Figma 如何戰勝 Adobe

一、Figma是如何戰勝Adobe的？

Figma前一陣上市，吸引了很多的熱度。

大家普遍的共識是，Figma是靠「協作」取勝的，這當然是事實，但一個很有意思的問題是：協作這個點，大家都能看到，為什麽資源和積累更厚的Adobe卻做不到呢？

答案是，Adobe不是沒做「協作」的功能，而是他們對「協作」的理解和Figma有著本質的不同。

Adobe的整個邏輯，是圍繞著「文件」（比如.psd或.ai文件）這個原子單位來構建的。

Figma的整個邏輯，是圍繞著「元素」（比如一個按鈕或一種樣式）這個原子單位來構建的。

這個區別看起來很小，但決定了「協作」的形態完全不同。

在Adobe的世界裏，「協作」更像是把一個本地文件傳到雲端，方便團隊成員互相發送和下載，本質上還是文件的傳遞。

但在Figma的世界裏，設計項目不再是一堆需要來回合並管理的文件。它變成了一個所有人都能實時進入的「畫布」或「現場」。大家可以直接在同一個地方修改各自負責的元素，所有的修改都會被記錄。這才是真正的「同步協作」。

Adobe所麵臨的困境，其實是很多現有巨頭都會重複遇到的問題。他們是基於過去的成功路徑和業務包袱來做改變，很難徹底拋開原有的邏輯。這就導致他們的方案不是基於新技術的「原生」方案。

想要Adobe真正做到Figma那樣，無異於重構整個公司，這種內部的阻力和難度，比從零做一家新公司還要大得多。

在類似的邏輯下，還有很多領域是技術改變了原有的「最小原子單位」，進而改變了這些領域生態係統的結構。比如音樂領域，專輯曾經是最小的原子單位，因為黑膠唱片和CD的架構迫使歌曲被捆綁在一起。但隨著MP3的出現，原子單位變成了歌曲。這一簡單的轉變催生了全新的發行架構：Napster、iTunes，以及最終的Spotify。

這對我們思考AI時代的機會也很有啟發。我們也可以去想，AI帶來的最底層的改變是什麽？

比如，它有沒有讓某個領域的「最小工作單位」發生變化？

它有沒有讓組織體係的性質發生變化？

又或者，它有沒有讓整個生態係統的結構發生變化？

找到這些更底層的改變，可能就是新機會的真正入口。

二、Online RL開始跑通了？

我最近經常在想創業公司和模型本身競爭的終局是什麽，到底什麽才是應用公司真正的壁壘？類似Cursor、Manus這樣的公司最終該如何和模型大廠競爭？

Cursor最近發的一篇技術博客，也許提供了一個解答的思路。這篇文章講的是它們怎麽用在線強化學習來優化Tab這個代碼補全功能的。

Tab是Cursor的一大killer feature，它會自動預測用戶接下來要寫的代碼，用戶隻要按下Tab鍵就能自動輸入。

為了讓代碼預測得更準，Cursor直接把用戶的每一次交互（接受or拒絕建議）都當成一次獎懲信號，灌回模型做實時RL訓練。現在Cursor每1.5-2h就能上線一個新模型，建立起了一套高頻的實時反饋循環。

而目前模型的建議量已經減少了21%，但采納率提升了28%。

關於「實時訓練」的暢想其實已經在AI圈存在了很久，但這回是真的第一次大規模跑通上線了，這或許預示著，AI的數據飛輪要真正開始轉起來了？

如果未來各種應用公司都可以用類似的方法來提升自身模型效果，是否會是一個很好的競爭手段？

三、Plaud教會我的事

我一直很好奇，一家錄音筆公司，怎麽就做成了全球最成功的AI硬件創業公司，2025年的預計收入都達到了2.5億美金。

所以最近我們跟Plaud中國區CEO莫子皓聊了聊，也看了創始人許高的幾篇訪談，然後get了一些有意思的認知：

1）我覺得Plaud的成功核心驗證了一件事情，就是context的價值。

他們早年一個重要的非共識判斷是：Conversation is a form of intelligence（對話是智能的一種體現形式）。

對話承載了一個人多年的經驗、偏好、痛點。但99.99%的人都沒有把現實世界裏的對話采集起來。這背後是一個巨大的金礦。

所以與其說Plaud是一個錄音筆，不如說它是一個context收集器，它的一切設計都是圍繞兩個核心目的：一是在硬件上，如何更好地捕捉用戶的context；二是在軟件上，如何最大化地分析和利用這些context。

