来源：板哥在写
过去的10年里面，我们在软件行业，看到了两种发展模式，一种是“对标北美”，一种是“快速做大”。
我们事后发现，这两种模式有着很大的副作用，容易走向产品驱动发展的对立面，成为难以持续的发展。
我一直以为这些问题是中国的软件业态所特有的问题，最近看到BVP画的一张图，归纳了PMF的挑战：没有平衡好“自我”和“客户”、“短期”和“长期”，就会偏离PMF，这些是全球的软件创业共同的挑战。
中国的独特之处在于，相当比例的软件公司是这两种“问题模式”的叠加，在两个“问题象限”里面周期性地摇摆，无法进入PMF的象限。
图. PMF的两种问题模式的周期性摇摆
软件作为一种通用性很强的技术，在美国有行得通的模式，在中国有足够大的市场，”Copy to China“的叙事，是一个持续了20年的投资主题，很难预判到，这个结合会有什么阻力。
美国的2C模式在中国的成功复制，让国际投资者赚到了大钱。BAT最大的股东，都是国际投资者。美国的企业软件，也是当前全球范围最好的生意，除了中国的茅台，很少有一个行业，有着接近的毛利率和业务的持续性。
经过很长时间的实践，人们发现这个阻力是：美国的企业软件的产业基础，是中国所不具备的。
信息技术产业（也就是软件+硬件+通信）在过去的60年的时间里，一直都是美国最大规模、最高利润的支柱产业之一，其领先程度超越了很多从业人员的想象。
20世纪60年代，IBM的市值达到了1900亿美金，是美国排在第一的上市公司（排在第二的是AT&T），当时美国的GDP是8000亿美金。同样的占比，放到今天的中国，相当于一家上市公司的市值达到25万亿人民币。
有领先性的软件产品，不管多么细分的定位，在美国市场都可以通过成熟的产业链，转化成为全局性的竞争优势和销售收入，定位越是清晰，发展越是迅速。
中国市场的软件需求不成熟，相比大包大揽的集成模式，越是明确的定位，等于越是少的流量和收入，加上竞品的追赶，按照美国的方式做定位就是个死循环。
快速做大，在很长一段时间中，都是中国市场的最佳实践。
中国大部分的财富，目前都是用这种方式积累的。2C的互联网、消费品，线下的房地产、制造业，领先的规模，都是决定性的竞争优势。
做大就能做强，做大才能做强。这个逻辑在2C互联网的领域很有效，在2B软件的领域却是行不通的。
2B和2C最核心的差异，是客户的目标的差异。
2C的业务中，客户是在完成一个消费活动，这个消费活动只要客户主观上开心就好，没有其他的评价标准。
2B的业务，本质上一个投资活动，客户是要实现生产活动的ROI的提升，这是主观加上客观的评价标准，最优的ROI只有两种情况，要么产品足够便宜，要么产品足够厉害。
在中国的招投标的制度下，没有几个团队可以证明自己“足够厉害”，往往只能退而求其次，通过足够便宜的卖点，来满足碎片化的、不成熟的需求。
在没有PMF、没有毛利的情况下，软件企业仍然会选择premature scaling，因为在20倍PS的估值预期下，1块钱的销售收入约等于2块钱的融资，这是全局性的单一最大杠杆。为了支撑估值，快速销售、快速扩张、快速融资，成为了全行业的共识。
“透支型扩张”所形成的收入，没有毛利，也没有效率，这一笔收入的本质，其实是负债，是要还回去的钱。
无论是照搬美国的模式，还是快速做大的模式，一个共同的错误，就是用一个更加简单的答案，在回答一个更加复杂的问题。
中国的问题，从来都是复杂的，照搬国际的先进经验，照搬先贤的实践智慧，是第一个阶段的办法，最终的答案，还是实践中打拼出来的。
中国的投资者和创业者，普遍低估了软件行业有限的利润，会引发多大的竞争。
Bezos说：your margin is my opportunity。虽然平均利润水平很低，但软件行业的平均增速是20%，各个产业的平均增速是5%。随时随地，都有上百倍规模的资金，想要进来抢软件的业务。
