1947 年，飞行员肯尼斯·阿诺德在雷尼尔山附近目击九个碟状物体，“飞碟"一词从此诞生。但大多数 UFO 报告最终都被证实是气象气球、金星、或光学错觉。数据不会说谎，但对数据的解读会。
创始人最容易对自己撒的谎
产品市场契合（Product-Market Fit，PMF）是创业中最被滥用的概念之一。每个创始人都在找它，但很多人找到的只是它的影子。
The Founder’s Playbook 对 PMF 的定义很克制：一个特定、可识别的用户群体，发现你的产品有价值到足以回来用（留存）、付费（收入）、或告诉别人（推荐）。
三个条件满足其一即可。但问题在于，每一个都可以被"伪造”。
三种假阳性
注册不等于激活。 用户来了，注册了，但从未真正用过产品的核心功能。你的注册曲线在涨，但活跃用户曲线是平的。这在有强外联驱动的产品中尤其常见——创始人的人脉网络能带来注册，但带不来留存。
收入不等于留存。 用户付了一个月的费，但第二个月就走了。这可能是因为你的产品解决了一个一次性需求（比如报税），也可能是因为用户只是"试试看"。一次性收入和持续收入之间的差距，就是"假 PMF"和"真 PMF"之间的距离。
热情不等于习惯。 用户在访谈中说"这个产品太棒了"，但第三周就不来了。人们说出来的喜好和实际行为之间，往往有一条巨大的鸿沟。斯坦福大学行为设计实验室的研究反复证实：自我报告的行为预测力，在大多数场景下接近随机。
从"推"到"拉"
The Founder’s Playbook 给出了一个更本质的判断标准：你的产品是在"推"还是在"拉"？
产品市场契合之前，留存需要持续干预。你要频繁外联、给激励、创始人亲自盯——所有的留存都是你"推"出来的。这就像推一辆没发动的汽车，你一松手它就停。
产品市场契合之后，产品开始自己做这些事。用户自己回来、自己探索新功能、自己告诉朋友。这时候你松手，车还在走——因为它有自己的发动机了。
这个转变很难量化，但你能感觉到。当你发现自己不再需要每天发邮件求用户使用，当用户开始主动给你发功能请求，当你的自然增长（而非付费增长）开始占比上升——这些信号加在一起，就是 PMF 的证据。
衡量框架：在用户来之前建好
上一篇文章提到过这个原则，但值得展开。
The Founder’s Playbook 建议：在第一个用户进来之前，就定义好你的衡量框架。具体来说：
设定留存基准。 Day 7 留存多少算合格？Day 30 呢？这些数字因产品类型而异——社交工具和 SaaS 工具的基准完全不同。但你需要一个数字，否则你无法判断"好不好"。
定义激活标准。 什么算"真正用了"？注册不算。完成第一次核心工作流才算。对于一个 AI 写作工具，可能是"生成了第一篇文章并导出"；对于一个 CRM，可能是"导入了联系人并创建了第一个 pipeline"。
预设"假阳性"模式。 注册了但没激活、付费了但没留存、初始热情但没有重复使用——当这些模式出现时，你的衡量框架应该能自动标记它们。
用 AI 做对抗性分析
当数据来了，The Founder’s Playbook 建议让 AI 对你的 traction 做 adversarial 分析——扮演最严厉的怀疑论者。
“这些注册数字里有多少是创始人的朋友？” “这个留存率在同行业里算什么水平？” “如果去掉前两周的外联推动，自然留存是多少？”
这些问题你自己也可能想到，但创始人有一种天然的倾向——把好消息当证据，把坏消息当例外。AI 没有这种倾向。它不会因为这是你的创业公司就对你温柔。
什么时候该转向
如果经过三个或更多迭代周期，你的 PMF 指标仍然没有有意义的进展——这不是失败，这是系统在正常工作。 MVP 阶段的设计目的，就是在你过度投资错误答案之前，暴露这个信息。
The Founder’s Playbook 建议用 Claude 做一次诊断：
- 数据里有没有某个细分群体比其他群体反应更好？
- 设计价值和体验价值之间的差距，是定位问题还是产品问题？
- 当前产品要找到真正的 PMF，需要什么条件？这个条件现实吗？
答案会告诉你：是调整、转向、还是回到 Idea Stage。
我的反思
PMF 的识别之所以难，是因为它不是一个点，而是一个过程。
很多创始人把 PMF 想象成一个开关——要么找到了，要么没找到。但现实中，它更像是一台收音机在调频：你慢慢转动旋钮，噪音中开始出现音乐，音乐越来越清晰，直到某个时刻你意识到"这就是了"。
AI 在这个过程中能做的，不是替你判断"找到了"，而是帮你更快地识别"还没找到"。通过对抗性分析、通过预设的衡量框架、通过自动化的数据合成——AI 让你更难对自己撒谎。
这让我想到卡尔·波普尔的证伪主义：一个理论的价值不在于它被多少次证实，而在于它能否经受住被证伪的尝试。PMF 也一样——它的价值不在于你找到了多少支持证据，而在于你是否认真尝试过反驳它。
下一篇，我们进入 Launch Stage：从创始人驱动到系统化运营。
系列阅读快速跳转
| 日期 | 篇目 | 核心问题 |
|---|---|---|
| 06-03 | 从福特流水线到 AI 原生：范式转移 | 什么是 AI Native？为什么是现在？ |
| 06-05 | 找到你的问题域：从"能做"到"该做" | 如何在无限可能中找到值得解决的问题 |
| 06-06 | 用 AI 做压力测试：让魔鬼代言人替你思考 | 如何用 AI 反驳自己，避免确认偏误 |
| 06-07 | 构建第一个 AI 原生产品：从 CLAUDE.md 开始 | 写代码之前先写文档的逆向思维 |
| 06-10 | MVP 的四个暗礁：速度与陷阱的博弈 | AI 加速下最容易踩的四个坑 |
| 06-11 | 产品市场契合的谎言与真相 | 如何识别假信号，找到真契合 |
| 06-12 | 从创始人驱动到系统化运营 | 建立不依赖创始人的运营机器 |
| 06-22 | 技术债与架构决策：为 Scale 打下地基 | 如何在快与稳之间找到平衡 |
| 06-23 | 构建护城河：数据、知识与锁定 | AI 时代的三种防御体系 |
| 06-25 | Same Job, New Rules：创始人的不变与变 | 什么变了，什么没变 |