在互联网时代，我们熟悉一个词叫PMF（Product Market Fit），它指产品与市场达到最佳契合点，你所提供的产品正好满足市场需求，令客户满意，这是创业成功的第一步。
随着AI大模型技术的崛起，我们开始听到一个新词汇——TMF（Technology Market Fit），它强调我们需要将技术与最终市场匹配。这一概念凸显了当前技术变革中，对技术理解和认知的重要性。
AI大模型技术高速发展数年后，让我们深入探讨：为什么从PMF进化到了TMF？这两者本质区别是什么？TMF是否也存在潜在问题？
技术为什么重要
模糊性
这一轮AI大模型技术有个显著特点就是具有高度的模糊性。这种模糊性体现在：一模一样的输入，可能得到不一样的输出；一个今天无法解决的需求，三个月后可能就能直接解决了。 这种基于概率预测和高速发展带来的模糊性，使我们在产品构建时面临巨大挑战。因为作为产品提供者，我们需要给最终用户提供的是确定性，这中间存在天然的鸿沟需要我们去弥合。
试想，作为用户，如果你使用产品时执行完全相同的操作，今天可行而明天不行，这显然难以接受。 从产品技术方案设计角度看，你可能费尽心思用工程方式解决了当下的问题，却发现三个月后模型更新就自动解决了。这就要求我们更深入思考当下解决方案的价值和意义。 因此，这种输出和技术发展的模糊性与不可预测性，要求AI产品开发者必须更加关注技术本身。你需要理解技术边界，能基本判断技术发展趋势，比如哪些问题可能被解决，哪些问题在短期内比较难攻克。
变革性
第二个重要特点是技术的变革性。这主要指AI大模型相关技术能解决一些我们之前完全无法解决，或解决起来门槛和成本极高的问题。 设想一下，在ChatGPT-4.0之前，如果我们需要做一个风格迁移的图像应用有多困难；再往前推，在Stable Diffusion出现之前，这又会是多么艰巨的任务。
这种技术变革性对很多现有产品服务可能构成降维打击，我们习以为常的商业和经济模式可能都将发生变化，甚至带来变革性的社会变化。 因此，我们不得不重视技术的重要性，需要思考：在新技术加持下，我们做的很多事情是否仍有意义？新的价值是什么？我们还能提供哪些增值服务？
通用性
最后一点是通用性。AI大模型技术能理解自然语言，现在很多Agent还能操作电脑、手机、浏览器等。想象一下，如果一个比你聪明很多的助手，还会使用各种工具，这确实令人震撼。
这种通用性意味着理论上AI都可以完成你能做的事情，甚至能做得更多。在某些你不太专业的领域，AI可能表现得比你更出色。这促使我们重新思考产品对用户的价值本质，以及技术在其中扮演的角色。
用户永远是出发点
由于这些技术特性，有人提出了所谓的TMF概念。但随着越来越多AI产品的发布，人们对AI的理解不断深入，我们发现：虽然AI技术重要，但对于实际产品而言，用户永远应该是最初的出发点。
对于技术的认知和理解应该是我们做产品的资源和路径，而非目的本身。无论技术如何发展，核心始终是解决具体用户在具体场景下的问题。
Start With Problems, Not Technology.The goal isn't to showcase AI. It's to solve problems so seamlessly users barely notice the technology at work.
