AI 时代的 SaaS 增长：不是放弃 PLG，而是把产品、创意、归因和 Agentic 工作流接成系统

一、嘉宾背景

这期内容需要先校正一个重要前提：节目元数据里的标题是关于 Parag Agrawal、Twitter、Elon 和广告商业模式，但完整 indexed transcript 显示，真正展开的访谈对象是 Matt Swolinski，主题也不是 Twitter，而是 AI 时代的 SaaS 增长。Harry Stebbings 在开场把它放进 20VC 的 20 Growth 系列，定位为一档与顶级增长负责人讨论如何把产品增长到大量用户的月度节目。

Matt 在证据中被介绍为 growth leader；guest_context 说明他做过 Superhuman 和 Whisperflow 的增长工作，并且最近加入 Excel-backed Victor.com。Harry 也在开场用 Superhuman、Whisper 和 Victor 来解释为什么请他来：这些都是与 product-led growth、快速分发和 AI 产品增长相关的案例。换句话说，这期的价值不在于抽象谈营销趋势，而在于 Matt 把自己在 Superhuman 的产品 craft、Whisperflow 的 paid acquisition 和 marketing OS、Victor 的 creator/referral/AI employee 增长实验连成一套方法论。

因此，本文把这期视为一次增长系统分析，而不是标题表层暗示的广告商业模式访谈。Harry 负责追问早期 founder 应该如何花第一笔 paid budget、什么时候加预算、YouTube 怎么做、referral 和 paywall 怎么设计、团队该如何重构；Matt 则以嘉宾身份给出判断、经验和限制。所有数字，比如 $100,000 测试预算、400 到 500 条创意、10% 到 15% affiliate acquisition、35% 到 45% organic mix，都应理解为嘉宾在特定公司和场景里的经验框架或节目中提出的例子，而不是普遍测量事实。

二、本期主要内容

访谈从一个大问题开始：当用户从人变成 agents，PLG 会发生什么变化？Matt 的回答不是否定 PLG，而是扩大 PLG 的对象。过去 PLG 关注人类用户如何自助发现、理解、试用和购买；在 agentic layer 中，同样的精细化工作要延伸到 agent 如何研究工具、选择 API、比较产品并完成任务中的工具选择。他认为，当下 PLG 做得好的公司，也更可能在 agent 介入决策时占据有利位置。

Superhuman 是 Matt 方法论里的起点。它让他看到，强产品必须在细节上高度打磨，才能让用户留下来；但它也暴露了 founder-led word of mouth、referral 和创始人圈层增长的上限。Matt 说，Superhuman 作为 premium product，带着 immediate paywall，核心 ICP 又是 founders，而早期技术创始人不是无限市场。增长碰到 asymptote 后，就必须打开新 ICP，或把产品改造成能服务销售等更多场景的工具。

由此，他提出整期最强的一条线：SaaS 应该学习 ecommerce playbook。电商要求每一分钱对应 purchase 或 add to cart；Matt 把这个逻辑迁移到 SaaS 的 start trial、subscription、download、加入 Slack 或 Microsoft Teams 等关键动作。他认为 paid 不是 PLG 的反面，而是验证 PLG、创意、funnel、positioning 和 message 的最快方法。自然内容、品牌和用户访谈仍然重要，但 paid 可以在一周内暴露哪些叙事、页面和漏斗能够驱动真实行为。

在早期渠道组合上，Matt 把 Meta、Google 和 lifecycle 称为 acquisition engine 的 core three。他认为这三者足以支撑从第一个一百万到一千万 ARR 的阶段。过早同时做 TikTok、Reddit 等太多渠道，会让团队在每个渠道上都做得很浅。Harry 提出一个种子轮公司拿 $100,000 做 paid test 的例子；Matt 接受这个量级作为可能的起步预算，但反复加条件：ARPU、funnel 长度和 unit economics 会决定它是否合理。

测量系统是他最严厉批评 SaaS 的地方。电商已有 Triple Whale、Elevar 这样的工具，可以处理像素、渠道重叠、广告花费和新客收入归因；SaaS 往往还要工程团队自建 analytics、database、BI、first-click 和 last-click attribution。Matt 说很多公司在第一分钱投出去前没有 martech、conversion tracking 和 measurement，广告平台不会告诉它们真实效果。更技术化的例子是 Meta match rate 和 Google enrichment score：如果平台无法识别谁真正订阅，算法就无法学习目标用户，CAC 会被推高。

