在分析这几个选项之前，我们需要对K-Means聚类有一个基本了解。K-Means是一种基于原型、划分的聚类技术，通过迭代优化聚类中心的位置，使得数据点到其所属聚类中心的距离平方和最小。以下是对各个选项的分析：

- **A: 对初始点位置敏感，但不会影响聚类的效果**
- **不正确**。K-Means对初始点（初始聚类中心）的选择非常敏感，这是因为不同的初始点可能会导致算法收敛到不同的局部最优解。因此，初始点的位置确实会影响聚类的最终效果。

- **B: K-Means聚类是基于原型的、划分的聚类技术**
- **正确**。K-Means确实是一种基于原型（中心点）的划分聚类方法。

- **C: K-Means聚类算法简单，快速**
- **正确**。K-Means算法步骤简单，主要包括迭代更新簇中心和分配数据点到簇，计算复杂度相对较低，因此执行速度较快。

- **D: K-Means聚类不受异常值的影响**
- **不正确**。K-Means受异常值的影响较大，因为聚类中心的计算基于均值，而异常值会拉动均值的位置，从而影响聚类结果。

基于以上分析，选项A和D都是不正确的描述。但题目要求找出不正确的选项，且通常考试题目只挑一个选项作为答案。在许多考试标准中，首选 A 作为唯一的错误答案，因为 D 的错误影响在题目设计时可能未被广泛强调。

所以最终的答案是：**A**。