gtm-ai-gtm

AI 产品 GTM

AI 产品的上市策略。这些不是通用的 AI 原则——而是将自主 AI Agent 卖给企业时总结出的模式，在这些企业中，「自主」会吓退买家，而「队友」则能促成转化。

何时使用

触发条件：

• 「我们该如何定位这个 AI 产品？」
• 「买家说他们担心 AI 会搞崩生产环境」
• 「我们应该称它为自主还是 copilot？」
• 「当客户的使用量相差 10 倍时，我们该如何为 AI 定价？」
• 「企业安全审核通过了，但运维拒绝了我们——为什么？」

适用场景：

• AI Agent 平台（编码、支持、运维）
• 基于大模型的应用
• 真正做事（而不仅仅给出建议）的自主工具
• AI 基础设施
• 任何由 AI 做出决策的场景

---

核心框架

1. 企业真正的 AI 异议（并非你所想的那样）

我在销售自主 AI Agent 时学到的：

三个月过去，企业安全审核通过得很快。好兆头，对吧？随后模式浮现了：安全部门批准了，但运维部门拒绝了我们。

异议并不是「AI 会不会搞崩生产环境？」——他们早就认定它迟早会搞崩。真正的问题是：

「当 Agent 做错事时，谁来负责？」

不是「我们信任这个 Agent 吗？」——而是「我们信任我们的团队能处理这件事吗？」

为什么这很重要：

自主 Agent 会带来新的运维负担。你卖的不是 AI 能力，而是组织就绪度。当你的 Agent 在凌晨 2 点让生产环境停摆时，谁会收到呼叫？谁来修复？谁去向上级解释？

框架：问责级联

在部署 AI Agent 之前，企业需要明确的答案：

1. L1 响应：谁监控 Agent？（7×24 运维团队，还是开发团队 on-call？）
2. L2 升级：当 Agent 的操作失败时，谁来调试？（Agent 团队，还是产品团队？）
3. L3 归属：当事情严重出错时，谁负责与客户沟通？

如果你无法回答全部三个问题，他们就不会购买。你的 AI 有多好都无济于事。

这如何改变你的销售流程：

旧方法：

• 演示 AI
• 展示准确率指标
• 谈论 ROI

新方法：

• 演示 AI
• 明确展示失败模式
• 询问：「你们团队里谁会处理这种场景？」
• 梳理他们的事故响应流程
• 将 AI 故障映射到他们现有的 runbook

资格确认问题：

「请向我描述一下，当 Agent 执行了某个操作并破坏了工作流时会发生什么。谁会收到告警？谁来排查？谁来决定是回滚还是向前修复？」

如果他们答不上来，说明他们还没准备好。暂停这笔交易，先帮他们建立流程。

常见错误：

把这当成产品异议（「我们会让 AI 更准确」）。这是组织异议。更高的准确率解决不了「凌晨 2 点谁来负责？」这个问题。

我见过行之有效的模式：

成功应用 AI Agent 的公司已经具备：

• 针对生产系统的 on-call 轮值
• 事故响应操作手册
• 无责事后复盘文化
• 清晰的升级路径

举步维艰的公司则是：

• 手工部署流程
• 英雄文化（「Steve 搞定一切」）
• 没有正式的事故响应机制
• 以追责为导向的文化

决策标准：

在向企业演示自主 AI 之前，问自己：「如果这搞崩了他们的生产环境，他们团队里谁负责修复？」如果你答不上来，他们就无法购买。

---

2. Copilot vs Agent vs Teammate（三种不同的 GTM 打法）

定位陷阱：

在企业客户的早期沟通中，我们将自己定位为“自主 AI Agent”。买家退缩了。只改了一个词——“自主” → “AI 队友”——成交推进就有了可衡量的改善。

为什么？用词选择塑造买家心理。

三种定位框架：

1. Copilot（最安全，价值最低）

• 含义：AI 提建议，人每次都做决定
• 买家心理：感觉安全，没有威胁感
• GTM 打法：开发者自下而上采用
• 使用场景：代码补全、写作辅助、搜索
• 异议：“这值得付费吗？”（感知价值低）

