把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论

AITNT-国内领先的一站式人工智能新闻资讯网站
# 热门搜索 #
把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论
5532点击    2025-12-03 12:06

「创业公司本质上是一场寻找产品与市场契合点(PMF)的宏大实验。」这句话的含金量还在上升。


没有想清楚真正要服务的是谁,也没有想清楚未来谁会为它付费;

很多设计是围绕「玩法」和「活动」长出来的,而不是围绕「长期愿意付费的那一拨人」;

产品有节奏,市场也有它自己的节奏;

一旦开始收费,早期用户的预期和心态就会产生很明显的反噬。你以为自己是在从 0 开始做付费,实际上更像是在从负数一点点往 0 爬;

......


这是来自一位创业者在团队解散后的真实反思和教训。反复迭代产品、验证 PMF 绝对是每个创业公司在早期就要做的事。


今年 7 月被 Grammarly 收购的 AI 邮箱产品 Superhuman 的 PMF 验证就是一个非常典型的案例。


从几乎被 Gmail、Outlook 垄断的免费邮件市场切入,然后缩小目标细分市场:将电子邮件视为关键生产力工具的高管、创业者和高绩效者,专注解决他们的核心痛点——效率。Superhuman 把产品速度优化到了极致,保证从启动、搜索到发送的每一次操作都限制在 100 毫秒内,做到了比传统 Gmail 快两倍。


在寻找核心付费用户的过程中,Superhuman 对目标用户进行了 500+次访谈,来验证需求。找对 PMF 的效果也是显著的:在每月 30 美元的订阅模式下,Superhuman 的年留存率保持在 85%+。2025 年中,公司的 ARR 达到了 3500 万美元。


Superhuman 创始人兼 CEO Rahul Vohra 将这套方法总结成「PMF 引擎」。Superhuman 早期的成功几乎都归功于这个 PMF 引擎,也是其后续拿到融资、规模增长的关键。


这篇文章,我们回顾 Superhuman 在找 PMF 的过程中都做对了哪些事,以及经典的「PMF 引擎」,给创业公司如何衡量 PMF、以及以增长为目标来迭代产品提供一个详细、可参考的框架。


TLDR:


  • 只问用户一个问题:如果用不了你的产品会怎么样。那些回答「非常失望」的人,就是你找到 PMF 的关键。增长困难的公司,回答「非常失望」的用户几乎都低于 40%;


  • 细分用户的目标是找到更好 PMF 的机会,以及找到可能会忽略或者甚至还没有想到的有潜力的细分领域。


  • 做一个少数人「极度渴望」的产品,好过做一个多数人「有点想要」的产品。如果真有一个东西是海量用户都急需的,而且凭创业公司一次的投入就能做出来,那它大概早就被做出来了;


  • 通过早期的市场营销,吸引来的各种用户其实并不适合你的产品,对你的产品没有真正的需求;


  • 暂时忽略「非目标用户」的反馈,因为他们期望的价值和产品的核心价值不匹配。即使按照他们的想法改进,也不会让他们成为忠实用户,反而可能失去真正的目标用户。


01 

以用户为中心来设计产品


Superhuman 成立于 2014 年,由 Rahul Vohra、Conrad Irwin 和 Vivek Sodera 共同创立。在此之前,CEO Rahul Vohra 曾创办了 Gmail 插件 Rapportive,并在 2012 年卖给了 LinkedIn。


基于 Gmail 插件这段创业经历,Rahul Vohra 将创业方向聚焦在了电子邮件。从第一行代码到构建 MVP 产品,Superhuman 花了近两年的时间。为一小群核心用户提供不可或缺的价值,贯穿了 Superhuman 寻找 PMF 的全过程。


Superhuman 的 PMF 战略基本上可以分为三大部分。


1.1 用户调研


Superhuman 投入了大量的时间进行用户研究。通过对目标用户超过 500 次的深度访谈,能够精准地了解用户的每日邮件习惯、核心痛点。通过海量的定性分析后,发现了目标用户几个关键的共同点:


  • 极度依赖键盘快捷键;