软件可以零边际成本复制，只要超过两家同质化的软件的供应商，就近似于无穷大的供给，就可能导致价格崩盘，价值崩溃。
在中国的软件行业，三种常见的壁垒都是很难奏效的，一种是资金、一种是人脉、一种是技术。
这些可以称之为是一阶壁垒，是牌桌上的筹码，是竞争中的“标配”，但没有办法结束一场战争，多方陷入艰苦的拉锯战，看不到结局。
在产能过剩的环境下，只有二阶壁垒，也就是可以超越对抗、结束竞争的长期壁垒，才是需要去经营的东西。
图. 软件行业的“核心问题”是长期壁垒，而不是快速增长
在中国特殊的国情之下，壁垒是比增长更重要的逻辑。在中国的软件行业，这个逻辑搞错了，任何增长都可能戛然而止。
壁垒的前提是差异化，并且在差异化的基础上，进行持之以恒的积累。
令人困惑的现实在于：同质化竞争的弊端人们都很清楚，可是中国的软件行业，仍然看不到什么差异化。
差异化的收益是长期的，但代价是立刻的。这个代价是更少的共识、更多的误解、更少的资源。
人们喜欢围绕着技术创新的风口展开热情的讨论，因为这里有必然发生的变革，有打动人心的前景。
这张图是愿景基金在讨论，未来20年最大的风口是人工智能，就像20年前的互联网一样，人工智能产业将会出现巨大的增长。
图. 互联网流量的历史和数据规模的预测
但是这个增长，有着很强的误导性，因为这个增长的分布，是极其不均匀的。互联网行业1000倍的增长的投资收益，其中的970倍，来自于极少数的公司。
这个极少数，不是10%，也不是1%，而是0.1%。也就是1万家创业公司中的10家，创造了97%的投资收益。
下面这张图是VC行业的投资回报的幂律分布，如果我们刚好是落在这99.9%的区间，其实就和这个1000倍的增长，没多大的关系。
0.1%的区间当然不好把握，人们也在探索99.9%的区间怎么赚到钱。
中国的市场基数大、想象空间大，技术创新作为最大的共识，中国的“回声室效应”，也就是Inflated Expectations的高度，远超出大部分的市场。
只要抓住了热点、跟上了风口，就可以赚到差价。这是99.9%的区间里，人们找到的赚钱方式。
图. 找风口、撤退、找新风口的循环往复
没有杠杆和风口，行业便无法整合资源，但是风口过热、共识太强，就会出现泡沫，进而带来两个矛盾，一个是实践上的，一个是心态上的。
在实践上，风口在整合资源的时候，也放大了同质化。企业在金融市场拿到的资源，在营销和招投标的环节仍然要还回去，一进一出可能还是在原地踏步。
在心态上，泡沫化的经济收益是及时的反馈，这个反馈过于直接和强烈，会形成潜意识中的增强回路。人们对于现实行动的延迟反馈，会产生兴趣上的冷漠，对于现实问题的复杂结构，产生情绪上的厌恶。
可是真实价值的创造，从来都是复杂的，从来都是缓慢的。这个时候，热点就从促进资源整合的杠杆，变成了抑制价值创造的障碍。
真正稀缺的不是差异，而是耐心。正是因为多数人做了同样的、容易的选择，少有人走的路才有了壁垒。
图. 开悟之坡 = 少有人走的路
其实在很长的一段时间，产品化不是中国的软件企业生存的最优选择，多数的客户，需要的就是技术服务和运营服务，而不是一个更好的产品。
但是软件服务有个结构性的问题，是随着业务规模的扩大，技术服务的边际效益是递减的。
随着软件系统的规模扩大，维护成本是指数级增长的。只有产品化，可以封装住功能扩张和场景延展所带来的复杂性，否则甲方和乙方都受不了。
事实上，软件系统的综合成本中，大部分都是运维成本。维护成本低的软件，要么就是没有被用起来，要么就是被用户自己用了起来，分摊了运维成本。
如果没有User，尤其是Power User的话，软件的运维成本，是不可能下降的，软件项目、数字化项目的ROI，也是很难打平的。
