文章转载于：优设网在过去的两年里，如果你在科技行业工作，你的关注点很可能被一个单一的主题所占据： AI 。
我们的技术演进已经进入了全新的时代--继个人电脑、互联网和智能手机之后， AI 现在已成为讨论的中心点，这样的讨论出现在公司的会议室和董事会的讨论中，出现在家庭聚餐、各大报纸的头版头条，甚至政府会议中也会谈及。
AI 初创企业的数量已从 2018 年的 4000 家增至 2024 年的 70000 家。
随着 AI 在不同行业的普及，用户体验从业者比以往任何时候，都更需要设计出具有良好用户体验的 AI 。
然而，设计 AI 并不像我们想象的那么简单。
对于UX设计而言，AI 是一个不可预测的复杂变量，对于设计师来说，如何 透过「充分的体验」来打造适合 AI 的用户体验，是一个巨大的挑战。
用户体验专家雅各布-尼尔森（Jakob Nielsen）几个月前写过一篇文章，称 AI 产品存在基本的可用性问题，比如输出内容的一致性很差，欠缺充分的映射。
类似的讨论你可以在这篇文章、这篇文章和这篇文章中找到，这些文章探讨了 ChatGPT 和 Midjourney 的可用性问题，以及它们复杂耗时的设置过程，比如用户在使用 Midjourney 之前，必须先注册 Discord。
最近几个月，我抽空设计了几个 AI 应用，并体验了 30 多个最新的设计领域相关的应用。
在这个过程中，我发现了一些常见的 UI 设计模式和改善体验的技巧。
所以，接下来我们可以深入探讨一下这些错误，并揭开其中的奥秘。
UI 模式的主要问题如果你在日常生活中曾用 AI 来搞定过一些问题，那么你会注意到，UI 模式通常会分为以下 3 类——形态自由式 AI （允许你直接输入提示词，并执行任务）、任务驱动式 AI （帮你执行特定任务）和后台隐形式 AI （在后台工作，帮助你提高工作效率，但不声张）。
接下来我们逐一看看。
1、形态自由式 AI形态自由式 AI 是如今最常见的 AI 应用方式。
UI 通常以侧边栏或嵌入式弹出窗口的形式呈现，用户可以随时调用这些 AI。
微软 Copilot、Notion Q&A 和 Taskade AI 等工具，就是典型的形态自由式 AI。
微软的 Copilot 就是形态自由式 AI 的典范虽然形态自由式 AI 的优势在于用户可以随时访问它，并且可以执行他们希望实现的几乎任何任务，但其形态自由的特性往往也会带来很多问题：❌ 用户不清楚 AI 能做什么：由于 AI 是完全自由的，它在很大程度上依赖于用户的 AI 知识储备，以了解如何高效、有效地使用 AI 。
提供如何开始使用的说明可能会有所帮助，但很多时候您需要为用户提供更多指导，如提供教程、社区范例等，以方便新用户开始使用。
❌ 结果的可预测性低：形态自由式 AI 可能会产生许多不可预见的结果，以及边缘情况，这对于设计师和开发者来说，在实施过程中处理这些情况，比较具有挑战性。
例如， AI 的响应时间可能在很大程度上取决于用户所提的需求。
如果处理不当，用户可能会对结果产生沮丧的感觉。
Notion AI 问答是形态自由式 AI 的另一个例子2、任务驱动式 AI任务驱动式 AI 通常用于协助用户执行特定任务，如总结内容、翻译文本等。
这种类型的 AI 通常只需一个按钮就能激活，让用户无需与任何数据交互，甚至无需输入任何数据，就能完成特定任务。
任务驱动型 AI 的案例包括 Miro 的 AI 聚类功能、Arc 的整理标签功能和 Grammarly 的 AI 语法修正功能。
常见问题：❌ 缺乏语境：要让 AI 输出准确的结果，就必须提供足够清晰的上下文语境。
然而，任务驱动型 AI 往往缺乏供用户输入上下文的功能性 UI 组件，这可能会阻碍用户拿到预期结果。
这就需要产品在设计 AI 功能时，添加自动促进用户输入上下文的机制。
如果没有足够的语境，用户可能会感觉 AI 的反应不够充分，也会因此感到沮丧。
❌ 缺乏反馈链路：研究表明，用户对 AI 的信任程度不足以让他们主动、充分地完成任务；相反，用户更愿意对 AI 的输出内容进行审视，并在可能的情况下，对其进行改进。
然而，任务驱动式 AI 的性质本身，有时意味着用户没有机会审视 AI 的输出结果，并提供反馈。
这种差异可能会导致用户期望与 AI 之间脱节。
