解锁用户认知：构建基于大型语言模型工具的关键

近期，我参与了一系列关于设计终端用户友好的大型语言模型（LLM）工具的讨论，一个核心议题便是“用户对AI的认知程度”。正如产品设计师所共识的，理解用户是打造成功产品的关键。试想，若你设计了一个全中文网站，却意外发现目标用户群为西班牙语使用者，显然你的假设大有问题，产品成功的可能性大打折扣。

因此，在构建基于LLM的工具时，我们需后退一步，洞察用户如何看待这些工具。例如：

• 他们可能不了解大型语言模型的工作原理
• 他们可能未意识到日常使用的工具背后有LLM的支持
• 他们可能对LLM的能力抱有不切实际的期望，因曾体验过功能强大的替代方案
• 他们对LLM的信任或信心可能受过往经验影响
• 他们可能期待确定性结果，尽管LLM无法提供

用户研究是产品设计中不可或缺的一环，我坚信在构建基于大型语言模型的工具时跳过这一步是重大失误。我们不能假定了解特定受众的过往体验，更不能以自身经历代表他们。

用户分类

大致可分为以下四类：

无意识使用者（不知/不在意）

这类用户很少思考AI，也不认为它与自身生活相关。他们对底层技术了解有限，且没有深入了解的兴趣。

回避型用户（AI危险论）

这类用户对AI持负面看法，高度怀疑和不信任任何AI产品。这类用户的存在可能对品牌关系产生不利影响。

AI爱好者（AI总是利好的）

这类用户对AI抱有高期望，充满热情，但期望可能不切实际。那些希望AI解决所有繁琐问题或提供完美答案的用户可能属于此类。

知情的人工智能用户（赋能）

这类用户具有现实视角，信息素养水平高。他们可能采取“信任但核实”的策略，重视LLM的引用和证据。这类用户仅在AI对特定任务有用时才会使用。

基于这一框架，我认为过于乐观和过于悲观的观点往往源于技术知识的缺失，但代表的用户类型截然不同。信息水平和情感（包括力量和定性）的结合共同构建了用户画像。我的解读与作者有所不同，我认为对AI能力的不切实际期待往往源于知识不足或信息消费失衡。

这为我们设计新的大型语言模型解决方案提供了丰富的思考空间。有时，开发者会陷入信息水平是唯一轴心的误区，忽视了社会对这项技术存在广泛的看法差异，这同样会影响用户的接收和体验。

原因探析

思考一下为什么会有这么多用户画像，尤其是情感层面的原因。我们使用的许多其他技术并未引发如此多的两极分化。大型语言模型和其他生成式AI相对较新，这是问题的一部分，但生成式AI的质性方面尤为独特，可能影响人们的反应方式。

非确定性

随着计算成为日常生活的一部分，我们依赖一定程度的可重复性。然而，生成式AI打破了这一契约，因为输出具有非确定性。普通用户面对这种结果可以理解的信任被破坏。

不可理解性

“黑匣子”的另一种说法。生成式AI的神经网络本质是我们无法完全解释模型为何“会这样”。这意味着我们必须接受某种程度的不可知性，这对科学家和好奇的普通人来说都较难接受。

自治权

推动生成式AI成为半自主智能体的一部分似乎让我们在更少的监督和人类用户控制下运行这些工具。这既有用也可能带来焦虑。鉴于这些工具是非确定性的且无法解释，自主性可能显得危险。

对产品的影响

这并不意味着构建涉及生成式AI的产品和工具是不可能的。这意味着应认真审视生成式AI是否适合当前问题或任务，并确保既考虑风险也考虑回报。这是第一步——确保AI是合适的选择并愿意承担风险。

给产品设计师的建议如下：

进行严格的用户调研。了解上述用户配置文件在用户群中的分布情况，并规划产品如何容纳这些分布。如果有回避型用户，应规划信息策略来促进采用并考虑缓慢推广。另一方面，如果有许多发烧友用户，务必明确工具的功能范围以避免负面反馈。

为用户构建：这意味着用户调研应深刻影响产品的外观、体验及功能。应从基于证据的角度面对工程任务，了解产品所需能力。

优先考虑培训。无论用户态度如何，培训用户了解解决方案都至关重要。不能假设“用户自己会明白”，必须设定期望并提前回答可能的问题以确保积极体验。

不要强求。我们注意到一些原本受欢迎的软件产品添加了生成式AI功能并强制要求使用。应尊重某些用户群体可能拒绝使用这些工具的决定。

总结

这些建议对各种技术产品设计都有益。然而，我想强调生成式AI对用户与技术互动方式的巨大变化以及它对我们期望的重大转变。因此，在推出此类产品时比以往任何时候都更需要仔细审视用户及其起点。新产品既是留下深刻印象的机会也可能带来危机。你给人留下深刻印象的机会很大但同样重要的是避免破坏与用户关系及信任并制造危机。