图. 信息系统的各类成本的变化：巨大的维护成本
一个更现实和更隐蔽的问题在于，只有产品化，才能在高度不确定的环境下，锚定甲方和乙方的预期。
没有参与过大型的软件项目的人很难理解，甲方和乙方的合作，为何如此脆弱。
大型软件项目中，甲方和乙方都会有很多的模糊的预期，双方都在画饼，一个画的是煎饼，一个画的是炊饼，项目启动之后，发现不是同一个饼。
图. 同样的现实、不同的结论、合作的终点
合作过程的不确定性，会导致猜疑链的形成，负能量不断放大，导致合作破裂。
只有标准化的产品，才可以构建明确的预期，甲乙双方的目标是什么，交付的成果是什么，预期的成本是什么，信任与合作才能够保持下去，进一步拿到成果。
在中国坚持产品化是必要的，但是产品化到PMF，还有很长的距离。
巨大的技术红利，巨大的能力短板，以及巨大的同质化竞争，是中国的软件创新的基本国情。
相当比例的用户需求、企业问题，存在着有效的产品方案、不错的产品体验，但是在中国就是跑不通PMF。究其原因，中国的企业普遍是“人治”为主，企业之间的差异很大，很难找到共性的痛点、稳定的需求。
在中国要找到PMF，前提是摆脱企业内的“人治”带来的波动性，在更大的视野中，在企业之间的互动过程中、在产业链的依存关系中，看到产业用户的共同的痛点。
比如“让天下没有难做的生意”，就是在贸易行业去审视商家的痛点，排在第一的痛点，是“货卖不出去”，第二的痛点，是“钱收不回来”。这才是老板们最关注的问题，任何人都没法回避，回避了公司就开不下去了。
以产业场景为中心的Product Industry Fit（PIF），我认为这是一种中国特色的PMF，就是基于产业用户、产业场景、产业瓶颈、产业互动来构建PMF。
图. VUCA时代企业做业务是痛苦的，和创业其实差不多
在中国当前的发展水平和竞争强度之下，几乎每个行业、每个产业，都存在着结构性的矛盾，而中国的产业环境是极其复杂的，要求软件公司对于行业、产业，有着触达本质的洞察。
软件公司必须要抓住产业之中的真实用户、真实任务。让软件成为产业中的用户完成OKR的手段，把产品用起来、把结果拿到手。
尤其重要的一个逻辑是，产品锚定的使用场景，需要是一个产业性、协同性的任务，而不仅仅是停留在企业内部的管理任务。
产业链上下游的互动、合作，乃至交易，这样的场景才能够测算出软件使用的ROI，并且能够被讨论、被分享、被传播，否则软件只能成为企业的成本项。
广联达、明源云、微盟、酷家乐，就是在建筑工程师、地产营销经理、零售营销经理、家装设计师的产业用户群体之中，找到了稳定的产业场景、产业痛点，里面都有着明确的上下游的互动，直接促进了产业用户实现自己的业务OKR。
如果客观做个归纳，中国的信息产业，包括软件产业，能够活下来的物种，基本都是这个形态。
阿里、小米、美团、广联达、明源云、微盟、酷家乐等等，都有一个特点，就是极强的综合能力、需要兼顾2B和2C、兼顾投放和地推，都是“铁人三项”的专业选手。
“铁人三项”的逻辑，不是局部场景的优化，而是谋求在单点场景实现击穿，拉通整个产业链的关键瓶颈。
中国经济的发展阶段，处在大规模的产业整合，与大规模的数字化转型，两个历史周期的叠加，这是与其它任何国家都不一样的产业格局。
在中国的软件产品，如果找到了产业的真实用户的OKR，击穿了产业的瓶颈问题，做出了PMF的体验和口碑，会有比较大的概率，演化成产业平台。
产业平台的逻辑是：产业生产要素的连接、沉淀和复用。
比如，阿里巴巴在早期就具备了独特的价值，因为贸易业，最核心的生产要素就是商家（而不是商品、物流、资金等等）。让商家做生意的效率提高、体验提高，让碎片化的商家在一个统一的平台上做生意，就是产业整合的过程。