Miro AI 可以让用户按关键词和情绪，对便笺进行一键分组Arc AI 可以让用户一键整理标签页3、后台隐形式 AI第三种形式的 AI ，是那些在后台工作、用户看不见的 AI 。
这些 AI 与用户没有互动，在后台工作，为用户提供最佳体验。
例如，Netflix 会为你推荐合适的连续剧或电影，Facebook 会根据你的习惯自动生成推荐的内容。
常见问题：❌ 隐私问题：后台隐形式 AI 操作虽然在大多数情况下，能改善用户体验，但用户往往不知道 AI 正在收集、处理和存储哪类数据。
例如，Netflix 跟踪用户的观看习惯以进行推荐，Goodnotes 可能会分析手写笔记的内容，这些例子都说明了这种做法可能会引发隐私安全的问题。
❌ 缺乏可见性： AI 的后台工作有时会让用户感到沮丧，尤其是当结果与预期不符，或者用户对 AI 如何决策缺乏了解时。
例如，虽然 Facebook 的推荐系统旨在帮助用户找到最感兴趣的内容，但用户可能会对 AI 给出的不准确结果感到意外甚至困惑，却没有明确的方法来帮助 AI 理解，或者纠正潜在的问题。
为 AI 设计更好的用户体验的 8 个技巧接下来，我们深入了解一下在产品中为 AI 设计的 8 个主要技巧。
技巧 #1--为用户提供说明应该为用户提供资源、示例和教程，帮助用户了解如何使用 AI 。
常见的做法是提供示例，或展示其他社区成员的结果，以启发用户并让他们了解他们可以从 AI 中得到什么。
《Designing Bots》一书中也强调了这一概念，书中强调了 AI 助理在最初和用户交互过程中声明其目的的重要性。
通过从一开始就提供清晰的说明和实用的示例，可以帮助用户了解 AI 的全部能力。
这一基础步骤，对于设定预期非常重要，它可以帮助用户有效利用 AI 的潜力。
来自 Copy.AI、Framer 和 Galileo 的一些示例技巧 #2--提供反馈并控制预期用户体验的三个主要原则是 Affordances、Mapping 和 Feedback（日常事物设计）， AI 也不例外，尤其是在提供反馈方面。
设计 AI 功能的最大挑战之一是结果的不可预测性。
在某些情况下，您可能会创建一个针对特定任务的 AI ，协助用户完成简单的任务，在这种情况下，可预测性相对较高。
然而，在更多情况下，你会发现自己在设计 AI 时，几乎不可能预测用户将如何与你的 AI 互动。
在这种情况下，最好的办法之一就是确保在用户执行操作后提供反馈。
下面是几个例子：加入打字指示器：研究表明，打字指示器可以营造出一种与人际聊天类似的实时交流感，保持用户的注意力，从而有助于维持参与度。
有了打字指示器，用户就更有可能留在你的应用程序中，关注并等待回复 AI 的下一条信息。
提供状态更新：如果您的 AI 要执行的任务比较复杂，例如搜索内容、生成长内容或视频，请确保向用户提供任何形式的状态更新。
这可以是一行显示 AI 当前阶段的信息、进度条或时间估计。
通过查看 AI 的进度，用户可以确信他们的请求正在得到积极处理，从而减少不确定性和潜在的挫败感（也可查看 Labor Illusion）。
令人困惑的是，在用户等待期间，究竟在执行什么任务？在生成结果时会显示可爱的加载动画在生成 AI 视频时，Veed 会显示完成百分比。
技巧 #3--确保能掌控错误和各种问题除了提供反馈，还要确保你能掌控 AI 可能产生的常见错误和边缘情况。
用户可能透过 AI 得到不同的结果，出现各种错误，不过用户如何看待这些问题，这取决于开发者和设计师如何构建初始的提示。
确保找到处理和应对这些情况的方法。
下面是一些需要处理的常见错误：用户使用方式错误：当发现用户以错误的方式使用 AI 时，尽量为用户提供反馈。
这种指导有助于纠正他们的方法，改善他们的体验。
服务可用性：如果您正在使用来自 OpenAI、Claude 或其他的任何 AI 的 API，请注意这些平台的稳定性有时会存在问题。
在一个极端的案例中，OpenAI 曾经有过 23% 的 API 端点在 90 天内出现各种中断的记录。
由于这些不可预测的情况，请确保你有办法与用户沟通，说明 AI 需要更长时间才能做出响应，并提供后续选项。
来自 Zapier 和 Figjam 的示例技巧 #4--允许用户添加默认上下文信息如果可行的话，尝试加入一项功能，让用户为他们与 AI 的交互设置默认上下文信息。
这样，用户就无需为类似的任务重复提供相同的上下文信息。
