Figma 如何战胜 Adobe

一、Figma是如何战胜Adobe的？

Figma前一阵上市，吸引了很多的热度。

大家普遍的共识是，Figma是靠「协作」取胜的，这当然是事实，但一个很有意思的问题是：协作这个点，大家都能看到，为什么资源和积累更厚的Adobe却做不到呢？

答案是，Adobe不是没做「协作」的功能，而是他们对「协作」的理解和Figma有着本质的不同。

Adobe的整个逻辑，是围绕着「文件」（比如.psd或.ai文件）这个原子单位来构建的。

Figma的整个逻辑，是围绕着「元素」（比如一个按钮或一种样式）这个原子单位来构建的。

这个区别看起来很小，但决定了「协作」的形态完全不同。

在Adobe的世界里，「协作」更像是把一个本地文件传到云端，方便团队成员互相发送和下载，本质上还是文件的传递。

但在Figma的世界里，设计项目不再是一堆需要来回合并管理的文件。它变成了一个所有人都能实时进入的「画布」或「现场」。大家可以直接在同一个地方修改各自负责的元素，所有的修改都会被记录。这才是真正的「同步协作」。

Adobe所面临的困境，其实是很多现有巨头都会重复遇到的问题。他们是基于过去的成功路径和业务包袱来做改变，很难彻底抛开原有的逻辑。这就导致他们的方案不是基于新技术的「原生」方案。

想要Adobe真正做到Figma那样，无异于重构整个公司，这种内部的阻力和难度，比从零做一家新公司还要大得多。

在类似的逻辑下，还有很多领域是技术改变了原有的「最小原子单位」，进而改变了这些领域生态系统的结构。比如音乐领域，专辑曾经是最小的原子单位，因为黑胶唱片和CD的架构迫使歌曲被捆绑在一起。但随着MP3的出现，原子单位变成了歌曲。这一简单的转变催生了全新的发行架构：Napster、iTunes，以及最终的Spotify。

这对我们思考AI时代的机会也很有启发。我们也可以去想，AI带来的最底层的改变是什么？

比如，它有没有让某个领域的「最小工作单位」发生变化？

它有没有让组织体系的性质发生变化？

又或者，它有没有让整个生态系统的结构发生变化？

找到这些更底层的改变，可能就是新机会的真正入口。

二、Online RL开始跑通了？

我最近经常在想创业公司和模型本身竞争的终局是什么，到底什么才是应用公司真正的壁垒？类似Cursor、Manus这样的公司最终该如何和模型大厂竞争？

Cursor最近发的一篇技术博客，也许提供了一个解答的思路。这篇文章讲的是它们怎么用在线强化学习来优化Tab这个代码补全功能的。

Tab是Cursor的一大killer feature，它会自动预测用户接下来要写的代码，用户只要按下Tab键就能自动输入。

为了让代码预测得更准，Cursor直接把用户的每一次交互（接受or拒绝建议）都当成一次奖惩信号，灌回模型做实时RL训练。现在Cursor每1.5-2h就能上线一个新模型，建立起了一套高频的实时反馈循环。

而目前模型的建议量已经减少了21%，但采纳率提升了28%。

关于「实时训练」的畅想其实已经在AI圈存在了很久，但这回是真的第一次大规模跑通上线了，这或许预示着，AI的数据飞轮要真正开始转起来了？

如果未来各种应用公司都可以用类似的方法来提升自身模型效果，是否会是一个很好的竞争手段？

三、Plaud教会我的事

我一直很好奇，一家录音笔公司，怎么就做成了全球最成功的AI硬件创业公司，2025年的预计收入都达到了2.5亿美金。

所以最近我们跟Plaud中国区CEO莫子皓聊了聊，也看了创始人许高的几篇访谈，然后get了一些有意思的认知：

1）我觉得Plaud的成功核心验证了一件事情，就是context的价值。

他们早年一个重要的非共识判断是：Conversation is a form of intelligence（对话是智能的一种体现形式）。

对话承载了一个人多年的经验、偏好、痛点。但99.99%的人都没有把现实世界里的对话采集起来。这背后是一个巨大的金矿。

所以与其说Plaud是一个录音笔，不如说它是一个context收集器，它的一切设计都是围绕两个核心目的：一是在硬件上，如何更好地捕捉用户的context；二是在软件上，如何最大化地分析和利用这些context。

