重读产品课笔记（三）：一切的原点是需求

100 天 100 篇，第 5 篇。

产品课笔记重读的最后一篇。前两篇盘了什么生意能做大、什么时候进、进去怎么打，今天收尾：这门课最值钱的部分——需求与供需。最后，我用三篇盘下来的整套框架，从头到尾分析一个今天的 AI 生意。

需求是最稀缺的资源

中文里的”需求”对应三个词：Need 是用户原始的动机，Requirement 是由此产生的产品设计要求，Demand 是产品做出来之后的市场需求量。

需求的不可满足性这篇泼了一串冷水：大部分需求当下无法满足；能满足的里面，ROI 为正的是少数；ROI 为正的里面，能养活一个可规模化团队的更少；能支撑一家公司独立存在的，凤毛麟角。所以可以默认：任何一个时间点上，社会上都不存在靠谱的大商业机会。 听着丧，其实是在教你尊重需求——真正有效的大需求非常稀缺。

需求本身很少凭空出现，变的往往是可行性。机会窗像天空中的闪电：需求的电荷团和可行性的电荷团，至少有一个在不断积累，攒够了才劈那一下。最伟大的需求往往一直强烈、一直广泛，只是实现太难，比如无人驾驶。面对这样的需求，要回答三个问题：是不是根本实现不了？是不是其实没有这个需求？为什么是现在？

识别需求的办法，是去研究”成功的失败”。从个人主页、ChinaRen 主页大巴、博客，到微博、Facebook、抖音，内容形态越丰富，用户越下沉；直播跟着 3G、4G、5G 一代代长大，相册从纸质、光盘、电脑一路搬到线上。每一代都在问同一个问题：前人为什么没成？是时间窗没开，还是做法错了？把这个想明白，比问一百个用户”你想要什么”都有用。

因为用户会说谎，而且自己意识不到。没有汽车的时候，人们只想要一匹更快的马；用户张口提的都是 Requirement 和 Demand，很少是 Need。调研还有霍桑效应——工人知道工厂在做实验，灯光调亮、调暗，效率都会提高。更有效的办法，是去问那些在用产品、而且用出了问题的人。

供需关系决定一切

王慧文的原话是供需关系决定一切。供需只有两种状态，供过于求或者供不应求，难的是判断自己处在哪一种——团队还很容易把它搞反，假装不好搞的那一边不重要。

人人车和瓜子二手车就是一对例子：人人车把买车用户的体验做到极致，但二手车行业供不应求，缺的是车，不是体验；瓜子把力气花在了卖方。零售老板也一样，嘴上说供给重要，选址却每次亲自去——身体比嘴诚实。

供需还分空间、时间和分层。空间：同样做婚恋网站，定位城市白领和定位农村市场，广告该拉哪一边可能完全相反。时间：打车一天之内就要翻好几次——早高峰供不应求，中午平峰，下午供过于求，晚上又翻回来。

分层里有最反直觉的一条：高端的供需弹性大，低端的弹性小。 高端客户有钱，买错了试错成本低，给他一个理由就愿意试。《创新者的窘境》的作者克里斯滕森当年预测，电动车会按低端颠覆的路子，从校车、老年代步车切入；特斯拉偏偏从高端杀进去，赢的是特斯拉。

最后一篇里有全系列最好的实操案例。美团做团购时有个口号叫”狂拜访，狂上单”，拼命加商家；到了校园外卖，这套路径依赖行不通了，但道理讲完团队也改不过来。后来成都一个城市经理在一所学校里只上了 8 个商家，然后猛搞推广、发传单、做促销，还提前告诉商家明天单子会很多，多招几个人。订单集中在少数商家身上，商家立刻感受到需求有多旺，配送跟不上就马上补人；体验上去了，留存跟着上去；再加几个商家，再推一轮。商家数、订单量、用户体验、配送效率形成循环，业务就转起来了。

关键就一句：认清这个阶段缺的是需求还是供给。搞反了，就搞砸了。

放到今天的 AI：需求和供需

Need 和 Requirement：跑分是 Requirement，把事办完才是 Need。 用户张口说的是”模型再聪明一点""上下文再长一点”，这是 Requirement；真正的 Need 是”把这件事替我办完”。这两年竞争的重心从刷榜转向 Agent，就是因为大家发现：跑分高，不等于活干完了。基准测试也会”说谎”——榜单上分数漂亮，用起来不一定顺手。该去问的，还是那些天天在用、而且用出了问题的人。

机会窗：为什么是现在？ 替人办事的助理、会写代码的机器、自己开的车，这些需求一直都在，没怎么变过；变的是可行性那团电荷——Transformer、GPU、海量数据、强化学习，一起攒够了，闪电才劈下来。每个 AI 创业者都该先回答课上那三个问题，尤其是最后一个：为什么是现在，而不是三年前或者三年后？

