本文信息来源：a16z

今天的文章是来自 《AI 现状报告》 的众多洞察和经验之一，该报告由 OpenRouter 提供支持，这是一个 AI 推理平台，可访问数百个模型以及整个 AI 生态系统的真实使用趋势。完整的《AI 现状报告》请阅读以下内容：

MVP、流失率和旧的 SaaS 套路

在传统 SaaS 中，早期留存往往是一场艰苦战。常见的套路是：推出一个功能单薄的最小可行产品（MVP），然后匆忙充实功能，同时希望用户能够留下来。在早期阶段，迭代是被预期的，甚至是被鼓励的。创始人们祈祷迭代改进能够赢回流失的用户，或者至少能减缓这个漏水的桶。

这种动态多年来一直定义着 SaaS。你用手头的产品发布，看着许多早期用户流失，然后反复迭代以提高留存率。出色的留存率是金子般珍贵的，但众所周知，一开始就很难实现。正如 BK 所指出的，”留存率是应用的生命线，也是最难推动的指标”[2]。在 SaaS 世界中，初期用户流失几乎是一种成人礼：当然要尽量减少，但这在很大程度上是你必须为之做好计划的现实。

但现在，AI 世界正在发生一些奇特而神奇的事情。 旧的剧本正在翻转。 早期低留存率不再是常态，我们看到一些 AI 产品从最初的用户群体就实现了惊人的留存率，就好像这些用户找到了他们一直在寻找的东西，从此再也没有离开。这并非发生在每个 AI 产品上（远非如此），但一个值得每位创始人关注的新模式正在出现。我们开始将其称为灰姑娘 “玻璃鞋”效应 ，它正在颠覆我们对用户留存的理解。

AI 的新现实：当鞋子合脚时，用户紧紧相随

为什么有些 AI 产品能打破典型的 MVP-流失模式？答案在于我们称之为灰姑娘玻璃鞋效应的假设。这个比喻直接来自童话故事： 想象一组潜在”客户”（在我们的类比中就是灰姑娘本人）不断尝试一个又一个解决方案、一个又一个模型，寻找完美的匹配。 大多数产品要么太松、太紧，要么对待完成的工作来说不太合适。这些高价值问题，我们称之为未解决的工作负载，就像灰姑娘的脚，等待着恰到好处的玻璃鞋。

在当今狂热的 AI 领域，开发者们正在尝试令人眼花缭乱的各种模型。（作为一个数据参考，OpenRouter 的使用量在短短一年内激增了 10 倍，从 10 万亿个 token 增长到超过 100 万亿个 token。新的接口每天都在增加。）每次新版本发布时，团队都会快速测试： 这个新模型是否能更好地解决我的问题？ 在许多情况下，答案是”并不能”，于是他们就流失了，成为 AI”游客”——试用一次产品后就离开。 这是常态：大量的兴奋、短暂的实验，然后转向下一个新事物。

但偶尔会出现一个新的前沿模型，它确实以惊人的精准度解决了一个棘手的高价值问题。当这种情况发生时，就像找到了灰姑娘的玻璃鞋。特定的一群用户发现了工作负载与模型的契合 ——他们迫切需要的东西与 AI 所提供的能力之间的完美匹配。 这些用户的表现不像那些会流失的典型早期采用者；相反，他们坚定不移。他们将模型深度整合到自己的产品或工作流程中，投入大量工程精力围绕它进行开发，并有效地锁定下来。毕竟，如果这个模型终于像手套一样”契合”他们的用例，为什么还要换呢？

我们将这些最初的粘性用户称为基础群体 。他们通常在发布时就出现，当模型首次被誉为最先进技术时。他们被全新事物的承诺所吸引，如果这个承诺得以实现，他们的留存率会非常惊人。这就好像产品不仅仅找到了一个用户群；它在第一天就立即找到了理想的用户群。这完全违背了通常的 MVP 故事。 在 AI 领域，早期群体可能表现出比后来者更好的长期留存率。

为什么后来的用户忠诚度较低？因为一旦”玻璃鞋”群体找到了合适的匹配，后续用户往往只是更随意地尝试，或者他们的需求已经在其他地方得到了满足。 该模型不再是闪亮的新前沿；它现在只是众多工具之一，任何未满足的需求都会促使这些后来的用户跳转到下一个当红模型。 相比之下，基础群体仍然牢牢扎根，因为他们已经找到了完美的匹配。