  • 对哪怕是零点几秒的延迟都无法容忍;


  • 对清空收件箱(Inbox Zero)有执念;


基于这些洞察,Superhuman 调整了产品方向,以及后续所有功能的优先级排序和开发决策。


1.2 「原型优先」的开发模式


Superhuman 采用了「原型优先」的开发模式,来验证解决方案的同时降低风险。


团队会利用 Figma 模型、简单的命令行界面(CLI)工具来快速构建轻量级原型,来测试「已读状态追踪」(Read Status)和「模板片段」(Snippets)等核心概念。


然后,把这些原型被迅速投入到真实的用户场景中,团队进行了 100 多次可用性测试,细致地观察了高级用户的肌肉记忆和偏好,然后基于这些反馈进行快速迭代。


1.3 找准产品的核心:速度


通过前期的调研和测试,Superhuman 将「速度」定为产品核心,围绕这一点核心,开发了一系列 AI 和效率功能。


经典效率功能,最直接地解决用户调研中的痛点问题,包括:「拆分收件箱」(Split Inbox),让用户能按重要性自动分类邮件;「跟进提醒」(Reminders),确保重要事项不被遗漏;「模板片段」(Snippets),将重复性输入降至最低等等。


引入 AI 技术,包括:「自动摘要」(Auto Summarize),能将冗长邮件提炼为一句话摘要;「AI 撰写与改写」(Write with AI),能根据要点和用户语气生成完整邮件;「即时回复」(Instant Reply),能预判并生成三个最有可能的回复选项等等。


同时,产品还设计了大量的键盘快捷键,让用户双手不离开键盘就能完成几乎所有邮件操作,来提升处理效率。


此外,值得一提的是,Superhuman 采用了一种独特、甚至有点反直觉的 Onboarding 方式:每一位新用户都必须参加一个 30 到 45 分钟的一对一视频 Onboarding(上手引导)会议。


这种看似「低效」的流程,反而是 PMF 策略中非常关键的一环。Onboarding 门槛精准地筛选了目标用户,有真正有强烈需求、并愿意投入时间学习的「高级用户」才能进入。


在 Onboarding 的过程中,产品团队可以实时观察用户如何与产品交互,收集到非常细致的真实反馈。同时,通过指导,能够极大地提升留存率,用户在第一时间就能掌握产品的核心价值和用法。


通过这套 PMF 策略,Superhuman 实现了「用户-产品-市场」的完整闭环。


Rahul Vohra 在他的博客文章中,详细地拆解了这套 PMF 框架。以下为博客内容。


02 

一旦你能衡量 PMF,

也许就能优化它


我们都听说过,PMF(product-market fit)决定了一家创业公司的成败,几乎所有失败都是因为没有找到 PMF。


对创始人来说,找到 PMF 是创业第一天就开始思考的事情。既是一个巨大的挑战,也是一个总让创始人睡不着觉的担忧:我们可能永远也做不到 PMF。真要去搞懂它到底是什么、怎么实现,大部分人很快就会发现,市面上根本没有一套标准打法。


2017 年夏天,当时为 Superhuman 寻找 PMF。我读了很多博客文章和深度分析,有几个观点印象很深。Y Combinator 的创始人 Paul Graham 说,它就是「PMF 是做出了人们真正想要的东西」;Sam Altman 的定义是「用户会自发地推荐你的产品」。当然,被引用最多的还是 Marc Andreessen 在 2007 年的一段话:


当产品和市场不匹配时,感觉是很明显的。客户没有发现产品使用价值,产品没有口碑传播,用户量涨得很慢,媒体评价也很平淡,销售周期特别长,很多单子最后都黄了。


但当它们相互匹配时,同样感觉也很明显。客户购买产品的速度跟你生产的速度一样快,或者说,用户增长的速度跟你增加服务器的速度一样快。客户的钱不断打进公司账户。你拼命地招销售和客服。记者们也闻风过来,想报道你的热门产品。你开始拿各种年度企业家奖,投行的人甚至都在你家门口蹲点。


