产品战略与竞争

产品战略与竞争战略

产品战略回答两个问题：在哪个市场竞争，凭什么赢。竞争战略是它的内核：分析行业结构、选择定位、建立并守住护城河。AI 产品经理日常处理的是需求与排期，但每一项「做什么、不做什么」的底层都是战略判断——为什么做这个不做那个、用户凭什么选我们不选竞品、模型趋同之后还剩下什么。

本页把散落在需求分析与商业化与增长里的战略素材收拢成体系：先给竞争战略的经典框架，再讲定位与护城河，然后用「套壳有没有护城河」串起 AI 时代的高频实务问题，最后落回战略工具与面试回答框架。

本文路线

五步走：先看竞争战略框架（波特五力、三类通用战略、AI 行业结构），再讲定位理论（心智、细分、STP），然后逐类评估护城河在 AI 产品的适用性，接着回答「套壳有没有护城河」与模型趋同后的竞争维度，最后落到战略画布、路线图与 OKR 的工具衔接，并给 AI PM 的实践与面试框架。

竞争战略框架

竞争战略的起点是行业结构分析：行业结构决定平均利润水平，战略选择决定一家公司在行业内的相对位置。迈克尔·波特的《竞争战略》（1980）是这套框架的源头，至今仍是战略讨论的公共语言。

波特五力模型

五力模型回答「这个行业容不容易赚钱」：行业竞争强度由五种力量共同决定，它们决定行业里价格能定在成本之上多少。

用五力分析的目的不是画一张静态图，而是找出决定利润的关键力量：五力中通常只有一两个在特定时点起决定作用，战略要针对它布局。AI 行业里「潜在进入者威胁」与「替代品威胁」经常是主矛盾：应用层进场门槛低，任何大模型厂商都可能成为替代品。

五力的 AI 行业实例

逐力看 AI 行业，每类力量都有具象案例：

• 现有竞争者对抗：通用对话助手（ChatGPT、Claude、Gemini、豆包）直接互打免费层与订阅档；应用层的同质化更狠，同一个「AI 客服」品类里有几十家打法相近的产品，价格战与补贴是常态
• 潜在进入者威胁：应用层几乎为零门槛，一个工程师 + 一个 API key 就能进场；模型层的门槛是百亿美元级资本与稀缺人才，天然挡住绝大多数进入者
• 供应商议价能力：应用层供应商是模型厂商，一次调价就重写应用的成本结构（DeepSeek 涨价引发调用量流失是实证，见商业化与增长）；模型层供应商是算力厂商，高端 GPU 供不应求时议价权在上游
• 购买者议价能力：开发者客户换 API 供应商成本低（OpenAI、Anthropic、Gemini、DeepSeek 可替换），议价能力强；终端用户免费替代品众多，对价格极度敏感
• 替代品威胁：应用层的替代品包括人工方案、旧软件与模型官方产品——任何「自己的应用」都要和「直接用 ChatGPT」竞争；模型层的替代品是开源模型，质量接近免费可用

差异化、成本领先与聚焦

五力决定行业蛋糕有多大，通用战略决定一家公司切哪一块。波特给出三类通用战略，中间的模糊地带（既非低成本也非差异化）最危险：

• 成本领先：以全行业最低成本提供同等价值，靠价格与规模取胜。大模型层的推理优化、硬件自研、批量调度都是成本领先的武器
• 差异化：提供用户愿意付溢价的独特价值，靠产品、品牌、体验取胜。应用层的垂直场景深度、工作流绑定、品牌信任都是差异化来源
• 聚焦：不做整个市场，只在一个细分市场里做成本领先或差异化。AI 应用层多数公司都是聚焦战略：只做某个行业、某类用户、某个任务

AI 行业里「同时做不好」的陷阱格外常见：模型层厂商想顺手做应用，应用层想自研模型，两边都想，结果成本结构与组织能力互相冲突。战略选择的核心是接受取舍：成本领先要放弃高毛利功能，差异化要放弃价格敏感用户，聚焦要放弃相邻市场。

