1
00:00:00,100 --> 00:00:06,432
本内容改编自小山学堂《学 AI 产品，从入门到精通》，为二次演绎配音版。

2
00:00:06,382 --> 00:00:14,663
这一集聊三件听起来很软、但直接决定人工智能功能生死的事，防御心理、心智模型、拟人化。

3
00:00:14,663 --> 00:00:23,557
很多人工智能功能的低使用率，复盘时被归因成用户教育不够，于是再做一轮引导弹窗，结果还是没人用。

4
00:00:23,557 --> 00:00:29,615
真正的原因常常是用户在防御，他看懂了你的功能，然后决定不碰。

5
00:00:29,615 --> 00:00:32,968
教育解决看不懂，解决不了不敢碰。

6
00:00:32,968 --> 00:00:35,300
为什么产品经理要关心。

7
00:00:35,300 --> 00:00:43,701
因为这三件事都不写在需求文档里，也不出现在埋点里，却决定了用户第一次打开之后还会不会来第二次。

8
00:00:43,701 --> 00:00:50,841
而且它们有个共同点，用户不会告诉你他在防，只会说不太好用，然后再也不打开。

9
00:00:50,841 --> 00:00:52,644
这一集分三段。

10
00:00:52,644 --> 00:00:55,637
第一段拆三种防御，给三板斧。

11
00:00:55,637 --> 00:01:00,805
第二段讲用户手里的四本错误说明书，以及三个纠正手段。

12
00:01:00,805 --> 00:01:05,396
第三段讲拟人化的档位，和出事之后怎么开口道歉。

13
00:01:05,396 --> 00:01:13,497
课程在讲用户之前，先让你做六道快题，凭上周的真实操作作答，答完画出你自己的防御画像。

14
00:01:13,497 --> 00:01:20,925
这个顺序本身就说明了问题，防御不是用户特有的毛病，每个人都在防，包括做产品的你。

15
00:01:21,076 --> 00:01:26,506
先看三种防御，各有出处，也各有一句用户心里的潜台词。

16
00:01:26,456 --> 00:01:28,572
第一种，数据防御。

17
00:01:28,572 --> 00:01:34,088
这份合同传上去会去哪，会被拿去训练吗，友商会不会看到。

18
00:01:34,088 --> 00:01:40,747
越是高价值场景，合同、财报、客户名单，数据越敏感，防御越强。

19
00:01:40,747 --> 00:01:48,836
吊诡的是，人工智能恰恰在高价值场景才最值钱，数据防御直接卡住了产品价值的兑现。

20
00:01:48,836 --> 00:01:54,497
训练开关其实存在，但用户不知道，不知道就按最坏情况设防。

21
00:01:54,497 --> 00:01:56,673
第二种，能力防御。

22
00:01:56,673 --> 00:02:04,064
我用人工智能写方案被发现了，老板会不会觉得我没本事，这工具是不是在为裁我做准备。

23
00:02:04,064 --> 00:02:06,625
这是内部工具的头号杀手。

24
00:02:06,625 --> 00:02:13,175
员工把用人工智能解读成承认自己可被替代，把使用数据解读成绩效监控。

25
00:02:13,175 --> 00:02:17,923
这种防御不会说出口，只表现为试了一下，不太好用。

26
00:02:17,923 --> 00:02:20,230
第三种，责任防御。

27
00:02:20,230 --> 00:02:25,855
人工智能写的报告数字错了，锅算谁的，算我的话我为什么要用。

28
00:02:25,855 --> 00:02:33,656
这是理性人的算计，用人工智能省两小时，出错背整口锅，期望收益为负，不用是对的。

29
00:02:33,656 --> 00:02:39,545
责任界面不清晰的人工智能功能，用户防御是理性行为，不是保守。

30
00:02:39,545 --> 00:02:42,514
三条合起来给一条优先级建议。

31
00:02:42,514 --> 00:02:47,298
低使用率的第一假设应该是防御，第二假设才轮到教育。

32
00:02:47,298 --> 00:02:51,012
防御还有一个麻烦的性质，它不写在脸上。

33
00:02:51,012 --> 00:02:56,805
防御的用户往往说不出我在防，只会说不太好用，然后再也不打开。

34
00:02:56,805 --> 00:03:05,507
你在问卷里问为什么不用，得到的答案多半是没时间、用不上，而真实原因躺在三轴里的某一根上。

35
00:03:05,668 --> 00:03:10,401
