【系统学AI】21 AI产品定位：April Dunford方法在AI红海中的应用

2024年AI赛道是"千军万马过独木桥"------所有人都说自己是"AI助手"。定位不清晰=被淹没。这篇文章用April Dunford的《Obviously Awesome》方法论，结合2026年AI产品的实战案例（Cursor/Perplexity/Manus/Devin），讲透AI产品如何定位才能脱颖而出。

一句话总结

AI产品定位 = 选对参考系（vs谁竞争） + 差异化能力 + 能力背后的真实价值 + 谁需要这个价值 + 用什么市场类别承载 。在AI红海中，不是技术最强的赢，而是定位最准的赢。

1. 为什么AI产品定位特别难？

1.1 三大独特挑战

复制代码

1. 同质化严重
   所有人都用GPT-5.5/Claude Opus 4.7的API
   底层能力差距小，差异化难讲

2. 类别混乱
   "AI助手"是什么？"AI Agent"算什么类别？
   用户根本不知道把你放在哪个货架

3. 价值难量化
   "提升效率"------具体多少？
   "更智能"------智能在哪？

1.2 红海中的两种死法

复制代码

死法1: "我们有AI"
→ 谁不有AI？毫无差异化

死法2: "我们做所有事"
→ 通用产品被垂直产品蚕食

1.3 定位的本质

定位 = 帮用户在脑子里给你贴个标签。 标签错了，营销/销售/产品全都白费。

April Dunford在《Obviously Awesome》里说："最好的产品不是赢的产品，定位最好的产品才是。"

2. April Dunford五步定位法

2.1 五步框架

复制代码

Step 1: 列竞争对手（用户用过/能用的替代方案）
   ↓
Step 2: 找差异化能力（你能做但别人做不到的）
   ↓
Step 3: 翻译成真实价值（差异化对用户意味着什么）
   ↓
Step 4: 锁定理想用户（最在意这个价值的人）
   ↓
Step 5: 选市场类别（用什么类别承载你的价值）

2.2 关键洞察

复制代码

传统思路: 我有什么功能 → 谁会用
Dunford思路: 我有什么独特价值 → 谁最在意 → 市场类别匹配

3. Step 1：列竞争对手 --- 别忘了"做没做"

3.1 三种竞争对手

复制代码

1. 直接竞争（同类产品）
   Cursor的直接竞争: GitHub Copilot, Codeium

2. 间接竞争（解决同样问题的不同方式）
   Cursor的间接竞争: VSCode + ChatGPT手动复制粘贴

3. "什么都不做"（用户当前的方案）
   Cursor的"做没做": 程序员用VSCode + 自己写代码

3.2 致命错误：忘了"做没做"

复制代码

反例:
"我们的AI写作助手比Notion AI更智能"
→ 用户：我现在用Word + ChatGPT就够了

正确做法:
分析"用户为什么不换"------这是定位的关键

3.3 实战案例：Manus的竞争对手分析

复制代码

1. 直接竞争: Devin（专业Agent）、各种AI Agent平台
2. 间接竞争: ChatGPT手动一步步问 + 自己执行
3. 做没做: 用户自己一步步用ChatGPT、雇人

Manus的竞争策略:
- vs Devin: 我们更通用（不只是coding）
- vs ChatGPT: 我们能完整执行（不只是回答）
- vs "做没做": 你不需要一步步指导，提交任务就走

4. Step 2：找差异化能力 --- 不是"功能多"

4.1 真差异化 vs 假差异化

复制代码

假差异化:
❌ "我们用GPT-5.5"（人人都用）
❌ "我们界面好看"（容易复制）
❌ "我们功能多"（功能堆砌不是优势）

真差异化:
✅ 独特的数据资产（用户独有的代码/对话/工作流）
✅ 工作流深度集成（不可拆解）
✅ 用户独特的使用习惯（切换成本高）
✅ 技术栈的独特组合（架构上的领先）

4.2 案例：Cursor的真差异化

复制代码

Cursor做的事看起来不难:
- VSCode fork
- 集成LLM API
- 加点UI

但真差异化在哪里？

1. Codebase Indexing（整个仓库索引）
   → 别的工具只看当前文件
   → Cursor能跨文件理解

2. Agent模式（Composer）
   → 别的工具只是补全
   → Cursor能跨多文件自主执行

3. 模型路由系统
   → 简单任务用Haiku，复杂用Opus
   → 用户感受不到，但成本/质量/速度全部优化

4. 用户行为数据飞轮
   → 数百万开发者使用
   → 训练专属补全模型
   → 体验更好 → 更多用户 → 数据更多

抽出共性 ：Cursor的差异化不是单点功能，是系统性的工程优势------别人短期内复制不了。

4.3 案例：Perplexity的真差异化

复制代码

Perplexity是什么？
表面: AI搜索
实际差异化:

