价值发现循环 Skill

使用场景

• AI 产品已进入实验或早期使用阶段，需要判断哪些能力真正形成价值
• 团队有多个候选方向，需要用价值信号而非主观判断来决策优先级
• 产品已有用户使用，但无法判断增长是"真实价值"还是"新鲜感效应"
• 需要设计从价值发现到定价策略到方向调整的完整闭环

核心概念

• 价值发现循环（Value Discovery Loop）：围绕实验、价值验证、市场测试和方向修正的持续循环
• 价值信号：能证明能力正在形成真实业务价值的连续信号
• 伪价值信号：看起来亮眼但无法转化为持续使用或付费意愿的假信号
• 价值密度：某项能力对任务结果、时间成本和付费意愿的综合影响强度
• 产品循环 vs 价值发现循环：产品循环回答"如何把能力做出来"，价值发现循环回答"这项能力是否值得持续做下去"

价值发现循环流程

试验展开
  → 能力成立 → 价值发现（信号识别）
    → 伪价值排除
      → 价值密度评估
        → 市场测试设计
          → 定价策略联动
            → 方向修正建议
              → 回流到方向定界

五类价值信号识别

1. 效率信号

• 任务处理时间明显缩短
• 人工介入量下降
• 处理吞吐量上升

2. 质量信号

• 错误率下降
• 输出一致性提升
• 任务完成质量更稳定

3. 覆盖信号

• 过去做不了的长尾问题开始被处理
• 新场景被自然覆盖
• 边界案例解决率上升

4. 行为信号

• 用户愿意反复使用
• 愿意把更多真实任务交给系统
• 使用深度（不只是浅层尝鲜）

5. 商业信号

• 客户愿意付费试点
• 续期或扩大场景
• 明确表达购买意愿

四类伪价值信号排除

1. 演示陷阱

• 表现：演示效果惊艳，真实使用频率极低
• 识别方法：对比演示通过率 vs 日常使用率

2. 新鲜感效应

• 表现：用户觉得"很酷"但不改变原有工作方式
• 识别方法：追踪30天留存曲线是否断崖下降

3. 成本幻觉

• 表现：一次性提升明显，但成本/延迟/维护代价过高
• 识别方法：计算单位价值成本比

4. 能力-付费断层

• 表现：团队能做出来，但客户不愿持续付费
• 识别方法：测试付费意愿而非满意度

价值密度评估框架

对每项已验证能力，从三个维度评估价值密度：

维度	问题	权重
任务结果改善	这项能力改变了什么任务结果？	40%
时间/成本节约	为谁节约了多少时间或成本？	30%
付费意愿	谁愿意为此持续付费？	30%

高价值密度：三个维度都有明确答案 中价值密度：任务结果和成本有答案，付费不确定 低价值密度：只有一个维度有模糊答案 → 应考虑停止投入

价值发现到定价策略联动

价值密度评估
  → 高密度能力：设计确定性溢价定价
    → 中密度能力：设计用量阶梯定价
      → 低密度能力：纳入免费引流层或停止投入

定价策略不应脱离价值发现独立设计。具体定价方法参见 @ai-native-business-model。

价值发现回流到方向定界

价值发现不是独立环节，它最终回流到方向定界：

1. 场景价值重估：某类场景价值远高于原预期 → 提升优先级
2. 能力价值筛选：某类能力成立但价值密度不足 → 降低优先级
3. 客户分层修正：某类客户愿意付费，另一类不在意 → 调整目标客户
4. 方向重写：以上信息综合 → 更新 Direction Brief

输出物：价值发现方案

1. 价值信号清单：已识别的五类信号及强度
2. 伪价值排除报告：已排除的伪价值信号及原因
3. 价值密度评估表：每项能力的三维度评分
4. 市场测试设计：如何验证高价值密度的定价和场景
5. 方向修正建议：对 Direction Brief 的具体修改建议

使用方式

当用户提供已上线或正在验证的 AI 产品时，自动执行：

1. 收集当前产品的使用数据和用户行为
2. 识别五类价值信号
3. 排除四类伪价值信号
4. 对每项能力进行价值密度评估
5. 设计市场测试方案
6. 联动定价策略（配合 @ai-native-business-model）
7. 产出方向修正建议（回流到 @ai-native-direction-framing）
8. 输出价值发现方案

与其他 Skill 的关系

• 上游：@ai-native-experiment-engine（提供能力验证结果）、@ai-native-production-ops（提供生产环境数据）
• 下游：@ai-native-business-model（定价策略）、@ai-native-direction-framing（方向修正）
• 协同：@p7e-customer-loop（客户循环提供真实客户信号）

示例

示例：AI 客服 Copilot 价值发现

用户输入： "我们的客服 Copilot 已经在内部试用了一个月，想判断哪些能力真正有价值"

Skill 执行流程：

1. 价值信号识别

信号类型	具体信号	强度
效率	首响时间从5分钟降至1分钟	★★★★
效率	培训周期从2周缩至5天	★★★
质量	工单分类错误率从12%降至4%	★★★★
行为	客服主动使用率62%	★★★
商业	2个部门主动要求扩大试用	★★★★

2. 伪价值排除

伪信号类型	检测项	结论
演示陷阱	演示好评率95% vs 日常使用率62%	✗ 日常使用率合理，非演示陷阱
新鲜感	30天留存曲线平稳	✗ 非新鲜感效应
成本幻觉	单次对话成本$0.02，节约人工成本$2.5	✗ ROI 明确
付费断层	3个部门中2个表达付费意愿	⚠ 需要定价验证

3. 价值密度评估

能力	任务结果	成本节约	付费意愿	综合密度
工单分类	40%提升	中等	高	★★★★ 高
意图识别	25%提升	中等	中	★★★ 中
自动回复	15%提升	低	低	★★ 低

4. 方向修正建议

建议方向调整:
  提升: 工单分类能力 → 核心卖点
  维持: 意图识别 → 辅助能力
  暂缓: 自动回复 → 需要更多验证

定价建议:
  核心定价锚: 工单分类的准确率提升
  阶梯设计: 基于工单量级

回流方向定界:
  Direction Brief 更新:
    - 核心场景从"全链路客服"收缩为"工单分类+意图识别"
    - 目标客户从"所有客服团队"聚焦为"日工单量>500的中大型团队"