AI 时代如何建立非对称增长优势：从 Product-Channel Fit 到大 B 销售
很多创业者默认了一条增长公式：产品足够好，用户自然会来；如果增长不够快，就继续买量、加投放、做更多内容。
但《建立 AI 时代的“非对称优势”：找客户、卖产品、选渠道》提出了一个更尖锐的判断：产品能力只是增长系统的一个输入，真正决定上限的，是产品是否找到了适合自己的用户、渠道和销售方式。
这期视频由「课代表立正」对话 Hockey Stick 创始人陈唱，主题覆盖从冷启动到规模化收入的多个环节。视频简介提到，Hockey Stick 以 8 人团队管理大量 AI Agent，为上百家硅谷高增长企业提供服务，并累计创造 350 亿次曝光；这些数字属于视频页面对嘉宾业务的介绍，本文不将其当作独立审计后的行业统计。
本文根据视频公开页面、章节和简介整理，不是逐字稿。文章中的“视频观点”用于概括访谈方向；后面的检查清单和工程化建议，是本文为了方便实践而做的延伸。
一、先换一个增长问题：不是“产品好不好”，而是“它在哪个系统里能增长”
AI 产品的增长通常同时受到四个变量影响：
产品价值
× 目标用户的紧迫性
× 用户发现产品的渠道
× 从试用到付费的转化方式
= 可持续增长的可能性
这不是一个可以用来精确预测收入的公式，而是一个用来避免单点思考的框架。
如果产品价值为零，渠道再强也只能带来一次性流量；如果用户没有强烈需求，产品再先进也很难形成留存；如果渠道和产品的表达方式不匹配，营销费用会被浪费在错误的人群上；如果试用用户无法转化为长期客户，增长最终会被 Churn（流失）抵消。
因此，AI 产品早期最重要的问题通常不是：
“我们还应该投多少广告？”
而是：
“哪一类用户，在什么场景下，会主动寻找这样的产品，并且愿意持续付费？”
二、AI Agent Manager：一个人管理一组可执行的增长单元
视频开头讨论了“AI Agent Manager”，并把它描述为 AI 时代一种新的管理范式。这个角色并不是简单地“多开几个聊天窗口”，而是把原本需要多人协作的运营工作拆成一组可以被 Agent 辅助执行、检查和复用的任务。
例如，一次完整的增长活动可以拆成：
市场与用户研究
→ 找到潜在创作者或渠道
→ 生成个性化沟通素材
→ 跟踪发布与曝光
→ 识别高表现内容
→ 复盘转化与留存
在人力团队中，这些工作可能分散在市场、内容、商务、数据和运营岗位。AI Agent Manager 的关键能力，是把任务拆小，并为每个任务配置明确的输入、输出和验收条件：
| 工作单元 | 输入 | 输出 | 人工需要检查什么 |
|---|---|---|---|
| 用户研究 | 访谈、评论、公开讨论 | 用户痛点与场景分类 | 是否把愿望误判成刚需 |
| 渠道发现 | 行业、受众、内容主题 | 候选渠道或创作者清单 | 受众是否真的重合 |
| 内容准备 | 产品能力、案例、用户语言 | 不同渠道的内容草稿 | 是否符合渠道语境 |
| 活动跟踪 | 发布记录、曝光、点击 | 活动状态与异常提醒 | 数据归因是否可靠 |
| 结果复盘 | 转化、留存、反馈 | 下一轮实验建议 | 是否把相关性当成因果性 |
这里最值得借鉴的，不是“一个人可以取代几十个人”这样的口号，而是工作方式的变化：管理者不再只管理人，也开始管理任务分解、上下文、Agent 权限、质量检查和反馈回路。
一个实用的起点是先挑选一条重复频率高、风险可控、结果容易检查的流程，把它做成半自动工作流；等输入和验收标准稳定后，再逐步增加 Agent 的执行范围。
三、红人营销不是效果广告：曝光背后还有一个“信任转换层”
视频的第三个章节讨论“爆款率 10%：红人营销背后的科学与经验”，并进一步强调：红人营销不能简单按照效果广告的逻辑来管理。
效果广告通常更接近一个可直接优化的投放系统：预算、受众、素材、点击、转化可以被放进同一套报表中比较。但红人或创作者渠道还多了一层内容和信任关系：
产品信息
→ 创作者理解产品
→ 创作者用自己的语言重新表达
→ 受众在具体语境中建立信任
→ 用户产生兴趣或行动
这意味着同一个产品，即使给不同创作者相同预算和素材，也可能得到完全不同的结果。低表现不一定说明创作者没有价值，也可能是：
- 产品与创作者的受众没有真实重合；
- 产品价值无法在该创作者的内容语境中被解释；
- 让创作者照搬广告文案，失去了原有可信度；
- 只看曝光或点击，没有追踪后续激活、付费和留存；