产业生产要素、产业用户和软件产品进行结合的过程，也就是产业级的网络效应进行“结网”的过程，这个过程一旦达到了一个临界点，就是不可逆的，会进入指数级的网络扩张。
网络效应是所有的竞争壁垒之中，最难以被复制、最难以被攻破的。虽然消费、社交、娱乐的网络效应已被占领，产业中仍有着广阔的机会和空间。
可以说有多少个产业、有多少种产业生产要素，就存在着多少潜在的产业网络效应的生态位，这些生产要素的整合，不可能离开软件产品，这是属于中国这一代软件创业者的独特机会。
产业链的复杂性很高，很少有创业者愿意深入产业之中，调研产业的痛点、理解产业的瓶颈。这导致产业平台是被低估的机会。
就像当年的外卖和打车，被认为是没法做成、也没有价值的边缘场景。外卖和打车已经这么复杂了，何况其它更深的产业场景。有人在复杂性面前选择远离，有人则是在复杂性里面看到了机遇。
图. 产业的网络效应是更慢的，但同样有价值的
综上所述，我认为中国软件的出路，是在产业整合的背景下，聚焦产业用户的痛点，击穿产业链的瓶颈，找到Product Industry Fit，构建产业互联网平台。
产业互联网平台，其实已经在中国经济中扮演了举足轻重的作用。
美团是Food+Platform，是餐饮互联网平台。
阿里云是Computing+Platform，是计算互联网平台。
广联达是Construction+Platform，是建筑互联网平台。
中国特色的PMF，和北美的SaaS的PMF，一个显著的差异也就在这里。
北美领先的SaaS，普遍是以职能来进行定位的，比如Salesforce、Workday、ServiceNow、Marketo，看名字就知道其定位。
中国的软件产品，是按照产业、行业来进行定位的，职能和功能都不重要，帮助客户赚钱才是最重要的事情。
之所以会出现这种差异，因为只有产业整合的任务完成之后，产业才有足够的利润积累，进行更加深度的职能分工和能力建设，并且引入精细化的管理软件。
欧美的核心产业，比如汽车、能源、金融、化工，普遍在20世纪的60年代以前，完成了产业整合，面对着全球市场，需要通过软件支撑更深度的分工、更精益的管理，才能形成更大的生产效率、营销效率。
今天的中国，还远远没有完成产业整合的任务，过去五年国家高度重视的供给侧结构性改革，就是由政府和央国企主导的产业整合，淘汰落后的产能，整合分散的产能，尤其是高污染、高能耗的产业，这个进程还远未结束。
今天中国的化工企业有10万多家，房地产公司也有9万多家，其中有相当的比例是过剩产能和僵尸企业，大量的产业都是相似的情况。
图. 基于CR8指标，对比中国和美国的产业整合程度
大部分的产业门类的整合，无法依赖政府和国企，而是要依靠市场的力量、技术的力量，这个产业整合的过程中，软件产品就是处在核心位置的效率杠杆，否则产业整合就是亏钱的买卖。
产业整合的这个故事，对于软件公司来说，听上去当然是不错的。
但是为什么产业需要去采购一家软件公司的产品，为什么不自建数科公司、不自研软件产品。
产业龙头的任务是产业整合，首先要实现自己的供应链、价值链的整合，也就是建设集团的数据中台和业务中台。
但是人们发现，建中台的任务即便在集团公司内部，也是极其困难的。
如果不是基于标准化的产品，想要封装住中国的产业场景的复杂性，几乎是不可能的，不是说整合本身做不到，而是整合的成本控制不住，投入远远大于产出的事情，是无法持续的。
软件企业可能提供的最有价值的能力，就是由领先的标准化产品，用可控的成本，支撑产业用户聚集、产业资源聚集、产业场景运营，这一整套综合能力。
在如今一切皆变的产业环境中，只有产业用户是相对确定的要素，并决定了其他要素的流动，谁能够聚集最多的、真实的产业用户，谁就把握了产业整合的核心竞争力。
比如阿里巴巴的商家、酷家乐的家装设计师、广联达的建筑工程师，以及和鲸的数据科学家。高素质的产业人才，是现代产业的灵魂，也是产业整合的支点。
