本文来自微信公众号：Linkloud，作者：觐开JK，原文标题：《你的增长策略还停在2023年？7000字复盘Global AI的6个增长变化》，头图来自：AI生成
这是我在 Linkloud Scale X 2026 增长大会的开场分享。
过去两三年，我们和 Global AI 创业者讨论增长时，常见的问题是：怎样做 Product Hunt 发布？SEO 是否仍有机会？TikTok、KOL 和 Reddit，哪个更适合冷启动？
如今，问题正在变得更本质：
产品 Demo 明明足够惊艳，用户也会发出“wow”，为什么收入仍然难以增长？
2023 年到 2024 年，AI 产品最受欢迎的增长资产是“惊艳感”。AI PPT 让用户感到神奇，AI Avatar 令人觉得新鲜，AI SDR 让人看到节省时间的可能，Coding agent 甚至会让人联想到工作的未来。到了 2026 年，这种 AHA Moment 已开始通货膨胀。“10x productivity”曾经颇具吸引力，如今出现在大量落地页上，已经很难构成有效信息。
真正困难的问题发生在 Demo 之后：客户会不会批准预算？是否愿意把数据、流程、团队与采购流程交给一家新公司？谁来推动产品通过 IT、安全、法务与管理层的审核？三个月之后，客户会继续使用，还是把它归入“团队也尝试过 AI”的项目档案？
Vercel COO Jeanne 此前担任过 Stripe CBO。她在年初的 Lenny's Podcast 中给出过一句精妙的总结：
产品让客户说 wow，GTM 让客户说 yes。
这两个词之间，正是过去两三年 Global AI 增长最大的变化。
过去，团队倾向于寻找渠道红利：SEO、PLG、Product Hunt、Twitter、Cold email、KOL，哪个渠道便宜、量大，就优先投入哪个。但在 AI 时代，增长已经不太像“多试几个渠道”的排列组合题，更像一套操作系统：产品如何天然分发，内容如何进入 AI 答案，创作者如何持续生产，销售流程如何被 agent 化，以及客户的购买风险如何被逐步拆解。
增长正在从渠道技巧，变成系统工程。
一、SEO 没死，但终点从“排名”变成了“答案”
如果要寻找上一代 SaaS 内容增长的教科书，Zapier 依然是典型案例。Zapier 当年融资不多，也没有条件在早期就投入重销售和重投放，于是将内容 SEO 做成了一台增长机器：集成页、模板页、教程页、对比页和长尾关键词矩阵逐步铺开。后来，Zapier 做到 1.4 亿美元 ARR，月自然流量超过 650 万次。
这个案例最值得学习的地方，从来不是“Zapier 很会写 blog”，而是它将内容从一项营销手段做成了分发系统。用户搜索 “Gmail to Slack automation”，Zapier 有对应页面；搜索 “Google Sheets to Airtable”，Zapier 也有页面；搜索 “best workflow automation tools”，依然能找到 Zapier。
单个页面未必爆发，但它们叠加起来，形成了可以复利的 Content Loop。
内容带来搜索流量，搜索流量带来用户注册，用户需求又反过来告诉 Zapier 应该增加哪些集成、模板与页面。这个系统一旦转动，就不再依赖每天购买流量来维持增长。
但用户是否还会像过去一样，在 10 个 Google 结果之间来回点击、比较并自行拼凑答案？答案是越来越少。
ChatGPT、Perplexity、Google AI Overview 与 Gemini 正在将“分发链接”改写为“分发答案”。用户不再只搜索关键词，而是直接提问：最适合小团队的 CRM 是什么？Figma 和 Penpot 如何选择？有哪些适合 Shopify 卖家的 AI 客服工具？平台先组织答案，再决定是否给出链接。