2. Agent（最吓人，价值最高）

• 含义：AI 自主行动，人定期审查
• 买家心理：吓人，暗示要取代人类
• GTM 打法：企业销售，自上而下
• 使用场景：批处理、自动化工作流、运维
• 异议：“如果它把生产环境搞坏了怎么办？”（问责恐惧）

3. Teammate（最佳平衡点）

• 含义：AI 与人协作，分担工作
• 买家心理：伙伴关系，而非取代
• GTM 打法：混合式（开发者采用 + 管理者批准）
• 使用场景：大多数 AI Agent 平台
• 异议：“我们如何把它整合进工作流？”（流程问题）

定位转变：

之前：“端到端处理复杂工作流的自主 AI Agent”

• 开发者：“很酷，但有点吓人”
• 管理者：“这会取代我们的团队吗？”
• 成交推进：缓慢

之后：“与你的工程师在复杂任务上配对的 AI 队友”

• 开发者：“这能帮我”
• 管理者：“这能让我的团队更高效”
• 成交推进：三笔停滞 4 个多月以上的企业交易，在转变后 8 周内完成签约

真正起作用的措辞选择：

❌ 不要说：

• “自主”（吓人）
• “取代”（有威胁性）
• “全自动”（没有控制权）
• “AI 优先”（这到底是什么意思？）

✅ 要说：

• “队友”（协作）
• “增强”或“加速”（帮助，而非取代）
• “控制权在你手里”（让人安心）
• “处理重复性工作”（具体价值）

如何选择你的定位框架：

Does your AI make decisions without human approval?
├─ Yes → Are you selling to developers or enterprises?
│   ├─ Developers → "Agent" framing (they want autonomous)
│   └─ Enterprises → "Teammate" framing (they want control)
└─ No → "Copilot" framing (augmentation, not automation)

残酷的真相：

你可以构建一个 Agent，却把它定位成 Copilot。你无法构建一个 Copilot，却把它定位成 Agent。产品能力设定了上限，定位决定你落在上限之下的哪个位置。

常见错误：

因为“自主”听起来很厉害就用它。厉害 ≠ 被信任。如果买家对你的定位退缩，你就已经失去他们了。

---

3. AI 定价难题（当用量相差 10 倍时）

这个模式：

我合作过的每一家 AI 公司都面临这个问题：客户 A 每月使用 1,000 次 API 调用。客户 B 使用 10,000 次。你要向客户 B 收取 10 倍的费用吗？如果收，他们会流失。如果不收，你的利润就会被侵蚀。

三种模式：

1. 按席位计费（每位用户每月 $X）

• 适用场景：AI 以可预测的方式增强人类工作
• 示例：代码补全、写作助手
• 问题：无法捕捉 AI 价值的规模效应
• 真实风险：高用量客户是你最好的客户，但他们却在补贴低用量客户

2. 按用量计费（每次 API 调用 / 预测 / 小时 $X）

• 适用场景：AI 执行可变的工作，客户理解计量单位
• 示例：图像生成、转录、批量机器学习
• 问题：高用量客户会被账单吓到
• 真实风险：客户会想方设法少用你的产品

3. 按结果计费（每达成一个结果 $X）

• 适用场景：你能可靠地衡量结果
• 示例：“按修复的 bug 付费”或“按解决的工单付费”
• 问题：难以衡量，容易被钻空子
• 真实风险：如果 AI 表现不佳，你要承担全部风险

真正有效的做法（混合模式）：

基础费用（覆盖固定成本）+ 可变费用（随价值扩展）。

示例结构：

• 基础：每个团队每月 $X（平台使用权限）
• 可变：每次成功操作 / 结果 $Y
• 为什么这样有效：
  • 基础费用覆盖基础设施 / 支持成本
  • 可变费用与客户价值对齐
  • 高用量客户不会受到惩罚（他们获得了更多价值）

我希望早点进行的定价对话：

在为基于用量的 AI 定价时：

问客户： “如果人工完成这件事，你需要花多少钱？”

如果每次 API 调用收费 $0.10，但能为他们节省 $2 的人力成本，那你的定价就太低了。如果每次调用收费 $0.50，但只能为他们节省 $0.40，那他们就不会用足够多的量，这件事也就无关紧要。