- 用短周期投放回报去评价需要信任积累的渠道。
因此，红人营销的核心指标不应该只有“发了多少条”和“获得多少曝光”，还应该观察：
| 层级 | 需要回答的问题 |
|---|---|
| 受众匹配 | 看到内容的人是不是潜在用户？ |
| 内容匹配 | 创作者能否用受众熟悉的方式解释产品？ |
| 行为质量 | 用户是否完成注册、激活和关键动作？ |
| 商业质量 | 用户是否付费并持续使用？ |
| 可复制性 | 这次成功能否迁移到相似创作者或相似场景？ |
视频章节中的“10%”更适合被理解为一个需要实验、筛选和复盘的信号，而不是适用于所有产品和所有平台的固定行业基准。不同产品、内容类型、受众和归因窗口，都可能改变这个比例。
四、增长的底层任务：找到 Product-Channel Fit
Product-Market Fit 讨论的是产品是否满足市场需求；视频进一步强调了 Product-Channel Fit：产品是否通过某个特定渠道，以适合该渠道的方式，被正确的人发现和理解。
一个产品可能满足市场需求，却没有找到可复制的分发方式。例如：
- 开发者工具在技术社区有很强口碑，但不适合泛娱乐广告；
- 企业软件可以带来很高合同金额，但无法靠一次短视频完成决策；
- 面向创作者的工具适合通过示范作品传播，但不一定适合长篇功能列表；
- 面向专业用户的产品需要案例和同行背书，单纯追求流量可能反而带来错误注册。
寻找 Product-Channel Fit，可以按下面的顺序做：
1. 先定义“谁会在什么时候主动寻找你”
不要只写“所有需要 AI 的人”。应该进一步描述触发场景：
- 谁在什么任务上遇到高频痛点？
- 这个痛点发生时，用户会搜索什么词、咨询谁或浏览什么内容？
- 用户现在用什么替代方案？
- 替代方案最让人不满意的地方是什么？
2. 找到用户已经信任的表达者
渠道不是一个抽象的“平台名称”，而是一组用户关系。用户可能相信某位创作者、某个专业社区、某类案例、某个工具生态或某位行业顾问。
所以，与其问“哪个平台流量最大”，不如问：
“谁已经在这个用户面前解释过类似问题，并且拥有足够的信任？”
3. 用完整漏斗衡量渠道
最低限度要把以下事件串起来：
曝光 → 点击 → 注册 → 激活 → 关键行为 → 付费 → 留存
如果只能看到曝光，就无法知道渠道带来的是潜在客户、好奇用户，还是一次性流量。
五、Enterprise 与 PLG：不是二选一，而是两个阶段的增长机制
视频在 10:04 进入 Enterprise 与 PLG 产品的比较。PLG（Product-Led Growth，产品驱动增长）通常依靠用户自行注册、试用、邀请同事和扩大使用范围；Enterprise 销售则更依赖明确的预算负责人、采购流程、安全审查、合同和组织级部署。
两种模式的差异可以这样理解：
| 维度 | PLG | Enterprise 销售 |
|---|---|---|
| 进入方式 | 用户自行注册和试用 | 销售、顾问或合作伙伴进入组织 |
| 价值证明 | 用户较快完成关键动作 | 需要证明组织级收益、风险和治理能力 |
| 决策结构 | 个人或小团队即可开始 | 多角色参与，周期更长 |
| 产品要求 | 易上手、快反馈、低摩擦 | 权限、安全、集成、审计和服务能力 |
| 收入特征 | 单客金额较小但可规模化 | 客单价高，但获客和交付成本更高 |
PLG 的优势是让产品快速进入真实使用场景；Enterprise 的优势是把局部使用扩展成组织采购。但两者之间存在一个关键问题：
个人用户喜欢，并不等于公司会采购。
当产品真正进入企业，客户会继续询问权限、数据安全、合规、可观测性、集成、服务级别和责任边界。一个产品可以先用 PLG 获得早期采用者，再用 Enterprise 能力承接组织级需求；也可以从企业场景切入，在交付中沉淀产品化能力。
六、为什么“太通用”可能反而阻碍增长：Bardeen 复盘的启示
视频用 Bardeen 作为案例，讨论“太通用”可能成为增长的灾难。这里的重点不是判断 Bardeen 的全部经营结果，而是提炼一种产品定位风险：
当产品能做很多事情，却没有让某一类用户立即知道“它最适合帮我完成什么”，增长会变得困难。
通用能力本身没有错，但早期产品通常需要一个足够具体的入口。用户更容易理解下面两种表达中的第一种：
| 模糊表达 | 具体表达 |
|---|---|
| AI 自动化平台 | 帮销售把邮件中的线索自动录入 CRM，并生成下一步跟进任务 |