这大概是我见过的对它最好的描述了,我当时是含着泪读完的。


我们在 2015 年创办了 Superhuman。一年后,团队 7 个人,还在疯狂写代码。到了 2017 年夏天,团队 14 个人了,我们居然还在写代码。不管是团队内部还是我自己,都感受到了巨大的发布压力。我上一个创业项目 Rapportive,在更短的时间内就完成了发布、扩张,最后还卖给了 LinkedIn。但现在这个项目,两年了,我们还卡在起点。


但不管外界压力有多大,我都觉得还没准备好发布。当时通常的做法是「先扔出去看看市场反应」,如果只花几个月,沉没成本低,这么做或许可以。「发布了再说」这种方法,在我看来非常不负责任、鲁莽,特别是我们已经投入了几年的时间。


把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论

Superhuman 创始人兼 CEO Rahul Vohra


更让我头疼的是,作为创始人,我不能跟团队直说我的感受。这些工程师为产品投入了全部心血。我没有办法怎么告诉他们「我们还没准备好」,更糟的是,我也没有一个清晰的计划来解决问题。我需要一个框架或一种说法,能清晰地说明我们现在的位置,以及下一步该怎么走才能找到 PMF,当时完全没头绪。


我能找到的那些关于 PMF 的描述,对已经发布产品的公司很有用,但对我们来说没有用。如果在发布后,收入没有增长、融资困难、媒体不关注、用户增长慢,那肯定没找对 PMF。但我们的情况是:因为我之前的创业经历,融资不难;媒体报道我们能拿到,但我们主动避开了;用户没增长,是因为我们自己没放开。我们处在「发布前」阶段,没有任何指标能清楚地说明我们的情况。


所有关于 PMF 的说法都像是「事后诸葛亮」,没法直接用。我清楚地了解我们的处境,但没法跟别人说明白,也没有下一步计划。


我绞尽脑汁地想办法,怎么才能从 Superhuman 的现状,达到我们设定的高标准。后来我开始思考:如果 PMF 可以被衡量呢?因为一旦你能衡量 PMF,你也许就能优化它,然后系统性地把它提升上去,直到最终实现。


有了这个新方向,我感觉又有了动力,开始着手「逆向工程」一套达成 PMF 的流程。下面我来拆解一下我的发现,特别是让一切都清晰起来的关键指标,以及我们用来打造增长引擎的四步法。


03 

找到一个能衡量 PMF 的关键指标


为了搞懂这个问题,我读了所有我能读到的东西,也找了所有能找到的专家聊。直到我遇到了 Sean Ellis,情况才有了变化。他曾负责过 Dropbox、LogMeIn 和 Eventbrite 的早期增长,也是「增长黑客」(growth hacker)这个词的发明者。


我之前看到的那些定义虽然生动,但都是「滞后指标」,等投行都来蹲点了,你早就成功了。但 Ellis 找到了一个「领先指标」,方法很简单:直接问用户「如果明天你用不了这个产品了,你感觉怎么样?」然后计算回答「非常失望」的用户比例。


Ellis 用这个方法测试了近百家创业公司后发现,40% 是一个神奇的数字。那些增长困难的公司,回答「非常失望」的用户几乎都低于 40%;但增长势头强劲的公司,几乎都超过了这个门槛。


问你的用户如果用不了你的产品会怎么样。那些回答「非常失望」的人,就是你找到 PMF 的关键。


一个很好的例子是 Hiten Shah 在 2015 年做的一个研究。他问了 731 个 Slack 用户同样的问题,51% 的人回答说没有 Slack 会「非常失望」。这说明,当 Slack 拥有大约 50 万付费用户时,它就已经达到了 PMF。现在回头看 Slack 的成功,这不奇怪,但也说明了要超过 40% 这个标准有多难。


受到这种方法的启发,我们也开始测量 Superhuman 的数据。首先,筛选出了在过去两周至少用过两次产品的核心用户,然后给他们发了一份问卷,里面有四个问题:


1. 如果用不了 Superhuman,你感觉怎么样?( A. 非常失望 B。有点失望 C。不失望)


2. 你觉得哪类人最能从 Superhuman 受益?


