在做 AI 產(chǎn)品相關設計的過程中，大家?guī)缀醵紩龅酵粋€問題：

這個問題乍看起來很好回答。自動化意味著效率、規(guī)模和成本優(yōu)勢，“一鍵完成” “無需人工干預” 幾乎成了 AI 產(chǎn)品的標配敘事。

但真正上線之后，很多團隊都會發(fā)現(xiàn)另一面：用戶不太敢用，出了問題不知道怎么糾正，人工兜底越來越重，甚至產(chǎn)品越“智能”，用戶的信任感反而越低。這往往不是模型能力的問題，而是一個

。

很多討論會把問題簡化成“自動化好不好”，在我看來，更關鍵的問題其實是：

在這個流程里，

從實踐角度看，這個矛盾通常體現(xiàn)在三個層面：

1.效率層面-

自動化追求更短路徑、更低人力成本；而用戶參與，幾乎天然意味著更多步驟和更長流程。

2.風險與信任層面-

自動化越深，用戶越難理解結果是怎么來的。一旦結果出錯，責任歸屬不清，信任成本會被迅速放大。

3.認知負擔層面-

過度自動化會讓用戶變得被動，而過度參與又會讓用戶疲勞，甚至放棄使用。

在具體設計 AI 流程時，我通常不會先討論“要不要自動化”，而是先想清楚三件事：

1.這個決策一旦出錯，代價有多高？如果結果不可逆、影響較大，就不適合完全交給系統(tǒng)；

2.用戶是否真的具備判斷這個結果的能力或意愿？有些場景用戶一眼就能看出好壞，但也有很多場景，用戶其實并不想、也不擅長參與判斷；

3.這個流程是否需要長期學習用戶偏好？如果系統(tǒng)需要不斷學習用戶的選擇，就很難在一開始就做到“全自動”。

基于這三個問題，我們就可以得出如下結論：

基于上述判斷方法，我們在實際項目中，使用下面3種思路在做設計決策時通常比較有效：

另外，還有一個常被忽略的點：

讓系統(tǒng)解釋“為什么是這個結果”，往往比解釋技術原理更重要。對大多數(shù)用戶來說，信任來自對因果的理解，而不是模型細節(jié)。

從更宏觀的角度看，自動化程度本身并不是賣點。

在很多 AI 產(chǎn)品設計過程中，體驗設計承擔的其實是風險管理的角色——

真正拉開產(chǎn)品差距的，往往不是模型參數(shù)，而是這些看起來很小、但影響極大的判斷。

如果你也正在做 AI 產(chǎn)品，并在類似問題上反復權衡，歡迎交流探討。

很多關鍵差異，往往就藏在這些關于“決策邊界”的細節(jié)之中。期待我們可以一起把產(chǎn)品中的設計細節(jié)打磨得更成熟、更值得信任。