Memperoleh Pelanggan untuk Produk AI

Oleh Brian Tr · Dikemas kini 5 Oktober 2026

Memperoleh pelanggan untuk produk AI mengikut corong asas yang sama seperti mana-mana perisian: seseorang menyedari, menilai, membeli dan mengembangkan penggunaan. Yang berubah ialah penilaian. Pembeli tidak dapat mengetahui daripada demo sama ada output akan tepat pada data mereka sendiri, sama ada maklumat mereka selamat, atau sama ada produk itu masih berfungsi pada bulan ketiga. Maka, kerja pemerolehan beralih daripada menerangkan produk kepada mengurangkan ketidakpastian pembeli.

Peralihan itu menyentuh setiap keputusan yang dibuat pengasas tentang strategi ke pasaran: saluran mana yang hendak didahulukan, sama ada hendak menawarkan projek rintis, cara mengendalikan semakan keselamatan, dan cara membaca CAC apabila setiap pengguna menelan kos pengkomputeran sebenar. Halaman ini ialah hab bagi kumpulan Pemerolehan Pelanggan dalam koleksi Pertumbuhan Syarikat Permulaan AI. Ia membentangkan perbezaan pembelian AI, membandingkan pendekatan utama, dan menunjukkan cara memilih antaranya mengikut jenis pembeli.

Mengapa Produk AI Dibeli dengan Cara Berbeza

Perisian tradisional kebanyakannya bersifat deterministik. Jika alat pelaporan berfungsi pada set data sampel, ia akan berfungsi pada data anda. Produk AI bersifat kebarangkalian. Ia boleh berprestasi baik pada contoh terpilih vendor dan buruk pada data pelanggan yang bersepah, dan ia boleh gagal tanpa memaparkan ralat. Pembeli tahu perkara ini, malah yang tidak pernah membaca kertas teknikal sekalipun, dan ia mengubah tingkah laku mereka dalam tiga cara.

Mereka mencari bukti pada data mereka sendiri. Demo yang kemas membuktikan produk boleh berfungsi di suatu tempat. Pembeli mahu tahu sama ada ia berfungsi pada dokumen mereka, tiket mereka, pelanggan mereka. Pasukan yang dapat menunjukkan hasil pada data pembeli sejak awal cenderung bergerak lebih pantas berbanding pasukan yang berbalah tentang penanda aras. Mengapa perkara itu sangat penting, dan cara menyusun demo atau projek rintis di sekelilingnya, ialah topik mengapa demo lebih penting bagi produk AI.

Mereka menimbang kepercayaan bersama harga. Dalam tinjauan Jun 2025 terhadap 876 pembuat keputusan, Futurum Research mendapati kepakaran dan pengalaman dengan AI (52 peratus) serta pengendalian data dan kawalan privasi (51 peratus) ialah dua kriteria pemilihan vendor teratas, mendahului harga pada 45 peratus. Apabila wang bukan penapis pertama, produk yang lebih murah tidak menang secara automatik.

Mereka mempunyai senarai panjang kegunaan yang mungkin dan senarai pendek kegunaan sebenar. Menlo Ventures melaporkan bahawa organisasi mengenal pasti 10 atau lebih kes penggunaan AI yang berpotensi tetapi menumpukan penerimaan pada keuntungan produktiviti jangka dekat atau penjimatan kos. Pembeli tidak membeli "AI." Mereka mencari satu kerja khusus untuk dilakukan dengan lebih pantas atau lebih murah, dan mesej pemerolehan anda mesti dikaitkan dengan kerja itu.

Semua ini tidak bermakna AI sukar dijual. Laporan Menlo yang sama mendapati 47 peratus urus niaga AI sampai ke pengeluaran, berbanding 25 peratus bagi SaaS tradisional, yang ditafsirkannya sebagai komitmen pembeli yang kukuh dan nilai segera yang jelas. Permintaan itu nyata. Geseran berada di tengah-tengah proses, antara minat dan tandatangan, dan di situlah reka bentuk pemerolehan menjadi penting.