"把用户放到第一位"看似人人都会说，却很难真正做好。我们每个人都有自己的ego（自我），就像在安慰他人时说"我理解你"，但实际上我们知道自己永远无法完全感同身受。
回到用户，我们需要思考一系列问题：
你的用户到底是谁？你希望给谁提供服务？那些不是你目标用户的人，你打算如何应对？ 用户当前的场景具体是什么？在什么时间、什么地点使用产品？ 具体问题是什么？用户目标是什么？ 用户看到的是什么？感受到的是什么？用户做每一个操作期望看到的结果是什么？ 用户的最终目标是什么？你提供的解决方案又是什么？能解决和不能解决的问题分别是什么？
用户并非一成不变的。使用你的产品前后，用户的认知理解会有差异；接触过竞品与未接触过竞品的用户，对产品的期望也不同。外部环境和信息的变化持续影响着用户的认知和理解。
因此，需求是无限的。用户是需求的集合，用户的变化会导致总有未被满足的需求，而当前被满足的需求又可能引发新的需求和变化。
用户体验更加重要
在AI产品环境下，用户体验变得更加重要。页面更加简洁，我们不再需要那么多按钮和选项与用户交互，用户可以直接用自然语言表达需求。 然而，这里也存在陷阱：自然语言交互虽然门槛最低，但是否效率最高？用户是否都能用自然语言准确清晰地表达需求？文字的展示方式是否更加清晰高效？这些问题都需要我们深入思考。 页面简化了，但对细节的要求反而更高。细节是魔鬼，当页面上呈现的内容减少，细节问题和用户体验的微小差异会被放大。 整个简化不仅仅是页面元素的减少，交互体验可能也更加简单。用户提出需求后可能直接得到最终结果，那么如何让中间过程更好地满足用户期待？等待过程应该如何设计？用户是应该等待结果，还是可以同时进行其他操作？
用户体验设计的本质是基于用户需求对技术进行设计。有些AI产品开发者会责怪用户不会使用自己的产品，认为用户不理解技术特性。但我们应该反问：为什么用户需要理解技术特性和边界呢？
产品和体验设计的本质在于解决技术在满足用户需求过程中可能存在的问题，而非技术本身的问题。
对于AI产品的设计，目标不是展示技术的全部特性（除非你是在销售大模型本身），而是基于用户期望和需求，扬长避短，利用技术特性满足甚至超越用户期待。
在当前不同大模型技术表现差异不大的情况下，用户体验自然成为用户更容易感知的差异点。大多数产品都在调用API，使用最新模型，无论开源还是闭源。因此，产品体验的差异主要来自于设计方式，包括交互设计、模型能力的暴露方式、系统提示词设计，以及如何结合用户输入与相关背景、上下文信息，以获得更符合期望的回复。用相似的技术创造不同的体验，这是关键。 当然，也存在特殊情况。例如DeepSeek R1发布时，大多数人可能都未使用过推理模型，而推理模型确实能从模型层面让用户获得完全不同的体验。因此，追求更高智能也是一条路径，特别是当大模型提供的智能水平明显高于当前所有模型，且用户能感知到这种显著提升时。
最后，由于技术的通用性，我们在具体用户场景中可能需要做减法，即对大模型能力进行一些限制或设置偏好。技术是模糊的，但场景和问题更加明确，我们需要产品能给用户提供更多确定性。
体验的核心本质也在于提供确定性，包括过程中的确定性和结果的确定性。用户可能期望产品能提供超出预期的体验，但这种超出预期的体验也需要建立在确定性基础上。产品点击后出现满足预期的效果，输出基本满足预期的结果等，我们需要先有确定性部分，才能有后续超出预期的惊喜。
当然，某些产品定位可能就是提供随机性效果，如对话陪伴或娱乐性应用。但仔细思考，这些场景也有约束和边界，并非单纯的随机就能带来良好体验，同样需要精心设计和思考。
总结一下
我们可以用战争来类比技术在AI产品中的关系：所有策略都应基于对手制定，根据对手选择武器，而非固执使用自己的武器——那是炫耀，不是战争。所有技术都是工具和资源，而非目的；目的是你的用户，用户的场景和问题，以及你提供的价值。
TMF被重视是因为技术是一个非常重要的变量，但不变的是市场，是用户，是你期望解决的问题和为用户提供的价值。
你需要想办法满足用户的期望和需求。技术不是用户的期望，你通过技术提供的产品和服务才是。
最后，这件事情确实很难。这个道理可能大家都懂，随便问一个正在做AI创业的人，他可能都会回答用户很重要，需求很重要。
但实际情况是，我们每个人都有ego，而放下ego是非常困难的。我们学习过的知识、经历过的一切，会导致我们对很多事情有天然的惯性。我们习惯了鼠标、键盘、API、各种潜在规则，但在AI时代，我们可能需要重新思考这些是否真的必要，以及最有效的方式是否已经改变，变成了你直接将自己交给AI——你看过的，想过的，经历过的一切，AI都知晓，然后让它带着你走向未知之地。
