45天创收3600万美元，8个月ARR破亿：AI独角兽们正“重写”GTM剧本

神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：人均创收900万美元，10倍杠杆。AI原生的GTM打法，彻底颠覆了SaaS。文章来自编译。

AI原生公司正在重塑GTM（市场进入）的玩法。打造估值十亿美元AI公司的策略手册，看起来与SaaS时代截然不同。传统的企业软件公司需要花费数年时间来建立销售团队和营销引擎，而新一代的AI原生初创公司则依靠精干的团队、极少的资金和非传统的策略，迅速达到了巨大规模。

通过分析Gamma（30名员工，年经常性收入超5000万美元）、Genspark（45天内年经常性收入达3600万美元）、Surge AI（自筹资金，年经常性收入10亿美元）、Mercor（目前年化收入4.5亿美元）、Lovable（8个月内年经常性收入达1亿美元）、Cluely（通过争议事件获得600万美元年经常性收入）和Harvey（法律科技领域，年经常性收入1亿美元）等公司，我们发现了AI原生GTM成功的六个新兴模式。

这些成就并非偶然的统计数据。它们代表了AI原生公司在获客、创收和规模化运营方面发生的根本性转变。本文将探讨六种截然不同的模式，正是这些模式造成了AI时代爆发式增长与渐进式发展之别。

下面我们就来深入探讨一番吧 👇

1. 势能即护城河：渠道优先

传统的软件开发流程——开发产品、实现产品市场契合（PMF）、然后扩展分销渠道——在几家AI公司身上已经发生了逆转。他们有意在产品方向得到充分验证之前，就先行建立分销能力。

Genspark清楚地展示了这种方法。该公司最初的自我定位是AI搜索引擎，吸引了500万用户。但到2024年底，团队观察到用户的使用习惯正在从信息查询（“总结这个市场”）演变为以结果为导向的指令（“创建一个关于这个市场的演示文稿”）。他们没有继续完善搜索产品，而是在2025年4月彻底转型为“AI智能体引擎”。这次战略调整——从搜索转向自主任务执行——在45天内创造出3600万美元的年经常性收入。

这次转型之所以成功，是因为Genspark已经通过其最初的搜索产品建立了分销渠道。当他们转变方向时，这些渠道依然存在。

Cluely 采取了更为激进的“渠道为先”立场。联合创始人 Roy Lee 将自己备受争议的个人经历——因一次停学引发大规模举报而被哈佛开除，后又因创建了专门帮用户在技术面试中作弊的工具 Interview Coder 而被哥伦比亚大学开除——巧妙地塑造成了公司的核心营销叙事。“在所有事情上作弊” (cheat on everything) 这句标语不仅仅是挑衅；它与 Lee 的个人经历真实呼应，并持续引发了媒体关注。

a16z 合伙人、Cluely 的投资者 Bryan Kim 描述了其背后的逻辑：在AI市场，“势能即护城河” (momentum as a moat) 比传统的防御能力更重要。当基础模型每月都在改进，竞争对手可以迅速复制功能时，“速度”本身就成了可持续的优势。

结果验证了这一策略。Lee 直言：“我现在能拿到这些合同的唯一原因，是那些企业公司的决策者看到了我的推特，觉得我很有趣，并且在支持我。” Cluely 在没有建立传统销售团队的情况下，将社交媒体的关注度转化为了数百万美元的企业合同。

这种“渠道为先”的方法也伴随着巨大风险。Cluely 的挑衅性品牌形象，与其作为一款需要访问用户屏幕和麦克风的工具所必需的“信任感”之间，产生了冲突。Reddit 上的早期反馈显示，产品质量最初落后于营销炒作。正如 Lee 本人所说，公司正处于一场竞赛中，必须“在惹恼太多人之前达到逃逸速度”。

然而，这种模式在多家公司中都存在。Lovable 的开源项目 GPT-Engineer 在商业化之前就吸引了 52000 个 GitHub 星标。当他们推出付费平台时，这个分销渠道迅速转化——60天内带来了1000万美元的年经常性收入。产品是在服务付费客户的过程中迭代改进的，而不是先做到完美再推出。

考虑到AI的开发周期，这背后的经济逻辑就变得清晰了。基础模型在不断改进。庞大的用户基础能创造复利式的数据优势，因为每一次互动都会产生训练信号，不断优化底层模型。过去需要几个月才能开发的功能，现在几周内就可以被复制。在这种环境下，抢先吸引用户注意力、扩大安装基础并公开发布迭代，可能比“秘密研发”更能建立起防御壁垒。