2）我印象最深的是，莫子皓在跟我们聊的时候，说了八遍「反过来」。

他喜欢「把一切反过来想」。

比如，他的思考原点不是AI如何服务人类，而是人类如何服务AI。他相信AI的能力已经完全超越了人类，所以重要的是怎么给模型提供足够详尽、独家、个性化的context，而Plaud在做的正好就是捕捉和利用用户context，所以这是他加入Plaud的一个原因。

比如，他给Plaud加了一个新功能Ask Plaud，但他来了个反向操作，不是人问AI，而是AI问人。背后的逻辑是，既然现在AI能力已经超越绝大部分人类了，那为什么不能是AI主动点拨用户？（AI：我觉得你这个问题问得不好，我来问你几个问题）

比如，他们认为不仅是人类可以提示AI怎么分析一段对话内容，AI也应该主动提示人类怎么分析一段对话内容。Plaud内置了很多模板来挖掘对话中的隐含信息，比如它会根据对话内容自动推荐2-3个模板，告诉你可以从什么角度分析问题。其中有一些很有意思的，比如分析对话中话语权的流动，分析谈判中对方「虚张声势」的程度，分析面试过程中候选人是否有野心、有童年阴影、有言外之意等等。

(其实类似「反过来想」的思考方式，是很多伟大的商业创新的原点。比如拼多多是对「传统保险模式」的「反过来想」，无印良品是对「品牌Logo很重要」的「反过来想」，众筹平台是对「先生产再销售」的「反过来想」，ClassPass是对「办了卡就只能去这家健身房」的「反过来想」...）

3）关于野心和品味

我对Plaud还有一个好奇点是，它给人一种比较明显的品牌感和世界第一的野心。

这对国内公司来讲并不常见。

那这种气质是怎么来的？

几条有趣的线索是：

①许高之前有过三次失败的创业经历，在开启这次创业前，他设置了一些前提，其中一个是：要做就做世界第一的产品。

但这不来自于他的狂妄，而恰恰是来自于他的谨慎，他有一个残酷的观察：世界第二，往往只有第一名80%的性能，50%的定价能力，和10%的盈利能力。

第一名能用更高的利润雇佣更好的人、做更好的研发，形成正循环。而第二名，很容易在追赶中和第三、四、五名陷入惨烈肉搏，最后被耗死。

所以，做不到世界第一，就干脆别做。

②创业公司有两种模式：生存模式vs发展模式。公司在实现盈利之前，创始人脑子里想的都是公司不要死掉，这是生存模式。但Plaud很快跨越了这个节点，连续两年十倍增长、利润率极高，且没有投资人压力，所以整个团队的心态就进入了「发展模式」。大家开始思考我们有没有可能成为一家世界级的公司？这个心态的转变，会深刻地影响公司的战略、招聘和格局。

③可穿戴设备代表着一个人的身份和品味。尤其当用户群体是企业家、高管时，他们掏出的设备自然会成为一种社交语言。所以对Plaud来说，Taste就是一切。比如他们在招聘时，工业设计没有找传统的3C电子工程师，而是找了奢侈品和珠宝行业的人；营销则专门找了来自LV、Rimowa的人才。

四、如何打造产品「惊喜感」？

再分享一期Lenny的播客，嘉宾Nesrine Changuel曾在Spotify和Google担任产品负责人。她在Google的title很有意思，叫「delight PM」，专门使产品让人有Wow的体验。

工作久了，她就琢磨出了一些方法，把「打造惊喜感」这件事拆解成了一套有迹可循的方法论。

她首先给「Delight」下了个定义：Delight=喜悦(Joy)+惊喜(Surprise)。

那如何系统地打造Delight？有三个抓手：

1)超越预期：给用户一些他们压根没想到的好处。比如，你用微软的Edge浏览器买东西，快付款时它不知道从哪儿自动找到了一个15%的折扣券，帮你白赚了一笔。

2)预判需求：在用户开口之前，就想到他们可能需要什么。比如Revolut作为一个跨国转账App，居然内置了卖eSIM卡的功能。因为他们知道自己的用户很多是国际商旅人士，有流量和通话的需求。

