a16z 提出 AI 产品的「水晶鞋效应」：第一批用户反而是最忠诚的

前几天，AI 推理服务供应商 OpenRouter 发布了一份报告《State of AI》，基于平台上 60 多家提供商的 300 多个模型，100 万亿个 token 的交互数据，对 LLM 的实际应用情况进行了分析。

报告中，提到了一个「灰姑娘水晶鞋效应」，特别有意思。研究者在分析用户留用数据时发现一个现象：AI 模型发布第一个月进来的用户，往往比后来进来的用户留存率更高。

这批用户被称为「基础用户群」，如果一个新模型刚好能完美地解决用户的某个难题、需求时，用户就会像灰姑娘穿上水晶鞋一样，产生极高的忠诚度，并且把业务深度绑定在这个模型上。

这种现象，和传统的 SaaS 时代的玩法：先上线一个简单的 MVP，然后再通过快速迭代功能来改善用户留存，几乎是相悖的。AI 时代的创业者，对于产品/模型留存的认知都要转变：

• 留存率是关键的北极星指标。早期用户的高留存率，才是判断能力「真突破」的关键指标；

• 对于「先发优势」要重新定义：谁能率先解决问题，才能锁定这个问题需求下的大部分忠实用户；

• AI 产品获得「基础用户」窗口期很短，可能只有几个月，必须要迅速抓住核心用户；

• 在 AI 领域，PMF 可以与工作负载&模型匹配（workload-model fit）画等号，当产品能够精准满足某一需求时，用户的留存率自然就有了；

• 现在的 AI 产品靠「通用」取胜很难了，需要把某一维度的能力做到极致。

a16z《The Cinderella「Glass Slipper」Effect》：https://www.a16z.news/p/the-cinderella-glass-slipper-effect

OpenRouter 报告：https://openrouter.ai/state-of-ai

传统 SaaS 的玩法，

在 AI 时代行不通了

在传统的 SaaS 领域，维持早期用户的留存一直是个难题。普遍的做法是：先发布一个功能较少的最小可行产品（MVP），然后快速进行功能迭代，同时希望用户能留下来。在产品初期，迭代是一种普遍甚至被鼓励的策略。创始人通常希望通过持续的改进来吸引回流失的用户，或者至少减缓流失速度。

这种模式在过去很多年里一直是 SaaS 行业的常态。用已有的产品上线，看着许多早期用户流失，然后通过密集的迭代来改善留存率。高留存率非常有价值，但在产品发布初期很难实现。正如 Bryan kim 所说：「留存率是应用的生命线，也是最难提升的指标」。在 SaaS 领域，初期的用户流失几乎是必经的一个阶段：虽然需要尽可能地减少流失，但这在很大程度上是规划中需要面对的现实问题。

但现在，AI 领域出现了一些新现象，正在改变以往的模式。早期低留存不再是常态，我们观察到一些 AI 产品从第一批用户开始，就获得了非常高的留存率。这些用户似乎找到了他们真正需要的东西，并长期使用。这种情况虽然不是普遍现象，但一个值得所有创始人关注的新模式正在形成，我们称之为「灰姑娘水晶鞋效应」（Cinderella「Glass Slipper」effect），它正在重塑我们对用户留存的理解。

什么是「灰姑娘水晶鞋效应」？

为什么有些 AI 产品没有遵循典型的「MVP 与流失」模式？答案或许在我们提出的一个假设中：「灰姑娘水晶鞋效应」。这个比喻来自一个童话故事：把市场上一批有潜在需求的「客户」（即灰姑娘）想象成在持续寻找完美解决方案的人。他们不断试用各种模型，但大多数方案要么不适用，要么效果不佳，无法很好地完成待办任务。这些价值很高、但没有被解决的问题，我们称之为「未解决的工作负载」（unsolved workloads），就像灰姑娘的脚，在等待一双尺寸合适的水晶鞋。

在快速发展的 AI 领域，开发者们正在试验大量的模型。一个数据是，OpenRouter 的模型使用量在一年内增长了 10 倍，处理的 Token 数量从 10 万亿增至 100 万亿以上，且每天都有新模型接入。每次有新模型发布，开发团队都会迅速测试：它能更好地解决我的问题吗？在大多数情况下，答案是否定的。因此，用户在短暂试用后便会流失，成为所谓的 AI「游客」。这是一种常态：用户带着很高的期望而来，短暂试用后，又转向下一个热点。

