a16z 合伙人的反常识忠告：做小、做深、卖贵，才是最快到一亿美金的路
深度思想，谈 AI 与向往
—— 字节深思圈
国内很多做出海的人都会有这样的疑问：为什么海外的 AI 创业公司，几乎清一色走专业化、垂直化的路，而国内的 AI 产品，好像总是想做"大而全"？为什么海外大量 AI 创业公司是 to B 的，而国内更多是 to C 的？这两个问题表面看像是产品策略的分歧，但我越想越觉得，它们背后指向的是两个市场在商业底层逻辑上的根本差异。
a16z（Andreessen Horowitz）普通合伙人 Anish Acharya 最近的一段访谈，给了我一个很清晰的思考框架。他的核心观点只有一句话：build small, go deep, charge a lot（做小、做深、卖贵）。听起来非常反直觉，但把他的逻辑完整地拆开来看，你会发现这不是什么新奇的创业哲学，而是在当下这个技术窗口期，最务实、也最有可能跑出来的路径。
银弹（silver bullet）vs 铅弹（lead bullet）
Anish 在访谈里讲了一个比喻，我觉得是整段访谈最底层的判断。他说过去很多年，产品能不能赢，很大程度上靠的是 distribution（分发渠道），因为产品本身很难做到真正的差异化。一个产品比竞争对手好 10%、20%，根本不足以让用户主动抛弃原来的习惯、自发跑来用你的东西。所以渠道、推广、补贴，这些东西才显得那么重要。他把这种靠堆积微小改进来竞争的方式称为 lead bullets（铅弹）：10 颗、50 颗、100 颗铅弹加在一起，永远比不上一颗 silver bullet（银弹）——那种能让产品体验跃升 100 倍的根本性改进。
而他的核心判断是，现在我们正处在银弹满地走的时代。有了这些大模型，产品完全可以做到在某一个具体场景上比所有竞品强 100 倍，而不是靠微小的迭代积累。这意味着什么？意味着那个"渠道为王"的老逻辑在这个时代正在失效。他直接说，今天这个时代，不存在所谓的营销问题，只有产品问题。如果你需要花大量的 CAC（客户获取成本）才能让用户来试用你的产品，那只说明一件事：你的产品还没有真正到位。
我觉得这个判断戳穿了很多创业者深层的自我欺骗。过去十几年，很多公司把增长乏力归结为品牌知名度不够、市场教育不足、渠道资源不够强，于是拼命在分发端加码，但这些动作本质上都是在用钱掩盖产品不够好这个事实。ChatGPT、Midjourney 最早的增长几乎全靠 organic（自然流量），没有花大钱做推广，用户自己找来，自己传播。这才是产品真正到位的样子。在银弹时代，这件事变得更加重要——如果你还在为增长犯愁，先回头看产品本身，而不是去找更好的渠道。
Narrow Startups：41,000 个人就能做到一亿美金
Anish 提出了一个叫 narrow startups（垂直深度创业）的概念。逻辑非常简单：41,000 个用户，每人每月付 200 美元，就是一亿美金的年收入规模。这个数字放在以前，是一种反常识的存在，但现在它正在成为现实。
看看海外 AI 产品的定价：Google Ultra 顶级套餐 250 美元/月，Grok 300 美元/月，OpenAI 和 Anthropic 的顶级套餐都在 200 美元/月。这些价格在几年前根本不可想象。用户真的愿意为一个订阅软件每月掏这么多钱？事实证明，愿意。而且 Anish 观察到一个有意思的现象：这些公司在涨价的过程中，用户不仅没有大规模流失，反而继续留下来。
他解释说，原因有一部分是"被逼出来的"。AI 产品的 COGS（产品成本）非常高，尤其是视频生成这类计算密集型产品，不收高价根本活不下去。但结果反而证明了一个更深层的道理：当产品真正能帮用户解决一个重要问题，而且解决得远远超出预期，价格敏感度会低得出乎意料。用户在为价值付费，而不是在为功能付费。这两者之间的区别，比很多人以为的要大得多。
Anish 还提到了一个更宏观的结构性变化：软件正在慢慢吞噬掉消费者生活中越来越多的支出。以前你花在某件事上的钱，可能是给服务、给实体商品、给人工，现在这些钱越来越多地流向 AI 和软件产品。这个趋势一旦确立，能做到真正深度服务一个细分群体的产品，其定价空间远比大家想象的要大。所以 narrow startups 的核心逻辑不是"先做小后做大"，而是"做小本身就是一种战略"。你不需要几百万用户，你只需要几万个真正愿意为你的产品掏大钱的人。
专业化就是新的护城河
这是 Anish 整段访谈里我最有共鸣的一个判断。他说，specialization（专业化）是新的 moat（护城河）。
原因很简单：现在的技术，让你可以针对一个非常具体的用户群体做到极致深度。你对这个用户的了解、你为他们构建的产品生态、你积累的数据和工作流，会形成一种竞争对手很难在短期内复制的优势。他估计，一个竞争对手可能需要花三年时间来追上你的 roadmap（产品路线图）。这不是什么技术壁垒，而是时间壁垒——你比别人早三年深入一个场景，这个先发优势本身就是护城河。