定价法则：

你的可变成本应定在客户替代成本的 20-30%。足够高以捕获价值，足够低以让他们放心地大量使用。

常见错误：

照搬 OpenAI 的定价（每 1K tokens $0.01），因为“大家都这么做”。你的成本结构不是 OpenAI 的成本结构。你的价值不是 OpenAI 的价值。为你自己的业务定价。

---

4. AI 信任阶梯（来自一位亲历者）

模式：

你无法靠一句“相信我们，它有效”来推销 AI。你需要分阶段建立信任。

第一：透明（首次演示之前）

在他们开口之前，先发送这三份文档：

• 模型卡（什么模型、基于什么训练、在哪些基准上的准确率）
• 安全白皮书（数据流向何处、如何处理）
• 可解释性文档（如何解读 AI 决策）

为什么有效： 买家本来就预期要做尽职调查。如果你在他们开口之前就发送文档，你会显得自信且可信。

第二：控制（演示过程中）

向他们展示安全机制：

• 用户如何批准/拒绝 AI 建议
• 终止开关和回滚机制
• 置信度评分，以及 AI 何时会说“我不确定”

为什么有效： 对“失控 AI”的恐惧是真实存在的。展示控制机制能证明你考虑过失败模式。

第三：性能（第 4-8 周）

证明它有效：

• 与基线（人工或先前工具）对比的基准测试
• 来自类似公司的案例研究
• 在他们数据上的实时演示（如果可能）

为什么有效： 证据胜过承诺。一位客户说“我们每周节省了 X 小时”，抵得上 100 条营销宣传。

第四：规模（当他们认真考虑时）

展示企业级就绪度：

• 企业部署示例
• 大规模性能（延迟、吞吐量、错误率）
• 合规文档（SOC 2、GDPR 等）

为什么有效： 企业不会部署 MVP。他们需要证据，证明你在 1000 个用户时不会崩溃。

我犯过的错误：

在解释 AI 如何工作之前，就试图证明性能。买家不信任那些基准测试，因为他们不理解这个系统。顺序很重要。

决策标准：

如果买家在你演示之前就问“这是如何工作的？”，说明你跳过了透明环节。退回去，把文档发过去。

---

5. 企业级 AI 演示（展示失败，而不只是成功）

什么行不通：

预制演示中 AI 神奇地解决一切。买家会想“这在我们的杂乱数据上行不通。”

什么行得通：

展示 AI 犯错并恢复。说真的。

有效的演示结构：

1. 问题（30 秒） “你的工程师在 [具体任务] 上花费数小时。这就是它的样子。”

• 展示：当前手动工作流
• 量化：时间 × 工程师人数 × 周数 = 总成本

2. AI 尝试（60 秒） “这是 AI 处理同一任务的过程。”

• 展示：AI 分析、采取行动
• 关键动作：让 AI 遇到错误或不确定性
• 展示：AI 重新分析、恢复，或请求帮助
• 解说：“注意它第一次并没有做到完美。它会像人类一样处理不确定性。”

3. 人工审核（30 秒） “这里是工程师审核并批准的地方。”

• 展示：工程师检查 AI 的工作
• 关键动作：展示工程师覆盖或调整某些内容
• 解说：“人类始终掌控。AI 处理重复性工作，人类处理判断性决策。”

4. 结果（30 秒） “[X 小时] → [Y 分钟]。工程师仍然对结果负责，AI 加速执行。”

• 量化：时间缩短、成本节省、释放的产能

为什么有效：

• 展示失败 → 建立信任（你没有隐藏任何东西）
• 展示恢复 → 证明 AI 很稳健
• 展示人工覆盖 → 给予他们控制权
• 量化节省 → 让 ROI 变得具体

我观察到的模式：

AI 表现完美的演示 → 买家怀疑 AI 表现不完美但能恢复的演示 → 买家投入

常见错误：

挑选 AI 100% 准确的例子。买家知道现实世界的数据很杂乱。如果你不展示杂乱性，他们会认为你在隐藏它。

---

6. “谁负责处理这个问题？”异议处理

异议：

“这看起来很棒，但当 AI 出错时会发生什么？”