但偶尔，会出现一款新的「前沿模型」，能以极高的精度解决某个棘手且价值很高的问题。这时，就像找到了灰姑娘的水晶鞋。一个特定的用户群发现了一种「工作负载-模型匹配」（workload-model fit）模式，迫切的需求与 AI 提供的能力完美契合。这些用户的行为与典型的早期流失用户不同，相反，他们会坚定地留下来，将模型深度集成到自己的产品或工作流中，并投入大量工程资源，从而被有效「锁定」的。毕竟，如果这个模型已经完美适配他们的使用场景，为什么还要再换模型呢？

我们将这些早期就具备高粘性的用户称为「基础用户群组」（foundational cohort）。他们通常在模型发布初期就出现，被 SOTA 模型的技术能力吸引。如果模型的表现符合预期，他们的留存率就会非常高。这就好像产品在上线的第一天，就立即找到了最理想的用户群。这与传统的 MVP 模式完全不同，在 AI 领域，早期用户群组的留存率，可能比后期加入用户的留存率更长。

为什么后来的用户忠诚度更低？因为一旦「水晶鞋」群组找到了他们的完美匹配，后续的用户更多是抱着实验性的态度，或者他们的需求已经被其他方案满足了。这款模型不再是唯一的选择，只是众多工具中的其中一个。任何没有被满足的需求，都会促使这些后来的用户转向试用下一个新推出的模型。相比之下，已经找到完美方案的「基础用户群组」则会非常稳定。

两组实际案例：

第一批用户反而留存率更高

为了观察「水晶鞋效应」，我们可以看看近期 AI 模型的发布数据。我们分析了《AI 现状：基于 OpenRouter 的 100 万亿令牌实证研究》中的用户群组数据，这些数据全面地反映了真实世界中大语言模型（LLM）的使用情况。

留存曲线清晰地展示了「水晶鞋效应」。每个群组代表在特定月份开始使用某款模型的用户，曲线显示了他们在后续月份的活跃用户比例。（只要用户在后续任一月份再次使用，就算作「留存」）。

以 Google 的 Gemini 2.5 Pro 为例，这是一款在 2025 年中期发布的「前沿模型」。其 2025 年 6 月的发布群组表现突出：5 个月后，该群组仍有约 20% 的用户保持活跃。对于使用单一模型的开发者群组来说，这是非常高的留存率。这说明，在 6 月，有一批开发者在 Gemini 2.5 Pro 中找到了他们需要的能力，例如先进的编码能力或更高的准确性，并选择了长期使用。

相比之下，几个月后，如 2025 年 9 月或 10 月 加入的群组流失率要高得多，留存曲线迅速下降，这意味着几乎所有用户都在短期内停止了使用。原因在于，到了 2025 年秋季，Gemini 2.5 Pro 不再是市场上唯一的新选择，更新的模型不断出现，那些还没找到合适方案的开发者仍在继续寻找。6 月份的「基础用户群组」已经占据了该模型的核心用例，后来的用户更多是「探索者」，他们试用了 Gemini 2.5 Pro，但没有发现能完美匹配其需求的点，于是转向试用其他模型。

同期发布的另一款主流模型，Anthropic 的 Claude 4 Sonnet 也出现了类似的情况。其 2025 年 5 月的发布群组在第 4 个月时，用户留存率约为 40%，与 Gemini 的表现相似，但显著高于 Claude 自身的后期用户群组。很明显，这批 5 月的用户找到了使用模型的「最佳点」，可能是 Claude 4 的高级推理能力或长上下文窗口解决了其他模型无法处理的问题。图表中 Claude 4 Sonnet 的后期群组显示，秋季加入的用户流失更快，可能是因为当时 Claude 4 的能力已经不再是独有的了，用户未被满足的需求促使他们转向别处。

本质上，当一个 AI 模型凭借明确的技术优势发布时，它有一个短暂的窗口期来吸引一个「基础用户群组」。在这个窗口期内（可能只持续到下一个重要模型发布），第一批试用者要么发现它能解决问题，要么不能。如果能，他们就会成为核心用户，在热度过去后很长时间里，依然维持着产品的高使用率。如果不能，那么后续所有用户群组的表现都会相似：短暂试用，然后快速流失。

反面案例：如果模型不是足够好，

用户的留存率会很低

如果「水晶鞋」时刻从来没有出现过会是什么样的？也有这样的例子：一些模型在发布后，始终没能展现出独特且能留住用户的优势。它们的留存图表呈现出典型的「商品化」曲线：所有用户群组的行为都高度相似，并且留存率很低。