1. 实时搜索 + LLM生成的工程整合
   → ChatGPT可以联网，但搜索质量差
   → Perplexity的搜索引擎是自研的

2. 引用机制
   → 每个事实都有出处
   → 可信度比ChatGPT高

3. Pro Search的agent化
   → 不只是搜索，是多步骤研究

4. 学术/金融垂直
   → 专业用户的细分场景

5. Step 3：翻译成真实价值 --- From-To叙事

5.1 价值翻译公式

复制代码

能力（What）
   ↓
特性（So What）
   ↓
价值（Why You Care）
   ↓
情感（How You Feel）

5.2 实战案例：Claude Code

复制代码

能力: 命令行Agent + 自主完成编程任务

特性（So What）:
- 你说意图，AI执行
- 跨多文件操作
- 长任务支持

价值（Why You Care）:
- 从"写代码"升级到"设计系统+审阅"
- 重复任务自动化
- 时间花在高价值决策上

情感（How You Feel）:
- "我的工作变高级了"
- "我能在更高层次思考"
- "我配得起更高的薪水"

注意最后的情感价值------这才是真正打动人的层面。

5.3 反例：糟糕的价值翻译

复制代码

"我们的AI能处理1M token上下文"
→ 用户：so what？

"我们的AI能一次性看完整个代码库"
→ 用户：so what？

"你不再需要为AI挑选哪些文件相关而烦恼，
AI自己理解全局，给你最准确的建议"
→ 用户：哦，这对我有用！

翻译的关键：从"我们牛"切换到"你受益"。

5.4 From-To叙事框架

复制代码

"以前你不得不___，但有了我们，你可以___"

例:
"以前你不得不一句一句问ChatGPT，
但有了Manus，你可以提交任务就走"

"以前你不得不在VSCode和ChatGPT之间来回复制粘贴，
但有了Cursor，AI直接在编辑器里改代码"

"以前你不得不读10篇博客自己总结，
但有了Perplexity，AI给你带引用的精炼答案"

6. Step 4：锁定理想用户 --- 不是"所有人"

6.1 ICP（理想客户画像）

ICP不是市场调研出来的，是从你最满意的客户中提取的。

复制代码

找到20个最忠诚/付费最高的客户
分析他们的共性:
- 角色（职业/职位）
- 公司规模
- 痛点严重度
- 预算
- 决策流程
- 已有工具栈

→ 提炼出ICP特征

6.2 反模式：贪心症

复制代码

错误的ICP:
"所有需要写作的人"
"所有开发者"
"所有企业"

→ 万金油 = 没有人买

正确的ICP:
Cursor早期: "讨厌Copilot侧边栏的高级开发者"
Manus早期: "需要长程任务但讨厌一步步引导AI的产品经理"
Devin: "团队人手不足、有大量重复coding任务的小团队CTO"

6.3 ICP的演化

复制代码

0→1阶段: 极窄ICP（10-100个客户）
1→10阶段: 扩大ICP（多场景）
10→100阶段: 垂直分层（不同ICP不同产品线）

不要在0→1阶段就追求"覆盖所有人"

6.4 实战：怎么找你的ICP？

复制代码

问题清单:
1. 谁付费最痛快？（不是被薅羊毛的，是真心觉得值的）
2. 谁推荐你给同行？（NPS高的群体）
3. 谁深度使用？（不是浅尝辄止）
4. 他们的共同点是什么？（角色/痛点/已有工具）

→ 这就是你的ICP

7. Step 5：选市场类别 --- 货架在哪里？

7.1 类别的力量

复制代码

类别决定:
- 用户脑中的"位置"（货架在哪）
- 对标的对象（vs 谁定价）
- 销售线索的来源（哪些Channel）
- 投资人的兴趣（哪些VC关注）

7.2 三种类别策略

1. 进入既有类别（Adopt）

复制代码

风险低，但需要做差异化
例: Cursor说"我是更好的VSCode/IDE"
→ 进入"代码编辑器"既有类别
→ 只需要解释"为什么比VSCode好"

