Granola：巨头早就做了的 AI 会议纪要，它为什么还能值 15 亿美元

今天分享的是：Granola, https://www.granola.ai/

Granola AI 是做 AI 会议纪要的，是不是看到这个赛道就不想往下看了？

老赛道，全是巨头，没什么新意，有没有新鲜的让人眼前一亮（最好可以直接抄）的产品？

我今天要分享的就是：在一个拥挤的老赛道，如何凭借差异化的产品体验，依旧能有不错的市场表现。

AI 会议纪要非常多，早在 Granola 出来之前，Zoom、Google 已经有类似功能，Otter、Fireflies 这类 AI 会议工具也做了很多年。

按常规判断，这不是一个小团队应该轻易进入的市场：需求明确，巨头在场，竞品很多，用户也不缺选择。

但 Granola 还是做出来了。

2026 年 3 月，Granola 宣布完成 1.25 亿美元融资，估值达到 15 亿美元。

Granola 给我最大的启发就是：不要只判断这个市场竞争是不是激烈，而要判断用户是否真的满意。

Granola 就是一个 AI 会议记事本

用户开会时可以像用普通记事本一样记录重点，Granola 同时会转写会议内容。

会议结束后，它会把用户写下的粗略笔记和完整转写结合起来，生成一份结构化纪要、待办事项和后续跟进内容。

这个产品和很多 AI 会议工具的差异，不在于“能不能转写”，而在于它对场景的理解不一样。

很多会议工具的做法，是让一个机器人进入会议，把全部内容录下来，再自动生成纪要。

Granola 的方式更接近一个个人记事本。

它不需要一个可见的机器人进入会议，而是通过电脑音频完成转写。用户仍然可以自己写笔记，自己决定哪些信息重要，AI 负责把零散记录补完整。

这听起来只是一个交互细节，但它改变了用户感受。

对很多人来说，会议纪要不是一个独立任务，而是会议过程的一部分。真正的问题不是“有没有转写文本”，而是：

“我能不能在开会时专注听人说话，同时又不丢掉关键数字、分工职责、下一步行动计划”。

Granola 解决的就是这个具体问题。

它不是让用户完全放弃笔记，而是保留人的判断，再用 AI 补上人的记忆和整理能力。

用户可以在会后继续追问：上次和这个客户谈了什么？哪些事情还没完成？过去几个月的会议里，客户反复提到的问题是什么？

这也是 Granola 后来讲“公司上下文”的原因。

会议不是孤立信息。对一家企业来说，会议里有客户反馈、销售阻塞、产品需求、内部决策、交付风险，也有很多没有进入正式文档的判断。

如果这些内容长期沉淀下来，就不只是会议纪要，也是公司知识的一部分。

赛道选择：足够高频，也足够重要

今天做 AI 应用，很多人会问一个问题：如果 ChatGPT、Claude、Google、微软都能做，我还有机会吗？

Granola 的判断是，要看两个维度。

第一，这个需求是否高频。

低频需求很难形成习惯。用户偶尔用一次的功能，很可能直接交给通用 AI 工具完成，不会专门安装一个新软件。

第二，这个需求是否重要。

如果一个场景虽然高频，但用户对结果质量不敏感，那么小团队也很难突围。

只有当一个场景既高频，又对结果质量要求很高时，产品体验提升 10%，用户才有足够理由切换。

会议纪要刚好属于这个区域。

对创始人、销售、投资人、产品经理、管理者来说，会议是每天都在发生的事情。

会议结果直接影响客户跟进、团队协作、项目推进和管理判断。纪要做得差一点，可能就会漏掉一个行动计划、一个时间点、一个客户需求。

所以，即使 Zoom 和 Google 已经有类似功能，用户也不一定满意。

巨头做的是通用功能，Granola 做的是重度会议人群的个人工作台。

前者解决“会议结束后有一份纪要”，后者解决“我每天大量开会，如何把所有会议变成可查询、可复用、可行动的信息”。

这就是小团队的切口。

不是避开所有巨头，而是在巨头覆盖的地方，找到用户仍然不满意的细节。

产品验证和冷启动

Granola 由 Chris Pedregal 和 Sam Stephenson 于 2023 年在伦敦创立。

Chris Pedregal 不是第一次做 AI 产品。早在 Granola 之前，他就联合创办过教育应用 Socratic，让学生拍下题目后获得学习解释，这家公司后来被 Google 收购。之后他又在 Google 内部孵化过 Stack，用 AI 扫描和整理个人文件。

