AI 产品 Kill / Pivot 标准：在实验前写下继续、转向与停止条件

“再加一个功能，也许用户就会付费”是产品验证最昂贵的句子。没有预先写下的结束标准，任何失败都能被解释成样本不够、模型不够强或营销还没开始。代码越多，团队越倾向继续投入，实验也就从寻找事实变成维护希望。

Kill 标准不是悲观预测，Pivot 也不是换一个流行方向。它们是一份事前决策合同：在固定时间和样本内，什么证据支持继续，什么证据说明问题存在但当前方案错误，什么结果要求停止投入。标准必须在看到实验结果之前签署。

为五条证据链分别设阈值

一个 AI 产品至少需要同时通过以下维度：

1. 需求：目标用户近期真实发生问题，并有可观察替代行为；
2. 承诺：用户愿意提供数据、时间、审批资源或付款；
3. 价值交付：产品在明确质量门下完成任务，并产生可量化改善；
4. 单位经济性：价格能够覆盖模型、基础设施、支持和人工复核；
5. 风险：授权、隐私、严重错误和回滚处于可接受边界。

不能用一个综合平均分掩盖致命项。例如付费转化很高，但产品会生成无法被人工及时发现的医疗建议错误，风险门失败就必须停止该交付方式。反过来，模型准确率很高但用户从未重复使用，也不能靠技术指标宣布继续。

访谈和付款证据的采集方式可参考用户访谈与付费意愿验证，价值交付则应依据Time to Value 基线里的完成率与质量门，不要临时挑一个最好看的指标。

给每种结局写清触发器

以“为小型电商生成可直接发布的商品合规说明”六周试点为例，团队计划接触 30 家符合画像的商户，至少 12 家完成访谈，最多接收 60 个经授权案例。实验前可以冻结：

• 继续：至少 6 家进入试点、4 家按 1,000 元付款、首次验收率不低于 90%、严重合规错误为 0、每份完全交付成本不超过 80 元，且 3 家在四周内提交第二批任务；
• 转向：问题发生率高于 60%，但主要拒绝原因集中在一个可改变因素，例如目标客户没有审批预算、交付格式不匹配或某一输入渠道受限；
• 停止：12 次合格访谈后少于 4 家能提供近期案例，或两轮报价后无人付款，或出现无法通过限定范围和人工复核控制的严重风险；
• 延长一次：仅当预先记录的执行故障导致有效样本不足，例如支付链接不可用三天；延长时长和补充样本上限也必须事前限定。

“问题发生率高”不能单独触发 Pivot。转向必须有集中、可验证的阻塞原因，以及一个只改变单一假设的新实验。如果需求弱，换人群只是重新开始研究，而不是保留原结论。

用真实结果做一次决策

六周后，30 家中有 14 家完成合格访谈，9 家展示近期案例，5 家进入试点，3 家付款。共处理 45 份文档，39 份首次验收，首次验收率 39 / 45 = 86.7%；没有严重合规错误，但每份完全成本 92 元；2 家提交第二批任务。

这组结果没有达到“继续”的付款数、验收率、成本和重复使用阈值，也没有触发需求弱或零付款的直接停止线。若拒绝记录显示 6 家都因为需要接入现有商品管理系统，而不是因为问题不重要，可以提出“交付渠道 Pivot”：保持目标人群、问题和定价不变，只把 PDF 交付改成一个受限的 CSV 导入原型，运行两周补充实验。

补充实验也要有阈值，例如 4 家试用、3 家完成导入、首次验收率达到 90%，人工时间下降到每份 20 分钟以内。若不成立，就停止；不能再同时换价格、行业和模型。一次改变一个关键假设，才能知道新证据来自哪里。

决策日志要保留失败和异议

每次评审记录：冻结日期、负责人、实验版本、目标样本、原始分母、各阈值结果、异常、退款、风险事件、决策和下一笔预算。参与交付的人容易高估继续价值，应至少让一名未参与日常执行的人复算指标，并随机回放失败案例。

禁止删除不合格结果来“清洗数据”。画像不符可以排除，但画像规则必须在招募前确定；中途退出、退款和无法完成的任务都属于结果。若管理者批准越过某条标准，应写清新证据、最大追加预算和最后日期，而不是口头说“战略价值很大”。

礼宾试点的人工账本可按AI 产品礼宾式试点执行；候选改动是否值得进入下一轮，可用AI 功能证据评分卡定位最缺的证据。但工具不能替代停止动作：触发 Kill 后，应关闭招募和付费入口，通知试点用户，按约退款或完成交付，设置数据删除时间，并归档可复用的研究结论。

区分五类 Pivot，避免全面重置

常见转向包括：目标人群变化、问题范围变化、交付机制变化、渠道变化和收费单位变化。每次只能声明主要改变的一类，并列出保持不变的假设。例如从个人设计师转到设计机构属于人群变化；从“生成设计稿”改为“检查品牌一致性”属于问题变化；从网页改为 API 属于交付机制变化。

若同时更换用户、问题、渠道和价格，旧实验无法提供有效先验，新方向应建立新的假设、样本与停止标准。把它标为“全新研究”比伪装成一次连续 Pivot 更诚实，也更便于以后判断哪些证据仍然有效。

评审会的最后六个问题

• 每个阈值是否在首位用户进入实验前写下？
• 原始记录能否复算分子、分母、成本和退款？
• 是否有单项风险门，还是被综合分数抵消了？
• Pivot 是否只改变一个主要假设，并有新的截止日期？
• 延长是否符合事前定义的执行故障例外？
• Kill 触发后，客户通知、退款、数据删除和经验归档是否有负责人？

明确的停止标准不会扼杀好产品。它会阻止团队把有限时间消耗在无法证伪的方向，并让真正值得继续的产品拥有更强证据。最终目标不是频繁停止，而是让每次继续都能回答：“哪一条现实证据值得我们再投入下一笔资源？”

延伸阅读

• 用户访谈与付费意愿验证
• AI 产品礼宾式试点
• AI 功能证据评分卡
• AI 产品冷启动与 PMF