围绕真实 APP 问题，持续学习 AI Growth、AI Product Analysis 与 AI Customer Experience。每一期都从一个判断出发，走到可以实践的小动作。
今日判断找到“最可能流失的人”不等于找到了“最值得挽回的人”。前者预测用户自己会不会走，后者要估计某个具体动作能不能改变她的结果。AI-native 增长系统真正该优化的不是预测分数，而是 incremental effect（增量效果）：只在动作比“不动作”更可能创造价值、且不会损害信任时介入。
今日判断AI 能读完所有 VOC，不等于它能稳定判断“哪个问题最大”。如果每次分析都让模型临时发明标签，同一个问题会被拆成多个近义词，问题排名也可能随提问方式改变。更可靠的做法是双轨：用稳定、可审计的 Feedback Taxonomy（反馈分类体系）负责计数，同时让 AI 在“未归类区”发现新问题；分类变更必须经过验证、版本记录和历史重算，才有资格进入增长决策。
今日判断AI Agent 在离线模拟里“全部通过”，只能证明它通过了我们已经想到的考题，不能证明真实用户体验会改善。可靠的发布必须连过三道门：上线前用 eval 防已知错误，上线中用小流量实验验证真实增量，上线后用持续监控发现新失败。只做第一道门，是质量保障；三道门能把生产失败重新变成测试与策略，才接近 AI-native 增长闭环。
今日判断AI 自动扫完二十张图，得到的是一批“值得注意的变化”，还不是一批“值得做的增长实验”。从异常直接跳到实验，会把埋点漂移、季节波动、版本故障和用户结构变化都误当成产品机会。真正应该自动化的是一条有刹车的链路：先确认变化真实，再定位受影响旅程，保留竞争解释，最后才生成可证伪的实验候选。
今日判断在让 AI 自动找漏斗异常之前，先要确认每个事件都在说同一种业务语言。埋点不是事实本身，而是客户端、服务端或设备对“发生了什么”的一次声明；如果 iOS 的“绑定成功”代表点了完成按钮，Android 却代表服务端已确认连接，AI 越会分析，越可能把口径差异误判成增长机会。对 Momcozy APP，第一批 AI Product Analysis 能力不应…
今日判断增长实验最先要回答的，不是“B 版赢了吗”，而是“这场实验有没有资格回答这个问题”。如果分组、真实曝光或结果回传已经偏了，AI 只会更快地产出一份精确但错误的结论。对 Momcozy APP，实验能力的第一块地基应是“数据可信门”：先证明比较对象成立，再谈显著性、增量和自动放量。
今日判断AI 客服最危险的虚假增长，是把“用户没再说话”算成“问题已解决”。对话结束只是一个系统事件，问题解决才是用户结果；两者之间必须有确认、合理观察窗口、重新打开后的纠错，以及“正确转人工也算成功”的定义。对 Momcozy APP，第一步不是追求更高自动解决率，而是先把“已回答、已确认解决、暂时沉默、再次求助、正确接管”拆成不同状态。
今日判断用户第一次看到权限弹窗时，系统真正请求的不是蓝牙、通知或麦克风，而是一笔“先相信我，之后你会得到价值”的信任预付款。减少步骤不等于减少摩擦：如果我们在用户理解价值前集中索取权限，流程虽然短，心理阻力反而更大。对 Momcozy APP，更值得先验证的不是“怎样让授权率更高”，而是“每项权限能否在需要它的任务当下，被解释为一笔清楚、最小、可拒绝的价值交换”。
今日判断个性化不是“更准确地猜出用户是谁”，而是“在当下任务里，判断哪一步最可能帮到她——包括什么都不做”。如果系统只学习点击，它会越来越擅长制造点击；只有把任务结果、不确定性、隐私授权和人工接管一起放进决策，个性化才可能从推荐文案升级为增长能力。对 Momcozy APP，最值得先做的不是一个覆盖所有旅程的“用户画像大脑”，而是一条窄场景、可解释、允许不动作的决…
今日判断北极星指标不是“全公司只看一个数字”，而是用一个最接近用户已获得价值的结果，约束系统不要把下载、点击、会话量当增长。真正可执行的是“北极星结果 + 3–5 个输入指标 + 护栏 + 因果证据”。对 Momcozy APP，比 DAU（日活跃用户数）更值得先验证的，可能是“合格用户在合理周期内安全、稳定地完成关键任务”；但这个口径不能靠讨论拍定，必须先证明它…
今日判断增长系统最容易高估的，不是某一次实验，而是把所有“赢过的实验”加起来，误以为它们就是产品真正创造的长期增量。短期指标会回落，多个动作会互相替代，系统又天然只挑赢家；所以 AI 把实验速度提高后，我们更需要保留一个 Counterfactual（反事实）：如果这些动作都没发生，结果本来会怎样？对 Momcozy APP，短期实验负责判断“这一步有没有用”，长…
今日判断Behavioral Cohort（行为 cohort，按行为组成的一群用户）最重要的用途不是“找一批人去触达”，而是把一个平均数拆成可以验证的增长问题：哪些人做过什么、在什么情境下，后来得到不同结果？AI 可以快速扫描很多路径并提出 cohort，但“某行为和留存同时出现”仍不等于该行为造成留存。对 Momcozy APP，先把 cohort 当作调查与…
今日判断增长实验不是“主指标赢了就上线”，而是一份包含目标、不可伤害项和停止条件的契约。AI 让实验变多、读数变快之后，真正稀缺的反而是：系统能否在局部转化变好时，及时看见可靠性、信任或长期价值正在变差。对 Momcozy APP，Guardrail Metric（护栏指标）不是看板上的附属数字，而是 Agent 获得任何执行权限之前必须遵守的边界。
今日判断AI 回答在离线评测里变好，不等于用户体验和留存真的变好；但直接把每个版本都扔进线上 A/B test，也是在拿真实用户替系统做基础质检。更可靠的顺序是：先用 Evals（评测）验证“它有没有按预期工作”，再用线上实验验证“真实用户是否因此得到更好结果”，最后用实验结果反过来校准 Eval。对 Momcozy APP，这能避免把“模型更会得分”误当成“用户…
今日判断推荐增长的起点不是“加一个邀请按钮”，而是先找到用户在什么价值时刻，会自然想把产品带给另一个人。只有分享行为既帮助当前用户完成任务，又让接收者看懂价值，才可能形成 Growth Loop（增长循环）；靠奖励催出来的邀请，若没有激活和留存，只是一次性获客。对 Momcozy APP，更值得验证的不是“妈妈愿不愿意推荐”，而是哪些安全、明确、可分享的成果，能让…
今日判断新功能被点过一次，不等于它被采用；真正的 Feature Adoption（功能采用）要看目标用户是否在需要时获得价值，并在后续真实情境中再次使用。对 Momcozy APP，AI 助手、BBM 或设备功能若只追“入口点击率”，Agent 很容易把好奇、误触和被提醒后的短暂尝试误判成增长。AI-native 系统应持续识别“没看见、没成功、没必要、没再用”…