3)消除阻力：想想用户在哪个环节最焦虑、最痛苦，然后用产品方案把这种负面情绪抹平。比如，Google Meet团队就发现，大家之所以会「Zoom疲劳」，一个很重要的原因是总在屏幕上盯着自己的脸看，这体验就像旁边有个人随时举着一面镜子，心理压力巨大。于是他们就开发了一个功能，让人能把自己的画面最小化，一下子就解脱了。

具体的执行流程，她也拆了四步：

第一步：重新定义用户分类。她强调了一点，传统做产品，总喜欢按人口特征（这人是谁）或者行为（他干了什么）来区分用户，但这还不够。更有效的方法，是按动机来分。同样是打开Spotify，有的人是想给自己的视频找个配乐（功能动机），有的人纯粹是为了排解孤独（个人情感动机），还有的人是为了转发分享，显示自己品味很好（社交情感动机）。

第二步：把动机转化为机会点。识别出这些动机，尤其是情感层面的，再把它们变成产品可以下手的机会。

第三步：给方案分类，这里她把「愉悦感」分了三层：

• 浅层愉悦(Surface Delight)，推荐占比10%：只满足情感，不具备功能性。比如加州有一家酒店在泳池边安了部「冰棒热线」，拿起电话就能叫一根冰棒。很有趣，但用户不会因为它而订这家酒店。

• 低度愉悦(Low Delight)，占比50%：只满足功能，这是产品的基本盘，不多说。

• 深度愉悦(Deep Delight)，占比40%：同时满足功能和情感。比如Spotify的个性化歌单就是一个例子，它既能帮忙「发现新歌」（功能），又时不时让人咯噔一下，「靠，它懂我！」（情感）。

第四步：用清单检查，避免好心办坏事。有时候，你眼里的惊喜，可能是别人眼里的冒犯。当年，法国外卖软件Deliveroo在母亲节那天，给用户发了个「妈妈的未接来电」形式的推送。本意是想提醒大家别忘了关心妈妈，结果被骂得很惨。因为不是每个人的妈妈都还在身边，这个「惊喜」对很多人来说，是在伤口上撒盐。

接下来，上面的技巧只解决了单点执行的问题，更深一层的问题是，如何让「创造惊喜」从一种个人技巧，变成一种可持续的组织能力？

Nesrine也给了一些方法，比如：

• 可以像Google一样，把Delight明确写进产品战略里，大家在做规划时不得不想着它。

• 可以给「惊喜感」原则起个内部代号，搞得酷一点。比如Dropbox有个产品原则叫「纸杯蛋糕」(Cupcake)，Snowflake有个叫「超级英雄」(Superhero)，本质上都在提醒团队：多做一点让人眼前一亮的事情。

• 还可以把它变成一个日常活动。比如，Spotify每月都会有「Hack Days」，年底还有「Hack Week」，鼓励大家跳出条条框框去创新。

最后，她还提到了一个2B的点，我觉得特别有风骨：

在B端市场，信任，是最高级的愉悦感。

比如社交媒体管理工具Buffer，他们发现有大概2%的用户，长期不活跃但还在傻傻地付钱，于是Buffer主动给这些人发邮件说：「我们看你很久没用了，要不要我们帮你取消订阅，顺便把钱退你？」

这操作非常反商业直觉，简直是自断财路，但长期看，这种真诚反而把用户的心给锁死了，用户黏性更高了(所以说，最高级的套路就是真诚！格局打开)。

五、如何更科学地评估AI产品的留存率？

A16Z上个月连发了两篇文章，讨论AI公司的留存问题。

起因是他们发现，现在很多AI公司根本不知道怎么衡量自己的留存率。

AI产品很多是面向Prosumer的，既不能按ToC算，也没法套SaaS的模版。更头疼的是，AI产品里有太多尝鲜的「游客」，早期的留存数据没有太大意义。

于是A16Z分析了数百个AI产品的数据，给了一个新的分水岭：M3（第三个月）。

他们发现，绝大多数AI产品的留存率会从M3开始变得平稳。这个时候，尝鲜的游客基本都走光了，留下来的才是产品真正的用户。所以，想知道真实的用户留存情况，最好别从第一个月开始看，把基准换到M3，更能反映产品真实的PMF。