2. 创建新类别（Create）

复制代码

风险高，但天花板高
例: Manus说"我是通用AI Agent"
→ 创造新类别"通用Agent"
→ 自己定义市场，没有比较对象

3. 重新定义类别（Reframe）

复制代码

风险中，但能颠覆现状
例: Perplexity说"我不是AI助手，是AI搜索引擎"
→ 重新框架"搜索"类别
→ 把Google拖进比较，不是ChatGPT

7.3 类别选择的常见错误

复制代码

错误1: 类别太大太空
"AI助手" → 范围模糊
"AI Agent" → 同质化严重

错误2: 类别太小太窄
"专门给宠物店用的AI客服" → 市场太小

错误3: 类别错位
"AI写作工具"自定位为"AI生产力" → 用户不会在"生产力"货架找写作工具

7.4 怎么选对类别？

复制代码

判断标准:
1. 用户痛苦时会搜什么？（搜索词决定类别）
2. 同行是谁？（同行的类别就是你的可能类别）
3. 哪个类别预算多？（B2B采购按类别分预算）

例:
"AI编程"类别 → 预算来自Engineering部门
"AI客服"类别 → 预算来自Customer Support部门
"AI Agent"类别 → 预算来源不明（这就是新类别的风险）

8. 实战：完整定位案例 --- 一个虚拟的AI Agent产品

8.1 场景：你是创业者，做了一个AI法律研究Agent

Step 1: 列竞争对手

复制代码

直接: Harvey AI、Casetext CoCounsel
间接: ChatGPT + 律师手动检索
做没做: 律师助理 + Westlaw/LexisNexis数据库

Step 2: 找差异化

复制代码

我们的真差异化:
1. 中国法律的专属训练（其他都是英美法系）
2. 实时连接最高人民法院判例库
3. 输出可追溯（每个法条/判例都有引用）
4. 律所工作流深度集成（Word/邮件/案件管理）

Step 3: 翻译价值

复制代码

能力: 中国法律研究Agent

特性: 
- 不需要切换工具
- 答案可信可追溯
- 中国法专精

价值:
- 从"3小时检索"到"3分钟得到答案"
- 不再担心引用错误判例
- 中小律所也能享有大所水平的研究能力

情感:
- "我能更专注于客户咨询而不是查资料"
- "我的小所能和大所同台竞争"

Step 4: 锁定ICP

复制代码

理想客户:
- 中国境内
- 3-30人规模律所（个人律师付费力低，超大律所有自建）
- 商事/民事诉讼为主（刑事政治敏感）
- 业务量大、人手紧（最痛点）
- 合伙人有创新意愿（决策权在合伙人）

Step 5: 选市场类别

复制代码

候选类别:
A) "AI Agent" → 太宽，律所不知道在哪买
B) "Legal Tech" → 既有类别，但和Westlaw竞争
C) "AI法律研究助手" → 新类别，需要市场教育
D) "中国律师的AI Co-pilot" ⭐ → 选这个

理由:
- 锚定明确（中国 + 律师）
- 价值清晰（Co-pilot不是替代）
- 类别足够独特但用户能理解
- 预算来源明确（律所IT预算）

8.2 定位陈述（One-Liner）

复制代码

"我们是中国律师的AI Co-pilot------
专门为3-30人律所打造，
让你的研究效率提升60倍，
答案100%可追溯到正式判例。"

这个一句话定位包含:
✅ 类别: AI Co-pilot
✅ ICP: 中国 + 3-30人律所
✅ 差异化: 中国法专精 + 可追溯
✅ 价值: 60倍效率提升
✅ 信任锚点: 100%可追溯

9. AI产品定位的反模式 ⚠️

9.1 反模式1：技术驱动定位

复制代码

错误: "我们用了最先进的多Agent架构"
正确: "你的客服团队再也不会爆单"

技术是手段不是定位

9.2 反模式2：与GPT/Claude直接对标

复制代码

错误: "我们比ChatGPT更智能"
→ 注定输

正确: "在XX场景下，我们比通用工具好10倍"

9.3 反模式3：定位即口号

复制代码

错误: 把slogan当定位（"Smart, Fast, Easy"）
正确: 定位是产品决策的指南针

定位回答的不是"怎么做营销"，
而是"我们做什么/不做什么"

9.4 反模式4：定位摇摆

复制代码

2024年: "我们是AI助手"
2025年: "我们是AI Agent"
2026年: "我们是Agent OS"