2. 将社交分销作为核心基础设施

这些公司最显而易见的共同点是，他们不把社交平台仅仅当作营销渠道，而是将其视为获取客户的基础设施。

Genspark 运营着一个由 60 多名内容创作者组成的网络——在内部他们被称为“实习生”——这些创作者按视频制作量获得报酬，专门制作关于该平台的视频。在2025年初的两周内，这个网络在 TikTok 和 Instagram 上创造了 2000 万次观看。这一策略刻意模糊了自然用户内容和付费推广之间的界限，在公司看来，这非但没有降低可信度，反而增强了真实感。

这种方法在规模和整合程度上不同于传统的网红营销。这些创作者并非偶尔为之的品牌大使——他们更像一个分布式的“内容生产系统”，持续不断地产生算法势能。海量的“内容”营造出一种无处不在的观感，这既强化了品牌认知，也驱动了平台算法来扩大覆盖范围。

Cluely 将这一概念推向了极致，让创始人自己成为了最主要的分销渠道。CEO Roy Lee 刻意塑造了一个极具挑衅性的公众形象，将赞誉和批评都转化为了品牌知名度。当他公开宣布计划雇佣50名实习生专门制作 TikTok 内容时，或者当旧金山警察叫停了他们的公司派对时，由此引发的讨论所产生的知名度，是传统广告无法复制的。

公司的招聘实践也反映了这一战略优先级。增长团队的职位要求候选人在主流社交平台上至少拥有 10 万名粉丝，这实际上是把每一个新员工都变成了一个“分销节点”。这种结构性选择将“病毒式传播”根植于组织设计之中，而不仅仅是将其视为一项营销职能。

Gamma 的经历则说明了创始人在关键时刻如何通过社交分销来催化增长。当 CEO Grant Lee 发布了一条旨在引发反响的推文来推广其AI驱动的产品版本时，由此引发的争议——在 Paul Graham 等大人物回应后进一步放大——触发了一个病毒式循环，令其日注册量在72小时内从几千激增至数万。

这种方法与传统社交媒体营销的区别在于“架构性整合”。这些公司不是在“运营”社交媒体活动——他们从一开始就是围绕着社交平台的动态来设计自己的组织和GTM策略的。分销模式并不是叠加在业务之上的表层，而是公司运营方式的根本。

3. 围绕着“自我分销”设计产品

第三个模式运作起来更为巧妙，但影响力不相上下：这些公司设计的产品，其核心功能本身天生就能带来用户增长。

Gamma 的方法把这一点做得很明显。每一个用免费版创建的演示文稿、文档或网站都会包含一个“由Gamma制作” (Made with Gamma) 的徽章。这不是随意的品牌植入——这是一个精心设计的获客机制，也就是“产品驱动增长”（PLG）从业者所说的“偶然接触循环” (casual contact loop)。这个徽章有两个目的：一是推动新用户发现产品，二是为那些想要移除它的用户创造升级付费的动力。

产品的输出格式放大了这种效应。演示文稿会被展示给观众，文档会在同事间传阅，网站会被发布到互联网上。每一份内容都起到了广告的作用，在最精准的场景下——即当某人正在浏览专业内容并可能需要自己创作时——让 Gamma 接触到新的潜在用户。

Lovable 通过 “Launched” 平台设计了类似的机制，这是一个用于展示由 Lovable 所构建应用的平台。该平台通过奖励积分给顶级项目，将创作过程游戏化，同时每个展示的应用都包含一个“用 Lovable 编辑” (Edit with Lovable) 按钮，将浏览者直接引导至产品内部。该系统创造了公司所称的“打了激素的模板库”——在展示产品功能的同时推动了用户获取。

公司通过 “Linkable” 复制了这一模式，这是一个用于即时创建个人网站的工具。一条关于该工具的推文在一周内带来了 2 万个网站的创建，而每个网站都显示一个“用 Lovable 编辑”的选项。这代表了一种可称之为“元增长”(meta-growth) 的方式：利用你自己的产品来构建分销工具，从而创造一个良性循环——营销资产同时也是产品演示。

Mercor 的方法在机制上有所不同，但遵循相同的原则。作为一个AI驱动的人才市场，每一次成功的“匹配”（安置人才）都会产生绩效数据，从而提高匹配算法的准确性。这就创造了一个数据飞轮：越多的匹配带来更准的预测，更准的预测带来更高质量的匹配，更高质量的匹配又带来更多的匹配。每一次交易都让产品变得更有价值、更具防御性——这是一个通过“使用”自动产生复利的护城河，而非通过刻意的营销投入。