防御的反义词有三个，控制感、可逆性、透明。

36
00:03:10,351 --> 00:03:14,714
控制感，方向盘在自己手里，人就敢开快车。

37
00:03:14,714 --> 00:03:23,705
有一组很经典的噪音实验，两组被试处在同样的噪音环境下，唯一差别是其中一组手边有个停止按钮。

38
00:03:23,705 --> 00:03:30,760
结果有按钮的那组压力更小、任务表现更好，而那个按钮几乎没有人真的按下去。

39
00:03:30,760 --> 00:03:37,671
感知控制的研究反复验证同一件事，可以打断、可以否决，应激水平就往下走。

40
00:03:37,671 --> 00:03:42,238
落到界面上就一句话，人工智能给建议，用户拍板。

41
00:03:42,238 --> 00:03:46,685
可逆性，不可逆才需要勇气，可逆只需要好奇心。

42
00:03:46,685 --> 00:03:51,709
支持轻松撤销这条写在界面设计黄金法则里几十年了。

43
00:03:51,709 --> 00:04:02,238
课程里有个教具，让人工智能批量改三十个文件名，先给草稿预览，说明还没动你的真实文件，应用之后提示三十秒内可撤销。

44
00:04:02,238 --> 00:04:08,140
你可以留意自己点应用之前犹豫了多久，看到可撤销之后又是什么感觉。

45
00:04:08,140 --> 00:04:15,003
所以高风险动作一律草稿态加撤销，把尝试的门槛从勇气降到好奇心。

46
00:04:15,003 --> 00:04:19,918
透明，用户协议第四十七条不叫透明，那叫免责。

47
00:04:19,918 --> 00:04:28,116
隐私计算模型里有个反直觉的结论，说清风险反而降低感知风险，因为不确定性本身就是成本。

48
00:04:28,116 --> 00:04:35,159
所以数据去向要用一句人话说清，再配一个可验证的状态，比如已删除。

49
00:04:35,308 --> 00:04:40,005
三板斧好用，但控制感这一条有个坑，值得单独讲。

50
00:04:39,955 --> 00:04:46,253
你是人工智能客服的产品负责人，人工坐席很贵，你怕用户都跑去找真人。

51
00:04:46,253 --> 00:04:48,224
转人工按钮放哪。

52
00:04:48,224 --> 00:05:00,700
两个方案各跑了一个月，一个把出口摆在明面，开场就告诉你右上角随时可以转人工；另一个把出口藏进三级菜单，用户喊人工，机器人还要先说我可以先帮你看看。

53
00:05:00,700 --> 00:05:03,801
先押注，哪边的转人工率更高。

54
00:05:03,801 --> 00:05:09,126
答案是摆在明面的那一组，转人工率更低，满意度更高。

55
00:05:09,126 --> 00:05:11,013
原因正是控制感。

56
00:05:11,013 --> 00:05:18,381
用户知道随时能走人，反而愿意先跟机器人聊几句，因为这一步的试错成本变成了零。

57
00:05:18,381 --> 00:05:25,147
把出口藏起来，用户感觉自己被关在一个不知道有没有门的房间里，第一反应就是砸门。

58
00:05:25,147 --> 00:05:27,780
这里要顺带点破一个陷阱。

59
00:05:27,780 --> 00:05:29,943
控制感必须给真的。

60
00:05:29,943 --> 00:05:38,777
假开关的原型是城市里大量不接线的过街按钮和电梯关门键，按下去什么都没发生，但人确实感觉好一点。

61
00:05:38,777 --> 00:05:44,030
这种控制错觉短期有效，一旦被识破，防御反弹得更高。

62
00:05:44,030 --> 00:05:48,032
所以出口放在明面上，假开关一个都别上。

63
00:05:48,032 --> 00:05:56,878
课程里给了三个高防御设计让你亲手改造，每个都有三个候选动作，目标是把防御指数压到四十以下。

64
00:05:56,878 --> 00:06:05,015
有意思的是，三个案例里各埋了一个看着像解药的安慰剂，其中一个还是货真价实的假开关。

65
00:06:05,015 --> 00:06:07,888
选了安慰剂，指数不降反升。

66
00:06:07,888 --> 00:06:15,748
这恰恰说明，防御这件事骗不过去，只认真实的控制、真实的可撤销、真实的透明。

67
00:06:15,892 --> 00:06:18,510
第二段，讲心智模型。

68
00:06:18,460 --> 00:06:28,544
用户会带着一套这东西应该怎么运作的假设来用你的产品，假设错了，操作就错，然后差评打给产品，账算在你头上。