顺着这个思路，算LTV/CAC也最好换个锚点，单独区分一下M3这批用户的LTV/CAC。这才能看清你的市场花费到底换来了多少「有效用户」。

并且，基于M3这个新基准，他们还给出了一个新的北极星指标：M12/M3。也就是用第12个月的留存用户数除以第3个月的留存用户数，看那些熬过「游客期」的用户，在一年后还剩多少。这最终说明了你产品长期留存的质量。

• 如果M12/M3＞85%，说明你跑赢了市场平均线。

• 如果M12/M3＞95%，属于Top 25%。

• 如果M12/M3＞100%，就是顶流水平。

Wait，看到这我愣了一下，留存率还能超过100%？用户还会自我分裂吗？

这在移动互联网时代确实不大可能，但在AI时代，很多公司都出现了这种「微笑留存曲线」。因为模型在不断进化，前两个月的流失用户，可能会因为产品变强了而重新回来。最典型的例子就是ChatGPT，比如下图是ChatGPT在不同时期的月留存曲线

这还只是在谈用户留存。如果看收入留存，超过100%的AI公司更多。A16Z的另一篇文章进一步解释了这个问题，他们认为，这背后有两个关键变化：

1)定价模式发生了改变，从移动互联网时期的订阅制或广告模式，更多转向了基于使用量或者实际结果的收费模式，所以随着AI进步，用量就会增加，收入就会增长。

2)AI天然打通了一条从个人用户到企业客户的渗透路径，比如ChatGPT、Gamma，很多都是员工自己用着爽，然后就忍不住在工作群里分享，自然而然地就渗透进了公司。一旦同事们开始用，公司就有了付费的理由，从而能够获得更大的企业预算支出。

所以，AI其实很大程度上改变了ToC产品的商业模式。

基于这个逻辑，A16Z给AI创业者提了三点建议，帮助大家进一步提高产品收入：

第一，不要只搞简单的订阅制，现在越来越多的AI工具开始提供不同等级的订阅套餐，让用户在基础额度用完后，再单独购买credits来继续使用。这样一来，收入就和用户的「使用深度」挂钩，收入天花板会被打开。

第二，尽早加入「团队协作」功能。这是承接上面说的「自下而上渗透」的关键。哪怕产品还在MVP阶段，也要加上最基础的团队功能（比如团队文件夹、协作画布、安全验证）。有了这些，你就能顺理成章地向价格不敏感的企业客户加收溢价（比如ChatGPT个人版20美元，企业版会收到25-60美元）。A16Z甚至建议，可以把个人版当获客成本，哪怕亏钱也要做，目的就是为了抢占企业市场。Notion在2020年就采用了这种策略，为个人用户提供无限的免费页面，同时对协作功能进行激进收费，这直接带动了它当年的爆发性增长。

第三，从Day 1就开始考虑进军ToB业务。

如果你的ToC产品也可以被企业用户采用，那就应该考虑在1-2年内就引进一个ToB的销售负责人。如果不去迅速抢占B端市场，很可能就会在激烈的竞争中丢掉最大的收入来源。

六、Palantir的FDE模式，

为什么突然火了？

FDE最近有点小火。

Bob McGrew有一期很好的播客，把这个模式讲透了。

先稍微介绍一下Bob McGrew，他曾经是Palantir的高管，后来成了OpenAI的首席研究官，带队开发了ChatGPT和GPT-4。

他在播客里提到一个很有趣的现象：他去参加AI创业者大会，结果没人问他ChatGPT的事，所有人都围着他，只想搞清楚Palantir的Forward Deployed Engineer(FDE)模式到底是怎么玩的。现在YC的招聘网站上，有超过100家AI Agent公司都在招FDE，连OpenAI自己也组建了FDE团队来服务大客户。

那要理解这个模式，首先要搞清楚FDE到底是干嘛的。

简单来说，FDE就是一个驻扎在客户现场的工程师，负责填补「你的产品能做什么」和「客户到底需要什么」之间的巨大鸿沟。

我听完第一反应是，这不就是咨询吗？但深究下去，会发现两者的商业逻辑并不一样。咨询模式卖的是「人时」，按小时或按项目收费。而FDE模式的核心是「产品探索」。FDE在一线用定制化的方式满足客户需求，但这只是手段。目的是把这些一线的需求和解法反馈给后方，产品团队再将这些具体的解决方案抽象、沉淀，变成通用的产品功能。所以这个模式在初期往往是亏钱的，但随着产品在一次次实战中变得越来越强大，利润率就会逐渐转正。