到 Granola，他做的仍然是同一类问题：把人每天产生的大量非结构化信息，变成可以查询、整理和复用的上下文。

2026 年 3 月，Granola 完成 1.25 亿美元 C 轮融资，估值 15 亿美元。客户包括 Cursor、Lovable、Decagon、Mistral AI 等公司。

Granola 的早期产品验证非常克制，它没有一开始就公开发布，而是做了接近一年的私密测试。

早期团队的做法很笨，但很有效：

找一个用户，坐在旁边看他安装、打开、使用 Granola，看他在哪里卡住、哪里困惑、哪里失望。

回去修改，第二天再找新用户继续看。

这类方法没有太多包装，但它对早期产品很重要。

很多创业团队会过早追求规模反馈，比如发到社交平台、上产品榜单、买流量、做活动。

但产品还没到位时，流量带来的不一定是增长，可能只是更大规模的失望。

Granola 早期更关心的是：

用户能不能顺利开始用？第一次会议后有没有感觉到价值？三天后还会不会打开？他用过几次后，是把它当成一个新鲜工具，还是当成日常工作的一部分？

他们的验证对象也不是随便找来的用户，而是和自己相似的人：

知识工作者、创业公司员工、重度使用各类效率工具的人。

这些人会议多、工具多、对效率产品敏感，也更容易判断一个新工具到底有没有用。

也就是说，早期产品验证，不是找越多人越好，而是先找对人。

你要找的不是“愿意帮你试用的人”，而是真正有这个痛点、并且有能力判断产品好坏的人。

Granola 当时还做了多个原型，会议记事本只是其中一个方向。他们用很简单的网页和脚本做出粗糙版本，让用户能实际试一下。

很多原型用户没有兴趣，但当他们看到“一个实时记事本帮我记录会议、补全内容、并且可以交互”时，反应明显不同。

Granola 公开发布时，也不是靠大预算营销。

他们在推特上发了一个动图，展示产品的核心体验：

用户在会议中写下粗略笔记，会议结束后，Granola 自动把这些笔记补全、整理成更完整的内容。

这个动图被一些创业圈和产品圈的人转发，第一天带来了大约 500 个安装。

500 个安装不算惊人，但对一个小团队来说已经足够启动。

后面的增长思路也明显不同，Granola 没有依赖会议工具常见的增长套路。

很多会议机器人会在会议结束后自动把纪要发给所有参会者，这样确实能传播，但也容易打扰别人，甚至让用户产生反感。

Granola 没有把这种传播机制做到产品里。它更强调服务当前用户，而不是借用户的会议关系链强行扩散。

这反而变成了差异。

在一个到处都是增长技巧的市场里，克制本身会被用户感知到。

尤其是会议这种敏感场景，用户不希望一个工具为了增长，把自己的会议内容变成传播入口。

Granola 的增长更接近口碑扩散：一个人在公司里用了，觉得好用，推荐给同事；同事继续用，逐渐在团队里扩散；当使用人数变多，公司管理层、法务、安全负责人开始关注数据管理和权限控制，最后推动企业付费。