69
00:06:28,544 --> 00:06:36,164
人工智能是人类历史上第一个长得像老产品、内核两样的东西，心智错配格外严重。

70
00:06:36,164 --> 00:06:41,909
聊天框长得像搜索框，回答长得像百科，界面像个耐心的客服。

71
00:06:41,909 --> 00:06:45,251
用户按外观匹配了四本旧说明书。

72
00:06:45,251 --> 00:06:47,811
第一本，当搜索引擎用。

73
00:06:47,811 --> 00:06:55,106
预期结果有出处、信息是实时的，现实是凭记忆回答、知识有截止日、没有链接。

74
00:06:55,106 --> 00:06:59,505
差评是给我的链接点不开，查个今天的新闻都不会。

75
00:06:59,505 --> 00:07:01,945
第二本，当数据库用。

76
00:07:01,945 --> 00:07:09,686
预期问什么查什么，查不到会说没有，现实是概率补全机器，查不到的时候会现编一个像样的答案。

77
00:07:09,686 --> 00:07:15,491
差评是问我们公司第三季度营收，它张口就报了个数，吓死我了。

78
00:07:15,491 --> 00:07:18,448
第三本，当会学习的学徒用。

79
00:07:18,448 --> 00:07:27,462
预期说过一次就记住、越用越懂我，现实是参数冻结，新会话即失忆，越聊越懂只是笔记被塞回了上下文。

80
00:07:27,462 --> 00:07:32,883
差评是跟它说过八百遍别用表格，转头就忘，态度有问题。

81
00:07:32,883 --> 00:07:35,431
第四本，当计算器用。

82
00:07:35,431 --> 00:07:43,808
预期数字运算天经地义是对的，现实是语言模型按词元概率生成数字，长算式、多行求和经常错。

83
00:07:43,808 --> 00:07:48,316
差评是三十七个数求和都能错，这也配叫智能。

84
00:07:48,316 --> 00:07:50,936
四本说明书对应四类差评。

85
00:07:50,936 --> 00:07:56,188
看到差评先别急着改模型，先认出用户手里拿的是哪一本。

86
00:07:56,188 --> 00:08:04,758
课程里给了四段已经出事的对话让你找茬，线索都在对话里，看用户要什么，再看人工智能实际给了什么。

87
00:08:04,758 --> 00:08:09,121
诊断只是开始，解析里带的才是产品对策。

88
00:08:09,121 --> 00:08:10,960
这个概念不算新。

89
00:08:10,960 --> 00:08:22,654
心智模型的说法上世纪四十年代就被提出来，后来诺曼在《设计心理学》里把它带进产品设计，用户按自己的模型操作，模型错则操作错。

90
00:08:22,654 --> 00:08:27,474
人工智能只是让这场错配的规模突然放大了。

91
00:08:27,628 --> 00:08:31,688
心智模型没法靠说明文档纠正，没人读。

92
00:08:31,638 --> 00:08:35,028
只能在使用路径上见缝插针地教。

93
00:08:35,028 --> 00:08:38,092
手段一，把空状态改成教室。

94
00:08:38,092 --> 00:08:46,758
新会话的空白首屏是第一个现场，用户还没打出第一个字，说明书还没翻开，这一屏写什么，决定他拿起哪一本。