他还提到了大模型厂商本身的局限。ChatGPT 在试图做很多事，但当某个垂直领域需要构建完整的软件生态才能真正把价值兑现出来，没人能确定 OpenAI 会不会真的把这个方向排进优先级。他举了 meeting recorder（会议录音与摘要）这个例子：光是把语音转成文字已经有很多产品在做，但要真正把这个场景的价值完整兑现，你可能还需要日历、笔记、任务管理、甚至整套办公软件全部打通。OpenAI 会做这些吗？也许会，但什么时候、做到什么深度，没人知道。专注在这个垂直领域的创业公司，反而可以把这一整套生态扎扎实实建起来。这是大公司的结构性盲区，也是小团队最好的切入口。
他提到的第三个竞争优势是 multi-model（多模型）能力。在 AI 代码编辑这个赛道上，用多个模型的组合往往比单一模型效果更好。Cursor 可以同时调用 Anthropic、OpenAI、Google 的模型，但 OpenAI 自己永远不可能做一个同时接入 Google 模型的产品。这个结构性优势，是独立创业公司天然就拥有的，而大模型厂商永远没办法拥有。
我觉得把这三点放在一起看，specialization 护城河的轮廓就很清晰了：深度产品生态带来的切换成本、大模型厂商覆盖不到的长尾场景、以及多模型组合带来的效果优势，三者叠加，让垂直创业公司拥有了一种大公司很难正面击穿的防御体系。而且这种护城河越到后期越稳固，因为你在这个场景里积累的一切，都是大公司从零开始做这个场景时绕不过去的门槛。
回到那两个问题：为什么中美路径如此不同
把 Anish 的逻辑完整地拆开来看，中美创业路径的分叉就不再是一个谜了。
先说第一个问题：为什么海外走专业化，国内更倾向做大而全？
我认为根本原因不是创业者的眼界或者策略选择，而是付费市场的成熟度。海外用户对 AI 产品的付费心理已经被教育到了一个很高的位置。每月 200 美元、300 美元的订阅，在海外专业用户圈子里几乎是正常消费。这意味着一个专注服务特定人群的垂直产品，可以靠相对少量的用户就实现非常可观的收入规模。Anish 的那个数学很直白：41,000 人乘以 200 美元，就是一亿美金。这个公式在海外是可以跑通的。
国内市场的情况截然不同。用户的整体付费意愿，尤其是对 SaaS（软件即服务）类产品的付费意愿，比海外低很多。这并不是说国内用户没钱，而是消费习惯、市场定价和竞争环境共同塑造了一个"低价甚至免费才能获客"的生态。在这种环境下，一个垂直产品如果用户群体太窄，收费又上不去，根本跑不通商业模式。于是创业者只能向两个方向突围：要么做大用户规模、要么拓宽产品边界，最终走向"大而全"的路。这不是战略选择不同，更多是被市场结构逼出来的结果。用 Anish 的框架反推：如果每个用户每月只愿意付 20 块人民币，你需要 400 万付费用户才能到一亿人民币的收入，在这个压力下，任何团队都会本能地往广度走，而不是往深度走。
再说第二个问题：为什么海外以 to B 为主，国内更多是 to C？
这个问题同样绕不开付费逻辑，但有一层更深的原因。to B 产品天然更容易定高价，因为企业客户评估产品的维度是 ROI（投资回报率）——只要你能证明帮它们省了钱、提了效，几百上千美元的月订阅根本不是障碍，这笔钱从员工效率提升或者流程优化里随手就出来了。海外 B2B SaaS 市场已经高度成熟，企业有为专业工具付费的文化和预算，这为 narrow startups 的模式提供了完美的土壤。
国内的 B2B 市场虽然庞大，但有两个结构性难题：一是企业客户的决策链长、销售周期长，小团队很难吃下来；二是国内大企业习惯自建或者压低供应商价格，SaaS 产品的定价空间受到严重压缩。相比之下，to C 市场的逻辑更简单直接——用户量足够大，即使单价低，总量也可观。加上国内移动互联网基础设施成熟、用户规模巨大，to C 路径在短期内更容易跑出增长数据，也更容易拿到融资。所以最终呈现出来的格局，不是国内创业者不懂专业化，而是在现有市场结构下，专业化这条路在国内走起来成本极高、回报极慢。
最有意思的问题：你的产品有没有 1000 美元/月的 SKU？
Anish 在访谈里提了一个我觉得非常实用的思维工具，也是我听完整段访谈之后记得最清楚的一个问题。他说，对于现在的创业者，最有价值的一个追问是：你的产品，1000 美元一个月的套餐应该是什么？那个套餐要做什么才能让用户觉得值？你今天做到了吗？有没有人真的愿意付这个价钱？
这个问题的核心价值，是强迫你把"产品应该做到什么程度"这件事推向极致。大多数创业者思考定价的方式是从成本出发，或者参考竞品定价，然后往里填功能。Anish 的思路是完全反过来的：先想清楚什么样的产品值 1000 美元一个月，然后问自己有没有能力把它做出来。这个问题天然会逼着你往深度走，因为你必须找到那个让用户觉得"1000 美元完全值得"的核心价值，而不是堆砌一堆用户勉强用得到的功能。