这正是 GEO（Generative Engine Optimization）要解决的问题。它不只关心页面排名，更关心品牌、产品、事实与观点能否进入答案系统。
在我们最近一期 Linkloud Workshop中，Span和王斌老师也给出了相同判断：GEO 并没有颠覆 SEO，SEO 仍然是 GEO 的基础设施。
LLM 的训练、检索和引用，依然依赖网络内容、媒体、社区、博客、视频和品牌提及。官网、Reddit、YouTube、媒体、清单式文章与用户评论，都会成为 AI 判断“谁更可信”的信号。
因此，GEO 不是在网站上添加几个 FAQ，也不是建立 llms.txt 就能一劳永逸。它更接近 AI 时代的内容工程：关键词需要转化为问题地图，文章需要拆解为答案单元，官网需要成为事实真源，Reddit、YouTube、媒体与社区则需要构成外部证据链。
GEO 时代的内容来源不只来自官网。用户内容、专家输入、市场研究与竞品分析，都会变成 AI 判断品牌可信度的语料。
硅谷增长圈的 KOL Ethan Smith 对此说得很直接：GEO 时代的关键不是排名第一，而是被提及最多。
在 AI Overviews 中，品牌网络提及与品牌锚文本，与品牌出现概率高度相关。因此，GEO 更像一场跨平台的品牌语义建设。
SEO 时代，争夺的是“能否排在前面”；GEO 时代，争夺的是“模型组织答案时，是否会想到你”。
Profound、Scrunch AI 这类公司的崛起，也说明市场正在为这个新问题付费。Profound 融资 1.55 亿美元，客户包括 Target、Figma、Walmart；Scrunch AI 则在讨论 AI 搜索中的 reranking、agent 体验与品牌可见性。它们出售的不是某个小技巧，而是新问题的可观测性：未来品牌的战场不只在 SERP，也在答案之中。
这也解释了 Reddit 等内容社区为何突然变得重要，AI 需要“真实人类经验数据库”。官网可以描述自身的优势，但 Reddit 上用户的批评、称赞、比较与吐槽，更接近真实世界的气味，模型也更容易将此类内容视为可信信号。
因此，许多 GEO 实践开始重新重视 Reddit、Quora、YouTube、清单式文章和第三方评价。不是这些渠道突然变得时髦，而是它们提供了一种官网难以伪造的证据：其他人如何评价品牌。
Owned Content（自有的内容）负责定义品牌，Earned Content（赢得的内容）负责证明品牌。AI Search 将这两件事合在了一起。
二、增长单位从 Funnel 变成 Loop
过去，增长团队习惯用 Funnel 来沟通：
Acquisition → Activation → Retention → Revenue → Referral
这个 AARRR 框架依然有用，但它天然偏向线性：顶部灌入流量，底部产出收入；想继续增长，就继续投入流量。它很像用盆向一个有缝隙的桶里倒水。
经典 Funnel 仍然有用，但它无法解释复利。AI / SaaS 增长越来越需要通过 Loop 重新理解。
在 Linkloud 最近一期 Workshop 中，来自硅谷的两位导师 Danni 和陈唱不约而同地提到一种增长思维模型：不要问一条渠道现在的价格，而要问它明年会更便宜还是更贵。
有些渠道越用越贵，例如纯付费获客：今天 CAC 是 50 美元，竞品进入后可能变成 80 美元，再过两个月变成 120 美元。停止投放，增长也随之停止。另一些能力则会越做越便宜，例如 SEO、Founder IP、社区、UGC 与产品自传播。它们起效较慢，但会积累。
这就是 Funnel 与 Loop 的差异：Funnel 更多是在消耗资源，Loop 才会产生复利。Zapier 是内容 Loop，Gamma 是病毒 Loop，Clay 是 GTM 工作流 Loop；Reddit、YouTube 与 KOL，如果机制设计得当，也可能形成内容复利 Loop。