Palantir的FDE团队里，有两个关键角色：Echo和Delta。

• Echo团队更像「咨询分析师」，他们通常来自客户所在的行业，比如前CIA雇员、前金融分析师。他们的任务是深入客户的业务流程，挖掘出用户真正的痛点，同时负责维护客户关系。

• Delta团队则是「部署工程师」，负责快速写代码，把Echo的想法变成一个个能跑起来的原型。

这种分工，也决定了他们非常独特的招人标准。

• 招Echo，他们喜欢找「叛徒」那些来自客户行业内部，但又深刻理解现有模式不行、渴望变革的人。

• Delta则要找擅长快速原型开发的人，而不是追求完美代码的工匠。能快速交付价值是第一位的，代码以后可能要重写甚至扔掉。

一个顶级的FDE，身上往往有创始人的影子。他们需要独立面对高度不确定的环境，自己定义问题，然后利用手头的「产品杠杆」去创造价值。这种经历本身就是极佳的创业训练，这也是为什么Palantir能走出大量的创业公司。

而这种模式对后方的产品经理也提出了极高的要求。他必须具备超强的「抽象能力」，能从客户A的一个具体需求里，提炼出能满足未来10个客户的通用解决方案。Palantir最早的关系图谱设计，就是把「人」、「钱」这些具体概念抽象成了通用的「对象」和「关系」，这才让一套系统能够灵活地服务于反恐、金融、医疗等完全不同的领域。

另外，这期播客还分享了几个FDE模式下常踩的坑：

1)你必须主动承担风险。很多大企业客户内部经历过太多失败的项目，他们既不相信自己，也不相信你这个小公司能搞定事情。所以，创业公司初期应该主动承担所有风险，比如承诺「没效果就退款」，用这种方式来建立信任，换取进入客户内部的机会。

2)警惕FDE沦为外包。FDE最大的风险之一，就是团队只是在完成客户指派的任务，而不是在主动解决对客户业务最有价值的问题。客户让你解决的，往往是他们觉得最容易让你做的，而不是对他们最重要的。不过，一旦你成功解决了客户的第一个核心问题，你就能赢得信任，并有机会发现和解决企业内部其他更有价值的问题。

3)搞定客户的CEO至关重要。FDE模式的实施会牵动客户内部的很多流程和部门，如果没有最高管理层的支持，项目根本推不下去。Palantir就只做CEO的Top 5 concerns，否则宁可不做。

4)FDE与产品团队的张力是必要的。FDE的目的是快速解决眼前这一个客户的特定问题，这使得他们倾向于采用最简单的路径，而后方产品团队则要考虑通用性，所以两个团队的沟通过程通常极其痛苦，但这种内在的矛盾和张力是正常的，甚至是必要的。

铺垫了这么多，那到底什么时候该用FDE模式？

Bob的答案来了个180度转弯：其实，能不用就别用。

如果你已经找到了PMF，可以像传统SaaS一样标准化地扩张，那你简直是天选之子，千万别碰FDE。FDE只适用于那些产品和市场都极度不明确，需要大量共同探索的场景。

但这也就解释了，为什么FDE在今天的Agent时代突然迎来了一次大爆发。

在传统SaaS里，公司会刻意和客户保持距离，因为每个客户付的钱不多，想要规模化盈利就不能做得太重。

但在AI时代，游戏规则变了：

一方面，因为AI能完全替代人力，所以合同金额可以非常大（几百万甚至上亿），就算投入一支团队深度嵌入客户现场，也是值得的；

另一方面，AI产品形态高度不确定，客户自己也说不清楚要什么，很多真正的痛点和解决方案必须通过在一线共创才能浮现。

所以，如果做个总结的话，FDE模式的精髓，就是「doing things that dont scale at scale」(规模化地做那些不规模的事)。这是YC经典建议「做不能规模化的事」的进阶版，也是为什么这个模式如此之「重」，但又如此强大的原因。