Fakta Utama

• PLG membawa lebih banyak perbelanjaan AI: 27 peratus perbelanjaan aplikasi AI mengalir melalui pendekatan pertumbuhan dipacu produk, berbanding 7 peratus dalam perisian tradisional, menurut Menlo Ventures (2025).
• Urus niaga lebih kerap sampai ke pengeluaran: 47 peratus urus niaga AI sampai ke pengeluaran, berbanding 25 peratus bagi SaaS tradisional (laporan Menlo yang sama).
• Pembeli membeli dan bukannya membina: 76 peratus kes penggunaan AI dibeli dan bukannya dibina secara dalaman pada 2025, meningkat daripada 53 peratus pada 2024 (Menlo Ventures).
• Kepercayaan setaraf dengan keupayaan: kepakaran AI (52 peratus) serta pengendalian data dan kawalan privasi (51 peratus) ialah dua kriteria vendor teratas, mendahului harga (45 peratus), menurut Futurum Research (876 pembuat keputusan, Jun 2025).
• Margin sangat berbeza dalam kalangan syarikat permulaan AI: "Supernova" Bessemer yang paling pesat berkembang beroperasi pada margin kasar kira-kira 25 peratus (selalunya negatif), berbanding kira-kira 60 peratus bagi "Shooting Stars" (Bessemer, The State of AI 2025).

Membuktikan Nilai pada Data Pembeli Sendiri

Cara paling boleh dipercayai untuk mengurangkan ketidakpastian pembeli ialah membiarkan mereka melihat produk berfungsi pada sesuatu yang penting bagi mereka, sebelum mereka komited. Terdapat beberapa format, dan ia berada pada spektrum daripada murah dan cetek hingga mahal dan meyakinkan.

Dua prinsip membezakan projek rintis yang bertukar menjadi kontrak daripada yang terhenti.

Takrifkan kejayaan sebelum bermula. Projek rintis tanpa ukuran yang dipersetujui berakhir dengan "menarik, mari kita terus berbincang." Projek rintis yang baik menamakan metriknya (kadar penyelesaian, jam yang dijimatkan, kadar ralat berbanding garis dasar manusia), data yang akan digunakan, tempohnya, dan apa yang berlaku jika sasaran dicapai. Bahagian terakhir itu penting: projek rintis tanpa laluan kepada kontrak ialah projek perundingan percuma.

Ukur berbanding proses semasa pembeli, bukan berbanding kesempurnaan. Soalan yang jujur ialah sama ada produk itu mengatasi apa yang mereka lakukan hari ini, dan pada kos berapa. Produk yang betul 90 peratus daripada masa boleh menjadi kemenangan yang jelas jika proses manual semasa lebih perlahan dan tidak lebih tepat. Dan ia boleh menjadi tidak sesuai jika 10 peratus ralat yang berbaki itu mahal. Nyatakan kes mana yang anda hadapi.

Jika tawaran anda ialah lapisan nipis di atas model kegunaan umum, jangkakan pembeli akan menyiasat sejauh mana hasilnya milik anda. Itulah isu yang sama yang dibincangkan dalam AI wrapper berbanding AI-native: semakin kukuh gelung data dan proses penilaian anda, semakin boleh dipercayai bukti anda.

Keselamatan, Privasi dan Perolehan

Bagi ramai pembeli B2B, penilaian mempunyai dua landasan yang berjalan serentak. Satu ialah pasukan perniagaan yang memutuskan sama ada produk berfungsi. Satu lagi ialah pasukan keselamatan, undang-undang dan perolehan yang memutuskan sama ada vendor itu boleh diterima. Landasan kedua sering bergerak lebih perlahan dan boleh menamatkan urus niaga dengan sendirinya.

Soalan yang dibangkitkannya khusus kepada AI. Ke mana data pelanggan pergi? Adakah ia digunakan untuk melatih model, dan bolehkah ia dimatikan? Pihak ketiga mana yang memprosesnya? Bagaimana output direkodkan, dan bolehkah pembeli mengauditnya? Apa yang berlaku apabila produk tersilap dalam aliran kerja yang terkawal? Angka Futurum di atas, 51 peratus menamakan pengendalian data dan kawalan privasi sebagai kriteria utama, memberitahu anda bahawa ini bukan kes terpencil. Ia separuh daripada agenda jawatankuasa pembelian.

Pengasas yang mengendalikan perkara ini dengan baik melakukannya sebelum ditanya:

• Sediakan pakej keselamatan dan privasi yang sentiasa sedia: rajah aliran data, peraturan penyimpanan, dasar data latihan, senarai sub-pemproses dan proses insiden.
• Putuskan lebih awal sama ada anda boleh menawarkan kawalan seperti jaminan tanpa latihan atau pengendalian data serantau, dan letakkan harga padanya jika ia menelan kos kepada anda.
• Libatkan wakil keselamatan pembeli pada permulaan projek rintis, bukan pada akhirnya. Projek rintis yang berjaya dengan pasukan perniagaan kemudian mati dalam semakan ialah cara paling mahal untuk mengetahui apa yang diperlukan oleh semakan itu.
• Anggap masa semakan sebagai sebahagian daripada ramalan kitaran jualan anda. Ia berbeza mengikut industri dan saiz pembeli, jadi ukur masa anda sendiri dan jangan mengandaikan satu angka.

