一个AI项目应该在什么时候停止？

没有停止条件，投入会自动延长

AI项目很容易不断获得“再调一次就会更好”的解释。模型可以更换，提示词可以继续优化，数据可以继续补充，流程可以继续连接。只要没有预先定义的停止条件，每一次失败都能被解释为投入还不够。

这会造成典型的沉没成本偏差：过去投入越多，团队越难承认剩余改进空间可能不足。理性的判断只应比较从现在开始的新增成本、成功概率和潜在价值，而不是用已经无法收回的投入支持继续。

四类停止信号

第一类是目标失效：原本要解决的问题已经变化，或即使解决也不再产生足够价值。第二类是证据停滞：连续多轮验证没有缩小关键不确定性。第三类是边际失衡：每一单位改进需要的成本快速上升。第四类是风险越界：合规、安全、依赖或维护风险超过可接受范围。

单个信号不一定要求永久终止，也可能触发暂停、缩小范围或改用人工方案。关键是动作必须与信号对应，而不是继续使用同一方法消耗资源。

• 核心指标连续多个验证周期没有达到最低阈值
• 错误主要来自不可控制的输入或外部依赖
• 人工接管成本抵消了自动化收益
• 剩余可改进空间小于继续验证的成本
• 项目目标与当前业务优先级已经脱离

把停止条件写成可执行规则

“效果不好就停止”没有执行价值。停止条件需要包含指标、阈值、观察窗口和例外。例如：在三个完整业务周期内，端到端首次通过率仍低于某一最低标准，且主要错误无法通过现有数据和权限修正，则停止扩展并回到人工流程。

阈值不应伪装成普遍真理。它来自具体业务的损失函数、风险容忍度和替代方案成本。重要的是在看到结果之前先确定规则，减少团队根据结果临时修改标准。

停止以后仍然要留下资产

停止项目不等于删除所有成果。有效的流程地图、数据口径、失败样本、接口验证和成本记录，都可以降低下一次判断的不确定性。一个被及时停止但留下清晰证据的项目，可能比长期运行却无法验收的系统更有价值。

最稳健的项目设计会同时准备继续、暂停、回滚和终止四条路径。能停止，说明系统对资源和风险仍然保持控制；不能停止，才是更严重的工程与管理问题。