AI 行业结构：大模型层 / 中间层 / 应用层

把五力套到 AI 行业，先按价值链分三层，每层的竞争结构完全不同：

三层各自的五力画像差异巨大：

• 大模型层：供应商议价能力来自上游算力集中；进入者威胁来自资本与人才门槛（几百亿美元训练成本）；现有对抗是头部厂商烧钱换份额。利润被成本领先（DeepSeek 靠工程优化把推理成本打到极低）与差异化（能力代差）两头拉
• 中间层：工具高度同质化，开源替代多，购买者（开发者）议价能力强，现有对抗是典型价格战。中间层普遍「打不过默认选项」：模型厂商自带工具链会压缩独立中间层的空间
• 应用层：进入门槛最低（套壳即可进场），现有对抗最激烈，但替代品威胁与分发成本决定生死。应用层的利润不来自模型能力，而来自模型的同质化迫使它在模型之外建立差异

行业结构分析四步

五力是思考框架，落地成四步：

1. 分层定位：产品在大模型层、中间层还是应用层？主要替代品是谁（人工方案、竞品、模型官方产品）？
2. 识别主力量：当前阶段决定利润的关键力量是哪一个（应用层多为进入者威胁与替代品威胁，模型层多为资本门槛与成本结构）？
3. 看力量方向：关键力量在变强还是变弱（模型能力跃迁会让应用层的替代品威胁周期性上升）？
4. 定战略回应：针对主力量选择成本领先、差异化或聚焦，落到「做什么、不做什么」。

定位理论

竞争框架回答「行业里怎么打」，定位理论回答「用户心里我们是谁」。艾·里斯与杰克·特劳特在《定位》（1981）提出：定位的本质是让品牌在潜在用户心智中占据一个清晰、可记忆、有差异的位置。产品做什么、怎么做，最终都要服务于这个心智位置。

定位是心智问题，不只是市场问题

用户心智是有限资源的竞争场：一个品类里用户通常只记得两三个名字（可乐=可口可乐与百事可乐），其余都被过滤。AI 产品尤其如此——模型能力抽象难懂，用户无法验证输出质量，只能依赖「心智里的默认选项」。定位要回答：当用户想到某类任务时，第一个浮现的名字是谁。

定位不是产品功能列表的浓缩，而是一个可记忆的认知锚点：

• 简单：一句话说得清，用户能转述给朋友
• 差异：与竞品和替代方案有明显区分
• 可信：有真实能力与证据支撑，不是空喊
• 可防御：对手不容易抄袭或覆盖

定位的基本方法，不是去创造某种新奇或与众不同的事物，而是去操控心智中已经存在的认知，去重组已存在的关联认知。

细分市场选择（STP）

定位的落地路径是 STP：Segmentation（市场细分）→ Targeting（目标市场选择）→ Positioning（定位）。先切市场，再选战场，最后定心智位置。

细分维度有三类：用户特征（人群、行业、规模）、任务场景（JTBD，用户要完成的任务，见需求分析）、价值诉求（省时、省钱、省心）。AI 产品里任务细分优先：模型能力是按任务分布的，同一个模型在不同任务上表现差异巨大，细分市场应该贴着「模型做得好且用户付得起」的任务切。

定位声明与验证

定位最后要写成一句可沟通的定位声明，结构是五要素：目标客群、需求、品类、关键利益、差异化依据。

对（目标客群），他们需要（核心需求）；（产品名）是（品类），提供（关键利益），不像（替代方案），我们（差异化依据）。

示例：对跨境电商卖家，他们需要快速处理多语言客服消息；「客服 AI」是客服自动化工具，把回复时间从 2 小时压到 2 分钟，不像通用对话助手，我们直接读写店铺后台并承担误判责任。这句声明同时覆盖了定位四属性（简单、差异、可信、可防御），也是 PRD 边界与需求优先级的一句话依据。

定位验证三问：

1. 目标客群认账吗：把定位声明讲给目标用户，他是否觉得「这就是给我做的」？
2. 与竞品分得开吗：把产品名换成竞品名，声明还成立吗？成立则定位无效
3. 有证据支撑吗：定位里的每个承诺（快、准、安全）都对应可度量的产品能力与评测指标（见评估与评测）？

STP 与需求分析衔接

STP 的上游是需求分析的机会识别：机会是「市场阶段 × 竞争位置 × 公司目标 × 技术可行性 × 数据资产」交叉后的候选空间。STP 把这个空间收敛成一个明确的战场：

1. 机会识别圈出候选空间（市场需求在哪、我们有什么资产）
2. 市场细分把空间切成可服务的块（哪类任务、哪类用户）
3. 目标市场选择用「价值强度 × 可行性 × 竞争缺口」筛出主战场
4. 定位写出「在这个战场里，用户心智中我们要占据的位置」
5. 需求定义把定位翻译成功能与优先级（用户研究看诉求，PRD 写边界）

