期望管理与信任建立
一句话定义
期望管理是让「营销承诺、首次体验、日常能力」三者对齐的系统性工作——用场景化演示替代能力夸大，用首次引导教会正确用法，用边界说明替代沉默，防止期望鸿沟变成差评与流失。
为什么重要
AI 产品的用户留存有一个特殊杀手：期望鸿沟。Demo 里的惊艳表现拉高了预期，日常使用的平均表现低于预期，落差直接转化为「AI 也就那样」的弃用。同样的产品质量，期望管理好与坏，NPS 与续费可以差出一个量级——这是 AI 产品中性价比最高的「免费」增长杠杆。
前置知识
kp-015 不确定性交互（产品内的预期表达）。
核心概念
- 三线对齐模型：营销线（官网、发布会、销售话术）、引导线（首次体验、示例、模板）、能力线（真实分布下的平均表现）——三线中最强的那条决定预期，最弱的那条决定体验；差距即鸿沟。
- 场景化演示原则：演示任务必须来自真实高发场景且使用真实数据，禁用精心挑选的 demo 数据（对照 kp-021 的分布思维）；给用户的第一批示例模板应是其任务中频率最高的前三种。
- 边界说明：在恰当位置（首次使用、能力页、拒答时刻）显式说明「不擅长什么」。边界说明不是示弱，而是把「万能但偶尔翻车」的预期置换为「专精这几件事」的预期。
- 冷启动引导：教用户写好第一次提示词（模板、改写建议、示例库），首次成功率是留存的最强预测指标。
原理与机制
信任在心理学上是「期望 × 一致性」的函数：一次超预期的惊喜加分有限，一次低于底线的翻车扣分巨大（负性偏差）。因此期望管理的最优策略不是抬高期望，而是收窄方差——让用户对「什么时候好用、什么时候不靠谱」形成稳定模型。场景化演示有效是因为它把预期锚定在真实分布的典型样本上；边界说明有效是因为它预先划定了信任的适用域，翻车发生在「声明过的不擅长区」时，用户归因为「它说过的限制」而非「它不行」。沉默则相反：不声明边界，每一次翻车都会被记在信任总账上。
公式或模型
不适用——机制为心理与运营规律；留存等验证指标在 kp-022 的产品层监控。
图示
| 动作 | 错误做法 | 正确做法 |
|---|---|---|
| 营销 | 「一句话生成一切」 | 「最擅长这三类任务」+真实演示 |
| 首次体验 | 空输入框自悟 | 高频场景模板+改写建议 |
| 边界 | 从不说明限制 | 拒答时附「我擅长的是……」 |
| 翻车后 | 删除差评 | 公示已知问题与修复计划 |
实例或案例
- 正面样本：Midjourney 不承诺「精确可控」，官方文档与社区反复强调「抽卡」属性，用户以「出图概率」心态使用——期望与产品形态自洽，翻车不伤根基。
- 反面样本：某发布会演示的 AI 助手在精修数据上表现完美，公开测试版连基础指令都频繁失败，舆论反噬远超功能本身的问题——营销线严重高于能力线的经典鸿沟。
- 引导细节样本：优秀的对话产品在用户输入超纲问题（「帮我订机票」）时，拒绝之余附上「我可以帮你写行程邮件」，把拒答变成能力导购——边界说明的进阶用法。
常见误区
- Demo 驱动开发：为发布会反向定制能力（挑数据、调温度、多轮重试），上线后平均表现与 demo 断崖式落差。
- 边界说明羞耻症：担心「说不擅长」降低付费意愿；实际数据上，明确的专精定位反而提高转化与留存。
- 期望只在营销侧管理：销售对 B 客户过度承诺 POC 效果，交付团队背锅；期望管理必须是营销、销售、产品、交付的联合动作。
直观类比
期望管理像餐馆菜单的图片与实物的关系：图片拍得比实物好看两成，顾客满意；好看十倍，差评如潮。聪明的 AI 产品把菜单图片拍成「日常水准」，把「招牌菜」留给真实的惊艳时刻。
自测题
- 为什么「收窄方差」优于「抬高期望」？
要点：负性偏差使翻车扣分远大于惊喜加分；稳定的能力预期（何时可信）比偶发惊艳更利于留存与信任。
- 首次引导为什么是期望管理的一部分？
要点：首次成功率锚定用户对产品能力的初始判断；模板与示例把「正确用法」注入预期，预防低质输入导致的翻车。
- 拒答时刻如何转化为增长动作？
要点：拒答附能力推荐（「我不能订票，但可以帮你写行程邮件」），把期望边界变成能力导购。
与其他知识点的关系
产品内话术与 kp-015 的置信度表达一体两面；kp-017 的降级文案决定翻车时刻的体验下限；kp-005 的流派选择决定 demo 驱动的风险敞口；kp-022 验证期望管理对留存的最终效果。
延伸阅读
- 《上瘾》（Hooked），Nir Eyal——触发、行动、奖励的习惯回路，首次引导设计的方法论底座。