3. 你从 Superhuman 获得的主要价值是什么?


4. 我们怎样才能为你改进 Superhuman?


把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论


结果出来后,我们分析了第一个问题:只有 22% 的用户选了「非常失望」。很明显,我们还没达到 PMF。这个结果可能看起来有点丧气,但我反而很兴奋。因为我终于有了一个工具向团队解释现状,更重要的是,有了一个提升 PMF 的计划。


04

Superhuman 优化 PMF 的四步法


为了改变现状,我开始全力研究怎么提升 PMF。问卷里的每个答案,都成了我们打造「PMF 引擎」的关键。


这个引擎主要分四个组成部分:


4.1 精准细分:找到核心用户,定义「高期望客户」


通过早期的市场营销,你可能会吸引来各种用户,但很多人其实并不适合你的产品。特别是如果有媒体报道,且你的产品是免费使用。这其中吸引来的许多人都不是合格的用户,他们对你的产品没有真正的需求。


你可以凭感觉去定义目标市场,即你认为产品是为谁设计的,但这学不到新东西。更好的方法是,利用那批回答「非常失望」的用户来帮你定义市场,让数据说话。你甚至可能会发现,在某些你没想到的领域,你的产品反响异常热烈。


对于我来说,细分的目标是找到 Superhuman 可能有更好 PMF 的「机会」,那些我可能忽略或没有想到的细分领域。


把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论


我们把问卷按失望程度(第一个问题)分组,然后给每个用户打上画像标签。


把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论


接着,我们只看「非常失望」的那 22% 的用户画像,比如创始人、管理者、高管等,把市场范围暂时收窄到他们身上。


把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论


通过对数据进行更细分的审视,细分到最喜爱我们产品的「非常失望」群体,我们的 PMF 分数就从 22% 涨到了 33%。虽然离 40% 还有距离,但已经前进了一大步。


把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论


为了更深入,我借鉴了 Julie Supan 的「高期望客户」(HXC,high-expectation customer) 框架。HXC 指的是你目标用户里最挑剔、最懂行的那群人。他们最能体会你产品的核心价值,也会帮你做口碑传播。


比如,Airbnb 的核心用户追求的不是去陌生地方观光,而是融入当地。Dropbox 的核心用户则希望让生活变得井然有序、更简单,同时能安全地保管自己一生的重要文件。


我们只分析了「非常失望」用户对第二个问题(「你觉得哪类人最能受益?」)的回答。这个问题很巧妙,因为满意的用户通常会用他们最在意的词来描述自己。基于这些回答,我们拼凑出了 Superhuman 的 HXC 画像:


Nicole 是一位工作繁忙的专业人士,可能是一位高管、创始人。她工作时间很长,总觉得时间不够用,并且会主动寻找提升效率的方法。她每天大部分时间都在处理邮件,并把「及时回复」看得很重。她追求「收件箱清零」(Inbox Zero),对新工具保持开放态度,但又怀疑是不是真的有邮件客户端能让她变得更快。


有了这个清晰的用户画像,整个公司就有了一个共同的目标:为这个细分群体提供最好的服务。有些人可能会觉得这种方法过于局限,认为你不应该在早期就如此专注于一个特定的客户群。


一种普遍的观点是,将产品过于狭隘地定制于一个较小的目标市场意味着增长会触及天花板。我不这么认为。


但就像 Paul Graham 说的:做一个少数人「极度渴望」的产品,远好过做一个多数人「有点想要」的产品。我们的 PMF 引擎,就是为了精准地做到这一点。


「一家创业公司刚起步时,必须得有一批用户是『非你不可』的,而不只是那些觉得『这东西好像还行,以后或许用得上』的人。


这批核心用户一开始通常不会多,道理很简单:如果真有一个东西是海量用户都急需的,而且凭创业公司第一版的投入就能做出来,那它大概早就被做出来了。


这就意味着你必须做出取舍:要么,你做一个很多人『有点想要』的东西;要么,你做一个少数人『极度渴望』的东西。一定要选后者。不是所有这样的点子都能成功,但几乎所有成功的创业点子,都符合这个模型。」


4.2 分析反馈:把「路人」用户变成产品的「狂热粉丝」


光是找到核心用户还不够。我们还不到 40%,所以必须搞清楚:这些核心用户到底喜欢我们什么?以及,怎么让更多人也喜欢上我们?