衔接点：定位是需求优先级的前置输入。需求分析里的「角色权重按产品战略定」（平台型 user 优先、企业服务 buyer 优先）就来自定位；定位不清，需求评审就失去了裁决依据。

护城河分类与 AI 适用性

定位决定怎么赢，护城河决定赢多久。护城河是竞争对手难以复制或绕过的长期优势来源。巴菲特把好生意比作有护城的城堡，帕特·多尔西在《巴菲特的护城河》（2006）里把护城河归为四类：无形资产、转换成本、网络效应、成本优势。汉密尔顿·赫尔默《七大力量》（2016）进一步给出七种可评估的力量。对 AI 产品，逐类评估「是否适用、强度如何」：

网络效应

网络效应：用户越多，产品或服务对每个用户的价值越大。直接网络效应（用户彼此互动产生价值）在 AI 产品里罕见——多数 AI 产品是单用户工具；间接网络效应（用户越多 → 生态越丰富 → 用户价值越大）更常见：模板市场、插件生态、社区分享。

AI 适用性评估：中等，且要区分类型。同侧网络效应（C 端用户之间）基本不存在；跨侧网络效应（用户 + 开发者、用户 + 内容提供方）能成立，但需要平台化设计与冷启动策略（见平台与生态）。网络效应的真正威力要乘上数据飞轮，单独的网络效应本身较难在 AI 应用层建立。

转换成本

转换成本：用户换到竞品要付出的数据迁移、流程重构、学习与信任成本。转换成本高，用户留存就高、价格弹性就低。

AI 适用性评估：强，但取决于嵌入深度。纯对话式 AI 转换成本几乎为零——换一个聊天窗口毫无代价，这正是 wrapper 容易被替代的原因；深度嵌入工作流的 AI（数据管道、自动化流程、团队协作、企业集成）转换成本显著。AI 产品设计上要主动构建转换成本：沉淀私有数据、嵌入业务流程、形成团队使用习惯。

规模经济

规模经济：产量越大单位成本越低。传统软件边际成本趋零，AI 产品边际成本是推理成本，规模经济来自批量调度、硬件摊销、缓存复用与训练成本摊薄。

AI 适用性评估：模型层极强，应用层较弱。大模型层的规模经济与资本门槛共同构成赢家通吃的推手；应用层的推理成本占比随用量上升，规模经济反而要防「规模不经济」——用户越多推理成本越高（见商业化与增长的推理成本三杠杆）。应用层的成本优势更多来自工程优化（模型路由、缓存、小模型）而非单纯规模。

数据飞轮

数据飞轮：使用产生数据，数据改进产品，改进带来更多使用，形成正循环。AI 产品特有：真实使用中的反馈、纠错、错误回填能持续改善模型效果（见评估与评测与数据与标注）。

AI 适用性评估：AI 最独特、也最常被高估的护城河。真实飞轮需要三个条件同时成立：使用能沉淀高质量数据、数据能改进系统、改进能带来更多使用。很多产品只满足了「有数据」，没有闭环——数据不回流、不标注、不改进，只是积累，不构成飞轮。判断标准：每多一万个用户，产品是否真的变好 1%。

品牌与心智

品牌与心智：用户因信任与认知而选择，愿意为熟悉的、可信的名字付溢价。AI 产品是典型信任品：输出质量用户难以验证，出错的代价用户自己承担，品牌是风险缓解工具。

AI 适用性评估：强，且对 AI 更重要。模型趋同后，用户区分产品的抓手就是品牌：谁更可信、谁更懂我、谁出问题负责。品牌护城河要与定位一致（定位章节），并且要靠持续一致的体验兑现——一次大规模幻觉事故就能侵蚀多年品牌积累。

专利与技术壁垒

专利与技术壁垒：受法律保护或难以复制的技术能力。模型层有真实技术壁垒（训练方法、对齐技术、硬件协同），应用层极少。

AI 适用性评估：模型层强，应用层基本不成立。开源模型与快速迭代大幅压缩了技术领先的时间窗口；应用层的「技术优势」通常是工程细节，对手几个月即可追上。应用层把技术壁垒当护城河是常见误判——真正该建的是工作流、数据与品牌。