很多产品给免费用户加了强制水印，但水印如果像狗皮膏药，用户只会希望尽快去掉。Gamma 的水印之所以能转化，是因为产出物本身足够好，看到一份出色的 Deck，首先产生的往往不是被营销的反感，而是对工具来源的好奇。产品被使用的过程，也就成为产品被分发的过程。
这意味着，GTM 不只是增长问题。Vercel 也遵循类似逻辑：开发者使用 Next.js 和 Vercel 部署应用，每一个被部署出去的项目，都在一定程度上增加了 Vercel 的外部可见性。产品使用越多，外部曝光越多，新的开发者便更可能进入产品。这个 Loop 成立，是因为产品、文档、社区与开发者心智并不是被割裂运营的。
在思考 Product-Market Fit的同时，也需要思考Product-Channel Fit：
如果依靠 SEO，产品或业务需要能够持续产生大量可被搜索的问题与页面；
如果依靠病毒传播，产品中需要存在自然的分享动作；
如果依靠创作者，产品最好能产出可展示、可模仿、可复刻的内容；
如果依靠销售驱动，客单价、业务复杂度与风险叙事需要足以支撑销售成本。
渠道不是产品完成之后才面对的选择题，而是产品设计之初就需要考虑的约束条件。
另一个容易被忽略的变量是定价，定价也可能扼杀 Loop。PLG SaaS 的典型案例 Miro 就踩过坑：早期按席位收费，邀请更多人意味着可能增加支出，用户便会克制邀请。后来改为按白板或项目收费，邀请不再受到惩罚，病毒 Loop 才运转得更顺畅。
所以，定价从来不只是一张财务表格。它会影响用户行为、渠道效率，以及增长 Loop 能否真正转起来。
三、KOL 不再只是买曝光，而是买内容生产力
AI 产品天然适合 KOL 传播，因为许多 AI 产品的价值一眼就能看懂。HeyGen 的数字人视频、Higgsfield 的电影感 preset、Gamma 生成的 Deck、Cal AI 拍照识别热量、Jenni AI 辅助写论文，都不需要白皮书解释价值。用户看到一条视频，通常就能理解产品大致做了什么。
对于视频与图像生成类 AI 产品而言，产出物本身就是广告素材；模板和分成机制则决定了创作者传播能否形成飞轮。
因此，过去两年，Creator-led growth 在 Global AI 领域明显抬头。
Gamma 创始人 Grant Lee 曾分享，团队在 500 万美元预算内实现病毒增长，在不到两年内从 0 做到 5000 万美元 ARR，并实现盈利。这并非单纯依靠广告投入，而是系统化地进行 KOL、品牌、用户测试与内部试用。
Cal AI 更为典型：4 人团队在 18 个月内做到 App Store 健康健身品类第一、年收入 3000 万美元，依靠的是签约数百位 KOL，并搭建基本可自动化运转的创作者体系。
Jenni AI 在零融资的情况下做到 1000 万美元 ARR，也大量依赖 TikTok、Instagram 的低成本短视频与少数高杠杆 KOL。
这些案例很容易被简化为“找达人”，但预算投入后效果不佳的情况并不罕见。原因在于，KOL 1.0 买的是曝光，KOL 2.0 买的是内容生产力。相应地，有三条判断尤为重要：
内容命中率大于粉丝规模；
模板是病毒的 DNA，但爆款不等于留存；
长期机制大于单点合作，因为创作者是资产，而不是耗材。
对早期、预算有限的 AI 公司而言，Founder IP 往往也是最低成本的分发线。真实数字、反差叙事和过程拆解，通常比“官方介绍”更容易被传播。
过去投放 KOL 时，团队常常首先看粉丝数。百万粉丝听起来很有吸引力，但在 X、TikTok、YouTube Shorts 等平台，粉丝数越来越像初始速度，内容命中率才决定终点。一个只有 5 万粉丝、却经常产出爆款内容的垂类账号，长期价值可能高于一个 200 万粉丝的泛科技大号。
