AI guides

a16z:AI 产品初期用户流失高很正常,M3 留存才是评估 PMF 的关键

By Founder Park2 viewsSource: Founder Park
a16z:AI 产品初期用户流失高很正常,M3 留存才是评估 PMF 的关键

近期,a16z 的研究团队发布了一篇博客文章《Retention Is All You Need》,在分析了数百家 AI 企业的情况后发现:将衡量用户留存率的基准点从第 0 个月(M0)后移至第 3 个月(M3),反而能更清晰地评估 PMF 和 GTM 策略。

The full text has not been translated yet. The Chinese original is shown below.

「现在头部的 AI 企业并不一定存在留存问题,核心是如何准确衡量留存情况。」

近期,a16z 的研究团队发布了一篇博客文章《Retention Is All You Need》,在分析了数百家 AI 企业的情况后发现:将衡量用户留存率的基准点从第 0 个月(M0)后移至第 3 个月(M3),反而能更清晰地评估 PMF 和 GTM 策略。

同时,研究团队收集了数十家头部 AI 企业的留存数据,将其统一换算为「总营收留存率 (Gross Revenue Retention)」进行分析,得出了一个典型的 AI 产品同期群 (cohort) 的营收留存曲线,可以被清晰地拆解成三个阶段:获客期(M0-M3)、留存期(M3-M6/M9)和扩张期(M9+)。

其中,M12/M3 比率是预测长期留存质量的早期关键指标。一个接近甚至超过 100%的 M12/M3 比率,是企业长期净收入留存率有望突破 100%的重要信号。

以下为原文内容。

原文链接:https://a16z.com/ai-retention-benchmarks/

头部 AI 企业并不一定存在留存问题,但它们普遍面临「衡量问题」。

许多采用自助服务模式或按月计费的 AI 产品模糊了消费级与企业级用例的界限,使得留存率基准测试变得复杂。此外,随着大量在几个月后注册并流失的 AI 游客的涌入,早期的曲线并不像 SaaS 和消费互联网公司那样能很好地指示长期留存。

通过分析数百家 AI 企业,我们发现:将留存率及客户获取成本的计算基准从第 0 个月(M0)调整为第 3 个月(M3),能帮助企业创始人更清晰地识别长期留存的早期信号、评估产品市场契合度(PMF)、预测单位经济效益,并制定更优的市场推广(GTM)投资决策。

我们认为,随着 AI 产品持续迭代优化,并进一步捕捉服务型工作负载的价值,未来头部 AI 企业的长期留存率甚至可能超越 SaaS 及消费互联网企业。

接下来,我们将通过拆解留存曲线的动态变化来具体说明这一观点。

01

拆解 AI 留存曲线

为探究 AI 行业新增长动态对留存率的影响,我们收集了数十家头部 AI 企业的留存数据,并按「总营收留存率」标准进行统一换算。研究发现,同期群营收留存率可明确划分为三个阶段:获客期(M0-M3)、留存期(M3-M6/M9)与扩张期(M9+)。

a16z:AI 产品初期用户流失高很正常,M3 留存才是评估 PMF 的关键

获客期(M0-M3)

在传统认知中,留存率计算通常以新用户注册或激活为起点,即第 0 个月(M0)或第 1 个月(M1)。但受「AI 体验者」激增影响,营收留存曲线往往会出现「初期下滑」——这是企业过滤非核心用户或兴趣型用户的自然过程。

曲线何时开始平稳主要取决于:(1)产品的适用场景广度;(2)企业对产品付费墙的设置策略。

多数情况下,留存曲线会在第 3 个月(M3)左右开始平稳。对于长期营收留存而言,曲线平稳的「具体时间点」影响不大,关键在于曲线最终能否实现平稳;但对于获客效率而言,这一时间点至关重要。

  • 按月签约客户:留存曲线可直接作为 PMF 的判断依据。按月付费客户的流失门槛低,若他们能留存至 M3 以后,通常意味着产品具备长期生存能力。

  • 按年签约客户:需要警惕「高留存率带来的虚假安全感」,这类客户因合约锁定无法轻易流失。此时应重点跟踪「使用模式」「功能采用率」等 engagement(用户活跃度)指标,以判断产品的真实价值。通常,用户在初期使用后活跃度可能会短暂下降,但如前文所述,数月后应逐步平稳甚至回升。

留存期&扩张期(M3-M12+)

当某一同期群用户的留存曲线开始平稳(以 M3 为节点),意味着兴趣型用户已基本流失,剩余用户多为已找到产品「高价值使用场景」、能持续获得价值,并愿意长期使用该产品而非转向竞品的核心用户。

