Fareed Mosavat在播客中指出的，“我们今天看到的真正颠覆主要发生在采用曲线的顶端（代码、设计、技术、学生）。服务于不那么精通技术的客户的企业，受到的冲击可能较小。”这说明了解你的客户画像对于评估AI风险的重要性。技术前沿的早期采用者会迅速尝试新工具，他们对产品忠诚度低，一旦发现更好的替代方案就会果断转换。

从商业战略角度看，我认为我们正在进入一个“AI原生”产品与“AI增强”产品的分化时代。那些从一开始就围绕AI能力设计的产品，往往比后来加入AI功能的传统产品更有优势。这不仅仅是技术架构的问题，更是产品哲学的根本差异。AI原生产品把AI视为核心能力，整个用户体验都围绕AI的优势设计；而AI增强产品更多是在现有体验上增加AI功能，往往难以发挥AI的真正潜力。

还有一个值得深思的问题是成本结构的变化。传统软件享有接近零边际成本的优势，但AI引入了实际的计算成本。这不仅影响定价策略，也影响产品设计。你需要在AI能力和成本控制之间找到平衡点。更重要的是，这种成本结构的变化可能会重新定义整个行业的竞争格局。那些有能力承担高计算成本的大公司，可能会获得显著的竞争优势。

我也深入思考了时间维度的问题。Ravi的框架主要关注当前的风险评估，但我认为还需要考虑AI能力提升的速度。当前看似安全的产品，可能在6个月或1年后就面临威胁。AI技术的发展速度远超大多数人的预期，今天GPT-4做不到的事情，明天的GPT-5或Claude 4可能就能做到了。这意味着风险评估需要动态进行，不能一次评估就高枕无忧。

从投资和战略角度来看，我认为现在是重新审视产品路线图的关键时刻。那些在AI Disruption Risk Assessment中得分较高的产品，需要紧急制定AI防御或转型策略。这可能包括：投资专有数据收集、转向基于价值的定价模式、加强客户关系的情感纽带、或者完全重新设计产品来利用AI而不是被AI替代。

我还注意到一个重要趋势：AI正在创造新的护城河类型。传统的护城河如规模经济、网络效应、品牌价值在AI时代仍然重要，但新的护城河正在出现。比如AI模型的质量和独特性、专有数据的稀缺性、AI与人类协作的优化程度等。那些能够在这些新维度上建立优势的公司，将在AI时代获得持久的竞争优势。

七、计算你的AI脆弱性得分：从评估到行动

现在你已经从所有18个因素评估了你的产品，是时候计算你的整体脆弱性得分了。对于每个因素，你分配了从1（低风险）到7（高风险）的分数。将这些分数相加以确定你的总脆弱性得分：

18~36分表示低脆弱性——你处于对抗AI颠覆的强势地位，拥有重要护城河；

37~72分表示中等脆弱性——你面临一些挑战，但有机会加强你的地位；

73~126分表示高脆弱性——你的产品面临AI颠覆的重大风险，需要紧急行动。

这个分数提供了一个起点，但真正的价值来自识别具体的弱点领域。寻找你得分5分或更高的因素——这些代表你最紧迫的脆弱性，应该在你的AI策略中优先考虑。我建议不要仅仅关注总分，而要深入分析每个维度的得分分布。某些维度的高风险可能比其他维度更容易解决。

例如，如果你在Business Model Risk上得分很高，主要是由于定价模式问题，这可能比Use Case Risk中的根本性产品定位问题更容易解决。定价可以调整，但重新定位产品作为主要工作空间而不是辅助工具需要完全不同程度的资源和时间投资。

我还建议将这个评估作为团队练习进行。不同的团队成员——产品、工程、销售、客户成功——可能对同一因素有不同的风险感知。这些差异本身就很有价值，因为它们揭示了组织内部对AI威胁理解的差距。通过团队讨论达成共识的过程，往往比最终得分更有启发性。