2）我印象最深的是，莫子皓在跟我們聊的時候，說了八遍「反過來」。

他喜歡「把一切反過來想」。

比如，他的思考原點不是AI如何服務人類，而是人類如何服務AI。他相信AI的能力已經完全超越了人類，所以重要的是怎麽給模型提供足夠詳盡、獨家、個性化的context，而Plaud在做的正好就是捕捉和利用用戶context，所以這是他加入Plaud的一個原因。

比如，他給Plaud加了一個新功能Ask Plaud，但他來了個反向操作，不是人問AI，而是AI問人。背後的邏輯是，既然現在AI能力已經超越絕大部分人類了，那為什麽不能是AI主動點撥用戶？（AI：我覺得你這個問題問得不好，我來問你幾個問題）

比如，他們認為不僅是人類可以提示AI怎麽分析一段對話內容，AI也應該主動提示人類怎麽分析一段對話內容。Plaud內置了很多模板來挖掘對話中的隱含信息，比如它會根據對話內容自動推薦2-3個模板，告訴你可以從什麽角度分析問題。其中有一些很有意思的，比如分析對話中話語權的流動，分析談判中對方「虛張聲勢」的程度，分析麵試過程中候選人是否有野心、有童年陰影、有言外之意等等。

(其實類似「反過來想」的思考方式，是很多偉大的商業創新的原點。比如拚多多是對「傳統保險模式」的「反過來想」，無印良品是對「品牌Logo很重要」的「反過來想」，眾籌平台是對「先生產再銷售」的「反過來想」，ClassPass是對「辦了卡就隻能去這家健身房」的「反過來想」...）

3）關於野心和品味

我對Plaud還有一個好奇點是，它給人一種比較明顯的品牌感和世界第一的野心。

這對國內公司來講並不常見。

那這種氣質是怎麽來的？

幾條有趣的線索是：

①許高之前有過三次失敗的創業經曆，在開啟這次創業前，他設置了一些前提，其中一個是：要做就做世界第一的產品。

但這不來自於他的狂妄，而恰恰是來自於他的謹慎，他有一個殘酷的觀察：世界第二，往往隻有第一名80%的性能，50%的定價能力，和10%的盈利能力。

第一名能用更高的利潤雇傭更好的人、做更好的研發，形成正循環。而第二名，很容易在追趕中和第三、四、五名陷入慘烈肉搏，最後被耗死。

所以，做不到世界第一，就幹脆別做。

②創業公司有兩種模式：生存模式vs發展模式。公司在實現盈利之前，創始人腦子裏想的都是公司不要死掉，這是生存模式。但Plaud很快跨越了這個節點，連續兩年十倍增長、利潤率極高，且沒有投資人壓力，所以整個團隊的心態就進入了「發展模式」。大家開始思考我們有沒有可能成為一家世界級的公司？這個心態的轉變，會深刻地影響公司的戰略、招聘和格局。

③可穿戴設備代表著一個人的身份和品味。尤其當用戶群體是企業家、高管時，他們掏出的設備自然會成為一種社交語言。所以對Plaud來說，Taste就是一切。比如他們在招聘時，工業設計沒有找傳統的3C電子工程師，而是找了奢侈品和珠寶行業的人；營銷則專門找了來自LV、Rimowa的人才。

四、如何打造產品「驚喜感」？

再分享一期Lenny的播客，嘉賓Nesrine Changuel曾在Spotify和Google擔任產品負責人。她在Google的title很有意思，叫「delight PM」，專門使產品讓人有Wow的體驗。

工作久了，她就琢磨出了一些方法，把「打造驚喜感」這件事拆解成了一套有跡可循的方法論。

她首先給「Delight」下了個定義：Delight=喜悅(Joy)+驚喜(Surprise)。

那如何係統地打造Delight？有三個抓手：

1)超越預期：給用戶一些他們壓根沒想到的好處。比如，你用微軟的Edge瀏覽器買東西，快付款時它不知道從哪兒自動找到了一個15%的折扣券，幫你白賺了一筆。

2)預判需求：在用戶開口之前，就想到他們可能需要什麽。比如Revolut作為一個跨國轉賬App，居然內置了賣eSIM卡的功能。因為他們知道自己的用戶很多是國際商旅人士，有流量和通話的需求。