糟糕的回答： “我们的 AI 准确率高达 95%，而且我们每周都在改进。” （翻译：“它会有 5% 的概率搞垮生产环境，祝你好运”）

好的回答： “好问题。让我们一起走一遍故障场景。”

然后问：

1. “当 AI 执行的操作导致错误时，你团队中由谁负责调查？”
2. “你们有针对工具故障的故障响应流程吗？”
3. “谁负责做出回滚决策——是批准该操作的工程师，还是运维团队？”

这样做的作用：

• 将话题从“它会失败吗？”（会，它一定会）转向“我们如何处理失败？”
• 促使他们认真思考运维层面的问题
• 揭示他们是否已为 AI Agent 做好准备

后续跟进：

“我们的建议是：从低风险环境开始。让 AI 处理非关键工作流 2-4 周。观察你的团队如何应对它的错误。当你们对流程有信心后，再扩大范围。”

为什么这有效：

你卖的不是完美。你卖的是一款需要运维成熟度的工具。筛选出成熟的买家，比说服不成熟的买家更有效。

模式：

成熟的买家说：“我们已经有针对工具故障的运行手册，我们会把 AI 加进去。” 不成熟的买家说：“你能让它永远不失败吗？”

决策标准：

如果买家要求 100% 准确率，那就放弃。他们还没准备好。等他们有了故障响应流程再回来。

---

7. AI 定位陷阱（打不对称战争）

模式：

你在 AI Agent 领域竞争。每个竞争对手的主页都在说同样的话：“用 AI 自动化 [工作流]。”你的差异化需要解释买家看不懂的复杂技术基准。

这就是定位陷阱：在对手的主场上，用功能与资金更充足的公司竞争。

如何诊断：

1. 收集 5-7 个直接竞争对手的主页信息
2. 找出共同的宣称（这些已被商品化——你无法在这里取胜）
3. 梳理你在哪些方面具有结构性优势（而不仅仅是产品功能）
4. 找到竞争对手难以轻易复制的位置

适用于 AI 定位的结构性优势：

• 独特的数据或工作流所有权（你掌控着竞争对手无法复制的东西）
• 部署灵活性（本地部署、私有云、客户可控的基础设施）
• 定价模式创新（当竞争对手按席位收费时，采用按结果或按用量收费）
• 社区或生态（随时间复利增长的网络效应）

无法持久的功能优势：

• “更高的准确率”（竞争对手一个冲刺就能追上）
• “更快的推理速度”（基础设施会被商品化）
• “更多的集成”（容易被复制）

测试：

对每一个定位宣称，问：竞争对手能否通过一个产品冲刺就复制它？如果能，那它就不可防御。不要把你的 GTM 建立在它之上。

常见错误：

宣称你在所有人都做的事情上“更好”。在 AI 领域，基准每月都在变。要基于你方法中结构性的不同来定位，而不是你的模型暂时更好的地方。

---

8. 天花板时刻资格判定（找到高意向 AI 买家）

模式：

对 AI Agent 意向最高的企业买家，是那些已经采用过同类工具并触及其上限的人。他们已经投入了学习成本，理解问题领域，并且有清晰的升级业务理由。

如何识别天花板时刻：

潜在客户具备：

• 已使用 copilot/助手类工具 6 个月以上
• 已触及其局限（无法处理复杂任务、与其技术栈不兼容、自主性不够）
• 切换成本低（心智模型可以直接迁移）
• 清晰的业务理由（“即使有当前工具，我们仍要在这件事上手动花费 X 小时”）

如何瞄准他们：

1. 找出你的 AI 产品补充或替代的工具
2. 建立已知使用这些工具的公司目标名单
3. 围绕其局限而非你的功能来设计外联内容：
   • “使用 [现有工具] 的团队，在需要 [你的产品所提供的能力] 时，往往会触到天花板”
   • 承认现有工具具有价值（不要贬低）
   • 定位为“下一层级”，而不是替代品

为什么这种方式转化更好：

天花板时刻对话的转化率是冷启动外联的 3-5 倍，因为：

• 潜在客户已经理解问题
• 他们已经在该品类上投入过
• 他们已经分配了内部预算
• 他们能清楚说出缺的是什么

资格判定问题：

“你尝试用当前工具自动化过的最复杂任务是什么，它在哪里卡住了？”

