第一批养虾的人已经开始卸载了？这两年，AI产品如过江之鲫, 模型越来越强大，迭代很快，Demo 很炸，功能很强；风头很盛，一方面圈内追风的人一茬接一茬，用户在不同新产品间横跳；另一方面，随着ai对广大用户的渗透，如果你做过用户访谈，你偶尔也会听到这些话：
这些话，本质不是吐槽能力，而是：
用户是否真的敢把事情交给AI？
AI能在广大用户间的普及，不仅仅是智能；对不懂技术/非圈内的普通用户来说模型多么牛逼也只是一个名词而已，其关键在于信任与控制感。因为“使用ai”的行为习惯，并非单纯的技术能力问题，而是行为形成机制的问题。
比如你知道：运动很好，早睡很好 👉 但你还是不会做
就像你的ai工具，赶潮流-惊艳-闲置。风头再起时，转战新的工具，顺便薅一波奶茶的羊毛？
这在行为学里是一个基本结论：行为形成并不依赖能力本身，
B. J. Fogg 提出的 Fogg Behavior Model 👉
Behavior = Motivation × Ability × Trigger
该模型强调：能力（Ability）只是行为发生的必要条件之一，行为的发生依赖多变量协同
AI也是一样，你知道AI可以：写文案，做PPT，写代码等等。但你为什么打开这一款ai产品？因为中间缺了一件事：
行为触发机制
然而在AI时代，这个“ 行为 = 动机 × 能力”的模型不够了。因为AI产品情境中，该模型存在一个关键缺口：
它假设系统是确定性的（deterministic）;
而生成式AI属于：
概率性系统（probabilistic systems）。
直白点说你不仅仅在用AI，而是在“赌它不会出错”/“是否达到你的预期”，
用户每一次使用AI，本质都是一次风险决策。
我们需要加一个变量：
信任
👉
AI行为发生 = 动机（Motivation）× 能力（Ability）× 情境（Context）× 信任（Trust）
举个例子AI帮你发重要客户邮件，写错：可能丢客户 vs 写好：省时间
你会犹豫 /复验，其根本原因不是AI能不能做，而是：
用户愿不愿意承担“用它的后果”
因为在传统UX设计中，用户与系统的关系可以被描述为： 人 → 操作 → 系统响应
但在AX系统中，这一关系发生了根本变化：人 → 委托→ AI → 决策 → 结果
很大程度上用户是否使用是预期收益（Expected Utility）和预期风险（Perceived Risk）之间的博弈，其中“风险”不仅包括功能错误，还包括：
而
AX中“助推”（nudge theory）行为的本质是“
设计用户如何做这个权衡”。
产品用户体验的核心是 在效率优化的
不确定性环境下的风险管理与信任建构，毕竟ai无法替人类背锅，而你不能选择把网线拔了。
那么具体该怎么做呢，先来看看AI产品幼年体的潜在坑点 —— AX设计中的五个关键gap
下面这5个问题（基于行为机制分析）你可以直接去检查任何AI产品👇
你是否会让两个ai工具交叉验证，左右互搏？比如，用豆包 → 再去GPT/DS/GIMI...一遍
其原因是用户把
AI被视为“参考工具”而非“决策工具”，因为当个体面临高不确定性时，会倾向于进行二次验证（verification behavior）。为什么会这样？因为用户在想：你凭什么这么说？你是不是编的？
给“依据”，而不是只给结果
比如：“这是最佳方案” 👉 “基于过去3个月xxx数据，这是最佳方案”
给“不确定性”
比如：绝对语气 👉 “可能 / 建议 / 置信度”
给“对比” /分析过程（可选）
比如：直接给一个答案，👉A方案 + B方案 + 为什么不同
控制权设计（Control vs Autonomy）：AI不是开关，而是滑杆
建议（Suggest） → 协作（Assist） → 半自动（Semi-auto） → 自动（Auto）
👉 让用户“逐步放权”而不是“一步到位”。基于“感知控制”（Perceived Control）理论：个体只有在感知到可控时，才会采取行动。
通俗点说，让用户敢用的关键点是“放权的过程”，
允许用户逐步转移控制权，而非一次性交付。
有的时候我们会听到用户吐槽“AI很蠢”，与此同时还会有另一波人对吐槽AI很蠢的用户吐槽“是你不会用”。
为什么UX时代没有这个问题？
因为以前是“点按钮”；现在是“说人话”，自然语言具有：语义歧义（Semantic Ambiguity）。很多时候人话 = 模糊，就像甲方自己也不清楚自己的需求是什么，输入 ≠ 理解，
理解是须要被设计的
。AI更像一个“会猜答案的人”。但不可否认，这一点随着模型的升级是有很大提升的，愈来愈靠近自然语言是发展必然的趋势。
AI确认理解
比如：你说“帮我写一封邮件” 👉 “你是想写一封正式的商务邮件，对吗？”
很多人知道AI功能强大，但知道是一回事，用不用又是另一回事。本质原因是没有触发；基于 Expectancy-Value Theory：行为取决于预期收益（Expectancy），和主观价值（Value）。没有触发，AI只是“一个功能”，而不是“一个场景”
明确任务价值（task-value binding），构建使用情境（contextual trigger），降低启动成本（activation cost）。
站在长期使用的角度，
普通用户不会特意去追逐某项与自己无交集的AI功能，
只会解决自己的问题。
AI一出错 ，用户立马转战可替代产品。基于“认知失调”（Cognitive Dissonance）：当结果不符合预期时：信任迅速下降，用户产生放弃的倾向。这也是ux和ax的区别之一。在ux设计中中错误是可追溯的异常/操作不当， 但ai对于直面它的用户来说是个黑箱错误是能力的失序不可控。
看到这里，你会发现ux和ax 在很多层面上相似又不同；随着硬件和模型发展，当前的ax也是一个发展中的过渡态。
👉 UX在设计：页面，流程，操作——优化的是“操作成本”
下一篇，从行为学角度聊聊 UX → AX 到底变了什么？而等待中的反馈设计也在这个过渡期变得愈发重要。一些经验和观察分享，欢迎大家开放讨论～
[1] *Nudge theory is a behavioral economics concept proposing that indirect, gentle suggestions—rather than mandates or economic incentives—can influence people's decisions and behaviors.
[2] Tagliabue, Marco; Simon, Carsta (2018). "Feeding the behavioral revolution: Contributions of behavior analysis to nudging and vice versa". Journal of Behavioral Economics for Policy. 2 (1): 91–97. S2CID 173172300.
[3]《Trust in AI and Its Role in the Acceptance of AI Technologies》Cite as: Choung, H., David, P., & Ross, A. (2022).International Journal of Human–Computer Interaction, 1–13.
https://doi.org/10.1080/10447318.2022.2050543
[4] Formalizing Trust in Artificial Intelligence: Prerequisites, Causes and Goals of Human Trust in AI
[5] https://blog.csdn.net/2502_91678797/article/details/151084040?utm_source=chatgpt.com