我们分析了「非常失望」用户对第三个问题(「你获得的主要价值是什么?」)的回答。


一些回复内容样本:


「用 Superhuman 处理邮件快得多,原因有二:一次只显示一封邮件,以及整体速度比 gmail 好得多。我用一半的时间就处理完了收件箱。」


 「速度!这个应用快得疯狂,而且用户体验 + 键盘快捷键让我成为了一个真正的超人(superhuman)。」 


「使用 Superhuman 比使用 Gmail 快得多。完全不是一个级别。而且它模仿了我最喜欢的 Gmail 快捷键,所以对于 Gmail 高级用户来说学习曲线为零。」


 「我可以更快地处理收到的邮件,相应地分类信息,并简化我的工作流程。」


「速度。美学。我可以用键盘完成所有操作。」 


把这些回复做成一个词云后,我们发现共同的关键词是:速度、专注、快捷键


把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论


下一步,我们做了一个反直觉的决定:完全忽略那些选「不失望」的用户的反馈。因为他们的需求只会带偏你的产品方向。


所以,接下来,关注重点落在了「有点失望」的用户身上。他们是我们的争取对象。我们又做了一次细分:用「速度」这个核心价值来筛选他们。


把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论


  • 对于那些不看重「速度」的「有点失望」用户,我们也暂时忽略。因为我们产品的主要「优势」并没有吸引他们。即使我们按照他们的想法改进,他们也不太可能爱上这个产品。


  • 对于那些同样看重「速度」的「有点失望」用户,我们非常关注。这说明我们的核心价值打动了他们,目前只是还有些小问题影响他们使用产品。


我们仔细研究了这部分用户对第四个问题(「我们怎样改进?」)的回答。我们发现阻碍我们用户的主要问题很简单:我们缺少移动 App。


把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论


2015 年,我们采取了逆向思维,从桌面端开始。因为大多数电子邮件是从桌面端发送的,所以我们一直在打磨桌面端。


此外,我们还发现了集成、附件处理、日历功能等等需求。这些都是来自潜在核心用户的反馈,比如,作为一家早期公司,我们内部并不经常使用日历功能,所以根据我们自己对电子邮件的直觉,我们不会优先考虑日历功能。这次的反馈,直接改变了日历功能开发的优先级。


4.3 规划路线图:一边巩固优势,一边弥补短板


清楚了用户「喜欢什么」和「缺少什么」,接下来就是规划路线图。我的感悟是:只做用户喜欢的功能,分数不会涨;只补用户抱怨的短板,你可能会被对手超过


所以,我们的路线图一分为二:


一半资源,用来加倍投入用户喜欢的功能:


  • 极致的速度: Superhuman 本就以速度著称,但我们把它推向了新的极限。我们将 UI 响应时间从已经很快的 100 毫秒进一步压缩到 50 毫秒以内,搜索也做到了几乎零延迟的即时响应。


  • 更全面的快捷键: 我们的用户热爱用键盘掌控一切,所以我们开发了许多独创的快捷键,覆盖了更多操作场景。我们还解决了一个核心痛点:通过技术优化,即使你的手速快到电脑反应不过来,系统也能精准捕捉你的每一次敲击,不再有任何延迟和卡顿。


  • 更深度的自动化: 为了打破打字速度的瓶颈,我们推出了 Snippets(模板)功能,让用户可以一键插入预设好的短语、段落甚至整封邮件。后续我们还增强了它的能力,现在 Snippets 不仅支持文本,还可以直接带上附件、自动抄送指定联系人,甚至能与你的 CRM 或 ATS(招聘系统)联动。


  • 更贴心的设计: 用户非常欣赏我们的设计细节,所以我们在这方面投入了更多精力,打磨了上百个细微但能提升幸福感的交互体验。举个简单的例子,当你输入「-->」时,它会自动转换成一个箭头符号「→」。