如果他们能给出具体答案并描述具体痛点，他们就是天花板时刻买家。如果他们说“用着挺好”，那他们还没准备好。

常见错误：

试图说服对工具不熟悉的潜在客户采用 AI Agent。转化率差、教育周期长，而且他们会把你和“什么都不做”比较，而不是和“做得更好”比较。瞄准那些已经相信这个品类的买家。

---

决策树

我应该使用哪种定位？

Does your AI act autonomously (no approval per action)?
├─ Yes → Who are you selling to?
│   ├─ Developers → "Agent" framing
│   └─ Enterprises → "Teammate" framing
└─ No → "Copilot" framing

我应该使用哪种定价模型？

Can you measure customer outcomes reliably?
├─ Yes → Outcome-based (or hybrid with outcome component)
└─ No → Continue...
    │
    Does usage vary 5x+ by customer?
    ├─ Yes → Hybrid (base + usage)
    └─ No → Seat-based

这个买家准备好采用 AI Agent 了吗？

Do they have incident response processes for tool failures?
├─ Yes → Continue...
│   │
│   Do they have on-call rotations for production systems?
│   ├─ Yes → Qualified buyer
│   └─ No → Help them build it first
└─ No → Not ready (come back in 6 months)

---

常见错误

1. 因为“autonomous”听起来很厉害就用它

• 我见过这拖慢成交。“Autonomous”会让企业害怕。“Teammate”推进得更快。

2. 隐藏 AI 的失败模式

• 买家知道现实世界的数据很混乱。如果你不展示失败，他们会认为你在隐瞒。

3. 把“它会不会搞坏生产环境？”当作异议本身

• 真正的异议是：“真出问题时谁负责？”这是组织准备度问题，不是准确率问题。

4. 像 OpenAI 那样按用量给 AI 定价

• 你的成本结构和他们不同。定价应为客户替代方案成本的 20-30%。

5. 在演示前跳过透明度文档

• 顺序很重要。透明度 → 控制 → 性能 → 规模。不要跳步骤。

6. 演示完美的 AI

• 展示错误 + 恢复。这比虚假的完美更能建立信任。

7. 把产品卖给要求 100% 准确率的买家

• 他们还没准备好。筛选具备事故响应流程的成熟买家。

---

快速参考

企业异议检查清单：

• “AI 搞坏生产环境时，谁来接告警？” → 对应到他们的 on-call 轮值
• “谁来调试 AI 故障？” → 对应到他们的事故响应流程
• “谁负责客户沟通？” → 对应到他们的升级路径

定位用词选择：

• ✅ Teammate, augments, accelerates, you stay in control
• ❌ Autonomous, replaces, fully automated, AI-first

演示结构：

1. 量化成本的问题（30 秒）
2. AI 尝试，包括失败/不确定性（60 秒）
3. 人工审核与覆盖（30 秒）
4. 带 ROI 的结果（30 秒）

信任阶梯：

1. 透明度（模型卡、安全、可解释性）
2. 控制（审批工作流、熔断开关、置信度分数）
3. 性能（基准测试、案例研究、现场演示）
4. 规模（企业部署、合规、SLA）

混合定价公式：

• 基础费：$X/月（覆盖固定成本）
• 可变费：$Y/单位（为`客户替代方案成本的 20-30%）

---

相关技能

• positioning-strategy：通用定位框架与测试
• technical-product-pricing：定价模型，包括 AI 特有的模式
• enterprise-account-planning：企业 AI 交易管理

---

基于开发者工具与基础设施领域的企业 AI Agent GTM。这些模式源自实际的企业交易周期中销售自主 AI 产品的经验——有些是直接负责，有些则是与销售领导层共同支持——包括从功能竞争转向结构性差异化的定位陷阱诊断、显著提升外呼转化率的天花板时刻资格判定，以及在安全、运营和工程买家画像中经过验证的框架。这不是理论——而是来自那些“自主”扼杀了对话、“队友”促成了转化的交易中的经验教训。