基础群体的实际应用：两次发布的故事

要看到玻璃鞋效应的实际表现，可以看看最近的 AI 模型发布。我们分析了来自 《AI 现状：基于 OpenRouter 的 100 万亿 Token 实证研究》 的使用群体数据（通过 OpenRouter 数据全面观察真实世界的 LLM 使用情况）。留存曲线讲述了一个引人注目的故事。每个群体代表在特定月份开始使用给定模型的用户，然后显示这些用户在后续月份中仍然活跃的百分比（如果用户在之后的任何月份回来，即使中间有间隔，也计为”留存”）。

以谷歌的 Gemini 2.5 Pro 为例，这是一款在 2025 年中期作为顶级”前沿”模型首次亮相的旗舰模型。其 2025 年 6 月的发布群体表现得尤为突出：即使 5 个月后，该群体中仍有约 20%的用户在积极使用该模型 。对于使用单一模型的开发者群体而言，这是非常高的留存率。这表明在 6 月份，一批开发者在 Gemini 2.5 Pro 中找到了他们真正需要的东西，也许是先进的编码能力或准确性的飞跃，并因此坚持使用它。

现在将其与几个月后加入的群组进行比较，比如 2025 年 9 月或 10 月。这些较晚的群组流失更为严重；他们的留存曲线急剧下滑，意味着几乎所有这些用户在随后的几个月里都消失了。为什么？到 2025 年秋季，Gemini 2.5 Pro 不再是闪亮的新事物——更新的模型即将出现，而那些尚未找到完美契合的开发者仍在四处寻找。6 月的基础群组已经占据了该模型的主要用例，后来的用户最终更像是”探索者”而非定居者 。他们尝试了 Gemini 2.5 Pro，没有看到符合其需求的灰姑娘级别的契合度，然后就转向了其他选择。

我们在Anthropic 的**Claude 4 Sonnet上看到了类似的模式，这是同一时期的另一个前沿模型。其 2025 年 5 月的首发用户群在第 4 个月保留了大约40%的用户**，与 Gemini 大致相同，但相比 Claude 后来的用户群仍然表现突出。那些 5 月用户显然遇到了最佳时机（也许 Claude 4 的高级推理能力或超长上下文窗口解决了其他模型无法解决的问题）。Claude 4 Sonnet 图表中后来的用户群则讲述了不同的故事：秋季加入的用户流失更快，可能是因为到那时 Claude 4 已不再独特，他们未被满足的需求促使他们转向其他地方。

本质上， 当一个 AI 模型以明显的技术优势首次亮相时，它有一个短暂的窗口期来吸引基础用户群 。在这个窗口期内——可能只持续到下一个重大模型发布——第一批”试穿”该模型的用户要么找到契合点，要么没有。如果找到了，他们就会成为重度用户，在热度消退很久之后仍然保持产品活跃（并维持高使用率）。如果没有找到……那么之后的每一批用户看起来都一样：转瞬即逝、反复无常。

当玻璃鞋不合脚时：警示故事

如果”玻璃鞋”时刻从未到来会怎样？不幸的是，我们也有这样的例子：一些模型在发布时从未展现出独特的、具有粘性的优势。它们的留存图表看起来就像纯粹的商品曲线：每个队列的表现都一样（而且表现都很差）。

以 Gemini 2.0 Flash（谷歌早期一代的模型）或 Llama 4 Maverick 为例。这些模型带着不错的能力登场，但相比现有模型并没有明显的前沿突破 。结果是，没有任何队列形成持久的依附关系。无论用户是在第 1 个月还是第 10 个月开始使用，他们都以大致相同的速率涌入、试用然后流失。每个队列的留存曲线在图表底部附近令人沮丧地纠缠重叠——没有突出表现，没有基础用户群。简单来说， 这个产品从未找到产品市场契合点 。它直接发布到了我们可以称之为”足够好”的市场——一个有大量模型都能完成还算可以的工作、但没有一个能激发强烈忠诚度的领域。由于没有被视为品类领导者或新问题类别的解决方案，这些模型未能锁定任何重要的用户基础。