在用户留存约 6-12 个月后,部分核心用户可能会进入「扩张阶段」:他们通常会将产品融入新的工作流,而企业可通过「基于使用量的定价模式」(usage-based pricing)或引导用户试用更多新产品,将这种扩张转化为营收增长。

同时,我们在原生 AI 企业中观察到了一种罕见现象——「微笑型」客户留存曲线:随着产品功能迭代升级,此前流失或低使用率的用户会重新回归,或提升产品使用频率。ChatGPT 的留存曲线就是这一现象的典型案例(若将 APP 端使用数据纳入统计,「微笑」趋势可能会更明显)。

a16z:AI 产品初期用户流失高很正常,M3 留存才是评估 PMF 的关键

02

综合应用:M12/M3 留存率公式

这就引出了我们提出的全新计算方法:

  • 若 M3 后留存曲线仍显著下滑,或始终无法平稳,则表明「初期客户满意度」未转化为「长期产品效用」,需警惕风险。

  • 若留存曲线实现平稳,则可以更可靠地预测单位经济效益,进而更激进地投入 GTM。此外,当企业确信客户会长期留存时,也能承受更长的投资回报周期。

目前,行业内头部的自助服务型或按月计费地 AI 企业,在这一指标上已经表现很突出,这是其长期净收入留存率(NDR)有望突破 100%的重要信号。以下是基于我们数据集的基准参考,数据来源为数十家年度经常性收入(ARR)超 100 万美元的 AI 企业。

a16z:AI 产品初期用户流失高很正常,M3 留存才是评估 PMF 的关键

留存曲线一旦趋于平稳,随后又出现早期扩张迹象,会产生什么影响?在时间线延长至 M12 之后发现,随着时间推移,企业报告的净收入留存率(NDR)会逐渐向「成熟同期群」的留存率靠拢。即便留存曲线仍存在「初期下滑」,整体混合留存率也会逐步趋近于 100%以上——即便以 SaaS 行业的历史基准来看,这也是极具吸引力的表现。

a16z:AI 产品初期用户流失高很正常,M3 留存才是评估 PMF 的关键

假设某企业的营收留存曲线在 M12 前趋于平稳,并开始显现扩张迹象。如果将留存预测延长至 12 个月以上,会发现长期留存率可能远高于一些来自外界的预期。像右上表所示,当企业用户结构中「处于扩张阶段的成熟同期群」占比提升时,整体报告的净收入留存率(NDR)表现会显著优化。

03

如何应用这一分析框架?

衡量产品市场契合度(PMF)

高留存率是产品能持续提供可重复价值的关键信号,但基于不同的计费模式,利用留存率衡量 PMF 需注意以下细节:

  • 按月签约客户:留存曲线可直接作为 PMF 的判断依据。按月付费客户的流失门槛低,若他们能留存至 M3 以后,通常意味着产品具备长期生存能力。

  • 按年签约客户:需要警惕「高留存率带来的虚假安全感」,这类客户因合约锁定无法轻易流失。此时应重点跟踪「使用模式」「功能采用率」等 engagement(用户活跃度)指标,以判断产品的真实价值。通常,用户在初期使用后活跃度可能会短暂下降,但如前文所述,数月后应逐步平稳甚至回升。

验证市场推广(GTM)投资的规模化可行性

在预测 5 年期「LTV/CAC」回报率时,留存率是最核心的输入变量。若留存率表现不佳,盲目增加 GTM 投入无异于「向漏桶里加水」。

因此,我们建议跟踪「M3 留存客户的单位获取成本」,这一指标能衡量 GTM 投入转化为「长期用户」(而非短期体验者)的效率:

  • 若 M3 后留存曲线仍显著下滑,或始终无法平稳,则表明「初期客户满意度」未转化为「长期产品效用」,需警惕风险。

  • 若留存曲线实现平稳,则可以更可靠地预测单位经济效益,进而更激进地投入 GTM。此外,当企业确信客户会长期留存时,也能承受更长的投资回报周期。

04

这只是开始

留存率是「模式颠覆者」(modelbusters,这里指增长速度更快、持续时间更长的企业)的核心构成要素。随着越来越多 AI 企业的留存曲线呈现「微笑型」趋势,留存率可能会远超 SaaS 行业的历史水平。这将推动企业实现规模化复合增长、成熟阶段的高利润率,并最终成长为规模更大、生命力更持久的企业。

未来,AI 企业的长期留存潜力可能远超传统 SaaS 企业,甚至有望在规模化阶段实现超过 150%的净收入留存率(Net Dollar Retention,NDR)。

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

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)