更关键的是“产品即内容”。最好的 AI 广告，不是介绍工具有多强，而是展示借助工具完成了什么。HeyGen 的名人翻译片段、Higgsfield 的电影级视频，观众首先消费的是作品，同时认识了工具。
这与传统 SaaS 不同。传统 SaaS 往往销售一个仪表盘，很难让用户因为“今天在后台配置了权限”而主动转发；而 AI 产品可以生成视频、图片、PPT、网页、声音、虚拟形象与工作流，产出物本身就是传播素材。
进一步看，模板是推动传播的重要机制。吉卜力风格与“把照片变成 3D 手办”之所以能刷屏，是因为它们给普通人提供了可复制的参与格式。只展示惊艳成品，用户只能点赞；公开 prompt、工作流、模板与步骤，用户才有机会参与。
点赞是终点，模仿才是新一轮分发的开始。
当然，KOL 增长也有明确红线。过去两年，AI 圈已有不少产品因落差而翻车：达人拿到的模板效果显著高于普通用户体验，用户上手后发现根本无法复现，评论区很快变成大型维权现场。
AI 产品最怕这种落差。它出售的是能力；一旦用户认为展示出的能力并非自己能够获得的能力，信任就会迅速蒸发。因此，KOL 增长的终局不是一次大爆。爆款只是入口，后续还需要模板库、教程、社区、产品钩子、onboarding 与留存路径。否则，品牌只是在租一场烟花：短暂、美丽、昂贵，声响过后便归于沉寂。
四、GTM Engineer 出现，增长开始被工程化
如果说 GEO 代表内容系统的变化，Creator-led growth 代表分发系统的变化，那么 GTM Engineer则代表组织系统的变化。
Clay 是硅谷中搭建这套体系的代表性公司之一。GTM Engineer 在 Clay 既不是传统市场人员，也不是纯工程师，更不是“会写 Python 的销售”。这个角色的本质，是将商业判断、数据、AI 工具与自动化工作流串成营收引擎。
Vercel 的案例也很有代表性。Vercel 原本有 10 名 SDR 负责 inbound 线索资质审核。后来，团队通过一个线索 agent，只保留 1 人负责 agent QA，其余 9 人转向 outbound。结果是，一名 GTM engineer 用约 25% 至 30% 的时间，在约 6 周内便让团队有信心将流程从 10 人缩减为 1 人，同时 Lead-to-opportunity 转化率保持不变。
这才是 AI 用于 GTM 的高 ROI 场景。
许多团队一提到 AI GTM，首先想到的是让 AI 写 Cold email，最终的结果却常常像把 LinkedIn 上的油腻模板放进搅拌机。Vercel 的做法并非如此。团队让 GTM engineer 观察和模仿高绩效人员，理解优秀 SDR 如何判断线索：他们会查看 LinkedIn、官网、数据库、CRM、内部资料与行业信息，综合判断一家公司是否值得跟进、可使用何种参考资料、下一步应如何推进。
GTM engineer 的工作，是将这些隐性判断显性化，再让 agent 先完成调研、资质审核和回复草稿，最后由人工复核。这是在将工作流产品化。
GTM 工程化的核心不是让 AI 写几封 Cold email，而是将线索研究、会议准备、CRM 更新等隐性工作流拆解出来，变成可复用的自动化 playbook。
Vercel 还有一个更具启发性的 deal bot 案例。团队将 Gong 通话转录、Slack、邮件与通话记录提供给 agent，用于分析流失商机。有一笔大单，AE 判断失败原因是报价；Agent 分析后指出，问题并非价格，而是没有触达经济决策人，也未充分证明 ROI 与 TCO。
这会彻底改写后续行动。若认为输在价格，团队会选择打折；若知道输在价值证明，就应该调整 ROI 模型、TCO 叙事与对经济决策人的触达。既然 GTM 可以工程化，那也可以被 debug。
