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。
传统分群常问：“谁最可能流失、购买或求助？”但这个概率描述的是用户本来的倾向，不是触达造成的变化。
Uplift Modeling（增量效果建模），大白话是：不只预测一个人会怎样，而是估计“对她做这个动作”和“什么都不做”之间，结果可能差多少。它要解决的是反事实问题——同一个人不可能同时既收到消息又没收到消息，所以系统必须从随机对照数据中学习相似人群的差异。
生活类比是下雨天发伞。站在屋檐下的人最可能保持干燥，却未必需要伞；真正值得帮助的，可能是拿到伞就会改变行动的人。还有人本来会带伞，发伞只是浪费；也有人会被突然打断，动作反而制造负价值。
Momcozy APP 的待验证例子是设备绑定帮助。高失败风险用户可能遇到兼容或设备故障，帮助卡改变不了结果，应进入排障或人工接管；低风险用户本来就会成功，不需要打扰。真正适合实验的，是出现可解释卡点、帮助有机会改变下一步且风险边界清楚的人。预测卡住和预测帮助有效是两种模型。
Spotify：全量消息有混合效果，于是从“谁会留存”转向“消息对谁有增量”
精准触达的正确目标不是找到最活跃或最可能付费的人，而是找到“收到消息后结果会比不收到更好”的人。
关键事实
Spotify 长期保留随机 holdout（留白对照组，即一部分合格用户不接收站内消息），发现全量消息的整体效果是混合的。因此他们训练 uplift model，同时估计“发”和“不发”下的结果；上线前用历史随机数据做 offline policy evaluation（离线策略评估），比较全发、全不发和模型选择三种策略，之后再做真实 A/B test。官方称实验看到显著留存改善并进入生产，但未公开具体效应值。
编辑视角它证明了什么： 这证明随机留白数据可以让模型学习干预的差异效果，也证明模型的离线评分必须再接受真实 A/B test。它不能证明 uplift 模型天然适合所有渠道，更不能把 Spotify 的娱乐内容触达直接外推到母婴设备场景；目标、时效、干扰成本与隐私风险都不同。
Spotify 2026 研究：让 LLM 模拟用户，仍不能替代真实增量证据
AI 可以帮助筛掉弱候选，却不能因为“模拟用户说会喜欢”就宣布某次干预有效。
关键事实
Spotify 2026 年 8 月用 Upworthy 数千个标题 A/B test 检验 LLM 能否替代真人反应。未经校准的 GPT-4o-mini 只恢复了真实人类 treatment effect（处理效果）的 39%，并系统性把效果压向零。要成立，LLM 必须捕捉干预影响真人反应的全部关键信息，且预测与真人行为的对应关系在新旧实验间稳定。机器学习校准在历史留出实验中表现较好，但普通线性校准偏离真人基准 3.8 个标准误。
编辑视角它证明了什么： LLM 输出可以作为候选代理信号，但可信度来自过去的真人实验校准；越是全新界面、定价或旅程，历史对应关系越可能失效。Upworthy 的标题点击也不能代表 APP 留存。真实随机实验靠设计识别因果，LLM 模拟靠假设推测因果。
先认识这个人，以及今天新增什么
Elena Verna 是 Lovable 的增长负责人。今天新增一个机制：她为什么把赠送 AI 使用额度视为 marketing cost（获客投入），而不是毛利损失。
核心机制：把资源给能放大产品价值的人
访谈约 51:48–57:42，Elena 说，Lovable 会为用户自发组织的 hackathon（集中共创活动）提供免费额度。逻辑不是“所有人都免费”，而是：当用户愿意向周围人展示产品、组织试用并完成教育与激活时，额度可能形成体验—展示—口碑—新体验的循环。团队把模型成本视为营销投入，并强调先让用户获得第一次 preview（预览）的 wow moment（惊喜时刻）。
这与按“最可能付费”排序不同。本来就准备付费的人即使不给额度也会转化；能组织多人体验的人，当前付费概率未必最高，却可能创造更大增量。要估计的是这次资源投入改变了什么。
最容易误解的地方
Lovable 是可快速重试、适合公开分享的 AI 创作工具。Momcozy 有实体设备、母婴和健康语境，不能照抄“多送、多曝光”，也不能用敏感阶段或设备数据寻找“最容易被说服的人”。访谈也没有给出随机实验增量，不能把公司增长与单一打法写成因果。
我们能借什么
值得借的是干预思维：任何权益、帮助卡或提醒，都先写清“不给时会怎样、给了改变什么、谁可能被打扰、怎样留出对照”。答不清，就还不是可学习的增长机制。