贯穿这些案例的战略洞察是：分销不是通过营销“添加”到产品上的东西，而是在产品设计阶段就做出的“架构性”决策。最有效的分销策略，就是那些产品使用本身就能带来新用户的策略。

4. 先做难事：战略性的“楔入点”选择

传统的企业软件策略强调“先易后难”：找到一个简单的使用场景，锁定一个更容易销售的“理想客户画像”(Ideal Customer Profile)，然后集中力量攻克。AI原生的方法则反其道而行之：有几家公司刻意选择了初始客户群体，不是因为他们最容易搞定，而是因为他们能“逼”出最快的产品学习速度。

Mercor 选择 AI 实验室作为其“楔入点”客户，就是这种策略的典范。该公司本可以去开拓传统的企业招聘市场，那里的潜在市场总额 (TAM) 更大。但是，AI 实验室可提供不对称的战略优势。

首先，反馈循环的时间尺度截然不同。当 Mercor 为 AI 实验室安置合约工时，绩效数据在几天内就能返回，而不是几个月。这使得他们能够快速迭代其候选人评估模型。其次，AI 实验室的需求“逼”着他们实现自动化。当 OpenAI 或 Anthropic 要求在48小时内提供300名合格的数据标注员时，人工招聘流程根本无法扩展。这种“不合理的要求”迫使 Mercor 必须建立真正由AI驱动的审查系统，而不是依赖人力密集型的筛选。

第三，这个客户群体把 Mercor 架到了两个高价值市场的交汇点。Mercor 的首席技术官 Adarsh Hiremath 指出：“人类数据（标注）和人才评估实际上已经变成了同一件事。” 通过将其服务定位为满足 AI 实验室的数据标注需求，他们所建立起来的能力，同样适用于任何知识型工作的招聘——这实际上是“解决了一个狭窄的问题，同时开发了具有广泛适用性的技术”。

Harvey 在法律科技领域也做了类似的盘算。律师事务是出了名的难缠客户：他们保守、规避风险，并且极其注意保护客户数据。然而，Harvey 刻意选择了这个充满挑战的领域。这些严苛的需求迫使他们必须建立深厚的领域专业知识、开发严格的安全框架并创建信任机制，而这些最终都转化为了他们的防御性优势。

该公司没有试图在许多小客户中快速扩张，而是执着地专注于赢得少数几家全球最顶尖的律师事务所。安理国际律师事务所（Allen & Overy，现为 A&O Shearman）成为了 Harvey 的分水岭。这家全球性的律所进行了一次广泛的试用，3500名律师提出了40000个问题，然后才决定全面铺开。这不仅仅是赢得了一个客户——它更是向其他顶级律所发出了一个信号：AI 时代已经到来。

当竞争对手最终复制了 Harvey 的 AI 能力时，它在法律工作流程、律所关系和合规基础设施方面仍然保持着差异化。正是这个“难缠”的客户群体，迫使他们建立起了护城河，而那些“容易”的客户是不会提出这些要求的。

Surge AI 也利用 AI 实验室作为初始客户，利用他们快速的反馈周期来加速公司的数据质量飞轮，并与技术型买家建立起了一个异常强大的口碑增长引擎。他们选择专注于复杂的数据问题作为一项深思熟虑的策略：Surge AI 没有雇佣“通才”来创建训练示例，而是寻找领域专家——物理学博士来解决物理问题，有成就的作家来完成创意任务，经验丰富的程序员来应对编码挑战。这确保了 AI 模型学习的是“真正专业知识”的演示，而不是“业余的模仿”。Surge AI 还建立了复杂的机器学习系统，用于分析来自标注员工作、活动和绩效模式的多种信号。

这里的战略洞察是：早期客户的选择应该以“学习速度”为优化目标，而不是“销售效率”。那些要求快速迭代、将产品暴露在多样化用例中、并迫使你将手动流程自动化的客户，他们提供的长期价值，远超那些“接受了最小可行产品（MVP）且不施加改进压力”的客户。这些“难缠”的客户通常也有更复杂的数据需求，从长远来看，这能创造出更强大的 AI 应用和更高的产品粘性。

5. 基于“点数”的定价：与AI经济模型相一致

传统的 SaaS 定价模式——通常基于“坐席数”的固定分层订阅——已被证明不适用于 AI 产品，因为 AI 产品的价值交付会根据使用强度和计算需求而发生巨大变化。那些实现快速增长的公司正开始转向基于“点数”（Credits）的系统，这种系统使定价与实际的价值消耗和基础设施成本更紧密地挂钩。