例如，允许用户为翻译设置首选语言，为生成的视觉内容设置默认的品牌风格指南，为发现内容设置特定兴趣偏好，或为娱乐推荐设置最喜欢的类型。
通过设置默认上下文信息，用户可以个性化他们的 AI 体验，使其更高效、更符合他们的需求。
来自 ChatGPT 和 Copy.ai 的示例技巧 #5--用户偏爱辅助驾驶而非自动驾驶人类是懒惰的，在数字世界里，这意味着我们不喜欢打字。
这就是为什么 AI 在帮助我们减少手工作业方面潜力巨大。
另一方面，研究也发现，人类对 AI 的信任还不足以让一切都实现自动化。
因此，在设计 AI 时，要确保用户对 AI 生成的结果有一定的控制权，无论是让他们查看和编辑 AI 生成的内容，还是从一系列选项中选择如何继续，或者根据他们的偏好自定义设置。
Butter、Gamma 和 Taskade 允许用户查看 AI 制作的内容技巧 #6--收集用户的反馈意见由于 AI 的反应具有不可预测性，因此在推出产品时，请确保你添加了收集用户反馈的机制。
一种常见的方法是在用户看到结果后，设置一个「点赞」和「踩」按钮，以便快速获得用户的反馈。
另一种方法是弹出一个简单的 CSAT（客户满意度）调查，以了解 AI 的表现如何。
这不仅可以帮助你的团队调整提示词（prompt）体系，使其更符合用户的期望，而且如果你幸运的话（在道德上允许的前提下），你还可以收集和识别用户与 AI 交互的主要模式，以进一步改善体验。
来自 Zapier、Grammar 和 Miro 的示例技巧 #7--尽可能为 AI 注入个性如果你有幸设计了一个像 GPT、Alexa 或 Siri 这样的完全对话式 AI 助手，一定要为它注入一些个性。
这可以包括给它一个头像、一个名字或指定的语音语调。
斯坦福大学的研究表明，用户更倾向于听从具有个性化姓名和声音的 AI 助手的建议。
这种个性化，增强了用户感知到的社交存在感，更具亲和力，这使用户更容易接受 AI 的指导。
Alexa 的个性特征技巧 #8--隐私和数据政策要透明如果你恰好在一家 B2B 公司工作，或者正在设计可能被大公司使用的 AI ，那么你经常会遇到的挑战之一，就是数据隐私——收集哪些数据、如何存储数据以及如何使用收集到的数据。
需要确保你在这方面有足够的透明度。
研究表明，用户更愿意参与并忠实于那些对数据的应用持开放态度的产品。
提供透明的隐私政策不仅能避免你和公司陷入法律纠纷，还能帮助你与用户建立信任，改善用户体验。
来自 Dovetail 的 AI 数据政策在 TikTok 时代，你可能不会有第二次机会在 TikTok 和短视频时代，我们对日常互动越来越不耐烦。
这就意味着，如果你的 AI 设计得不够好，你可能很快就会看到 AI 的使用率大幅下降。
红杉资本（Sequoia）的研究表明， AI 产品的平均参与度远远低于数字产品的平均参与度。
研究显示，领先的消费类 APP 的日均活跃用户率为 63%，月均留存率为 51%，而 AI 产品的日均活跃用户率为 14%，月均留存率为 42%。
研究结果表明，大多数用户试用生成式 AI 之后，都未能将其变成一种习惯和日常价值的来源。
尽管这些 APP 在舆论上，备受青睐并被迅速采用，但重复使用率却很低。
研究人员认为，生成式 AI 目前面临的最大障碍与其说是用例不足，火热过一阵子，不如说是留存率太低。
因此，重要的是要投入时间，为 AI 产品打造正确的用户体验，使其成为用户的习惯，并为他们的日常生活提供价值。
主要常见 APP 与 AI 应用程序的留存率对比总结纵览本文，在设计 AI 时，无论是功能还是产品，都要考虑以下几点：明确你的目标是自由对话式 AI 、任务驱动式 AI ，还是在幕后运行的隐形式 AI 。
不要让用户用得提心吊胆，最好始终为用户提供反馈，并对 AI 能做什么和不能做什么设定适当的期望值。
注意用户期望与 AI 实际功能之间的差距。
如果你正在设计一个对话式的 AI 助手，那么请在其中融入一些个性元素。
精心设计的角色可以将 AI 体验转变为令人愉悦的沟通，从而培养用户的忠诚度和信任感。
请记住，用户需要的是副驾驶，而不是完全的自动驾驶。
在自动化和用户控制之间取得完美平衡，打造以用户为中心的无缝体验。
遵循这些做法，你可以设计出兼具功能性，且具有吸引力和用户友好型的 AI 产品，从而提高用户的整体体验和满意度。