Di sinilah juga kekurangan rekod prestasi syarikat muda menjejaskannya, dan sebab sesetengah pengasas memilih saluran yang meminjam kepercayaan: penyenaraian di pasaran, integrasi dalam platform yang sudah diluluskan pembeli, atau penjual semula yang sudah digunakan pembeli.

Saluran Pemerolehan Utama

Empat saluran melakukan sebahagian besar kerja bagi produk AI. Ia tidak saling eksklusif, tetapi biasanya satu yang mendahului.

Pertumbuhan dipacu produk. Pembeli mula menggunakan produk sebelum bercakap dengan sesiapa. Menlo Ventures mendapati 27 peratus perbelanjaan aplikasi AI datang melalui pendekatan PLG, hampir empat kali ganda 7 peratus dalam perisian tradisional, dan mencadangkan angka sebenar boleh menghampiri 40 peratus jika penerimaan bayangan turut dikira. Ini sesuai dengan sifat produk itu: alat AI mudah dicuba pada tugasan sebenar, dan hasilnya menjadi bukti tersendiri. Masalahnya ialah kos, kerana setiap pengguna percuma menggunakan inferens. Mekanisme umumnya terdapat dalam strategi pertumbuhan dipacu produk. Apa yang sesuai dan apa yang rosak apabila anda menerapkan PLG pada AI dibincangkan dalam pertumbuhan dipacu produk untuk alat AI, dan format percubaan yang mengehadkan kos pengkomputeran terdapat dalam percubaan percuma untuk produk AI.

Dipacu jualan. Jurujual atau pasukan penyelesaian menjalankan penerokaan keperluan, bukti konsep dan proses perolehan. Ini sesuai untuk produk bernilai tinggi, berisiko tinggi atau yang sangat bersepadu, di mana pembeli memerlukan seseorang yang bertanggungjawab atas hasilnya. Lihat strategi pertumbuhan dipacu jualan untuk model asasnya. Dalam AI, pasukan jualan biasanya memerlukan kedalaman teknikal, kerana soalannya berkisar pada data dan ketepatan, bukan ciri.

Perkongsian dan ekosistem. Pasaran integrasi, perkongsian platform dan penjual semula membolehkan anda meminjam hubungan kepercayaan yang sedia ada. Pembeli yang sudah meluluskan sesuatu platform sering meluluskan vendor di dalamnya dengan lebih pantas. Pertukarannya ialah kebergantungan: rakan kongsi mengawal hubungan itu dan boleh mengubah syaratnya.

Kandungan dan komuniti. Mengajar pembeli cara menilai masalah membina kredibiliti sebelum perbualan bermula. Bagi produk AI, ini berkesan terutamanya apabila kandungan menunjukkan kaedah sebenar, seperti cara membina set penilaian atau cara mengukur projek rintis, kerana pembeli dahagakan cara untuk menilai dakwaan. Ia lebih perlahan, tetapi kesannya berganda dan mengurangkan kebergantungan pada saluran berbayar.

Memilih Pendekatan Mengikut Jenis Pembeli

Pendekatan yang betul bergantung pada siapa yang menandatangani, berapa banyak risiko mereka, dan sejauh mana produk anda perlu berintegrasi.

Dua penambahbaikan membantu. Pertama, banyak syarikat menjalankan model hibrid: individu menerima produk melalui peringkat percuma atau kos rendah, dan pasukan jualan menyusul setelah penggunaan dalam sesuatu akaun mencapai ambang. Model hibrid itu lazim merentasi SaaS secara umum. Kedua, pilihan fokus anda memberi kesan kembali kepada pendekatan anda. Produk yang dibina untuk satu industri sering boleh menggunakan pendekatan yang lebih bersasar dan dipacu hubungan, manakala produk mendatar bergantung pada layan diri dan keluasan. Pertukaran itu diterokai dalam AI menegak berbanding AI mendatar.

CAC, Tempoh Bayar Balik dan Kos Inferens

Kos pemerolehan pelanggan bagi produk AI mempunyai satu kerumitan yang kebanyakannya tiada dalam perisian tradisional: melayan prospek tidak percuma. Percubaan percuma, projek rintis dan bukti konsep masing-masing menggunakan pengkomputeran, dan kadangkala masa kejuruteraan, sebelum ada sebarang hasil. Jika anda hanya mengira gaji pemasaran dan jualan, anda akan memperkecilkan kos sebenar untuk memenangi pelanggan.