3)消除阻力：想想用戶在哪個環節最焦慮、最痛苦，然後用產品方案把這種負麵情緒抹平。比如，Google Meet團隊就發現，大家之所以會「Zoom疲勞」，一個很重要的原因是總在屏幕上盯著自己的臉看，這體驗就像旁邊有個人隨時舉著一麵鏡子，心理壓力巨大。於是他們就開發了一個功能，讓人能把自己的畫麵最小化，一下子就解脫了。

具體的執行流程，她也拆了四步：

第一步：重新定義用戶分類。她強調了一點，傳統做產品，總喜歡按人口特征（這人是誰）或者行為（他幹了什麽）來區分用戶，但這還不夠。更有效的方法，是按動機來分。同樣是打開Spotify，有的人是想給自己的視頻找個配樂（功能動機），有的人純粹是為了排解孤獨（個人情感動機），還有的人是為了轉發分享，顯示自己品味很好（社交情感動機）。

第二步：把動機轉化為機會點。識別出這些動機，尤其是情感層麵的，再把它們變成產品可以下手的機會。

第三步：給方案分類，這裏她把「愉悅感」分了三層：

• 淺層愉悅(Surface Delight)，推薦占比10%：隻滿足情感，不具備功能性。比如加州有一家酒店在泳池邊安了部「冰棒熱線」，拿起電話就能叫一根冰棒。很有趣，但用戶不會因為它而訂這家酒店。

• 低度愉悅(Low Delight)，占比50%：隻滿足功能，這是產品的基本盤，不多說。

• 深度愉悅(Deep Delight)，占比40%：同時滿足功能和情感。比如Spotify的個性化歌單就是一個例子，它既能幫忙「發現新歌」（功能），又時不時讓人咯噔一下，「靠，它懂我！」（情感）。

第四步：用清單檢查，避免好心辦壞事。有時候，你眼裏的驚喜，可能是別人眼裏的冒犯。當年，法國外賣軟件Deliveroo在母親節那天，給用戶發了個「媽媽的未接來電」形式的推送。本意是想提醒大家別忘了關心媽媽，結果被罵得很慘。因為不是每個人的媽媽都還在身邊，這個「驚喜」對很多人來說，是在傷口上撒鹽。

接下來，上麵的技巧隻解決了單點執行的問題，更深一層的問題是，如何讓「創造驚喜」從一種個人技巧，變成一種可持續的組織能力？

Nesrine也給了一些方法，比如：

• 可以像Google一樣，把Delight明確寫進產品戰略裏，大家在做規劃時不得不想著它。

• 可以給「驚喜感」原則起個內部代號，搞得酷一點。比如Dropbox有個產品原則叫「紙杯蛋糕」(Cupcake)，Snowflake有個叫「超級英雄」(Superhero)，本質上都在提醒團隊：多做一點讓人眼前一亮的事情。

• 還可以把它變成一個日常活動。比如，Spotify每月都會有「Hack Days」，年底還有「Hack Week」，鼓勵大家跳出條條框框去創新。

最後，她還提到了一個2B的點，我覺得特別有風骨：

在B端市場，信任，是最高級的愉悅感。

比如社交媒體管理工具Buffer，他們發現有大概2%的用戶，長期不活躍但還在傻傻地付錢，於是Buffer主動給這些人發郵件說：「我們看你很久沒用了，要不要我們幫你取消訂閱，順便把錢退你？」

這操作非常反商業直覺，簡直是自斷財路，但長期看，這種真誠反而把用戶的心給鎖死了，用戶黏性更高了(所以說，最高級的套路就是真誠！格局打開)。

五、如何更科學地評估AI產品的留存率？

A16Z上個月連發了兩篇文章，討論AI公司的留存問題。

起因是他們發現，現在很多AI公司根本不知道怎麽衡量自己的留存率。

AI產品很多是麵向Prosumer的，既不能按ToC算，也沒法套SaaS的模版。更頭疼的是，AI產品裏有太多嚐鮮的「遊客」，早期的留存數據沒有太大意義。

於是A16Z分析了數百個AI產品的數據，給了一個新的分水嶺：M3（第三個月）。

他們發現，絕大多數AI產品的留存率會從M3開始變得平穩。這個時候，嚐鮮的遊客基本都走光了，留下來的才是產品真正的用戶。所以，想知道真實的用戶留存情況，最好別從第一個月開始看，把基準換到M3，更能反映產品真實的PMF。