Gamma 的定价演变很有启发性。该公司在没有支付基础架构的情况下推出了 AI 功能，设置点数限制纯粹是为了管理计算成本。用户的反应立竿见影：支持渠道涌入了大量请求，要求购买额外的点数。“商业化”不再是一个 GTM 策略，反而成了一个“用户需要的功能”。由此产生的模型是：提供 400 个免费点数，然后是每月 10 美元 400 个点数，或每月 20 美元无限使用。值得注意的是，公司领导层表示，他们“乐于在重度用户身上亏钱”，因为正是这些高参与度的用户推动了病毒式循环，带来了新客户。

Genspark 采用了更精细的方法，根据计算需求的不同，点数的成本也不同。简单的聊天查询消耗的点数极少，而使用像谷歌 Veo 这样的高级模型生成视频内容，则可能需要花费 1000 到 2000 个点数。免费套餐每天提供 200 个点数，付费套餐则为每月 25 美元（Plus 版）或每月 249 美元（Pro 版，每月提供 125000 个点数）。

Lovable 的定价是围绕“消息数量”限制来构建的，而不是通用的点数。20 美元的入门版 (Starter) 每月提供约 250 条消息，而 100 美元的规模版 (Scale) 则提供五倍的容量。未使用的消息不会结转到下个月，这就为接近限额的用户创造了清晰的升级触发点。

Mercor 采取了不同的方法，运营一种交易市场平台模式：它向企业收取人才薪酬 30% 的费用，同时向求职者免费提供模拟面试和简历反馈等有价值的工具。这种不对称的定价策略——对需求方收费，同时补贴供应方——通过建立一个庞大且活跃的“求职者池”（而不必依赖即时的招聘需求），解决了经典的“市场冷启动”问题。

这些定价结构实现了三个目标：它们控制了与使用量直接挂钩的可变 AI 成本；当用户用尽免费配额时，它们创造了自然的付费转化时机；它们令收入与交付的“价值”保持一致，而不是与武断的“坐席数”挂钩。

6. 资本效率成为战略纪律

最后一个，也许也是最引人注目的模式是：这些公司以极其精干的运营实现了超高速增长，挑战了传统风险投资关于“资本部署”和“增长速度”之间关系的认知。

Surge AI 以约 110 名员工实现了 10 亿美元的年经常性收入——人均约 910 万美元。而他们的主要竞争对手 Scale AI，拥有 1000 多名员工，创造了约 8.7 亿美元的收入——人均约 87 万美元。这 10 倍的杠杆差异源于 Edwin Chen 明确的理念：“雇佣效率高 10 倍的人，而不是 10 倍的人。”

这不仅仅是句空话。Chen 的信念是，在大多数大型科技公司当中，20% 的员工创造了 80% 的影响力。他的招聘策略完全专注于招募那前 20% 的顶尖人才。其运营模式假定，大多数团队成员都应该是活跃的“个人贡献者”（实干家），而不是忙于构建组织层级的管理者。

Gamma 通过他们的“球员兼教练”(player-coach) 模式实施了类似的方法。领导角色既要承担管理职责，也要做出重大的个人贡献。领导者需要花费大量时间编码、设计或直接构建产品，而不是专门管理团队。在某一阶段，设计师占了 Gamma 团队的三分之一（12 名员工中有 4 名），这是一个异常高的比例，反映了他们的信念：在 AI 应用中，用户体验才是最主要的差异化因素。

“球员兼教练”的结构有多种功能。它保持了管理层的精简，限制了组织开销。更重要的是，它迫使公司雇佣那些具有高度“能动性”、能够自主运作的人。因为“球员兼教练”没有太多时间进行传统的管理，他们无法进行微观管理。这种“必要性”反而创造了一种文化，即个人贡献者必须独立决策，并在没有过多监督的情况下执行。

Genspark 通过一种混合模式实现了极高的撬动作用：一个 11 人的核心团队（4 名工程师，7 个增长角色），辅以 60-70 名签约的 UGC（用户生成内容）创作者。这些合约创作者按视频付费，产生了巨大的内容量（两周内 2000 万次观看），且没有传统雇员的间接成本。这种结构使得 Genspark 能够在不增加“人头”的情况下，扩大内容生产规模。

Lovable 在整个扩张过程中保持了非凡的纪律性。他们以不到 30 名员工的规模创造出 5000 万美元的年经常性收入——人均超过 100 万美元，这大约是同等收入规模软件公司“良好”基准的 5 倍。该公司明确拒绝了 Y Combinator，以避免潜在的干扰；在达到 3000 万美元年经常性收入时仅烧掉了 200 万美元；并始终坚持“慢得痛苦”的招聘口号，以保持人才标准和文化的一致性。