护城河的识别与测量

识别真护城河，用两个反事实测试：

1. 消失测试：假设明天产品关停，用户会流失到哪里？答案如果是「换个同类产品继续用」，护城河很浅；如果答案是「回到人工方案、无法接受」，护城河真实（转换成本与工作流嵌入的证据）
2. 复制测试：假设竞争对手拿到同样的模型、同样的功能清单，用户会流失吗？用户仍留下，说明差异在模型之外（数据、品牌、生态、工作流）；用户转身就走，说明你只有模型能力中转

测量比识别更难，可用代理指标：净收入留存（转换成本强则留存高）、免费到付费转化（品牌与心智强则转化顺）、用户推荐率（体验与品牌强则口碑好）、调用中私有数据占比（数据飞轮强则数据参与度高）。指标本身不是护城河，指标变化方向是护城河在变强还是变弱的信号。

护城河的建设节奏

护城河不是立项时就有的，是分阶段长出来的：

• 0 到 1：先做单点价值，不做护城河。验证需求真实、模型可行、用户愿意用（见需求分析）
• 验证期：找一个最容易建的护城河切入。应用层通常是工作流嵌入或私有数据沉淀，靠深度而不是宽度
• 放大期：把单点优势扩成组合。工作流产生数据 → 数据改善体验 → 体验强化品牌，再叠加生态
• 防守期：用平台与生态把护城河放大，提高整体迁移成本，见平台与生态

节奏错位的典型病：0 到 1 就在规划平台生态、烧钱建「网络效应」，需求还没验证就把资源撒在护城河上——护城河是围绕真实价值的加固，不是凭空砌墙。

护城河小结

AI 时代的高频竞争问题

「套壳有没有护城河」

「套壳」指直接调用公开模型 API、只做能力中转、不增加独特价值的上层应用。「套壳有没有护城河」在 2026 年仍是高频实务与面试题，完整分析分三层：

第一层：纯套壳没有护城河。模型能力是供应商的资产，供应商可以随时降价、推出官方产品、或调整接口与政策。用户在两个套壳之间切换成本为零，竞争者套同一个 API 即可复制功能。历史上 OpenAI 官方产品直接覆盖了大批 wrapper：通用对话、基础写作、通用客服助手。

第二层：应用层不等于套壳。判断标准不是「用没用别人的模型」，而是「模型之外有没有不可替代的价值」。基于同一模型，两个产品可以一个是没有护城河的套壳、一个是护城河扎实的应用——差别在模型之外的五个竞争维度。

第三层：套壳可以作为起点。从套壳进场快速验证需求、积累用户与数据，是合理的 0 到 1 策略；问题在于把套壳当终局。进场之后必须尽快在五个维度里至少建起一个真实壁垒，否则模型厂商或下一个套壳随时覆盖你。

模型趋同后的五个竞争维度

当所有应用都能调用同等能力的模型，竞争从「谁的模型强」转移到「谁把模型用好」：

• 工作流：深度嵌入用户的业务流程，成为不可替代的一环（CRM 里的销售助手、代码仓库里的编码助手）。工作流是转换成本的载体，是最实在的护城河
• 数据：私有数据 + 反馈闭环形成数据飞轮。用户数据沉淀越多，产品越懂特定场景，对手拿同样模型也做不到同等效果
• 分发：触达用户的渠道与成本。现有用户群、浏览器插件、企业销售网络、生态伙伴，都是分发优势；AI 产品同质化时，分发往往决定生死
• 生态：开发者、插件、模板、集成构成间接网络效应。生态让产品从「一个工具」变成「一个平台」，用户与开发者互相吸引
• 体验：对话设计、失败兜底、信任建立、品牌感知。模型输出不可控时，体验是用户区分产品的直观抓手

五个维度不是单选：护城河往往来自几个维度的组合（工作流产生数据 → 数据改善体验 → 体验强化品牌），但至少一个维度要做到显著领先。五维全平庸的产品，本质上还是套壳。

从套壳到应用：三条升级路径

基于同一模型能力，应用层产品有三条典型的升级路径，对应不同的护城河侧重：

1. 垂直深化：选一个任务场景做到极致，靠工作流与私有数据建立壁垒。路径适合有行业 know-how 的团队；风险是场景天花板有限，需在顶点前规划相邻场景
2. 体验与品牌：在通用能力上做出显著更好的体验与信任，靠品牌心智守位。路径适合有设计能力与品牌运营资源的团队；风险是体验壁垒最容易被追赶，需持续迭代
3. 生态平台：开放 API 与插件，让第三方贡献长尾价值，靠生态网络效应护城河。路径适合用户基数已经足够大的产品；风险是冷启动期没有生态可用，只能先做工具