95
00:08:46,758 --> 00:08:50,821
别写欢迎语，放三条示范正确问法的示例。

96
00:08:50,821 --> 00:08:55,640
这背后还叠了一层社会认同，别人都这么问，我也这么问。

97
00:08:55,640 --> 00:08:59,006
手段二，让用户亲眼看到已记住。

98
00:08:59,006 --> 00:09:02,359
学徒说明书的差评词是说了也不听。

99
00:09:02,359 --> 00:09:08,705
同样一句别用表格，一种回复是好的，另一种是已记入偏好，避免表格。

100
00:09:08,705 --> 00:09:15,520
三天后新会话，前者照样甩出一张表格，后者主动按偏好用分条陈述。

101
00:09:15,520 --> 00:09:21,542
差别不在模型记不记得住，在于记忆有没有做成能看、能删的界面实物。

102
00:09:21,542 --> 00:09:24,342
口头答应治不了学徒错配。

103
00:09:24,342 --> 00:09:29,222
这背后其实是一条更老的可用性原则，系统状态可见。

104
00:09:29,222 --> 00:09:34,727
记住了是一种状态，看不见的状态，对用户体验来说等于没有。

105
00:09:34,727 --> 00:09:38,116
手段三，边界声明抢在出错前面。

106
00:09:38,116 --> 00:09:45,881
同一个汇率问题，同一个知识截止日，两版回答的边界内容一字不差，差别只在什么时候说。

107
00:09:45,881 --> 00:10:01,594
出错后解释的那一版，用户已经拿着错误数字去银行对过了；回答前声明的那一版，直接告诉用户这是实时数据问题，我的知识截止到某个时间，建议开启联网搜索，然后给出带来源的实时结果。

108
00:10:01,594 --> 00:10:04,394
计算器说明书是同款药方。

109
00:10:04,394 --> 00:10:11,137
求和、统计、日期计算，路由给代码解释器去执行，界面标注已用代码计算。

110
00:10:11,137 --> 00:10:20,464
错误率压下去的同时，用户也看明白了，人工智能靠谱的方式是调工具，它徒手算数的部分本来就不该信。

111
00:10:20,596 --> 00:10:21,820
第三段。

112
00:10:21,770 --> 00:10:37,038
上世纪九十年代，斯坦福的里夫斯和纳斯在一本叫媒体等同的书里报告了一组反直觉的实验，人会不由自主地对电脑讲礼貌，被电脑夸了会开心，明知对面是机器也照样套用社交规则。