順著這個思路，算LTV/CAC也最好換個錨點，單獨區分一下M3這批用戶的LTV/CAC。這才能看清你的市場花費到底換來了多少「有效用戶」。

並且，基於M3這個新基準，他們還給出了一個新的北極星指標：M12/M3。也就是用第12個月的留存用戶數除以第3個月的留存用戶數，看那些熬過「遊客期」的用戶，在一年後還剩多少。這最終說明了你產品長期留存的質量。

• 如果M12/M3＞85%，說明你跑贏了市場平均線。

• 如果M12/M3＞95%，屬於Top 25%。

• 如果M12/M3＞100%，就是頂流水平。

Wait，看到這我愣了一下，留存率還能超過100%？用戶還會自我分裂嗎？

這在移動互聯網時代確實不大可能，但在AI時代，很多公司都出現了這種「微笑留存曲線」。因為模型在不斷進化，前兩個月的流失用戶，可能會因為產品變強了而重新回來。最典型的例子就是ChatGPT，比如下圖是ChatGPT在不同時期的月留存曲線

這還隻是在談用戶留存。如果看收入留存，超過100%的AI公司更多。A16Z的另一篇文章進一步解釋了這個問題，他們認為，這背後有兩個關鍵變化：

1)定價模式發生了改變，從移動互聯網時期的訂閱製或廣告模式，更多轉向了基於使用量或者實際結果的收費模式，所以隨著AI進步，用量就會增加，收入就會增長。

2)AI天然打通了一條從個人用戶到企業客戶的滲透路徑，比如ChatGPT、Gamma，很多都是員工自己用著爽，然後就忍不住在工作群裏分享，自然而然地就滲透進了公司。一旦同事們開始用，公司就有了付費的理由，從而能夠獲得更大的企業預算支出。

所以，AI其實很大程度上改變了ToC產品的商業模式。

基於這個邏輯，A16Z給AI創業者提了三點建議，幫助大家進一步提高產品收入：

第一，不要隻搞簡單的訂閱製，現在越來越多的AI工具開始提供不同等級的訂閱套餐，讓用戶在基礎額度用完後，再單獨購買credits來繼續使用。這樣一來，收入就和用戶的「使用深度」掛鉤，收入天花板會被打開。

第二，盡早加入「團隊協作」功能。這是承接上麵說的「自下而上滲透」的關鍵。哪怕產品還在MVP階段，也要加上最基礎的團隊功能（比如團隊文件夾、協作畫布、安全驗證）。有了這些，你就能順理成章地向價格不敏感的企業客戶加收溢價（比如ChatGPT個人版20美元，企業版會收到25-60美元）。A16Z甚至建議，可以把個人版當獲客成本，哪怕虧錢也要做，目的就是為了搶占企業市場。Notion在2020年就采用了這種策略，為個人用戶提供無限的免費頁麵，同時對協作功能進行激進收費，這直接帶動了它當年的爆發性增長。

第三，從Day 1就開始考慮進軍ToB業務。

如果你的ToC產品也可以被企業用戶采用，那就應該考慮在1-2年內就引進一個ToB的銷售負責人。如果不去迅速搶占B端市場，很可能就會在激烈的競爭中丟掉最大的收入來源。

六、Palantir的FDE模式，

為什麽突然火了？

FDE最近有點小火。

Bob McGrew有一期很好的播客，把這個模式講透了。

先稍微介紹一下Bob McGrew，他曾經是Palantir的高管，後來成了OpenAI的首席研究官，帶隊開發了ChatGPT和GPT-4。

他在播客裏提到一個很有趣的現象：他去參加AI創業者大會，結果沒人問他ChatGPT的事，所有人都圍著他，隻想搞清楚Palantir的Forward Deployed Engineer(FDE)模式到底是怎麽玩的。現在YC的招聘網站上，有超過100家AI Agent公司都在招FDE，連OpenAI自己也組建了FDE團隊來服務大客戶。

那要理解這個模式，首先要搞清楚FDE到底是幹嘛的。

簡單來說，FDE就是一個駐紮在客戶現場的工程師，負責填補「你的產品能做什麽」和「客戶到底需要什麽」之間的巨大鴻溝。

我聽完第一反應是，這不就是谘詢嗎？但深究下去，會發現兩者的商業邏輯並不一樣。谘詢模式賣的是「人時」，按小時或按項目收費。而FDE模式的核心是「產品探索」。FDE在一線用定製化的方式滿足客戶需求，但這隻是手段。目的是把這些一線的需求和解法反饋給後方，產品團隊再將這些具體的解決方案抽象、沉澱，變成通用的產品功能。所以這個模式在初期往往是虧錢的，但隨著產品在一次次實戰中變得越來越強大，利潤率就會逐漸轉正。

