一句话定义
AI 功能的 ROI 归因（ROI Attribution），就是当业务指标发生变化时——比如用户数、留存率、付费额——按一套明确的规则，把变化拆分到 AI 功能和同期发生的其他动作上，回答一个问题：这些增长里，有多少是 AI 真正带来的。
ROI 即投资回报率（Return on Investment），归因即 Attribution，直白说就是“功劳怎么分”。
为什么难：因素交织，难以拆分
打个比方。一家小饭馆这个月流水涨了三万块。同一时间它做了三件事：上了新菜、在路口发了传单、门前那条路刚好修完通车。月底老板问：新菜贡献了多少？没人答得上来——三件事一起发生，客人也是一起进来的。
在真实业务中，AI 功能几乎从不“单飞”。它通常和一次大促、一次界面改版、一轮渠道投放同时上线。用户确实变多了，运营说是因为活动，算法说是因为推荐更准，两边都拿得出截图。这就是“归因不干净”——原因和结果绑在一起，分不开。
四种常见做法，以及各自的坑
| 归因方式 | 怎么做 | 好处 | 坑在哪里 |
|---|---|---|---|
| 最后触点归因（last-touch） | 用户最后碰了谁就算谁的 | 简单，数据现成 | AI 常常抢走运营的功劳，或者反过来 |
| 线性归因（linear） | 各触点平均分摊 | 不得罪人 | 平均主义容易掩盖真相 |
| 对照实验（A/B 测试、holdout 组） | 随机分流，一组有 AI 功能、一组没有，差值就是增量 | 最接近因果 | 要流量、要周期，还得承担一部分用户体验成本 |
| 准实验（双重差分 difference-in-differences 等） | 找天然可比的两组做对比 | 不能做实验时可用 | 前提假设很强，站不住就全错 |
与几个相邻概念的区别
使用率与增量不同。 功能使用率高，只说明有人点，不说明它带来了额外价值——用户可能本来就要下单，AI 只是恰好出现在那里。真正的增量（incrementality）是“没有这个功能就不会发生的行为”。
离线指标与业务价值不同。 模型准确率涨了，跟留存涨了是两回事，中间隔着好几层。
归因与 ROI 不同。 归因是算 ROI 的前一步：先把分子（AI 带来的收益）切干净，除以投入，才得到那个比值。分子没切干净，ROI 再精确也是假的。
这对你意味着什么
对做 AI 的人：立项时就要想清楚怎么测——提前埋点、留对照组、记录同期还上了什么。别等季度汇报时再回头找证据。AI 项目能不能继续拿到预算，靠的是增量证据，不是使用率截图。
对管理者和普通职场人：听到“AI 让用户涨了 X%”，先追问三句——这段时间还做了什么？有没有对照组？指标口径中途改过没有？这三个问题问下来，账能不能算清，基本就清楚了。具体指标口径与实验设计规范，以各家官方文档和数据平台说明为准。