三条路径可以分阶段组合：先垂直深化建立基本盘，再靠体验与品牌放大，最后平台化收口。升级的失败模式是三条同时做：垂直没做透就开放生态，能力分散、样样平庸。

模型层 vs 应用层的战略差异

模型层与应用层是两种不同的生意，战略逻辑几乎相反：

战略含义：模型层拼「规模 + 技术 + 资本」的复合壁垒，资源门槛决定谁能留在牌桌上；应用层拼「场景洞察 + 分发 + 数据」的组合优势，胜在纵深而非宽度。AI PM 大多在应用层，战略重点是选择纵深场景、构建工作流与数据壁垒，而不是试图在模型能力上与厂商竞争。

平台与生态：护城河的放大

单产品护城河有天花板，平台与生态是放大护城河的杠杆。当第三方在平台上开发、用户数据与插件沉淀在平台里，产品就从「可替换的工具」变成「生态的底座」。AI 时代的平台化路径：开放 API 与插件机制（让开发者补足长尾场景）、模板与 Agent 市场（让用户贡献内容）、企业与开发者计划（让生态产生收入分成的共同利益，见商业化与增长）。

平台化的前提是单点价值足够强：用户先因为核心功能留下来，生态才有东西可依附。冷启动阶段就大谈平台是常见误区——先做成一个不可替代的工具，再开放生态。

战略落地工具

战略画布与一页纸战略

战略分析再深，不落到一页纸就是空谈。两个常用工具：

战略画布（金伟灿与莫博涅，《蓝海战略》2005）：横轴列出行业竞争的要素，纵轴是各要素的价值水平，画出「行业价值曲线」与「本产品价值曲线」。两条曲线重合度高说明在红海里同质化竞争；战略就是通过剔除、减少、增加、创造四个动作让两条曲线分叉。对 AI 应用：行业曲线常是「全能对话、通用能力、免费」，差异化曲线可以是「垂直任务深度、行业知识、可审计」。具体画法见读书笔记相关章节与商业化与增长的商业模式画布。

一页纸战略（理查德·鲁梅尔特，《好战略坏战略》2011）：好战略由三部分构成，缺一不可：

1. 诊断：当前局势的关键是什么？用一句话说清「发生了什么、决定成败的矛盾在哪」
2. 指导方针：为应对诊断，做什么、不做什么？是方向性的选择，不是具体行动
3. 连贯行动：把指导方针落成一系列互相配合、资源和政策一致的行动

一页纸战略模板：目标（要赢得的市场与位置）、诊断（主矛盾）、指导方针（3~5 条做/不做）、连贯行动（对应负责人与资源）、指标（怎么算赢）。这页纸是战略讨论的锚，也是需求评审时「这个需求推进哪个战略目标」的对照表（见需求分析的「公司战略与约束是需求的筛选条件」）。

战略画布与商业模式画布的分工

两个画布经常被混用，分工不同：战略画布看竞争差异（我们在哪些要素上比行业做得不同），商业模式画布看价值创造与捕获结构（谁付钱、成本在哪、关键资源是什么）。战略画布回答「凭什么赢」，商业模式画布回答「怎么赚钱」——后者在商业化与增长展开。AI 产品用两画布的组合逻辑：战略画布挑出差异要素（垂直深度、行业知识），商业模式画布确认差异要素能对应到收入来源与毛利结构（垂直定制带来的企业合同、行业数据带来的成本优势）。

路线图 vs 战略：与 OKR 衔接

战略与路线图是两回事，混淆是常见病。战略是选择（聚焦什么、放弃什么），路线图是在时间轴上排布的执行计划。项目管理与迭代给了一组从愿景到承诺的层级：愿景 → 战略 → OKR → 赌注 → 里程碑 → 高诚信承诺。战略在最上层负责聚焦，OKR 负责把战略翻译成可衡量的业务结果，路线图负责在时间上排布。

衔接要点：

• 战略决定 OKR，OKR 校验战略：OKR 写业务结果不写输出（「客服一次解决率从 62% 提到 75%」，不是「接入 GPT-5」）；KR 连续完不成，先回头检查战略假设是否还成立
• 路线图不是承诺：想法一旦写进 roadmap 文档，全公司就会把它当承诺（《启示录》）。路线图排的是「当前认为正确的顺序」，发现与交付双轨迭代会持续推翻它
• 优先级挂回战略：需求优先级（见需求分析的 P0-P3）应该能说出「这个需求推进哪个战略目标」，说不出的需求不排进战略资源池