另一半资源,用来解决那些阻碍用户的问题:开发移动 App、增加集成、优化附件处理、加入日历功能等等。


如何确定这些任务的优先级?我们用了一个简单的「成本-影响力」分析法,把每个项目都标记为低、中、高三个成本等级和三个影响等级。


评估「影响力」有两种方式:


  • 对于弥补短板(路线图的后半部分),评估影响力是由数据驱动的:看一个功能有多少用户要求就行了,需求量越大,影响力就越大。


  • 但对于巩固优势(路线图的前半部分),评估影响力则靠「产品直觉」。这种直觉,来源于长期的经验和对用户的深度理解。(我们之前做的「高期望客户」画像分析,对培养这种判断力非常有帮助。)


有了清晰的行动方案后,立刻开始执行。优先处理那些「低成本、高影响」的任务,也就是最容易实现的「快赢」(Quick Win)项目,这样能马上让用户看到产品的改进。


提升 PMF 分数的秘诀是:花一半时间加倍投入用户已经喜爱的东西,另一半时间解决阻碍他人的问题。


4.4 重复这个过程:让提高 PMF 成为最重要的指标


之后,我们不断对新用户做问卷,追踪分数的变化。「非常失望」的比例,成了公司最重要的指标,每周、每月和每季度都在持续跟踪。甚至为它设定了专门的 OKR,让团队持续为提升这个分数而努力。


这个策略效果非常好。2017 年夏天,我们的分数是 22%。细分市场后到了 33%。在我们努力改进产品的短短三个季度内,分数涨到了 58%。


把 AI 邮件工具做到 3500 万美元 ARR,Superhuman:找到 PMF 其实有明确的方法论


当然,这事还没有结束。随着公司发展,用户会变,分数也可能波动。因为,早期用户容忍度更高,他们会因为产品的核心亮点而包容各种缺点。但当你开始走向大众市场,吸引来的主流用户会挑剔得多,他们会拿你的产品和成熟的竞品做比较,要求功能必须全面对等。这时候,你的 PMF 分数很可能会下滑。


不过,这很正常,不必过于焦虑。应对方法是有的:


  • 如果你的业务有网络效应(比如 Uber 或 Airbnb),用户越多,核心体验就越好,这本身就是一种护城河。


  • 如果你是像 Superhuman 这样的 SaaS 公司,唯一的方法就是随着用户群的扩大,持续不断地迭代和优化产品。


这就是为什么我们每个季度都会重复使用这一套流程来审视和调整路线图,目的就是确保我们产品优化的速度,能始终快于用户期望提升的速度。


文章来自于“Founder Park”,作者 “Founder Park”。

AITNT-国内领先的一站式人工智能新闻资讯网站
AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
AI工作流

【开源免费】字节工作流产品扣子两大核心业务:Coze Studio(扣子开发平台)和 Coze Loop(扣子罗盘)全面开源,而且采用的是 Apache 2.0 许可证,支持商用!

项目地址:https://github.com/coze-dev/coze-studio


【开源免费】n8n是一个可以自定义工作流的AI项目,它提供了200个工作节点来帮助用户实现工作流的编排。

项目地址:https://github.com/n8n-io/n8n

在线使用:https://n8n.io/(付费


【开源免费】DB-GPT是一个AI原生数据应用开发框架,它提供开发多模型管理(SMMF)、Text2SQL效果优化、RAG框架以及优化、Multi-Agents框架协作、AWEL(智能体工作流编排)等多种技术能力,让围绕数据库构建大模型应用更简单、更方便。

项目地址:https://github.com/eosphoros-ai/DB-GPT?tab=readme-ov-file



【开源免费】VectorVein是一个不需要任何编程基础,任何人都能用的AI工作流编辑工具。你可以将复杂的工作分解成多个步骤,并通过VectorVein固定并让AI依次完成。VectorVein是字节coze的平替产品。

项目地址:https://github.com/AndersonBY/vector-vein?tab=readme-ov-file

在线使用:https://vectorvein.ai/付费