过去，团队会认真处理产品 bug：建立工单、排期、修复与复盘。可当 GTM 出现问题时，常常会滑向模糊归因，例如销售不够强、客户没有预算、市场尚未教育成熟、行业节奏偏慢。这些解释未必完全错误，却常常让团队错过真正需要修复的系统问题。
未来的 GTM 团队会像工程团队跑脚本一样，修 GTM bug。这意味着，增长不再只是多招销售、多买工具或多发内容，而正在成为一个可观察、可拆解、可自动化、可 debug 的系统。
五、PLG 依旧重要，但 AI 公司得更早向大客户转型
许多 AI 产品在早期都会经历甜蜜期：注册用户很多，试用用户很多，Twitter 上讨论热烈，Product Hunt 票数也不错，创始团队似乎看见了一个迅速展开的市场。但随后，ARR 却停滞不前。
原因是，PLG 能带来大量用户，却不一定能带来大额预算。很少有人会自助直接支付 10 万美元订阅费，这正是 PLG 的瓶颈。
AI 产品早期容易获得大量曝光和试用，但从 AI 引用、人类点击到注册用户之间，仍存在层层转化损耗。PLG 能带来入口，企业打法才能承接预算。
PLG 并没有失效。Stripe、Vercel、Gamma、Notion 与 Figma 都证明了它的威力。但若目标市场最终需要企业级预算，就必须提前建立销售打法。这不会自动发生，团队需要尽早回答：卖给谁、对方为何购买、谁参与决策、如何做需求调研、如何处理异议、以什么证据推进、如何通过安全审查、IT 与采购流程，以及如何触达经济决策人。
销售打法是一套组织肌肉，需要时间生长。许多公司并不是 PLG 不够好，而是加入销售的时间太晚。AI 公司尤其容易掉进这个陷阱：早期采用很热闹，创始团队很容易将“用户多”误解为“GTM 已经跑通”。但现实往往是用户很多、收入不足；大客户有购买意愿，团队却承接不住。
从更大的视角看，GTM 是客户生命周期：Marketing 让客户知道品牌；Content 让客户意识到自己处于非最优状态；Field Engineering 提供落地路径；Sales 帮客户构建商业理由与风险叙事；CS 帮助客户证明价值；RevOps、deal bot 与 lost bot 则告诉公司流程卡在哪里。它依然是一套需要被工程化的系统。
Enterprise AI 卖的是安全感。
AI 公司的天性是展望未来：可以颠覆什么、重塑什么、让组织进入怎样的新时代。这些叙事能打动创始人、投资人和同行，却不一定能打动企业级客户。
企业客户更在意的是：项目失败会不会损害个人职业信誉？上线是否影响现有系统？买错之后是否会被管理层追责？安全与合规能否通过？团队会不会抵触？半年后若无法证明 ROI，应该如何解释？
在美国市场，约 80% 的客户购买是为了避免痛点或降低风险，而非追求潜在收益；在日本市场，这一比例只高不低。这也解释了初创公司面对的窘境：AI 产品很容易讲潜在收益，例如效率提升 10 倍、成本降低 80%、自动化整个流程、让团队成为超级团队。它们听起来很有吸引力，但走到签字环节，客户真正需要的是确定性。
愿景负责打开门，降低风险负责让客户签字。
因此，AI 创始人向企业销售时，最好将叙事从 “art of the possible” 切回 “risk reduction”。需要帮助内部推动人证明：购买产品不是冒险，不购买才是风险。这比“产品可以帮你实现 10x”更具说服力。
六、GTM 是给 ARR 加 0，PMF 是前面的 1
把这些案例放在一起，一条主线就变得十分清晰：Zapier 代表上一代 SaaS 内容增长，将 SEO 做成内容 Loop；Profound、Scrunch 与 Graphite 代表新一代 AI Search 增长，将品牌做进答案系统；Gamma、Cal AI 与 Jenni AI 代表 Creator-led growth，将 KOL 从曝光采买转化为内容生产网络；Clay 与 Vercel 代表 GTM engineering，将销售和增长工作流变成可自动化、可 debug 的 agent 系统...