单位经济也因为 AI SaaS 变得更复杂。Matt 说，早期 LTV/CAC 一比一可以在融资充足、追求分发时被接受，但低于一比一就是烧钱，长期大家通常还是看三比一。可是 AI SaaS 不能止步于 LTV/CAC；还要看 LTV gross profit，因为 token、inference、Modal 和其他服务成本会吞掉毛利。Victor 这类 usage-based 或高 ARPU 产品尤其需要财务负责人帮助识别漏掉的成本项。免费 trial credits 也不是“免费”，应与 marketing spend 一起计入 fully loaded CAC。

创意是第二条主线。Matt 说 Meta Andromeda 之后，creative is the targeting：系统减少对人工 audience setting 的依赖，转而从素材本身判断目标用户。因此增长团队的核心工作从 media buying 转向 creative strategy。他给出的经验是，如果 Meta 月预算是 $100,000，可能需要每月 400 到 500 条新创意，否则很快 plateau 或被竞争对手超过。Victor 的创意系统包括 creator program、广告花费分成、几百名创作者、五家 agency 和内部团队；创作者每周产出三到四条视频。UGC 不一定发在创作者账号上，品牌可以直接投放素材；partnership ads 也可以成为支出的一部分。

但 Matt 没把创意简化成“找一个爆款”。他强调 pattern disruption，例如粗糙摇晃镜头、看似失误的开头，可以打断用户滑动；但真正重要的是整组资产要足够不同，覆盖年龄、性别、场景和 hook。AI 目前更像生成变体，而不是替代真人。他承认 AI 可以换背景、换衣服、生成多版本，但完整 AI 视频在他看来仍然容易显得低质，最多只是账户中的一小部分实验。

频道层面，YouTube 得到单独讨论。Matt 说 YouTube 不能直接复用 Meta UGC：YouTube 用户愿意花更长时间观看，hook 可以稍晚，16:9 横屏格式很重要。他们在 Victor 曾把 story video 放进带 logo、G2 rating 和 CTA 的静态模板，转为 YouTube ads，但仍需按格式重新剪辑。更成熟的做法，是为 YouTube 单独写脚本、拍摄和 framing，让广告更像 organic YouTube video。Whisper 的 30 秒到 1 分钟教育视频获得大量 impressions，并反哺 non-branded search、PMax、display 和最终转化；Matt 也说 Google Ads 是 Whisper 最强传统获客渠道。

推荐机制、付费墙和 AEO 构成第三组增长杠杆。Superhuman 的 referral 是 give one month get one month，有用户获得数百个月免费；Whisper 在用户接近 2,000 word limit 时提示分享换下月免费；Victor 用 credits、creator program 和公司 referral revenue share，把用户激励和 CAC 控制结合起来。Matt 认为 referral 失败通常不是因为机制不够复杂，而是因为回报不具体、只给 swag，或设计了二十层任务让用户懒得参与。paywall 也应该靠近 magical aha moment，在 honeymoon phase 内触发，而不是机械地按时间或入口设置。

AEO 部分延续了这个系统观。Matt 说 AEO 继承 SEO 的部分原则，但 AI crawler 需要有价值内容，不是批量制造 generated AI slop。他看到一些公司每周做 100 到 200 个页面，但警告这不是关键。更重要的是 YouTube reviews、Reddit、social narrative、PR 和 TechCrunch 这类外部可信叙事，因为 answer engine 会引用这些内容。传统 PR 的价值也从一次性流量峰值，转向可信外部来源和 citation。如果后期公司关闭 paid 后增长显著下滑，Matt 认为说明 SEO、AEO、review、口碑和外部内容这些“另一半工作”被忽视。

最后，访谈进入团队与 agentic workflow。Matt 说优秀增长领导者很少，未来增长人才不能只是 Meta specialist 或只会策略的 CMO，而要成为 specialized generalist：能写创意、拍视频、剪视频、投放、读 analytics、懂 conversion tracking，并能把工具、数据和流程编排成系统。他认为人才标准在过去一两年出现一百八十度变化：经验仍重要，但 AI-native systems thinker 加经验，会胜过只有历史经验的人。

三、核心观点：推理、例子与边界

这期最有价值的观点，是 Matt 把“增长”从单一渠道效率问题，重新定义为一个系统问题。PLG 没有消失，paid 也不是万能解法；真正要判断的是：产品是否已经有人喜爱，是否有可测量的关键动作，landing experience 是否足够清晰，团队是否能持续生产差异化 creative，归因能力是否足以识别真实增量，以及 lifecycle、referral、AEO 和 external narrative 是否能托住长期复利。Superhuman 的例子说明，产品 craft 能创造留存和喜爱，但 founder 圈层、口碑和 referral 可能撞到 ICP 上限；Whisper 和 Victor 的例子则说明，分发系统、ICP 扩展和创意工厂可以把增长推到新的台阶。