→ 用户晕了
→ SEO/品牌资产清零
→ 投资人不知道你是谁

定位要稳定，演化要慢

9.5 反模式5：忽略"做没做"

复制代码

用户当前用什么？
80%的"先进AI产品"输给"用户用ChatGPT/Excel/笔记本就够了"

→ 定位必须回答"为什么用户要换"

10. 2026年成功定位的AI产品共性

产品	类别选择	核心定位	关键洞察
Cursor	"AI IDE"	开发者最爱的AI IDE	不创造新类别，做好既有类别
Perplexity	"AI搜索"	答案有据可查	Reframe搜索类别，VS Google
Claude Code	"Coding Agent"	命令行AI Agent	极简定位+演化清晰
Manus	"通用AI Agent"	全球首款通用AI Agent	创造新类别，先入者占位
Devin	"AI软件工程师"	第一个AI Software Engineer	和"软件工程师"对标，不是和工具
Intercom Fin	"AI客服"	按解决数收费的AI Agent	在既有类别里用定价创新差异化

共性：

类别清晰（用户秒懂在哪个货架）
差异化具体（不是空泛的"更智能"）
ICP明确（不是"所有人"）
价值翻译到位（情感+理性）
不和GPT/Claude直接撞（避开巨头主战场）

11. 面试高频问题

Q1：为什么AI产品定位特别难？

三个原因：(1) 同质化严重 ------大家底层都用GPT/Claude API；(2) 类别混乱 ------"AI助手"什么都不是；(3) 价值难量化------"提升效率"具体多少？必须用Dunford五步法系统性破局。

Q2：April Dunford的五步法核心是什么？

不是"我有什么功能 → 谁会用"，而是"独特价值→谁最在意→市场类别"。从用户视角出发，不是从产品视角。

Q3：怎么找真差异化？

排除假差异化：用GPT-5.5不算（人人有）、UI好看不算（容易抄）、功能多不算（堆砌不是优势）。真差异化：独特数据、工作流集成、用户切换成本、技术栈独特组合。Cursor的差异化是"系统性工程优势"------别人短期复制不了。

Q4：怎么避免"我们做所有人的生意"陷阱？

找你的ICP不是市场调研，是从你最满意的20个客户中提炼共性------角色、规模、痛点、预算、工具栈。0→1阶段的ICP越窄越好（10-100客户）。"所有人都是客户" = 没有人会买。

Q5：什么时候选既有类别 vs 创造新类别？

既有类别：风险低，需要差异化（Cursor "AI IDE"）。创造新类别：风险高天花板高（Manus "通用Agent"）。Reframe既有类别：颠覆现状（Perplexity把Google拖进比较）。初创公司一般先进既有类别，做大后再Reframe。

Q6：为什么不能直接和GPT/Claude对标？

(1) 输不起的对标------你不可能比OpenAI/Anthropic更"通用智能"；(2) 类别错位------你卖的是垂直方案，不是通用模型；(3) 用户认知冲突------用户用GPT/Claude时是另一种心智。永远在垂直场景说"在XX场景下我比通用工具好10倍"。

总结

步骤	核心	反模式
1. 列竞争对手	别忘了"做没做"	只看直接竞争
2. 找差异化	系统性优势	单点功能
3. 翻译价值	情感+理性	技术驱动叙事
4. 锁定ICP	极窄到极满意客户	"所有人"陷阱
5. 选类别	用户脑中货架	类别太大太空

AI产品定位的核心原则：

不是技术最强的赢，是定位最准的赢
同质化越严重，定位越重要
不要和GPT/Claude直接对标------你输不起
ICP越窄越好（早期）------10个忠诚客户>1000个浅试用户
类别决定一切------决定货架/对标/预算来源
定位要稳定------2-3年不变，演化要慢
真差异化是系统性优势------单点功能不是护城河

给你的AI产品的定位起手式：

先回答"我替代了什么"------不是"我添加了什么"
找你最满意的10个客户------共性就是ICP
对标"做没做"------为什么用户要换？
选个清晰类别------用户能秒懂的货架
翻译价值到情感------理性买单，感性付费

路易乔布斯 © 2026 | AI Agent & RAG学习计划 · 模块05-商业化 · 第三篇（完结）

参考资源：

April Dunford, "Obviously Awesome: How to Nail Product Positioning", 2019

April Dunford, "Sales Pitch", 2023

a16z, "Positioning AI Products in 2026", 2026