Gambaran yang lebih lengkap mengira:

• Perbelanjaan jualan dan pemasaran, seperti biasa.
• Pengkomputeran percubaan dan projek rintis, bagi prospek yang tidak pernah bertukar menjadi pelanggan.
• Masa kejuruteraan prajualan, termasuk penyediaan data untuk bukti konsep.
• Kerja keselamatan dan pematuhan yang dilakukan untuk lulus semakan, jika ia dikaitkan dengan memenangi urus niaga tertentu.

Di sisi lain, margin mempengaruhi tempoh bayar balik. Data Bessemer 2025 menunjukkan syarikat AI yang pesat berkembang pada margin kasar kira-kira 25 peratus (selalunya negatif) dan yang lebih mampan hampir 60 peratus. Tempoh bayar balik biasanya dikira pada hasil yang diselaraskan dengan margin kasar, jadi margin yang lebih rendah memanjangkan tempoh bayar balik walaupun CAC tidak berubah. Dua syarikat dengan CAC yang sama dan hasil yang sama boleh mempunyai tempoh bayar balik yang sangat berbeza kerana satu daripadanya membayar jauh lebih banyak untuk melayan setiap akaun. Bessemer juga menghuraikan syarikat yang paling pesat berkembang sebagai sering menukar keuntungan dengan pengedaran dalam jangka pendek, iaitu pilihan yang disengajakan, bukan percuma.

Langkah praktikalnya ialah mengehadkan penggunaan percuma supaya percubaan tidak boleh berjalan tanpa had, menyekat ciri mahal di sebalik perbualan yang layak, dan menjejaki tempoh bayar balik CAC berasaskan margin dan bukannya berasaskan hasil. Untuk formulanya, lihat kos pemerolehan pelanggan dan pengoptimuman tempoh bayar balik CAC. Bagaimana penetapan harga berinteraksi dengan semua ini, kerana model berasaskan penggunaan dan berasaskan hasil mengubah perbualan jualan dan margin, dibincangkan dalam model perniagaan syarikat permulaan AI.

Kesilapan Biasa

Mendahulukan model dan bukannya kerja. Pembeli tidak membeli teknologi. Mereka membeli cara yang lebih pantas, lebih murah atau lebih baik untuk melakukan tugasan yang sudah mereka ada. Dahulukan tugasan itu.

Menjalankan projek rintis tanpa ukuran kejayaan. Ini punca paling lazim urus niaga terhenti, kerana kedua-dua pihak pergi dengan idea berbeza tentang maksud "berjaya."

Menganggap keselamatan sebagai kotak semak peringkat akhir. Semakan boleh membunuh urus niaga yang sudah diluluskan oleh pasukan perniagaan. Bangkitkannya lebih awal.

Memberikan pengkomputeran tanpa had. Peringkat percuma tanpa had menukar sesetengah pengguna dan menyalirkan tunai daripada yang lain. Tetapkan had yang sepadan dengan kos untuk melayan.

Meniru pendekatan pesaing. Pesaing yang menjual kepada perusahaan melalui projek rintis dipacu jualan mempunyai struktur kos, pembeli dan profil risiko yang berbeza. Saluran mereka ialah bukti situasi mereka, bukan situasi anda.

Laluan Keputusan yang Mudah

Mulakan dengan pembeli. Siapa yang menandatangani, dan apa yang berlaku jika AI salah? Jika jawapannya "mereka buat semula tugasan itu," condong ke arah layan diri dan kekalkan kos manusia yang rendah. Jika jawapannya melibatkan pematuhan, wang atau pelanggan, rancang projek rintis dipacu jualan dan semakan keselamatan, dan peruntukkan masanya. Kemudian semak ekonominya: mampukah anda menanggung penggunaan percuma dan pengkomputeran projek rintis yang diperlukan oleh format bukti pilihan anda, memandangkan margin anda? Jika tidak, sempitkan bukti itu (sampel data dan bukannya projek rintis penuh) atau buat kelayakan yang lebih ketat sebelum menawarkannya. Akhir sekali, pilih satu saluran utama dan uji dengan sungguh-sungguh sebelum menambah saluran lain.

Jika anda masih memutuskan jenis syarikat yang sedang anda bina, apakah syarikat permulaan AI-native membentangkan takrifan asas yang menjadi punca pilihan-pilihan ini.

Bacaan Berkaitan

• Mengapa demo lebih penting bagi produk AI
• Percubaan percuma untuk produk AI
• Memposisikan produk AI tanpa gembar-gembur
• Pertumbuhan dipacu produk untuk alat AI
• Apakah syarikat permulaan AI-native?
• Model perniagaan syarikat permulaan AI
• AI wrapper berbanding AI-native
• AI menegak berbanding AI mendatar
• Strategi pertumbuhan dipacu produk
• Strategi pertumbuhan dipacu jualan