以“干预资格 Agent”为例，链路不能停在预测流失名单。
系统读取什么：已批准的目标与动作；随机分配、真实曝光和留白对照；动作前的最小必要特征；稳定任务结果、再次失败、留存、负面 VOC 和人工接管。敏感数据不得为提高转化被跨场景拼接。
形成什么判断：分别估计“不动作结果”和“执行某个具体动作后的结果”，得到增量及不确定性；再把用户分成可能受益、本来就会成功、难以改变、可能被伤害或证据不足。高流失风险不自动等于应触达。
能做什么：在已批准的低风险实验里建议“帮助、暂不动作或交给人”，保留随机 holdout，控制频率与预算，并输出证据缺口。它不能未经确认发送 Push、EDM、站内信，不能根据敏感阶段自动促销，也不能自主改变生产策略。
如何看结果并更新策略：比较真实增量、稳定任务结果、重复失败、留存与信任护栏；收到帮助后若与留白组无差异，就降低动作优先级；转化增加但退订、负面 VOC 或错误操作恶化，则判为负增长。结果更新下一轮资格规则，而不只更新文案。
何时交给人：样本不足、效果不确定、健康或儿童语境、设备安全、连续失败、隐私不清，以及所有生产触达与放量。预测流失并生成人群包属于 AI-assisted Operations（AI 辅助运营）；持续比较动作与不动作、在权限内选择或克制、再用结果更新策略，才接近 AI-native Growth System（AI 原生增长系统）。
场景一：设备绑定与首次稳定价值。 待验证假设是，一部分卡点用户会被及时帮助改变，一部分属于版本、兼容或设备故障，帮助卡无效甚至延误排障。可以先比较“合格低风险卡点中，展示帮助 vs 留白”的稳定结果与重复失败，不能只看点击帮助或短期完成。最先需要的是把“可被帮助的摩擦”和“必须排障/接管的故障”分开。
场景二：AI 助手与 BBM/VOC。 待验证假设是，主动提示对第一次不知道如何提问的人可能有价值，对已经在完成明确任务的人则可能打断。可以用最小化行为证据定义低风险资格，保留不提示组，并把正确接管记为好结果。不能读取敏感会话去预测谁更容易接受推荐，也不能把更多会话当作帮助有效。
场景三：订阅与阶段性服务。 “最可能流失”可能混合价格、阶段自然结束、体验故障和不再需要服务，所需动作完全不同，阶段结束甚至不该挽回。可以验证某项权益是否创造增量，不能根据推断的孕产育阶段自动触达。先要定义不动作的自然结果，以及什么属于正常结束。
可以借什么、不能照抄什么：可以借随机留白、干预增量、频控和负效果识别；不能照抄 Spotify 的高频触达或 Lovable 的免费分发。Momcozy 首先要证明动作帮助了真实任务，同时没有损害评分、留存和信任。
- Uplift Modeling｜增量效果建模：估计一个具体动作相对不动作改变了多少结果。Momcozy 例子：不是预测谁会绑定失败，而是预测帮助卡能否提高其稳定使用。
- Treatment Effect｜处理效果 / 干预效果：同类人接受动作与不接受动作的结果差。Momcozy 例子：展示连接指导相对留白带来的稳定连接增量。
- CATE｜条件平均处理效果：在某类条件相似的人群里，平均干预效果是多少。Momcozy 例子：特定低风险卡点中，帮助是否有效；它不是对单个人命运的确定判断。
- Holdout｜留白对照组：符合资格但暂不接受动作的一组，用来观察自然结果。Momcozy 例子：一小部分合格用户不显示新帮助，以判断帮助是否真的创造增量。
- Heterogeneous Treatment Effect｜异质干预效果：同一个动作对不同人可能有益、无效或有害。Momcozy 例子：提醒帮助忘记步骤的人，却打扰正在顺利完成任务的人。
做一张“预测风险 ≠ 预测可改变”的干预资格卡，不触达真实用户、不改生产：
- 选一个假想动作：设备绑定卡点时展示帮助；
- 写出四类人：本来会成功、帮助后可能成功、帮助也难改变、可能被打扰或延误接管；
- 每类只写一条动作前可观察证据，避免敏感画像；
- 规定一个真实结果、两个信任/安全护栏和一个随机留白；
- 写清哪类必须交给人，哪类最合理的动作是“不动作”。
产出物是一页“自然结果—干预结果—证据—护栏—留白—接管”卡。完成后能更新的判断是：我们想找的是最可能失败的人，还是最可能因一次合适帮助而改变结果的人？最后只回答一个具体问题：在 Momcozy APP 当前旅程里，哪一种高风险用户即使预测分数很高，也最不应该进入自动触达，而应直接排障、人工接管或保持不动作？