固定 point-threshold scoring gate：何时有效，何时失效
研究截止：2026-08-31；范围：咨询、法律、工程等专业服务知识产品化的公开研究与流程案例。
结论：固定阈值适合低成本初筛，但不能单独决定洞察是否产品化。有效性取决于评分锚点、可审计证据、跨职能决策、资源闸门和试点反馈；当闸门没有真实后果、数据可操纵或知识不符合用户任务时，评分会被规避或形式化。
证据
- McKinsey指出，若资金很少被延迟或停止，stage-gate会议会沦为流程形式；把结果与预算释放/阻断绑定可提高准备和审查力度。[McKinsey, 2017]
- Deloitte警告，产品团队可通过操纵商业计划中的数字和数据让项目通过早期闸门；早期筛选过严也可能错过潜力项目。[Deloitte]
- Cui、Kumar与Gonçalves的实验发现，评价8个创意时逐项评分比排序更可能选出最高质量创意；只有3个创意时差异趋小，说明评分是情境化筛选工具而非固定阈值证明。[2019]
- Markus发现，不同复用者需求不同，知识生产者常缺少把原始记录加工成可复用内容的时间和激励。[2001] 工程案例显示，碎片化、相关性不足和缺少根因验证使设计人员仍依赖资深人员口头交流。[2014]
固定阈值的适用边界
| 情形 | 判断 |
|---|
| 评分维度有行为锚点；最低证据、隐私/IP条件为硬门槛；跨职能评审；通过即释放资源 | 较可能有效：用于缩小候选集和保证可比性。 |
| 评分只是文档字段，资金与优先级不受影响；利益相关者缺席 | 易被忽略：McKinsey所述“无实质后果的形式闸门”。 |
| 商业数据可自由调整、评分者与项目负责人利益一致 | 易被规避或gaming；Deloitte明确提出数字操纵风险。 |
| 洞察依赖隐性知识、跨情境差异大、用户检索需求未满足 | 分数即使高也难复用；需专家翻译和原型试用。 |
目前没有直接的专业服务纵向研究量化固定阈值被操纵或弃用的普遍率，因此“会gaming”应视为风险而非已证实基准事实。
推荐：复合决策机制
| 阶段 | 问题与证据 | 决策 |
|---|
| 1. 初筛 | 重复性、迁移性、证据质量、操作适配、预期复用价值；使用锚定评分和组合内相对排序。 | 进入/暂缓；硬性隐私/IP失败即淘汰。 |
| 2. 问题适配 | 至少两个独立案例；真实用户确认问题；记录反例。 | 批准原型预算。 |
| 3. 编码原型 | 诊断表、决策树或模板；非原作者独立运行并记录误用。 | Go / Recycle。 |
| 4. 前瞻试点 | 预先定义准确性、采纳率、时间节省、复用次数、误用率、维护成本。 | Go / Hold / Kill。 |
| 5. 规模治理 | 版本号、作者/维护人、证据链、例外日志、季度复核和日落日期。 | 扩大、修订或归档。 |
防规避与校准
将闸门结果与资源释放绑定；要求原始数据可审计和独立复核；记录评分覆盖率、阈值通过率、例外/覆盖率、预测与实际偏差、误用率及复用收益。若几乎所有项目都过线，或例外率持续升高，应重设维度/阈值。对经济优先级使用组合排序，对安全、合规、隐私使用不可逾越的硬门槛；对高隐性、高方差问题保留专家裁量。
参考来源
- McKinsey, “Make milestones matter with decision gates” (2017).
- Deloitte, “Digital product management”.
- Cui, Kumar & Gonçalves, “Scoring vs. Ranking” (2019).
- Markus, “Toward a Theory of Knowledge Reuse” (2001).
- Research in Engineering Design, “A model for reusing service knowledge” (2014).