这个结论，回答了标题中的问题，中国软件公司的出路在哪。
这个出路，在差异化的积累和产品化的坚持中，在PIF所支撑的产业互联网平台中，在产业互联网平台的产业用户中，在产业整合和数字化叠加的历史进程中。
写完上篇文章，引发了业内的一些讨论，这是我所没有想到的，我以为软件公司，已经普遍放弃在中国做产品的努力了，这个过程真的很难，我自己就有过好多次情绪崩溃的时候，这条路实在是太曲折了。
之所以我们一直在坚持，是因为用户和客户的接纳与鼓励，没有中国的数据科学家的群体，就没有和鲸这家公司，虽然和鲸也没有做成什么大事情，但是和鲸的用户一定会成为各个行业数字化的顶梁柱。
让我很意外，也很感动的是，有大量的软件公司，都还在持续地探索、深入地复盘、坚定地寻找产品化的道路。
不少朋友来和我讨论，关于中国特色的PMF，到底应该是什么，要注意什么原则，这篇文章是一个回应，是我7年以来的思考和总结，希望对于中国软件行业的从业者，提供一种可能的思路。
这段附注内容，是和鲸寻找PMF的具体的经历，关于我们做了怎样的选择和取舍。
和鲸做的是数据科学平台，不熟悉这个行业的读者，可以把我们做的产品，理解为一个加强版的MATLAB，是数据科学家用来开发AI模型的一个专业软件。
数据科学平台还有一个更厉害的名字：人工智能开发平台，是AI的软件基础设施，是算法、数据、算力、开发者四者融合的环境，也是“新基建”的七大领域之一。
图. 人工智能开发平台的定位 by 赛迪智库
这是一个门槛很高、前景很广，同时竞争极其激烈的领域，BATH都有深度的布局，微软、谷歌、AWS、Oracle、SAP，都有专门的产品线，国内很多超过C轮的AI公司、数据公司，也都在积极参与，竞争压力不可谓不大。
图. 拥挤的数据科学平台市场 by Gartner
很多同行和投资人，一直不能理解，为什么首先选择进入教育和科研这两个行业，而不是金融、地产、零售这样的更有钱、信息化程度更高的行业。
我们在2017年开始做ModelWhale这款产品，我们当时的判断是，机器学习、数据科学在中国还是一个很早期、很不成熟产业。金融、地产、能源这样的成熟产业，虽然预算很高，但有着大量的定制化需求和运维服务需求，一个更好用的标准化产品还不是刚需。
为了在这个高速增长、高度竞争的行业站稳脚跟，我们的选择是，在产业需求爆发之前，提前布局这个产业最核心的生产要素，集中精力进行PMF的打磨，完成PMF的验证之后，再进入成熟产业。
这个核心要素，在我们的理解中，不是数据、算法、算力这些指数级增长的供给，这是巨头的地盘，而是更长期性的、结构性的、稀缺性的生产要素：是善于利用数据、算法、算力的人才，这些人才的供给是高度稀缺的。
这好像是显而易见的结论，谁都认同人才的重要性。但是大部分的企业，不知道怎么筛选、培养、管理数据人才，我们认为，这个环节存在着整个人工智能的产业链上最为隐蔽和严重的浪费。
在2017年，我们调查发现，在中国的高校和科研机构之中，有着增速最多、密度最高的数据科学的人才，中国的100万高级科研人员之中（具有博士学位），有二分之一都有数据处理、统计分析、机器学习的需求，大约四分之一是刚需。
更多的用户 × 更多的迭代 = 更好的产品，这是我们的思考框架。
我们在2017到2020年，坚持了四年的时间，聚焦在中国的头部高校和科研机构，帮助老师、学生和科学家，把我们的产品用在教学和科研工作之中，拿到尽可能丰富的反馈，帮助我们打磨产品、逼近PMF。
这个过程中，我们也拒绝了很多头部银行、能源企业、运营商的产品采购订单，不是我们对收入不感兴趣，是因为这类订单也包含了相当比例的定制化需求，很有可能让产品走向PMF的对立面。