比如 Google 模型的早期版本 Gemini 2.0 Flash 和 Llama 4 Maverick。这些模型推出时都具备不错的能力，但相较于市场上的已有模型，并没有实现能力上质的提升。结果是，没有一个用户群组对它们产生持久的依赖。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度体验和流失。

在图表底部，所有群组的留存曲线都纠缠在一起，没有突出的群体，也没能形成「基础用户」。简单来说，这些产品就没有找到「PMF」。这些模型刚推出，就直接进入了一个「足够好」的市场，在这个市场里，有大量的模型都能完成类似的工作，但没有一款能让用户产生高度忠诚。由于没能成为某个领域绝对的「领导者」或者能解决一类新问题，这些模型最终都没能锁定任何一个重要的用户基础。

留存率是关键指标，

窗口期很短要抓紧

在基础模型快速发展的时代，围绕用户留存的竞争逻辑已经改变了。AI 的能力正以巨大的步伐向前发展。每一次技术飞跃，都带来了征服新应用场景的机会：成为第一个能解决以往未能解决难题的模型。如果做到了，有这个问题需求的用户就会自然聚集过来并长期使用。

这种「灰姑娘」模式对 AI 公司和投资者有巨大的影响：

• PMF 与工作负载&模型相匹配可以画等号：在 AI 领域，实现 PMF，可能就意味着比任何对手都更好地解决某一个高价值的工作负载。这更多地是关于在某个关键维度上的深度，而不是实现广泛的功能。当模型能够精准满足这一需求时，用户留存率自然就有了。

• 重新定义先发优势：率先进入市场的模型不一定能成功，除非模型在解决某一类问题上是表现最佳的。「水晶鞋效应」表明，第一个实现新能力水平的模型，能够锁定该能力下的大部分忠实用户。这些用户日后很难被竞争对手争取，因为他们已经围绕该模型构建了工作流、业务和使用习惯。更换模型会带来高昂的「转换成本」，比如需要重新训练、质量风险和工程改造，这就形成了经典的商业「锁定」（lock-in）。

• 留存率是关键的北极星指标：在 AI 工具的浪潮中，用户注册量、采用率等数据的增长看似最重要。但聪明的创始人同样会关注留存曲线。是否有「基础用户群组」正在形成？是否至少有一个用户细分群体认为你的模型不可或缺？如果所有群组都快速流失，这是一个危险信号，说明模型需要加强差异化或瞄准更具体的用户痛点。反之，如果某个群组的留存率远高于其他群体，就应该更深入地研究这一点。他们就是你的「水晶鞋」用户，分析用户为什么留下，可以为你的产品路线图和融资提供关键指引。

• 「前沿模型」的窗口期非常短暂：数据显示，「前沿模型」的领先地位是暂时的。每一款新模型都只在很短的时间内被认为是前沿的，直到下一个竞争者出现。这意味着 AI 公司只有很短的时间窗口去获得「基础用户」。这是一个向需求最迫切、最难满足的用户证明自己的唯一机会。一旦错过，就只能陷入增量改进的激烈竞争中。对于 AI 创业公司来说，加大了产品发布的压力，成功的回报（稳固的用户群）和失败的风险（高流失率）都被放大了。

靠「通用」取胜很难，

需要把某一维度的能力做到极致

「灰姑娘水晶鞋效应」不仅是一个比喻，也反映了 AI 正在如何改变产品应用和用户留存的规则。在一个新模型层出不穷、开发者可以轻易切换的时代，用户忠诚度似乎很脆弱。但我们看到，当一款 AI 产品真正解决了一个深层需求时，它赢得的是「粉丝」，而不是「游客」。这些早期的忠实用户会长期留存，为整个业务发展提供坚实的基础。

对于 AI 领域的创业者和开发者来说，任务是明确的：专注找到并解决市场中那些高价值的、未被满足的需求。目标是成为第一个能彻底解决某个问题的方案，而不是在一个拥挤的赛道里做一个功能宽泛但「够用就好」的产品。这决定了你的产品是货架上又一双普通的鞋，还是那只能完美契合的「水晶鞋」。

最终，AI 下一阶段的竞争，可能不仅是谁的模型更大或更快，更是：「我们找到了那批真正需要我们的用户，并且几个月后，他们还在使用我们的产品。」这才是完美匹配的价值所在。

文章来自于微信公众号 “Founder Park”，作者 “Founder Park”