AI Product Growth 101｜05｜Retention：从惊艳时刻到稳定委托
AI 产品很容易制造第一次惊艳。
把一段文字变成图片，把一小时会议变成摘要，让 Agent 在几分钟里改完一批代码，都足以让用户截图分享。
但惊艳是一种比较。
用户拿它和“以前做不到”比较。
几次之后，比较对象会变成“上一次产品表现如何”。新鲜感消失，等待、错误、修改和不确定性开始变得明显。
这就是很多 AI 产品的留存悬崖。
留存来自重复任务
如果用户的问题只发生一次，产品做得再好也不会产生高频留存。
所以看留存前，要先看工作流是否重复。
用户会不会在下一周遇到同类任务？
产品是否保存了上一次的上下文、偏好和判断？
第二次使用是否比第一次更容易？
AI 产品的复利，应该体现在后续任务上。
如果每次都要从空白输入框重新解释自己，产品没有积累。
Canva 在 2026 年介绍新一代 AI 产品时，把持久记忆、可编辑的分层输出、连接器和定时任务放在同一套体验里。这组功能本身不能证明留存提高了多少，却很能说明产品方向：生成只是中间步骤，真正被保留下来的是用户的品牌规则、工作上下文、修改能力和重复运行的流程。
委托阶梯
用户不会一次性交出全部控制权。
信任通常沿着一条阶梯增长：
- Ask：用户问，系统回答。
- Draft：系统生成草稿，用户修改。
- Recommend：系统主动给出下一步建议。
- Execute：用户确认后，系统执行动作。
- Automate：在明确规则内，系统自动执行并汇报。
留存增长经常不是因为用户运行得更多，而是因为用户沿着阶梯向上移动。
一个每月自动处理大量对账异常的产品，打开次数可能比聊天工具少，却更深地嵌入业务。
四个留存引擎
1. Context Accumulation
产品逐渐理解用户的业务对象、表达偏好、历史决策和例外规则。
这里的重点不是“记住一切”，而是保存会改变下一次结果的信息。
记忆越多不一定越好。可见、可编辑、可删除的记忆，才更容易建立信任。
2. Workflow Embedding
产品进入用户原有的工作地点，并与上下游连接。
触发来自真实事件，结果可以直接回写，异常能够进入人的待办队列。
集成的价值不只是减少复制粘贴。它让 AI 成为流程的一部分。
3. Trust Accumulation
用户逐渐知道系统擅长什么、不擅长什么，以及失败时会发生什么。
稳定边界比偶尔惊艳更能建立信任。
来源链接、操作记录、审批点和回滚能力，会把“希望它没出错”变成“我知道怎样检查和恢复”。
4. Team Learning
一个人修正的结果，是否能帮助整个团队下一次做得更好？
共享模板、评估标准、规则和最佳实践，会把个人使用变成组织资产。
当产品承载了团队的工作方式，替换成本才真正形成。
不要迷信时间 spent
很多传统互联网产品希望用户停留更久。
生产力型 AI 产品可能相反。
用户用更少时间完成更多任务，可能正是价值所在。
因此，留存不应只看 DAU、会话数或停留时间。
更有用的指标包括：
- 重复任务完成率。
- 结果接受率的变化。
- 每个结果的人工修订时间。
- 委托阶梯的层级分布。
- 有多少工作流在持续运行。
- 用户暂停自动化或回退到手工的比例。
找到留存悬崖发生在哪
用户不回来，原因可能完全不同。
有人只是在尝鲜，任务本来就不重复。
有人拿到了差结果，不愿再冒险。
有人觉得结果不错，但准备上下文太麻烦。
有人已经获得价值，却因为价格或额度停止使用。
把所有流失用户放在一起访谈，容易得到模糊结论。
应该按最后一次完成的步骤、结果质量、任务类型和委托层级分组。
留存问题通常不是一个问题，而是一组不同的断点。
小结
第一次惊艳靠能力。
长期留存靠系统。
它需要重复发生的任务、不断积累的上下文、嵌入原有流程的交付方式，以及逐步扩大的信任和委托。
下一篇，我们讨论收费。AI 产品的收费单位不只是商业选择，它会反过来决定团队优化什么行为。