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）大概是创业里最被滥用的词。每个创始人都在找它，但说实话，很多人找到的只是它的影子。
The Founder’s Playbook 给的定义反而很克制：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）。三个条件满足其一就行。
问题就出在"其一"上——这三个信号，每一个都能被伪造。
三种假阳性
最常见的假阳性是注册涨、激活没动。用户来了、注册了，但从未真正用过产品的核心功能。你打开后台，注册曲线昂扬向上，活跃曲线却像一条死鱼。这种情况在有强外联驱动的产品里尤其多见——创始人人脉能拉来注册，但拉不来留存。
收入也是个大坑。用户付了一个月的费，第二个月就走了。这事在解决一次性需求的产品里几乎是标配——报税、年度合规检查、一次性数据迁移。用户掏钱那一刻你以为是 PMF，其实只是一次性需求被满足了。一次性收入和持续收入之间那道缝，就是假 PMF 和真 PMF 之间的距离。
但最伤人的，是访谈里的热情。用户当面说"这产品太棒了”，第三周就不来了。说出来的喜好和实际行为之间，有一条巨大的鸿沟。斯坦福行为设计实验室反复证实过一件事：自我报告的行为，预测力接近随机。 这句话我每次读到都觉得像被扇了一巴掌。
从"推"到"拉"
The Founder’s Playbook 给了一个更本质的判断标准——你的产品是在被你"推"，还是在被用户"拉"。
PMF 之前，留存全靠你干预。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。就像推一辆没发动的车，你一松手它就停。
PMF 之后，产品开始自己做这些事。用户自己回来、自己摸索新功能、自己告诉朋友。这时候你松手，车还在走——它有自己的发动机了。
这个转变很难量化，但你能感觉到。某天你发现自己不再需要每天发邮件求用户使用，用户开始主动给你发功能请求，自然增长（而非付费增长）开始占比上升——这些信号叠在一起，就是 PMF 的证据。
衡量框架：在用户来之前建好
上一篇文章提过这个原则，但值得展开。
The Founder’s Playbook 的建议是：在第一个用户进来之前，就定义好你的衡量框架。我倾向于把这件事看得比"写第一行代码"还重要——因为一旦数据开始流，你就来不及冷静定义"什么算好"了，你会被数字推着走。
具体要做的几件事，先说留存基准。Day 7 留存多少算合格？Day 30 呢？这数字因产品而异——社交工具和 SaaS 的基准天差地别。但你必须给自己一个数字，否则"好不好"永远是一个情绪判断。
然后是激活标准。注册不算数，完成第一次核心工作流才算。AI 写作工具可能是"生成第一篇文章并导出"，CRM 可能是"导入联系人并创建了第一个 pipeline"。这个标准要硬，不能事后改。
最后——也是最容易被忽略的——是预设"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，你的框架应该能自动把它们标红，而不是让你事后拍脑袋回忆。
用 AI 做对抗性分析
数据进来之后，The Founder’s Playbook 建议让 AI 对你的 traction 做一次 adversarial 分析——让它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？”
这些问题你自己其实也能想到。但问题在于，创始人天生有一种倾向——把好消息当证据，把坏消息当例外。我自己写过几年量化策略，对此深有体会：人一旦对某个结果有情绪偏好，“客观分析"就开始失灵。AI 没这个偏好。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，PMF 指标仍然没有有意义的进展——别把它当失败。这恰恰是系统在按设计工作。MVP 阶段的全部目的，就是趁你还没在错误答案上过度下注之前，把这件事暴露出来。
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、还是退回 Idea Stage。
噪音里听见音乐
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。但现实中它更像收音机调频：你慢慢转动旋钮，噪音里开始渗出一点音乐，音乐越来越清晰，直到某刻你意识到"就是它了”。
AI 在这个过程里能帮的不是替你判断"找到了"，而是帮你更快识别"还没找到"。对抗性分析、预设的衡量框架、自动化的数据合成——这些工具合起来，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 |
|---|---|---|
| 06-05 | 从福特流水线到 AI 原生：新的造法 | 什么是 AI Native？为什么是现在？ |
| 06-13 | 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 |
| 06-18 | 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 |
| 06-26 | 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 |
| 07-02 | 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 |
| 07-09 | 产品市场契合的谎言与真相 | 如何识别假信号，找到真契合 |
| 07-15 | 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 |
| 07-21 | 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 |
| 07-26 | 构建护城河：数据、知识与锁定 | AI 时代的三种防御体系 |
| 08-01 | Same Job, New Rules：创始人的不变与变 | 什么变了，什么没变 |