对于那些得分较高的公司，我的建议是不要恐慌，而要将此作为战略规划的催化剂。高风险得分并不意味着注定失败，而是意味着需要紧急而深思熟虑的行动。历史上，许多伟大的公司都是在面临生存威胁时做出了最大胆、最成功的转型。

基于得分结果，我建议制定三个时间层次的应对策略：立即行动（0~3个月）、中期调整（3~12个月）和长期转型（12个月以上）。立即行动可能包括加强客户关系、优化定价模式、或开始收集更多专有数据。中期调整可能涉及产品功能的重新设计、新的增长渠道探索、或战略合作伙伴关系的建立。长期转型可能需要完全重新思考产品价值主张、目标市场、甚至商业模式。

八、更多的PMF失效正在路上：为什么现在行动至关重要

我深信，我们现在看到的只是开始。我们正处于AI技术转变的最初阶段。随着AI以不断加速的速度改进，客户期望将增加，公司将需要进化以保持相关性。游戏规则已经改变，但大多数领导者还没有准备好。Ravi在他的分析中明确指出了这一点：我们正在经历一个前所未有的竞争加剧时期，传统的产品策略可能不再有效。

Stack Overflow和Chegg只是早期案例，未来几年我们会看到更多类似的PMF失效事件。我特别关注几个可能出现下一波颠覆的领域。首先是企业软件中那些主要提供信息聚合和基础分析的产品。当AI能够直接从原始数据源生成洞察时，那些充当“中间层”的产品就岌岌可危了。我们已经看到OpenAI的Deep Research如何冲击市场研究行业，类似的冲击很可能会扩展到商业智能、数据可视化、甚至某些类型的咨询服务。

其次是教育培训行业，特别是那些提供标准化内容的在线课程平台。AI个性化教学的能力可能会重新定义整个教育体验。想象一下，当AI可以根据每个学习者的知识背景、学习风格和进度提供完全个性化的教学内容时，传统的“一刀切”课程模式还有多少价值？那些主要依靠录播课程和标准化测评的平台可能面临严重挑战。

还有一个我认为值得关注的领域是内容创作工具。虽然像Figma这样的专业设计工具短期内相对安全，但随着AI创作能力的提升，即使是专业级的创作工具也可能面临挑战。关键问题是：当AI能够生成接近专业水准的作品时，“专业”的定义是否会发生改变？客户对“专业品质”的期望是否会随着AI能力的提升而同步提高？

我还观察到一个重要趋势：AI正在创造“能力通胀”现象。就像经济通胀会侵蚀货币购买力一样，AI的快速发展正在侵蚀传统技能的稀缺性价值。以前需要专业技能才能完成的任务，现在普通用户通过AI工具就能完成。这不仅影响个人职业发展，也深刻影响了B2B服务市场的格局。

从积极的角度看，我也看到了巨大的机会。那些能够有效利用AI、而不是被AI替代的产品，将获得前所未有的竞争优势。关键在于找到AI的边界，在AI无法触及的领域建立深度护城河。这可能包括复杂的人际关系、深度的情感连接、独特的文化价值，或者需要高度个性化和背景理解的服务。

我认为成功应对AI颠覆的关键在于转变思维模式。不要把AI视为威胁，而要把它视为重新定义价值创造的机会。问问自己：在一个AI能处理大部分标准化任务的世界里，你的产品能创造什么独特价值？你能提供什么AI无法复制的体验？这些问题的答案将决定你的产品在AI时代的命运。

最终，我相信能在AI时代生存并繁荣的产品，将是那些真正理解人性、能够创造深度连接和独特体验的产品。技术会不断进步，但人类对意义、连接和独特体验的需求是永恒的。关键是如何在AI的能力基础上，构建这些无法被替代的人文价值。现在就开始行动，因为时间窗口正在迅速关闭。那些能够率先适应新游戏规则的产品和公司，将在这场史无前例的技术变革中脱颖而出。

本文来自微信公众号：深思圈，作者：Leo