Matt 支持早期 paid 的理由，不是“有钱就买量”，而是 paid 能让公司更快学习。一个 creative 能不能解释产品，一个 headline 能不能让用户不滚动就理解价值，一个转化动作是否足够接近业务结果，一个渠道是否已经出现 acquisition cost 信号，这些都可以通过小周期 paid test 得到反馈。限制也很清楚：如果没有基本 analytics、conversion tracking、足够的 conversion events 和真实产品喜爱，paid 会放大问题，而不是解决问题。Matt 说很多团队以为 paid 不适合自己，其实是广告平台根本没有收到正确的订阅信号。

他的归因观点尤其适合 SaaS 创始人冷静审视。Meta、Google 和 lifecycle 可能重复归因，平台报表也天然倾向于强调自己的贡献；所以公司必须自己回答“这笔新增花费是不是 incremental”。早期可以看 acquisition cost 和关键 conversion action，但随着 spend 增大，要画出总花费与 acquisition、ARR 的关系，观察弹性和滞后。到月投放超过 $1 million，Matt 建议使用 MMM、incrementality、holdout 和降预算测试。局限在于，这些模型一开始也会错，需要靠预算上下调和 holdout 校准；它不是一次性配置，而是持续学习过程。

创意部分的核心推理是：当平台用素材理解目标用户时，creative volume 和 creative diversity 就变成 targeting 能力的一部分。Matt 提到每月 400 到 500 条新创意，不是一个可直接复制的硬指标，而是说明在较大 Meta 预算下，少量素材会快速疲劳。Victor 的 creator program、agency、内部团队和 partnership ads 是一个例子，但不意味着每家公司都必须复制同等规模。更可迁移的是原则：资产必须足够不同，覆盖不同年龄、性别、场景、hook 和使用情境；只押一个爆款，反而会让 performance crater。

对 YouTube、AEO 和 PR 的讨论，补足了 paid growth 容易忽视的外部叙事。Matt 说 YouTube 的用户注意力和 Meta 不同，所以创意节奏、格式和拍摄方式都要调整；这解释了为什么直接搬运短视频素材常常不够。AEO 的推理也类似：answer engine 不只读官网，也会从 YouTube reviews、Reddit、social narrative 和新闻引用中形成关于产品的答案。Matt 没把 AEO 说成“每周批量生成页面”的机械公式；他反而警告 generated AI slop。外部叙事必须可信、具体、有内容，否则只是另一种垃圾内容生产。

推荐和付费墙的共同逻辑是时机。Superhuman、Whisper、Victor 的例子分别说明：奖励要具体，触发点要贴近需求，用户要用很少动作换到真正有价值的东西。Whisper 把 referral 放在接近 2,000 word limit 时，是因为用户当下最能感到“多一点额度”的价值；Victor 用 credits 和 revenue-share credits，是因为 credits 对继续使用产品有直接价值。局限是这类机制高度依赖产品形态：有 usage limit、credits、seat expansion 或团队 adoption 的产品更容易找到自然触发点；如果产品没有清晰的 aha moment，或奖励与使用价值无关，referral 会显得生硬。

团队部分的判断最尖锐，也最需要按“观点”而非事实处理。Matt 预测未来三到五年，人类做 20% 战略、agents 做 80% 执行，公司更像 board of directors。这是他的 bet，不是已经被证明的组织事实。更稳健的可用结论是：增长团队的高价值工作正在从单点执行转向系统设计、反馈循环和 agent orchestration。他给出的 newsletter sponsorship workflow 之所以有说服力，是因为它不是“和 ChatGPT 聊天”，而是包含输入识别、报价、研究、谈判、人类审批、合同、copy、tracking、发送和续作判断的闭环。

这也解释了他为什么看重 systems thinker。系统思维不是会写 prompt，而是能把工作拆成输入、输出、权限、反馈、数据和人工决策点。Matt 自称不会写代码，却用 Claude Code 和文件系统搭出 marketing OS。这个例子说明，AI-native 的关键不是工程背景本身，而是能把重复工作产品化为流程。Harry 分享 20VC 的 AI call grader，Matt 分享 botless meeting recorder 和 session-end skill，都是同一类思想：让决策、任务、会议承诺和学习进入可回溯的记忆系统，而不是留在一次性聊天里。

