AI PPT赛道，为什么Tome失败了，Gamma 却越活越好？

几天前，AI 驱动的演示工具 Tome 宣布，将在四月底前关闭 Tome Slides 功能，并转型至销售领域（「搞定交易，而非幻灯片」：面向销售的 AI 助手）。

Tome 在 2022 年风生水起，曾经一度霸占了各大 AI 榜单类目第一，在用户和流量持续水涨船高的过程中也顺利完成了数千万美元的融资，如今却要关停。

而隔壁友商 Gamma，在上个月却向全世界宣布了用户突破 4,000 万的喜讯。要知道，当时整个 Gamma 的团队也就只有二十余人。而且，Gamma 曾经被 Tome 全方位压制——后者除了占据各大榜单的声量优势之外，融资额也几乎是 Gamma 的十倍之巨，自然地用户量也很快拉开了十倍以上的领先优势。

为什么 Gamma 如今越发成功，而 Tome 却失败了？

Substack 的一篇文章详细分析了两者的策略与定位的不同，试图找出 Gamma 成功的原因，Founder Park 进行了编译。

原文：https://signalhub.substack.com/p/tome-failed-in-ai-pptwhy-is-gamma

01

Tome 在 AI PPT 领域曾经很牛逼

在一封邮件中，Tome 表示他们已尽一切努力改进 Tome Slides 并将其转变为一项可行的业务，但最终未能找到一条可持续的道路。 这意味着他们在 AI 驱动演示领域的尝试以失败告终。

尽管如此，Tome 最初在吸引用户方面非常成功。它在短短 134 天内就吸引了 100 万用户，10 个月内达到 1000 万，18 个月内达到 2000 万。

凭借这种快速增长，该公司在三个月内筹集了 8160 万美元，估值达到 3 亿美元。有趣的是，Tome 在用户达到 1000 万后才开始商业化，但那时它可能已经遇到了问题——因为它尚未验证产品市场契合度（PMF）。

02

Tome 的定位：成功与失败

曾有报道称 Tome 试图以 6 亿美元估值筹集 6000 万美元，但这轮融资从未完成。许多像 Tome 一样的 AI 初创公司，在没有产生收入的情况下筹集了大量资金。

Tome 快速的用户增长及其无法自我维持的困境，可能源于同一个问题：定位。该公司将自己标榜为帮助任何人「讲述引人入胜的故事」的工具。

由于其精美的设计，Tome 吸引了 Z 世代用户、艺术家、自由职业者、设计师和学生——这使其更像一个创意工具，而非面向工作的生产力工具。

然而，与需要演示文稿进行工作的专业人士相比，这些用户的付费意愿较低。结果是，即使推出了付费版本，到 2023 年 4 月，Tome 的年度经常性收入（ARR）仍低于 400 万美元，并且其增长正在放缓。

因此，尽管拥有酷炫的产品和数百万用户，Tome 难以将他们转化为付费用户。在其巅峰时期，Tome 的团队增长到近 60 人，但后来不得不裁掉 12 名员工。

03

对比：Gamma 的成功

Tome 的竞争对手 Gamma 目前拥有 28 人的团队（计划在年底前增长到 50 人）。据其创始人 Grant Lee 称，Gamma 现在拥有 4000 万至 5000 万用户，产生数千万美元的收入，并且已经实现盈利。

Tome 和 Gamma 之间最大的区别在于定位。

• Tome： 面向广泛受众（「帮助任何人讲故事」），这对专业人士而言并非必需品（must-have）。
• Gamma： 专注于寻求更好方式来呈现信息的专业人士，包括文档、非传统演示文稿和网页。这与知识工作者的需求高度契合，使他们更愿意付费。

04

Tome 的教训：专注于特定使用场景

Tome 的错误在于试图取悦所有人，而不是专注于特定的使用场景。虽然讲故事很有价值，但对企业来说并非必需品（must-have）。相比之下，Gamma 对工作场所生产力的明确关注吸引了付费客户。

这让我想起了一家名为 Clay 的 AI 驱动的销售线索生成初创公司，其最初目标市场过于宽泛。他们花了 7 年时间才专注于销售领域，最终实现了 PMF 并扩大了营收。

也许 Tome 转型到销售领域将是其成功的机会。在他们的官方博客中，他们承认：

我们意识到，要实现 AI 帮助人们讲述引人入胜故事的承诺，我们需要专注于一个角色和更窄范围的使用场景。同时为所有人构建 AI 在根本上是有缺陷的。

LLM（大语言模型）释放了难以置信的生产力，但它们需要被应用于特定领域才能提供真正的商业价值。

Tome 选择销售领域，是因为其参与度最高的用户已经是销售和增长专业人士，这使其成为一个有前途的新方向。

05

Gamma 的成功：定位与策略

Gamma 的成功不仅在于定位，还在于其产品策略。与许多 AI 初创公司不同，Gamma 没有构建自己的 AI 模型，也没有雇佣机器学习研究团队。相反，它专注于：

为需要更好的文档和演示文稿的专业人士创造简单而强大的工具。

这种模型无关（model-agnostic）的方法使 Gamma 能够在有更好的 AI 模型可用时进行升级，从而将重点放在用户体验而非 AI 技术本身。

我还阅读了 Gamma 创始人 Grant Lee 过去六个月的见解。他对用户、融资、产品开发和关键指标的思考非常有价值。其中一句话让我印象深刻：

对自己诚实是第一步，也是最难的一步。

06

关注驱动可持续业务的指标

Grant Lee 认为，大多数创始人痴迷于那些并不能真正驱动业务决策的指标，例如总用户数、估值和融资金额。这些指标可能让他们看起来很成功。

它们可能有助于招聘，给外部观察者留下深刻印象，并在投资者中制造 FOMO（错失恐惧症），但它们无助于打造更好的产品或建立可持续的业务。

以下为Grant Lee 在 Linkedin 的发帖：

Gamma 拥有超过 4000 万用户——我并不在乎。

嗯，这并不完全正确。我在乎，但并不是出于大多数创始人的理由。

这个数字——尽管听起来令人难以置信——很大程度上是一个虚荣指标。

令人震惊的是，许多创始人痴迷于那些实际上并不推动业务决策的指标：

• 总用户数（无论活跃与否）

• 估值（通常与基本面脱节）

• 融资公告（现金 ≠ 成功）

为什么？因为这些指标让他们看起来成功，而实际上并不需要真正的成功。

他们协助招聘。

他们给随意观察的人留下了深刻印象。

他们在投资者中制造了 FOMO。

…但它们并不能帮助你打造更好的产品或创建可持续的业务。

在开始追踪任何事物之前，请先回答这个问题：

您的业务实际是如何增长的？

对我们来说，答案不是用户数量。而是：

1. 创建并与他人共享的演示文稿
2. 创作频率（每周比每月更重要）
3. 我们的内容飞轮（每次分享都会吸引新的潜在创作者）

这些指标直接与我们的愿景和长期可持续性相关联。

对自己诚实是第一步，也是最难的一步。

你的用户是推动业务价值的人吗？还是他们只是在夸大一个在推介演示中看起来不错但并未转化为收入的数字？

太多创始人忽视了这个根本问题：具体是什么因素促成了你的长期可持续性？

停止追逐表面光鲜的事物，开始衡量真正能推动进展的因素。

文章来自于“Founder Park”，作者“Founder Park”。