别一上来就做大系统，让 AI 帮你把 MVP 的证据链缩到最短

我见过太多这样的场面。往往不是团队不努力，是顺序反了：先动手做东西，再回头想这么做到底对不对。

正确的顺序刚好相反：先想清楚「这次到底要验证什么」，再设计一个花得最少、能最快给出答案的实验。

关键不在「功能做多少」，而在「证据链有多短」——最快的那个答案，才是实验的全部意义。

这篇讲 MVP 实验这个岗位：它只负责一件事——设计证据链最短的实验。要喂它什么、五步怎么走、上线要过哪几关，以及哪一步无论如何都要交回给人。

不少公司上 AI，第一件事是让它「帮我写个方案」。写方案是动作，不是结果。这个岗位的唯一结果是：设计出证据链最短的实验。

请注意「证据链」三个字。做个漂亮的原型演示，不算证据；找十个真实客户用一遍、记下他们卡在哪一步，才算。

第三条最容易被忽略。实验开始前就该写清楚「如果两周内没人愿意试，就停」。没有停止条件，「再等等看」会把预算慢慢磨光。

这个岗位固定吃五类材料。跟前面几个岗位比，它多了一样特别的东西——停止条件。

一条硬纪律：关键输入缺失时，先返回缺口，不许用想象补齐。宁可它说「没有客户侧材料，这个实验只能算初步设计」，也不要它编出一份看起来很完整的方案。

还有一点容易被漏掉：实验的成本不只在钱上，还在时间上。一个三个月才能出结果的实验，就算不花钱，也常常划不来——三个月里市场可能已经变了。

完整的执行链是五步：拆假设 → 选关键风险 → 设计最小交付 → 设指标 → 安排复盘。每一步都留下能检查的中间产物，出了错才知道错在哪一层。

第一步「拆假设」最反直觉。一个大想法听着动人，但它太大，没法验。要把它切成一条条能单独验证的小判断：「客户愿意为这个多付钱吗」「他们是不是每个月都会遇到」——一条假设，一次实验。

第二步「选关键风险」，是找出那个一旦不成立、整个项目就黄了的点。资源永远有限，先把钱砸在这上面，别在无关紧要的细节上打转。

第三步「设计最小交付」最考验克制。注意，最小不等于简陋，而是能验证假设的那一块——它很可能不是软件，是一张表格、一次人工服务、一场十几个人的小范围试用。

最后一步「安排复盘」同样重要。实验不论成败都要留下结论：哪条假设被证实、哪条被推翻、下一次该验什么。失败不复盘，下次还会掉进同一个坑。

下面这段可以直接复制去用。留意其中一条纪律：一旦涉及客户权益，必须提前说明试验范围——别让人不知情地被卷进来。

这五关少一关，实验都会变成一场没有结论的忙碌。

AI 能把大想法拆成一条条假设、能帮你找出关键风险、能设计出一版实验方案。但有两件事必须你来做。

第一件是划试验范围。哪些客户可以试、用什么方式试、事先要不要打招呼——涉及别人的权益，不能由工具替你决定。第二件是决定投多少、什么时候停。给多少预算、容忍几次失败、什么信号一出就收手，这是经营判断，不是资料整理。

说到底，AI 帮你把实验设计得又轻又快、把该验什么摆得清清楚楚；投不投、加不加、停不停，是你的活。这条线划清楚，试错才不至于变成烧钱。