这些结构性选择，源于三个运营上的抉择，并创造了复利优势：同时招聘兼具“广度”和“深度”的人才（T型人才）；坚持不懈地关注产品质量，而非组织复杂性；以及“自动化优先”的运营。精干的团队行动更快，因为他们的协调成本更低。高能动性的个体需要更少的管理监督，使得领导层能够持续专注于战略和产品。由此产生的“速度”往往比原始的“功能开发能力”更重要。

这对创始人意味着什么

这些模式为 AI 原生公司编制出一本独特的策略手册，但它们也揭示了创始人必须驾驭的重要“张力”和“战略权衡”。

• 关于社交分销：从一开始就将“病毒式传播”构建到 GTM 策略中，已被证明非常强大，但这要求创始人的“人设”与产品定位之间必须有“真实”的一致性。Roy Lee 的挑衅方式之所以对 Cluely 有效，是因为该产品明确为用户提供了一种“秘密优势”——品牌和产品信息形成了一个连贯的整体。强行或“制造”出来的真实感通常会失败。关键问题是：你的个人故事或你的产品固有使用场景，是否能自然地支持一种病毒式的、有争议的或高度可分享的定位？

• 关于产品病毒性：设计能够“自我分销”的产品，需要将某些产品决策“让位”于增长机制。Gamma 的“由 Gamma 制作”徽章和 Lovable 的“用 Lovable 编辑”按钮，本质上是“增长功能”，但被包装成了“产品功能”。这要求从一开始就将“病毒性”视为产品的第一优先级需求，而不是在发布后才添加的东西。这里的挑战在于：如何在“增长优化”和“用户体验”之间找到平衡，尤其是当病毒式传播机制可能会制造摩擦或限制功能时。

• 关于基于点数的定价：该模型与 AI 基础设施的经济性相符，但也引入了可能损害用户体验的复杂性。当产品能够可靠地交付价值时，这个东西会很不错；但当做出来的东西不行时，它就变得具有“惩罚性”。战略上的挑战是：既要维持那种能推动转化的“心理稀缺感”，又要避免因“点数被浪费”而导致用户疏远。潜在的解决方案包括：为失败的任务退还点数、对某些核心功能提供无限使用权，或者采用“基础订阅+使用量分级”的混合模式。目前还没有完美的解决方案出现。

• 关于战略性客户选择：做 AI 原生公司，需要根据“加速学习的能力”来选择初始客户，而不是根据他们的“购买意愿”。这就产生了一个根本性的矛盾：那些能“逼”出最快学习速度的客户，往往也是最难“搞定”的客户，这会在初创公司资源最紧张的时候，拉长销售周期。这本质上是一场战略赌博：赌的是，在极端要求下锤炼出来的能力，能够创造出防御性优势，并且在公司扩展到“更容易”的客户群体时依然有价值。其核心权衡在于“短期收入效率”和“长期竞争护城河”，创始人赌的是，那些被“难缠”客户磨砺出来的产品，最终将主导市场，胜过那些从“简单”路径进入的竞争对手。

• 关于资本效率：保持精干能强化纪律性并保留战略选择权，但在“赢家通吃”的市场里，这可能会限制发展速度。Surge AI 的自筹资金（bootstrapped）路径之所以成功，是因为他们瞄准了一个高度集中且付费意愿极高的客户群（顶尖 AI 研究实验室）。Lovable 的精干方法之所以奏效，是因为他们的“产品驱动增长”（PLG）模式被证明是高效的。不过，在那些需要大量基础设施投入或面临资金雄厚竞争对手的市场里，极端的资本效率可能并不可行。问题不在于是否融资，而在于“什么时候”融资以及“融多少”。

从这七家公司得到的更深刻启示是，并不存在一本适用于所有情况的“万能手册”。相反，AI 时代要求我们去质疑关于 GTM 策略的那些“基础假设”。分销可以源于产品架构，而非销售团队。定价可以是动态的、基于使用量的，而非固定的、基于坐席的。增长可以是病毒式的、有机的，而非付费的、程序化的。盈利能力可以与超高速增长并存，而不必等到取得市场主导地位之后才去考虑。

在这个环境下取得成功的公司，不是那些更高效地“执行”传统策略的公司，而是那些正在“编写”全新策略的公司——这些新策略完全适应 AI 原生业务独特的经济模式、能力和动态。随着市场的成熟，这些早期模式很可能会演变。但就目前而言，对于在这个“规则尚在书写”的时代中奋斗的创始人来说，它们提供了一份路线图。

译者：boxi。