这条路径很像 Slack、Dropbox 早年的企业渗透方式：先从个人和小团队进入，再自然上升到公司采购。

没有让 AI 替代人的判断，而是先让 AI 做信息处理

这和很多 AI 产品的叙事不同。

很多产品喜欢说自己是“AI 员工”、“AI 助理”、“AI 主管”，好像马上就能替代一个完整岗位。

但 Granola 内部对 AI 的使用更务实。

他们有一个内部智能体，连接了公司的数据和工具，可以在团队需要时拉取数据、分析趋势、整理材料，甚至辅助准备一些代码修改。

但它主要做的是执行和信息处理，而不是替团队做重大决策。

比如，创始人发现产品里某个体验不对，就可以让内部智能体去查过去几个月的数据，看这个直觉是否有数据支持。

团队讨论某个修改方案时，也可以让它拉取相关信息，减少人工打开多个系统、导出文件、复制粘贴的时间。

这其实是很多公司更应该采用的 AI 工作方式。

AI 不一定先替代判断，它可以先减少获取信息的成本。

让人更快看到事实，更快验证直觉，更快把分散的信息集中到一起。最后的产品判断、取舍和责任，仍然由人承担。

Granola 对产品决策的态度也很清楚：

用户反馈可以用 AI 分类、归纳、整理，但具体要怎么改产品，仍然需要创始人和团队基于真实用户体验做判断。

这句话对今天的 AI 创业者其实也很有启发。

AI 能提高速度，但产品好不好，仍然取决于你是否理解用户、是否愿意反复打磨、是否能判断细节里哪些东西重要。

Granola 的早期数据方法也值得学习

很多团队看用户数据，只看总量，比如日活、周活、留存、使用次数。

这些指标当然重要，但在早期，它们经常不够用。因为总量指标会把很多人的行为混在一起，让你看不到具体用户发生了什么。

Granola 早期用过一种更直观的方法：

把每个用户放在一行，把每一天放在一列，然后标记这个用户当天用了多少次 Granola。

这样一看，就能看到很多细节。

有人连续用了几天，然后突然停了。

你就要追问：他遇到了什么问题？是会议变少了，还是产品没有形成习惯？

有人一开始只是偶尔用，某一天突然用了五六场会议，之后开始持续使用。

你就要追问：那一天发生了什么？他为什么从试用变成习惯？产品有没有办法帮助更多用户更快走到这一步？

这种方法的价值在于，它不是只告诉你“增长了”或者“下降了”，而是让你看到具体用户的行为轨迹。

对早期 AI 产品来说，这种颗粒度尤其重要。

因为 AI 产品经常会出现一种假象：用户试用很多，但长期留下来的人少。大家愿意点开一个新工具，不代表它真的进入工作流。

真正要看的是，用户是否在关键场景里反复使用，是否在没有提醒的情况下主动回来，是否把它从“试试看”变成“每天必须打开”。

Granola 后来的增长，不是来自发布当天的 500 个安装，而是来自那些真正把它用成习惯的人。

Granola 对国内创业者的启发

第一，拥挤赛道不等于没有机会。

AI 会议纪要看起来已经很卷，但用户并不一定满意现有产品。很多时候，机会不在“没人做”，而在“大家都做了，但用户仍然觉得不好用”。

第二，越是 AI 产品，越不能只拼功能。

转写、总结、生成待办，这些能力迟早会变成基础能力。真正拉开差距的，是产品如何进入用户原有习惯，如何减少打扰，如何让用户感觉自己仍然掌控工作，而不是被一个工具牵着走。

第三，用户对粗糙产品的耐心越来越低。

AI 工具现在太多了，如果产品第一次体验不好，用户很可能不会回来。Granola 用接近一年时间做私密测试，看似慢，实际上是在降低公开发布时的失败概率。

第四，增长不一定靠复杂机制。

Granola 没有把会议纪要自动发给所有人，没有做很重的增长闭环，但它仍然在创业者、投资人和科技公司人群中扩散。原因很简单：目标用户真的愿意用，也愿意推荐。

第五，AI 应用的长期价值，不只是完成一个任务，而是沉淀上下文。

会议纪要只是入口。真正有价值的是长期会议记录、客户反馈、团队决策和个人工作方式。当这些信息持续积累，AI 才能从“帮我整理一次会议”，变成“帮我理解整个工作系统”。

这也是 Granola 从一个 AI 记事本变成 15 亿美元公司的核心原因。

最后，AI 应用的机会，未必都在新概念里，更在没有被满足的需求里。

文章来自于微信公众号 “Fun AI Everyday”，作者 “Fun AI Everyday”