对 AI PM 的实践

产品经理如何参与战略讨论

战略不是高管的专属会议室议题，PM 是战略的证据提供者与翻译者：

• 提供用户与市场证据：需求分析与用户研究产出的一手证据，是战略判断的输入——机会在哪、痛点多强、替代成本多高（见需求分析与用户研究）
• 量化机会与成本：市场规模、替代成本、推理成本与毛利模型（见商业化与增长），把「这个市场值不值得进」从感觉变成账
• 评估技术可行性：模型能力边界与评测结果，判断战略依赖的能力假设是否成立（见模型能力与边界与评估与评测）
• 把战略翻译成产品决策：战略画成定位、定位落成需求优先级、需求优先级排进路线图，这一条链是 PM 的核心职责

参加战略讨论时，用五力与护城河语言说话：不讲「我们想做 AI」，讲「我们选择哪个细分市场、靠什么护城河守三年」。

面试中的战略类问题回答框架

战略类面试题（「套壳有没有护城河」「模型趋同后怎么竞争」「怎么给 AI 产品做差异化」）考察的是结构化的战略思维，不是标准答案。回答框架四步：

1. 先分层：题目里的产品在哪个层级（模型层 / 中间层 / 应用层）？不同层级战略逻辑不同
2. 再套框架：用五力找主矛盾，用通用战略选位置，用 STP 收敛战场
3. 落到护城河：逐类评估网络效应、转换成本、规模经济、数据飞轮、品牌、技术壁垒，指出哪个真实成立、哪个是伪护城河
4. 给出行动：把判断落成「做什么、不做什么」的连贯行动，并接上 OKR 与指标

「套壳有没有护城河」的满分结构：承认纯套壳无护城河 → 区分套壳与应用 → 给出五个竞争维度 → 选一个真实壁垒展开 → 落到执行。参考其他面试方法论见产品经理求职与面试。

示例：回答「模型趋同后怎么竞争」

以「做 AI 客服工具」为例走一遍四步框架：

1. 分层：应用层，替代品是模型官方产品、人工客服与同类工具；主力量是替代品威胁与进入者威胁
2. 套框架：选聚焦战略，不做通用对话，专攻电商客服；细分按任务切（售后工单处理），不用按行业广铺
3. 护城河：转换成本（读写店铺后台、沉淀商品与售后知识库）与数据飞轮（纠错回填评测集）真实成立；纯对话体验是伪护城河，模型厂商几天就能追上
4. 行动：三个月内完成后台集成与私有知识库，OKR 写「售后工单一次解决率从 62% 到 75%」，不做「接入新模型」类输出

这个结构同时展示了战略语言（五力、聚焦、护城河）与落地衔接（OKR、指标），是面试官想看到的「想得清楚、落得下来」。

来源说明

本页为原创整理，综合经典战略著作与站内正文页方法。

经典著作：

1. 迈克尔·波特《竞争战略》（1980）：五力模型、三类通用战略、行业结构分析
2. 艾·里斯 & 杰克·特劳特《定位》（1981）：心智定位、认知锚点
3. 菲利普·科特勒《营销管理》：STP（细分、目标市场、定位）框架
4. 帕特·多尔西《巴菲特的护城河》（2006）：无形资产、转换成本、网络效应、成本优势
5. 汉密尔顿·赫尔默《七大力量》（2016）：规模经济、网络经济、反定位、转换成本、品牌、稀缺资源、流程优势
6. 金伟灿 & 勒妮·莫博涅《蓝海战略》（2005）：战略画布、价值曲线、剔除-减少-增加-创造
7. 理查德·鲁梅尔特《好战略坏战略》（2011）：诊断、指导方针、连贯行动
8. Marty Cagan《启示录》INSPIRED（2018）：路线图不是承诺、愿景到承诺的层级

站内衔接：

• 需求分析：机会识别、市场阶段、公司战略作为筛选条件
• 商业化与增长：推理成本、单位经济、平台与生态、商业模式画布
• 项目管理与迭代：愿景到 OKR 的层级、路线图与结果导向
• 评估与评测与数据与标注：数据飞轮的技术前提
• 模型能力与边界：技术可行性与战略假设的校验

引用日期：2026-08。AI 行业结构（模型层/中间层/应用层）与模型趋同的判断基于截至 2026-08 的公开行业观察，随模型能力与市场格局演进需持续更新。

发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用