但这些案例也容易制造一种错觉：仿佛只要找到正确渠道，增长就会自动发生。实际上，GTM 是在 ARR 后面不断加 0，PMF 则是这些 0 前面的 1。
过去几年，AI 产品太容易做出 Demo，太容易获得第一波用户反馈，也太容易让创始团队误以为“产品已经 ready，现在该增长了”。于是，团队很快进入渠道焦虑：Product Hunt 要不要发？Reddit 要不要做？KOL 要不要投？SEO 还有没有机会？GEO 是否需要马上布局？
这些问题都重要，但很多时候问得太早。在选择渠道之前，团队需要先回答三个更硬的问题——
第一，谁最痛。
Jobright 是一个很好的例子。它没有把自己笼统地描述为“AI 求职工具”，因为这个概念过宽，宽到无法判断用户应在哪里被找到。它早期锁定的是“在美国找工作的国际学生和 H1B 群体”：签证信息不对称、岗位筛选成本高、Sponsor 判断困难、政策变化焦虑强。
当 ICP 收窄之后，内容选题、Reddit AMA、LinkedIn 发声以及产品中的 H1B sponsor 筛选器，都围绕同一个痛点生长。最终，团队几乎以零市场预算获得第一批注册用户。这正是好 ICP 的作用：帮助团队排除 90% 看似诱人的干扰渠道。
第二，产品替代什么。
定位不是一句漂亮口号，而是决定用户将产品放入哪个比较框。Clay 早期做 GTM 数据与自动化，融资 1600 万美元，却只有约 20 个付费客户。官网定位改过 25 次以上，花了五年才真正找到 PMF。这个过程说明一个残酷事实：功能强不等于价值清楚。
产品究竟是数据库、销售工具、工作流自动化，还是 GTM engineering 平台？不同定位决定用户拿它比较的对象、愿意支付的价格以及进入的预算口径。同一个产品，放错参照系，价值会被压低；放对参照系，销售话术、内容主题与产品路线才会开始对齐。
第三，哪个场景已经被验证。
Gamma 并非一开始就将自己定义为“creative platform”。它先在 AI 演示这个足够明确的场景里站稳：用户需要制作 Deck，产出物天然可展示，分享时又带着 “Made with Gamma” 的产品钩子。等这个基本盘成立，再向更大的创意平台扩展。早期就把定位做得过宽，听起来野心更大，实际往往会稀释 PMF。
因此，PMF 不是“有人觉得产品不错”。更诚实的判断是：剔除熟人、预算、一次性发布和早期噪音之后，是否仍存在一小群陌生用户，会持续使用、主动寻找，认为替代困难，愿意付费，甚至愿意将产品推荐给相似的人。
有了这个“1”，GTM 才开始真正有意义。如果 ICP 是高频搜索问题的人群，SEO 与 GEO 才值得深入投入；如果产品产出物天然可展示，KOL 与模板传播才可能形成飞轮；如果客户需要通过 IT、安全、法务与采购，销售驱动打法就需要更早生长；如果产品使用本身会邀请同事、客户或观众，定价与产品 Loop 就不能被随意设计。
渠道不是产品完成之后的补丁，而是 PMF 被验证之后，对真实需求的放大器。
AI 缩短了产品差距，也缩短了渠道红利周期。一个打法刚被验证，第二天就可能被全行业复制。今天的套利，明天就会变成拥挤赛道。真正能穿越周期的东西反而更朴素：究竟为谁创造了不可替代的价值？这群人在哪里？他们如何发现、相信、购买、持续使用产品，并愿意把它介绍给下一个相似的人？
先找到那个“1”，再用 GTM 去加“0”。这或许是 Global AI 公司未来几年最朴素，也最难的基本功。
本文来自微信公众号：Linkloud，作者：觐开JK