Palantir的FDE團隊裏，有兩個關鍵角色：Echo和Delta。

• Echo團隊更像「谘詢分析師」，他們通常來自客戶所在的行業，比如前CIA雇員、前金融分析師。他們的任務是深入客戶的業務流程，挖掘出用戶真正的痛點，同時負責維護客戶關係。

• Delta團隊則是「部署工程師」，負責快速寫代碼，把Echo的想法變成一個個能跑起來的原型。

這種分工，也決定了他們非常獨特的招人標準。

• 招Echo，他們喜歡找「叛徒」那些來自客戶行業內部，但又深刻理解現有模式不行、渴望變革的人。

• Delta則要找擅長快速原型開發的人，而不是追求完美代碼的工匠。能快速交付價值是第一位的，代碼以後可能要重寫甚至扔掉。

一個頂級的FDE，身上往往有創始人的影子。他們需要獨立麵對高度不確定的環境，自己定義問題，然後利用手頭的「產品杠杆」去創造價值。這種經曆本身就是極佳的創業訓練，這也是為什麽Palantir能走出大量的創業公司。

而這種模式對後方的產品經理也提出了極高的要求。他必須具備超強的「抽象能力」，能從客戶A的一個具體需求裏，提煉出能滿足未來10個客戶的通用解決方案。Palantir最早的關係圖譜設計，就是把「人」、「錢」這些具體概念抽象成了通用的「對象」和「關係」，這才讓一套係統能夠靈活地服務於反恐、金融、醫療等完全不同的領域。

另外，這期播客還分享了幾個FDE模式下常踩的坑：

1)你必須主動承擔風險。很多大企業客戶內部經曆過太多失敗的項目，他們既不相信自己，也不相信你這個小公司能搞定事情。所以，創業公司初期應該主動承擔所有風險，比如承諾「沒效果就退款」，用這種方式來建立信任，換取進入客戶內部的機會。

2)警惕FDE淪為外包。FDE最大的風險之一，就是團隊隻是在完成客戶指派的任務，而不是在主動解決對客戶業務最有價值的問題。客戶讓你解決的，往往是他們覺得最容易讓你做的，而不是對他們最重要的。不過，一旦你成功解決了客戶的第一個核心問題，你就能贏得信任，並有機會發現和解決企業內部其他更有價值的問題。

3)搞定客戶的CEO至關重要。FDE模式的實施會牽動客戶內部的很多流程和部門，如果沒有最高管理層的支持，項目根本推不下去。Palantir就隻做CEO的Top 5 concerns，否則寧可不做。

4)FDE與產品團隊的張力是必要的。FDE的目的是快速解決眼前這一個客戶的特定問題，這使得他們傾向於采用最簡單的路徑，而後方產品團隊則要考慮通用性，所以兩個團隊的溝通過程通常極其痛苦，但這種內在的矛盾和張力是正常的，甚至是必要的。

鋪墊了這麽多，那到底什麽時候該用FDE模式？

Bob的答案來了個180度轉彎：其實，能不用就別用。

如果你已經找到了PMF，可以像傳統SaaS一樣標準化地擴張，那你簡直是天選之子，千萬別碰FDE。FDE隻適用於那些產品和市場都極度不明確，需要大量共同探索的場景。

但這也就解釋了，為什麽FDE在今天的Agent時代突然迎來了一次大爆發。

在傳統SaaS裏，公司會刻意和客戶保持距離，因為每個客戶付的錢不多，想要規模化盈利就不能做得太重。

但在AI時代，遊戲規則變了：

一方麵，因為AI能完全替代人力，所以合同金額可以非常大（幾百萬甚至上億），就算投入一支團隊深度嵌入客戶現場，也是值得的；

另一方麵，AI產品形態高度不確定，客戶自己也說不清楚要什麽，很多真正的痛點和解決方案必須通過在一線共創才能浮現。

所以，如果做個總結的話，FDE模式的精髓，就是「doing things that dont scale at scale」(規模化地做那些不規模的事)。這是YC經典建議「做不能規模化的事」的進階版，也是為什麽這個模式如此之「重」，但又如此強大的原因。