他对 TAM（总可寻址市场）的态度也很直接：这是一个"傻瓜才做的预测"。他的亲身经历是，最早做移动游戏的时候，iPhone App Store 刚上线，全球只有 600 万台 iPhone，按任何 TAM 框架算都是个微小市场，但他们做了，而且做成了。他说，比 TAM 更有用的信号是：用户愿不愿意付钱？为什么愿意付钱？如果找到了愿意主动掏钱的用户，那说明你在解决一个真实的、重要的问题，这个信号比任何市场规模预测都可靠。我很认同这个判断。很多创业者在早期花大量时间做市场研究、写 TAM 分析，但其实这些数字很多时候只是融资 pitch deck 里的装饰。真正重要的是：有没有人愿意为你的产品掏真金白银？
三个让你误判 PMF（产品市场契合度）的陷阱
Anish 提到了三个创业者很容易掉进去的心理陷阱，我觉得每一个都值得认真对待，因为这三个陷阱的共同点都是"主动寻找安慰"。
第一个是说服自己已经找到了 PMF（Product-Market Fit，产品市场契合度）。他说得很直白：如果你需要说服自己有 PMF，那你就是没有。真正的 PMF 是一种被拉着走的感觉——用户会主动回来、主动拉人、主动要更多功能，那种感觉是市场在暴力地把产品从你这里扯出去，而不是你在费力地把产品推给市场。这种感觉不需要解读，不需要分析，你自己就会知道。我见过很多团队反复用留存数据、NPS 分数来说服自己和投资人有 PMF，但那种靠分析出来的 PMF，往往是一种自我催眠。
第二个陷阱是过度迷恋指标框架。很多创业者会花大量时间研究"这个留存率算不算好"、“这个 CAC 算不算合理”，然后在各种行业基准里找安慰。但 Anish 的判断是，如果你年底流失了 90% 的用户，哪怕这在你所在的行业里"还算正常"，那这个生意本身也是跑不通的。框架是用来辅助思考的，不是用来找借口的。他说要用第一性原理去想这门生意的健康度：用户为什么来？为什么留下来？为什么离开？这些问题的答案比任何指标框架都更直接告诉你产品到底有没有真正解决问题。
第三个陷阱是 power user（核心用户）陷阱。一个产品可能有一小撮用户用得非常深、非常爽，你每天跟他们交流，感觉产品已经做得很好了。但 Anish 提醒，如果这些 power user 付的钱和其他用户一样，那他们在你的增长曲线上只是一个点，跟其他用户没什么区别。你要么专门为这些 power user 建一个能把他们创造的价值兑换成收入的高价套餐——这其实就是 narrow startups 的逻辑——要么就承认你需要做更广的市场，而不是用"我有几个超级用户很爱用"来替代真正的大规模 PMF。这两条路都可以走，但不能同时欺骗自己说两条路都在走。
我的判断：这个逻辑什么时候会在国内发生？
听完整段访谈，我一直在想一个问题：narrow startups 这条路，在国内有没有可能走通？
我的判断是：在国内本土市场，短期内很难，但出海是另一回事。
最核心的障碍还是付费文化和市场结构。国内用户对 AI 产品的付费心理还处在被教育的阶段，大多数人还没有为一个 AI 订阅产品每月付几百块的习惯，更别说几千块了。这意味着在国内走 narrow startups 的路，数学上就很难算得过来：目标用户群不大，ARPU（每用户平均收入）又低，两个数字乘起来，离一亿美金差得很远。
但出海是另一个维度的问题。对于国内团队来说，如果产品本身能做到足够深、足够专业，完全可以绕过国内市场的付费限制，直接去服务海外的专业用户。Anish 的 41,000 人乘以 200 美元的公式，在海外是可以直接套用的。国内团队在产品研发效率和工程能力上并不差，甚至在很多场景下有优势，真正缺的是对海外用户需求的深度理解，以及在海外市场积累 distribution 的经验和耐心。这条路上已经有一些团队在走，而且走得不错。
另一个值得关注的变化，是国内 AI 产品的整体质量在快速提升，用户的付费意愿会被逐渐拉起来。当产品真正做到让用户感受到"这个东西帮我解决了一个以前根本解决不了的问题"，价格就不再是最主要的障碍了。这个过程可能需要几年，但方向是明确的。
用 Anish 的话做结：不存在营销问题，只有产品问题。如果产品足够好，市场会自己来找你。这句话在哪里都成立。真正的问题是，当你的产品足够好了，你所在的市场愿不愿意用价格来认可这件事。这，才是中美创业路径最根本的分叉点，也是每一个做出海的国内创业者必须想清楚的问题。
注：本文观点来自 a16z 普通合伙人 Anish Acharya 访谈（深思圈公众号 2026-08-22 整理）；“41,000 用户 × 200 美元"等数据为访谈转述；本文原为深思圈公众号已发成稿，本次为跨平台转载整理。