四、学习与应用

对早期 SaaS 创始人，第一条应用不是马上扩大预算，而是先确定 paid 是否具备学习条件。Matt 给出的边界很实用：产品已经有人真的喜欢并愿意推荐，有 analytics 和 conversion tracking，有至少一定数量的关键转化事件，然后再启动 paid。转化事件不必一开始就是最终收入，可以是 download、start trial、subscription，或像 Victor 一样把产品加入 Slack/Microsoft Teams；但团队要知道为什么这个事件代表业务价值。若没有这些条件，paid 只会更快暴露混乱。

第二条应用是先深做 Meta、Google 和 lifecycle，而不是追逐所有新渠道。Meta 更依赖 creative strategy；Google 能覆盖 search、PMax、YouTube 和不同 funnel surfaces；lifecycle 负责在用户进来后持续 nudging。等这些基础跑起来，再考虑 YouTube、affiliate、AEO、TikTok 或 Reddit。渠道扩展时要带着明确问题：是需要新受众，还是需要新创意，还是某个 ICP 已经 audience fatigue？如果只是因为别人在做某个平台，就很容易稀释团队注意力。

第三条应用是把 measurement 当作产品基础设施，而不是营销报表。公司需要知道广告平台、产品 analytics、CRM、支付、BI 和 lifecycle 系统是否在同一套事实上说话。Meta match rate、Google enrichment、server-side conversion、first-click/last-click、new customer revenue attribution 这些听起来像细节，但它们决定平台能不能学会“谁是好用户”。后期 budget 上去后，还要用 MMM、holdout 和降预算测试检查 incrementality。tradeoff 是，这些工作需要工程、数据和财务投入；但没有它，增长团队会在虚假的 ROAS 里做决定。

第四条应用是把创意当成供应链。小团队不一定需要 Victor 那样几百名创作者和五家 agency，但需要建立可持续的 creative pipeline：明确目标 ICP，设计不同 hooks，覆盖不同人物和场景，定期复盘什么素材在什么受众里有效，再把学习反馈给下一轮 brief。AI 可以用于变体、脚本、背景和测试组合，但不能假设它能替代真人创意，尤其当用户能明显识别 AI 视频质感时。创意支出也不应被视为 ad spend 之外的“附属成本”，它本身就是 paid engine 的燃料。

第五条应用是按渠道重写素材，而不是机械搬运。Meta 需要更快 hook 和更强 pattern disruption；YouTube 可以更像教育视频或 organic review，需要 16:9、较完整叙事和单独脚本；AEO 需要外部可信内容，不是只堆官网页面；affiliate 要让外部创作者有真实赚钱动机。Matt 对 X 的批评也提醒团队：社交声量和真实 acquisition ROI 不是一回事。某个 launch video 热闹，不代表渠道能稳定 print。

第六条应用是把 referral 和 paywall 放在用户价值最强的时刻。对有 usage limits 的产品，可以在用户接近额度上限时给出分享换额度或免费月份；对 team product，可以让用户因为推荐公司而降低自己的使用成本；对 credit-based 产品，可以把创作者激励、用户分享和公司 referral 都统一到 credits。边界是奖励必须具体、有用、低摩擦。复杂任务、无关 swag、含糊的“邀请好友”文案，通常比简单明确的价值交换更差。

第七条应用是重新定义增长岗位。招聘时不要只问候选人管理过多少预算，也要问他如何把工作建成 workflow：输入是什么、输出是什么、反馈如何回流、哪里需要人类审批、哪里可以 agent 化、失败时如何纠正。一个好测试是让候选人讲清楚自己在工作或生活中真正运行的 AI workflow，而不是展示一个聊天线程。Matt 的 newsletter sponsorship 系统提供了模板：先从重复、结构化、有明确评价指标的流程下手，保留少量人工决策点，再让系统积累历史表现。

第八条应用是建立个人和团队记忆。session-end skill、Obsidian vault、meeting recorder、AI call grader 这些工具的共性，是把一次性工作转成可检索、可复盘、可连接的知识网络。每次投放复盘、每次 ICP 学习、每次 landing test、每次销售或投资电话，都可以沉淀成未来 agent 可用的上下文。tradeoff 是，工作流一开始会慢，模型也会产生低质输出；但如果团队愿意反馈、修正、记录和复用，系统才可能变得越来越像增长资产，而不是一堆散落的 prompt。

来源

• 原始节目：The Ads Business Model Will Die & Lessons from Working with Elon at Twitter | Parag Agrawal