供需：这一轮最缺的是供给。 这几年 AI 行业最典型的供不应求出在供给侧：GPU、电力、数据中心。所以钱先流向了英伟达和云厂商；各家产品限流、排队、按额度卖，都是供给不足的信号。做 AI 应用的人要问自己：我这个阶段缺的是用户，还是能力和算力？搞反了，就是 AI 版的人人车——体验做得很漂亮，模型能力却撑不住。

分层：AI 又走了一遍特斯拉的路。 按低端颠覆的理论，新技术应该先做便宜的；可 AI 订阅偏偏往高端走，ChatGPT Pro、Claude Max 这种一两百美元一个月的档位，卖得比很多人预想的好。原因和特斯拉一样：高端的供需弹性大，重度用户试错成本低，只要能帮他省下几个小时，就愿意付钱。

非市场因素：不常起作用，一起作用影响就很大。 芯片出口管制、各国监管、数据合规，这些课上一笔带过的”非市场因素”，在 AI 里变成了主角。它们甚至改写了第一篇里的规模效应范围：本该是全球型的模型生意，被切成了中美两个几乎平行的市场。

一个完整的例子：云端个人 AI 助理值不值得做

最后，用三篇盘下来的整套框架，完整分析一个正在发生的生意——上一篇写的云端个人 AI 助理。xAI 给 Agent 一台永远在线的云电脑，Meta 把 Muse 做到了 App Store 第一，OpenAI 大概率也要下场。这门生意值不值得做？按顺序问一遍。

市场体量：很大。 以前只有高管请得起秘书和助理，现在每个人都可能有一个。这个市场的天花板要按”人的时间值多少钱”来估，不是按 App 的下载量估。
规模效应：弱网络效应，强个人积累。 你的助理好不好用，主要取决于它有多了解你——记忆、授权的账号、跑过的任务，这是单个用户的积累，不是网络效应。bot 市场和插件生态能带来一点网络效应，但不强。所以它更像 B 曲线，只是切换成本很高：一旦你把邮箱、日程、账号都交给了它，就很难再搬家。
马太效应和集中度：终局是少数几家。 做通用助理，要同时有模型、算力和用户入口，门槛极高。这是一个”剩两三家”的行业，终局大概率属于手里有入口的大公司。
产业链：链主在两端。 上游是模型和算力，下游是入口——手机系统、社交关系链、账号体系。独立的通用助理夹在中间，两头受挤。
先发与后发：Siri 是先发者。 Siri 2011 年就上线了，Alexa 也红过一阵。它们的盲区在分类：把助理定义成”听懂语音指令”。这一代后发者重新分类，定义成”给 Agent 一台电脑，让它替你干活”——和 iPhone 把手机重新定义成互联网终端，是同一个动作。
高频打低频：拼的是谁的入口更高频。 Meta 有社交，xAI 有 X，OpenAI 有 ChatGPT。个人助理本身是中低频的，必须挂在一个高频入口上，才能被用户想起来。
需求与供需：需求不缺，缺的是供给。 用户的 Need 是”把事办完”，不是”陪我聊天”。现在的瓶颈在供给侧：Agent 办事的可靠性，和让它一直在线的算力成本。所以各家都先卖高端订阅——高端弹性大，重度用户最愿意为”少干一点活”付钱。

按这套框架推下来，我的判断是：这是个真需求、大市场，时机也到了；但通用助理是巨头的战场，终局剩不了几家。 对普通创业者，机会不在正面做一个”全能助理”，而在链条上那些模型越强反而越值钱的位置：垂直场景的 bot、给助理供货的插件和数据、替助理把线下的事办完的服务。

这就是我对开头那个问题的回答。五年前笔记里的案例，饿了么早已卖给了阿里，千团大战、二手车大战都成了旧闻；但”市场多大、终局几家、缺需求还是缺供给”这些追问，放到 AI 身上一个都没过期。唯一要改的，是互联网时代”边际成本为零”那条默认假设。

讲课的人自己也回到过牌桌上。王慧文 2020 年底从美团退休，2023 年又出来创办光年之外做大模型，几个月后因为身体原因退出，公司并入了美团。结局不算圆满，但出手的姿势很像他自己讲的：相信一件事早晚会发生，就下场试一次。

31 篇笔记，到这篇算是盘完了。博客里还有 25 篇亚马逊致股东信、一堆读书笔记和创业笔记，后面找时间也这样盘一遍。明天的文章明天见。

本系列：一：什么生意能做大 · 二：什么时候进，进去怎么打 · 三：一切的原点是需求