这个高度聚焦、打磨产品的策略，会不会在细分行业里出现过拟合，以至于无法进入主流行业？这也是我们一直很担忧的问题，所以我们在打磨PMF的过程中，运营了一个数据科学家的在线社区，也就是和鲸社区，高频率地组织面向企业的数据科学、人工智能算法竞赛，验证产品能否为企业用户带来价值。
直到2021年，我们的产品达到了相对领先的用户体验，开始被国内的气象、医疗、能源、金融的头部客户采购，我们才开始进入更多的行业。
经过六年的积累，几百个版本的迭代，几万名用户的使用反馈，和鲸才把数据科学平台做出了稳定的PMF，出现了持续的客户推荐和客户增购，我们深知在中国要做出一个PMF的艰辛。
图. 数据科学家此前需要用N个工具完成工作
图. ModelWhale重新设计数据科学家的工作流程和协作方式
和鲸在高校和科研行业完成PMF的打磨后，在气象、遥感、海洋、金融、零售、制造业、医疗、制药等越来越多的行业中成为头部客户的选择。
因为和鲸所锚定的核心场景，是一个跨行业、嵌入产业、嵌入业务的场景：数据人才如何与业务人才配合，交付数据智能的业务价值。
这里的关键词是“配合”和“交付”，而不是“数据智能”。
如何让“数据智能”产生业务价值，是整个数据产业所面对的核心挑战，而这个挑战的核心支点是有能力、有动力、懂业务的数据人才。
我一直坚定地认为，任何一个工业领域，只要物质要素的生产实现了工业化，物质要素匮乏的瓶颈就会被解决。剩下的瓶颈，是人才要素和组织要素，而这是长期性的、结构性的瓶颈，工业越是发展，人才和组织瓶颈就越是突出。
图. 40年的周期里，知识型人才的要素价格上涨幅度是最高的
所以和鲸围绕着数据人才的整个生命周期，进行了持久的布局和积累，通过比赛场景进行人才的聚集和筛选，通过社区场景沉淀人才的内容和关系，通过协同工具支撑人才的生产与协作。经过7年的积累，和鲸逐渐成为了国内领先的数据人才社区和数据协同工具。
在这7年里面，我们也是逐渐意识到，一个好的软件产品，必须要找到自己的PIF，成为产业生产要素放大自身价值潜力的杠杆，这个产品才有可能在中国扎根，构建难以替代的二阶壁垒，抵御无穷无尽的同质化竞争。
和鲸的定位是Connect People with Data，其实就是数据人才进行学习、交流、工作的产业互联网平台，只是刚好这个平台的能力，也可以进行企业的私有化部署，也是一个企业级、行业级的解决方案。
图. Connect People with Data ：人要用数，从数到人
这篇文章讲了中国特色的PMF是PIF，其中最重要，也是最困难的三件事情是：深入地理解产业链的相互依赖关系、定位产业链的关键瓶颈任务、赋能产业用户实现OKR，这里面的每一点都是很难操作的，也是必须要做到的，然后才有可能围绕一个场景实现击穿，拉动产业要素的整合。
我所在的AI领域，是一个可能会改变世界，也是注定要受到误解的产业。下一篇文章中，我将结合和鲸这7年在AI产业的探索，讨论一种构建PIF的逻辑框架：基于产业瓶颈、产业用户、产业要素的三级火箭模型，构建产业互联网平台。
原文链接：https://mp.weixin.qq.com/s?__biz=MzkwNDM0ODU3NQ==&mid=2247484033&idx=1&sn=880a63a5ee3059f2543cb9e99044bec4&chksm=c0891471f7fe9d67149f8fee6cc2a487516cf21cd4656d7d21dc717d555ad0b18974b9cebc6e&mpshare=1&scene=1&srcid=0728EmLMH4vGfLpzvlJCbhcr&sharer_sharetime=1659043212983&sharer_shareid=3759e075205c4aab012a766dbe010cc6#rd