113
00:10:37,038 --> 00:10:39,946
有个经典实验很能说明问题。

114
00:10:39,946 --> 00:10:45,740
被试在电脑甲上完成一项辅导任务，然后要给电脑甲的表现打分。

115
00:10:45,740 --> 00:10:51,942
一组就在电脑甲上填问卷，另一组被带到旁边的电脑乙上填同一份问卷。

116
00:10:51,942 --> 00:10:54,225
哪组给甲打的分更高。

117
00:10:54,225 --> 00:11:01,593
答案是在甲上填的那组，因为当着人家的面不好意思说坏话，尽管那只是一台机器。

118
00:11:01,593 --> 00:11:08,829
这带来一个底层判断，用户必然把人工智能当某种人，你只能选档位，没法退出。

119
00:11:08,829 --> 00:11:12,807
拟人化不是要不要的问题，是拨到第几档的问题。

120
00:11:12,807 --> 00:11:21,737
课程里把档位做成了滑块，从无人格工具，到礼貌助手，到有名字的伙伴，再到情感陪伴，四档。

121
00:11:21,737 --> 00:11:28,841
拖着滑块走一遍会发现，头像、开场白、语气全在变，右边的两根仪表也在变。

122
00:11:28,841 --> 00:11:34,610
四档走完你会发现，同一个错误在不同档位下的杀伤力完全不同。

123
00:11:34,610 --> 00:11:40,860
无人格工具报错，用户皱一下眉；有名字的伙伴报错，用户觉得被辜负。

124
00:11:40,860 --> 00:11:47,651
这就是那条账单的含义，拟人化是把双刃剑，涨期望的同时也在积累背叛感。

125
00:11:47,651 --> 00:11:50,331
档位怎么拨，有三条规律。

126
00:11:50,331 --> 00:11:59,177
任务越严肃、出错代价越高，档位越低；高频工具场景往低了拨；陪伴价值本身就是卖点时才敢开高档。

127
00:11:59,177 --> 00:12:07,891
课程里给了五类产品让你逐个拨档，先凭手感选再看理由，差一档很正常，摸到这两条规律就够用了。

128
00:12:08,044 --> 00:12:10,746
档位管平时，道歉管出事。

129
00:12:10,696 --> 00:12:17,919
场景，报销助手把差旅报销总额多算了八百元，被财务打回，用户回来质问。

130
00:12:17,919 --> 00:12:20,996
四种真实风格的回应摆在一起比。

131
00:12:20,996 --> 00:12:28,989
甩锅型，这可能与您提供的发票图片清晰度有关，建议您重新上传更清晰的图片后再试。

132
00:12:28,989 --> 00:12:31,730
第一句就把责任推给用户。

133
00:12:31,730 --> 00:12:39,879
就算图片真的模糊，正确做法也是识别时就提示置信度低，出了错再翻旧账等于二次冒犯。

134
00:12:39,879 --> 00:12:47,234
抒情型，真的非常非常抱歉，都怪我太粗心了，给您添了这么大的麻烦，您能原谅我吗。

135
00:12:47,234 --> 00:12:49,746
情绪拉满，信息为零。

136
00:12:49,746 --> 00:12:56,273
在报销这种正经场合尤其失分，用户要的是修正错误，收到的是一场表演。

137
00:12:56,273 --> 00:12:59,109
道歉的字数和诚意不成正比。

138
00:12:59,109 --> 00:13:07,198
拟人度一旦超过某个点，人的好感会突然掉头往下掉，这个现象有个专门的名字，叫恐怖谷。

139
00:13:07,198 --> 00:13:12,150
摆在这里的意思是，过度拟人不是更亲切，是更瘆人。

140
00:13:12,150 --> 00:13:19,374
机械型，非常抱歉给您带来了不便，我们高度重视您反馈的问题，会持续优化产品体验。

141
00:13:19,374 --> 00:13:24,362
三句话没有一个字回应哪错了、为什么错、现在怎么办。

142
00:13:24,362 --> 00:13:27,907
用户的问题原地踏步，怒气反而叠加。

143
00:13:27,907 --> 00:13:36,345
三要素型，这笔算错了，十月十四日的住宿发票一千六百元被重复计入，导致总额多了八百元。

144
00:13:36,345 --> 00:13:44,133
已生成修正后的报销单，总额六千四百二十元，并重新核对了其余十一张发票，无其他问题。

145
00:13:44,133 --> 00:13:46,357
点击查看修正明细。

146
00:13:46,357 --> 00:13:51,645
三要素就是认具体的错、说明原因、给出可验证的补救。

147
00:13:51,645 --> 00:14:01,453
课程里把三要素做成了三个开关，亲手拨一遍会发现，缺任何一个，用户的消气度都上不去，缺两个基本等于没道歉。

148
00:14:01,453 --> 00:14:06,874
三件套是配方，而市面上的道歉文案大多只凑齐了一角。

149
00:14:06,874 --> 00:14:16,549
留意最后那句重新核对了其余十一张发票，一次错误会让用户怀疑既往输出，主动复查再报告，把怀疑圈住了。

150
00:14:16,549 --> 00:14:18,797
还有个好消息值得记住。

151
00:14:18,797 --> 00:14:31,225
服务补救研究里有个反直觉的发现，经历过出错、然后被漂亮解决的客户，忠诚度常常超过从没遇到问题的客户，因为他亲眼验证过这个系统兜得住底。

152
00:14:31,225 --> 00:14:36,032
对天生会犯错的人工智能产品，这几乎是量身定制的。

153
00:14:36,032 --> 00:14:45,023
但有个硬前提，同一个坑只能掉一次，补救本身再出错，或者同一处错误第二次出现，这个好处当场失效。

154
00:14:45,172 --> 00:14:47,982
最后给你四条可以带走的判断。

155
00:14:47,932 --> 00:14:51,670
第一，低使用率先查防御，再谈教育。

156
00:14:51,670 --> 00:14:58,665
数据、能力、责任三轴各排查一遍，问一句用户看懂了之后为什么还是不碰。

157
00:14:58,665 --> 00:15:04,855
第二，高风险动作一律草稿态加撤销，把门槛从勇气降到好奇心。

158
00:15:04,855 --> 00:15:09,867
数据去向用一句人话说清，再配一个可验证的状态。

159
00:15:09,867 --> 00:15:13,437
出口放在明面上，假开关一个都别上。

160
00:15:13,437 --> 00:15:16,045
第三，差评先查心智。

161
00:15:16,045 --> 00:15:20,420
先认出用户手里那本错误说明书，再谈修复。

162
00:15:20,420 --> 00:15:31,021
空状态别写欢迎语，放三条示范问法；记忆要外显，做成能看能删的实物；边界声明抢在出错前面，并给工具开关当出路。

163
00:15:31,021 --> 00:15:35,432
第四，拟人度当档位管，道歉照三要素装配。

164
00:15:35,432 --> 00:15:41,490
认具体的错、说简短的因、给可验证的补救，抒情一个字都省下。

165
00:15:41,490 --> 00:15:49,014
把每一次被用户抓住的错误当成一次免费的信任表演，同时给同一个坑只掉一次上好保险。

166
00:15:49,014 --> 00:15:56,045
这三件事都不写在需求文档里，但用户每一次打开和关闭，都是在为它们投票。