创新指南｜如何通过用户研究打造更好的人工智能产品

每个人都对人工智能感到兴奋，但对错过机会 (FOMO) 的恐惧正在驱使公司将人工智能嵌入到每个产品功能中。这可能会导致以技术为中心的方法，从而掩盖产品开发的基本目标：创建真正解决用户问题并满足他们需求的解决方案。本文将介绍通过用户研究打造更好的人工智能产品的四大方式。

模拟人类思维和决策的计算机程序的概念，即人工智能（AI），并不新鲜。它的历史可以追溯到 20 世纪 50 年代。多年来，我们一直被利用机器学习 (ML) 的产品所包围。它决定了我们在社交媒体上看到的内容、找到最佳旅行路线的 GPS 系统以及电子商务网站上推荐适合我们偏好的产品的推荐引擎。

然而，我们正在见证计算能力的进步和广泛数据集的可用性推动的飞跃。这些因素使得生成式人工智能（AI 的一个子集，专注于创建新内容和解决方案）以及旨在解释和生成人类语言的大型语言模型 (LLM) 取得了突破。我们与技术的关系正在经历深刻的转变，揭示了曾经超出我们想象的新可能性。

事实上，在不了解用户需求、明确定义问题以及评估人工智能的适当应用的情况下仓促采用人工智能驱动的解决方案往往会导致令人失望的结果。在某些情况下，特别是当在医疗保健等敏感领域使用人工智能解决方案时没有足够的保障措施时，后果可能是完全危险的，对用户隐私、安全和福祉构成风险。

作为用户体验专业人士，解决这些主题是我们职责的一部分，我坚信用户研究从未如此重要。

01. 人工智能集成水平

从用户体验的角度来看，最常见的是，人工智能增强了传统软件的功能，例如自动完成或预测分析。例如，谷歌的自动完成功能可以通过最少的用户输入智能地预测搜索查询，从而提供更高效和定制的搜索体验。

谷歌搜索栏自动完成

在这些情况下，用户研究人员和用户经常发现自己处于熟悉的领域。有时，人工智能的存在是如此微妙，以至于用户甚至可能没有意识到它的存在。这里用户研究的重点是了解这些人工智能增强功能如何影响用户交互和对产品价值的感知。

那么，人工智能就可以成为用户交互的驱动力。例如，考虑聊天机器人或语音识别系统。一个熟悉的例子是我们手机中的语音助手，例如 iPhone 上的 Apple Siri，它可以执行诸如根据我们的语音命令发送消息等任务。

Apple 的 Siri 提示输入消息文本

在这里，用户研究的重点是用户如何适应这些新的交互形式，评估他们的直观性、效率、采用率和总体满意度。

该界面还可以集成人工智能来自动化或完全重新定义工作流程，标志着人机关系的重大飞跃。标志设计中的生成式人工智能是一个简单的例子：它自动执行传统上由人类主导的步骤，例如草绘初步想法、尝试形状、颜色、排版等。这是我使用 DALL·E 为“Explorer’s Edge”创建的标志”，一家虚构的冒险旅行社。

DALL·E生成的标志

Jakob Nielsen 在他的文章《AI：60 年来首个新 UI 范式》中强调了生成式 AI 转型：

“有了新的人工智能系统，用户不再告诉计算机该做什么。相反，用户告诉计算机他们想要什么结果。”

这一阶段的用户研究探索新的问题，包括对人工智能决策能力的信任、定义自动化的范围以及确保机器操作和用户控制之间的平衡。它还探索了用户与人工智能系统形成的情感联系。

这种范式转变要求用户体验团队和用户研究人员不断调整和发展他们的方法来应对新的挑战，我们将在本文中探讨其中的一些挑战。

02. 拥抱看不见的事物：“绿野仙踪”方法

人工智能使用的持续转变正在引导我们从静态界面转向主动的个性化助手，根据个人偏好、环境和习惯进行微调，并实现端到端体验。这些新概念需要进行测试，特别是因为开发成本高昂，而且原型制作（尤其是生成式人工智能）提出了重大挑战。

这正是“绿野仙踪”方法发挥作用的地方。在这种用户研究方法中，用户与一个虚假的自动化界面进行交互，该界面实际上是由幕后的人控制的。它从封闭场景（具有适合结构化探索的预定义响应）转变为开放场景（实时定义响应以更深入地了解用户期望）。

当我们无法轻松访问 GPT 等模型时，我就开始使用“绿野仙踪”。这项技术使我们能够在网站上模拟实时聊天机器人和用于基于电话的客户支持的语音助手。

绿野仙踪测试配置。DALL·E 生成。（免责声明：操作不需要向导装备）

我们获得了重要的见解，例如确定与不同受众产生共鸣的特定交互模式、用户寻求人性化接触的精确时刻以及引起共鸣的语气。

事实证明，这种方法在我们与工程师的合作中非常有价值。它使我们能够以只有第一手用户见解才能提供的精确度来引导机器学习模型的开发。真正的机器学习模型可能需要数月时间且预算严重紧张的迭代在短短几天内就完成了，并且重点关注用户。我们承认，玩巫师是一种愉快的体验！

03. 发现并适应环境和新的心理模式：纵向研究

创新的人工智能功能通常会随着时间的推移而发挥其真正的潜力，远远超出用户发现和交互的初始阶段。考虑一下从第 1 次到第 10 次，甚至第 100 次使用人工智能产品时，用户习惯是如何演变的。这些转变有时可能涉及学习曲线，我们需要研究和预测。他们还可以与产品建立情感联系，例如，通过与提供个性化响应的人工智能助手进行互动。

随着人工智能产品引入新的心理模型，理解和跟踪用户的感知、期望和情感投入的变化变得不可或缺。纵向研究提供了一种强大的方法来跟踪这些随时间的变化。

纵向用户测试是一种实用的选择，并且相对容易实施。此方法涉及在产品生命周期的各个阶段对同一组用户进行用户测试。强烈建议提前收集用户数据，以创建尽可能个性化且与上下文相关的场景。这种方法可以观察用户体验随着产品变化以及用户变得更加习惯而发生的演变。

日记研究对于人工智能产品也非常有效。在这种方法中，参与者维护日记（通常是数字日记），记录他们在一段时间内与产品或服务的交互。这种方法产生了关于不断发展的用户体验的丰富的定性数据，其特点是挑战、挫折和愉快的时刻。这些见解为用户的现实世界环境提供了重要的清晰度。

日记学习提示示例。图片由作者提供，使用 Freepik 资源。

例如，在我开发配备语音识别功能的智能家庭助理的项目中，一项基本功能是为房间中的家庭成员选择播放列表。日记研究揭示了不可预见的情况，例如当多个具有不同偏好的家庭成员在场或当用户有客人来访时。他们还强调了一天中的时间和用户的情绪对其与产品交互的影响，强调人工智能系统需要适应这些动态的人为因素。这些见解有助于使产品适应现实生活中的复杂情况。

对于那些有兴趣进一步探索人工智能日记研究的人，我推荐Nielsen Norman Group 关于使用 ChatGPT、Bard 和 Bing Chat 进行信息搜寻的文章。