我们仍处于 AI 应用普及的早期阶段。在上一篇文章中，我概述了 AI 应用的演进路径及其网络效应潜力。时至今日，AI 1.0 版本仍大行其道——从 Lovable 这类”氛围编程”产品到 Status 这类仿社交网络。现在我们开始看到 AI 1.5 版本的早期尝试——用户与 AI 共同生成内容的广播式网络。这些网络大多存在相同痛点——用户留存率低下。

AI 1.5 与 1.0 版本有何不同？

在开始之前，我们先快速了解一下 AI 1.0 和 AI 1.5 应用。

这是我对 AI 1.0 应用的定义：

这类应用实现了用户与 AI 产品（即软件）之间的直接交互。

它们代表了基础模型出现后的第一波 AI 应用。我将其称为 AI 1.0 类别，因为用户直接与（企业创建的）AI 进行交互，类似于 Web 1.0 时代用户访问（企业创建的）信息的方式。

这里不存在网络效应的可能性 。当新增用户能提升产品对所有用户的价值时，网络效应才会出现——这需要多人互动，即两个或更多用户之间的交互。而此处的交互是单机模式，即用户仅与软件互动。因此从定义上讲，网络效应不可能存在。

简言之，这些都是同质化产品。低转换成本与趋同思维的结合导致了高强度竞争。这也使得行业巨头能直接与 AI 1.0 初创公司对抗。典型案例包括 Figma 和 Canva 抄袭 Lovable，Notion 复刻 Granola 的 AI 笔记功能 ，Meta 用自家 AI 广告创作工具对抗多家初创公司等。

相比之下，AI 1.5 应用介于纯软件与真正网络之间：

还有一类 AI 应用的产品形态超越了”纯软件/AI”范畴。用户通过简单操作生成 AI 内容或供给单元，这些内容随后会展示给其他用户。关键在于，AI 内容的创作过程毫无阻力，只需几次点击或简单指令即可完成。

理论上确实存在网络效应…用户增长会带来更多 AI 生成内容供其他用户互动。但问题在于创作供给（如 AI 聊天机器人或歌曲）的摩擦系数极低 ，达到内容临界规模的门槛同样很低。

这类公司包括 Suno 和 Udio 等。它们允许用户通过简单指令生成 AI 音乐，同时也能发现其他用户创作的音乐。相比 AI 1.0 时代，这些公司面临的竞争较小。但早期复制该模式的尝试已遭遇瓶颈。

AI 1.5 网络的核心问题：用户留存率低下

过去几个月里，我接触了大量处于 1.5 阶段的早期 AI 初创公司。它们有个共同点——完全以创作者为中心。乍看之下这并不意外，AI 确实能大幅提升内容创作效率，过去需要呕心沥血完成的工作，现在只需输入提示词（外加一些 GPU 算力）就能实现。

但这些初创企业普遍面临用户留存难题。为解决这个问题，多数创始人直接采用了”显而易见”的方案——让创作变得更简单… 堆砌更多 AI 功能 。毕竟创作是 AI 的强项，把这个优势放大应该能解决留存问题，对吧？大错特错。

事实上，AI 赋能的创作正是留存问题的根源。通过大幅降低创作门槛，AI 引发了内容量的爆炸式增长——无论是音乐、图像还是漫画等领域。但数量不等于质量，最终只会催生海量低质内容。这导致消费端兴趣寡淡、留存低迷。而缺乏强劲的消费端支撑，这些产品终将沦为平庸的 AI 1.0 工具。

正确解决方案：减少 AI 依赖，增加用户互动阻力

要解决这个留存问题，必须根治症结所在——内容质量。创作过程的低门槛导致了海量低质内容的产生。因此若想提升内容品质，就需要在创作流程中增加创作阻力，即引入限制条件或让创作变得更困难而非更容易。

解决方案应当要求用户投入更多而非更少的创造力。这可能导致创作者数量减少——不愿付出努力的用户将停止创作。但坚持创作的群体会在作品中注入更多思考与用心。最终，这些优质产出将激发网络消费端更浓厚的兴趣，从而提升用户留存率。

这为网络效应的形成创造了条件——创作者在平台上增加高质量内容产量，从而提升消费者获得的价值，而更多消费行为又会激励创作者持续产出。这种良性循环使产品更接近真正的 AI 2.0 网络 。

最后要记住，具有网络效应的产品往往打破常规认知。由于它们建立在多角色互动基础上，其效能取决于多个相互关联用户群体的体验。像”降低创作门槛”这类常规建议可能会适得其反——如果它是以牺牲某一用户群体的体验为代价来提升另一群体的体验。我建议您跟踪关键用户角色的使用旅程，然后有意识地做出权衡取舍，以优化整个网络体验 。