不存在的 AI 关闭开关：当用户参与共创归档内容时，如何下线功能

用户群组法（Cohort approach）是根据用户行为而非日历日期，分波次地将用户迁出该功能。第一组是从未使用或仅试用过一次的用户——直接静默删除功能即可，无需通知，因为他们根本不会察觉。第二组是中度用户，他们可以通过简单的产品内提示转向替代方案。第三组是工作流高度依赖该功能的资深用户；他们需要较长的废弃过渡期、手把手的迁移支持以及直接的沟通。如果还有第四组，那就是合同或集成中明确包含该功能的客户，他们需要的是合同重新谈判，而非一份下线通知。

分波次执行能做到日期切换无法做到的两件事。首先，它让你能从每一波中学习，并为下一波调整迁移工具——从未使用过的用户不会产生反馈，但第二组用户会提出第三组用户将以更激烈的方式提出的问题，从而让你提前做好准备。其次，它限制了影响范围。如果迁移工具有 Bug，你会先在第一或第二组用户中发现，而不是在那些信任流失代价极高的资深用户中发现。

让这一切奏效的埋点建设虽简单但并非没有成本：你需要每个用户的遥测数据，以区分偶然使用和核心使用；你需要能够针对特定群组而非仅按百分比投放的功能开关（Feature-flag）基础设施；你还需要一种超越“他们是否停止请求接口”的指标来衡量迁移的成功。没有这些埋点，群组计划就会退化为日期计划。在下线期间构建这些是可行的但很慢。在发布时就将其作为功能埋点的常规部分进行构建，是能够体面退役 AI 功能的团队与不能的团队之间的分水岭。

在发布时规划退出标准，而不是在下线时​

AI 领域之外的下线文献已达成明确共识：退出标准属于发布计划，而非事后复盘。同样的逻辑也适用于 AI 功能，但多了一个难点。AI 功能特别容易产生隐蔽的依赖蔓延——用户开始依赖那些他们没意识到是 AI 生成的输出，积累了只有 AI 才能生成的内容，而仪表板上显示的“活跃度提升”实际上是由于该功能的存在，而非其价值本身。这使得事后的下线判断变得尤为危险，因为你用来证明保留该功能的指标在结构上就偏向于保留它。

具体的退出标准看起来像：采用质量阈值（不仅是采用率，还包括带有粘性或任务完成信号的采用率）、单位经济效益阈值（每个成果的成本低于设定值，且成果需预先定义）、竞争阈值（该功能仍以设定的优势领先于用户的其他可选方案）以及战略契合度阈值（该功能仍处于公司想要投入的产品领域）。其中任何一项触达红线都应触发下线评估。这些都不必是硬性的自动关停触发器——触发器启动的是决策过程，而非决策本身——但触发器必须预先定义，否则最亲近该功能的人会为失败的指标寻找借口。

其中最难设定的是单位经济效益阈值，因为 Token 价格和模型性能都在不断变动。应将其设定为一个比例而非绝对数值——例如，使用该功能的用户群组中，每个成果的成本相对于人均收入的比例——这样即使 Token 价格下降 50%，该阈值仍有意义。

关于“活跃度提升即依赖”的对话​

退役 AI 功能最令人不安的时刻，是产品团队意识到活跃度的提升源于依赖而非价值。这是一种特定的失效模式：功能显示出极佳的活跃度、留存贡献和使用增长，所有仪表板上的曲线都很完美，当你提议撤掉它时，团队会担心用户流失。接着有人做了一个实验，对 10% 的预留组撤掉该功能，结果预留组并没有流失——他们只是适应了，一个季度后，他们的满意度评分与对照组无异。提升是真实的，但其价值远比数据所暗示的要小。

这是产品工作中通用的度量问题的 AI 版本，古德哈特定律（Goodhart's law）描述了它的形态：当一个指标变成目标时，它就不再是一个好的度量标准了。活跃度指标尤其难以区分“用户觉得这很有价值”和“用户已经习惯了这一流程，且能同样轻易地适应其他流程”。应对之道不是忽视活跃度，而是针对任何 AI 功能，每季度至少进行一次预留组实验来衡量其反事实价值，并将该实验作为继续投入的必要条件，而非仅仅作为关停标准。

该实验的结果也是与领导层沟通的话术。“我们在 X 组中撤掉了该功能，并观察到 Y 对我们真正关心的结果产生的影响”是无论支持还是反对都站得住脚的论据。“活跃度增长了 40%，请不要让我们关掉它”不是下线计划，而是一种合理化借口。一种要求提供反事实数据的规范，会迫使这些借口浮出面。

这对你交付的下一个 AI 功能意味着什么​

核心启示在于架构。你交付的每一个 AI 功能在设计之初都应该包含一个真实的、书面的且具有约束力的下线计划：在生成瞬间对产物进行版本化，以便归档记录来源；将写入端与读取端分离，以便它们可以独立退役；建立基于群组的迁移工具，使最终的下线不再需要成为一个特定的日程事件；将退出准则锚定在结果而非参与度上；以及每季度的反事实实验，用以区分真正的价值与单纯的依赖。

这一切并非全新的产品工作。新颖之处在于，AI 功能使得通用玩法的失败代价变得异常昂贵，这是以往功能退役时不曾有的 —— 因为产物会持久存在，因为参与度具有迷惑价值的粘性，因为运行成本是多变的且在持续上升，还因为围绕生成式内容的监管范围正在扩大而非缩小。那些能在 2027 年干净利落地让 AI 功能下线的团队，正是那些在 2025 年功能上线时就写好了下线计划的团队；他们在上线时展现的自律，决定了那个关闭开关是否真的存在。

你在下线时想要的那个关闭开关，必须是在上线时的设计中就内置好的。如果你没有这样做，你拥有的就不是开关，而是迁移 —— 且等待的时间越长，代价就越昂贵。