为什么基础用户群体比以往任何时候都更重要

在基础模型快速发展的时代，用户留存的重要性已经发生了变化。我们已经进入了一个 AI 能力飞跃式发展而非循序渐进的时代。每一次飞跃，都是征服新用例的机会：成为终于解决了之前未解决任务的第一个模型。如果你做到了，面临该问题的用户就会涌向你并留下来 。

这种”灰姑娘”动态对 AI 公司和投资者有着重大影响：

  • 产品市场契合度 = 工作负载-模型契合度： 在 AI 领域，实现产品市场契合度可能真的意味着比任何人都更好地解决一个高价值工作负载。这不太关乎广泛的功能集，而更多的是在关键维度上的深度 。当你达到那个最佳点时， 用户留存自然而然地跟随 ，因为用户终于得到了他们长期以来所需要的东西。
  • 重新定义的先发优势： 率先进入市场并不总是成功的保证——除非率先意味着在解决紧迫问题方面做得最好 。玻璃鞋效应表明， 第一个达到新能力水平的模型会锁定该能力的绝大部分忠实用户 。这些用户后来很难被撬走，因为他们现在已经围绕该模型建立了工作流程、业务，甚至思维习惯。切换到竞争对手的模型会产生再培训成本、质量风险和工程工作——这种高摩擦使原始配对保持紧密结合。用商业术语来说，这是由高转换成本驱动的经典锁定效应 。一旦 AI 模型深度嵌入，将其撬出就像强迫灰姑娘的鞋子套在不同的脚上一样困难。
  • **留存率作为北极星指标：**在新兴 AI 工具的淘金热中，人们可能会认为增长（注册量、采用率）就是一切。但**明智的创始人会同样关注留存率曲线**。是否有迹象表明正在形成基础用户群？是否至少有一个用户细分群体认为你的模型不可或缺？如果你看到所有用户群体都表现相同，快速流失，这就是一个危险信号——你可能需要加倍努力实现差异化，或瞄准更具体的痛点。相反，如果某个用户群体的留存率远高于其他群体，请深入研究他们。他们就是你的”水晶鞋”佩戴者，理解为什么你的产品契合他们的需求，可以为你的产品路线图（以及向投资者的宣讲）提供指引。
  • 前沿窗口期非常短暂： 数据表明，”前沿模型”的市场桂冠是短暂的。 每个新模型仅在很短的窗口期内被视为前沿，直到下一个竞争者到来。 这意味着 AI 公司只有短暂的时间来捕获那些难以捉摸的基础用户。这是一个给最难打动的用户——那些需求未被满足的用户——留下深刻印象的一次性机会。错过这个窗口期，你就只能在渐进式改进的壕沟中苦战。对于 AI 初创公司来说，这加大了产品发布的压力：几乎是孤注一掷 。成功的好处是巨大的（用户忠诚度高，甚至可能在某个细分领域形成准垄断）。平庸发布的代价则是严重的用户流失，以及日后艰难的差异化竞争。

结论：为”玻璃鞋”时刻而构建

灰姑娘玻璃鞋效应不仅仅是一个生动的比喻。它反映了人工智能如何重塑产品采用和留存的规则。在一个新模型不断涌现、开发者只需简单调用 API 就能切换的世界里，用户忠诚度似乎转瞬即逝。然而，正如我们所见，当一款人工智能产品真正满足深层需求时，它会创造出粉丝，而非游客 。这些早期粉丝会不离不弃，为整个业务的构建提供坚实基础。

对于人工智能领域的创业者和建设者来说，使命很明确：了解你所在市场中尚未解决的高价值问题。致力于成为第一个完全解决其中一个问题的人，即使范围较窄，也好过在拥挤的领域中构建一个”足够好”的半成品通用工具。这就是成为货架上又一双鞋与成为完美契合一直在寻找它的那只脚的玻璃鞋之间的区别。

归根结底，人工智能下一阶段的故事可能不仅仅关于谁的模型更大或更快。它可能由那些能够说出 “我们找到了真正需要我们的用户，四个月后，他们仍然与我们在一起” 的人来书写。这就是完美契合的魔力。