| 浏览器 Agent | 把指定网站上的供应商价格整理成可比较的表格 |
| 一站式工作助手 | 帮招聘团队把候选人资料按岗位标准初筛并标注依据 |
具体场景还有三个额外好处：
- 更容易找到第一批用户，因为用户能对号入座。
- 更容易选择渠道，因为场景决定了用户聚集在哪里。
- 更容易证明价值，因为结果可以和原来的手工流程比较。
这不意味着产品永远只能做一件事。更稳妥的路径是：
一个明确场景
→ 一类可识别用户
→ 一条可复用流程
→ 相邻场景扩展
→ 平台化能力
先用具体场景建立认知和留存，再逐步暴露更通用的能力，通常比一开始把所有可能性都写在首页上更容易形成增长。
七、Churn 为什么会把“增长”重新定义
视频的后半段讨论 Churn，并提出一个重要问题：为什么很多 PLG 产品最终仍然需要走向大 B 销售？
因为新增用户只是收入的一部分。更完整的增长账本至少要同时观察：
新增收入
+ 扩张收入
- 流失收入
- 降级收入
- 获客与服务成本
= 更接近真实的增长质量
如果产品不断获得新注册，却无法让用户持续使用，表面上的增长可能只是“不断补充漏水的桶”。Churn 迫使团队回答几个更难的问题：
- 用户为什么第一次使用后没有回来？
- 产品解决的是一次性任务，还是持续性问题？
- 付费人和使用人是不是同一个角色？
- 当产品进入组织后，谁负责推广使用和续费？
- 用户流失是产品价值不足，还是预算、权限、集成和采购问题？
大 B 销售的价值不只是提高客单价，也可能帮助产品解决组织层面的留存问题：明确负责人、建立部署计划、完成系统集成、推动更多团队使用，并把产品从个人工具变成业务流程的一部分。
因此，PLG 与 Enterprise 不应该被理解为互相排斥的信仰。更有用的理解是：
- PLG 负责降低第一次使用的门槛；
- 产品使用负责证明局部价值；
- Enterprise 销售负责承接组织级价值、风险与预算；
- 客户成功和扩张负责减少流失、扩大使用范围。
八、把视频观点落到一个 AI 产品增长检查表
如果你正在做一个 AI 工具、Agent 或开发者产品，可以用下面的问题做一次自检：
产品定位
- 我能否用一句话说清楚“为谁解决什么问题”？
- 用户第一次看到产品时，能否在几秒内判断自己是否属于目标人群？
- 当前产品是否过于通用，以至于没有明确的第一入口？
用户与渠道
- 用户产生需求时会去哪里寻找解决方案？
- 这个渠道的内容形态、信任结构和决策周期是什么？
- 我是在追求最大曝光，还是在寻找最匹配的受众？
- 渠道带来的用户是否完成了关键激活动作？
运营与 Agent
- 哪些增长任务重复、可检查、风险较低？
- 每个 Agent 的输入、输出、权限和失败处理是否明确？
- 重要事实是否有来源，重要动作是否需要人工批准？
- 活动结果是否会回写到下一轮工作流？
商业与留存
- 用户为什么会持续使用，而不是只试一次？
- 谁是使用者、影响者、预算负责人和最终签约人？
- 当产品从个人使用扩展到团队使用时，缺少哪些权限、集成和治理能力？
- 我是否同时观察新增、扩张、降级和流失？
结语：AI 变了，用户需求没有消失
这期访谈最值得保留的，不是某一个渠道技巧，也不是“8 个人管理多少 Agent”的猎奇数字，而是一个更基础的判断：AI 会改变生产效率和组织结构，但不会替你完成需求识别、价值证明和商业选择。
在 AI 时代建立非对称优势，可能意味着：
- 用更少的人管理更多可复用的任务单元。
- 用具体场景而不是抽象平台寻找第一批用户。
- 为产品找到真正匹配的渠道，而不是盲目追求流量。
- 用完整漏斗和 Churn 衡量增长质量。
- 在 PLG 的低摩擦体验与 Enterprise 的组织级价值之间建立连接。
如果把这些原则合并成一条可执行路径，可以从一个很小的实验开始：选定一类用户、一个高频场景和一条可能的渠道，连续记录曝光、激活、付费和留存，再根据结果决定是收窄定位、调整渠道，还是补齐产品能力。
来源与观看入口
- 原视频：建立AI时代的“非对称优势”：找客户、卖产品、选渠道｜对话硅谷增长专家，Hockey Stick陈唱
- 视频简介中的完整版：AI产品增长：如何让别人了解你的产品、选渠道、讲故事、算回报、测上限、选红人、落地增长策略、理解增长本质？｜Hockey Stick创始人陈唱
- 嘉宾介绍：陈唱 / Hockey Stick
- 视频页面显示发布于：2026 年 1 月 29 日