我們都曾對 AI 互動感到失望，或認識一些「討厭聊天機械人」的人，原因通常是「基本版」體驗並不實用、有價值或令人愉快。這種失望往往與模型能力關係不大，反而源於體驗本身：人、AI 智能代理與預期成果之間的互動。這是採用 AI 的重大障礙，在企業環境尤其如此；設計欠佳的互動可能令人不知所措、忽略即時情境，或漠視使用者意圖和行為。
基於這個角度，我們識別出各種模式的效益、相關設計挑戰，以及實際應用指引。這些模式適用於不同互動類型和模態，既為消費者體驗帶來機會，亦可用於協助知識工作者作出更佳決策的內部 AI 方案。
我們在建立和試用眾多生成式 AI 方案的過程中，觀察到一些新興模式，並希望與大家分享，以協助設計更理想的人類與 AI 關係。
無論作為知識工作者還是消費者，我們與科技的許多互動都令日常工作變得不必要地複雜。它們限制了我們的生產力、成效和價值。
知識工作者和消費者同樣可能因資訊、選擇和工具過多而不知所措。大量往往互相矛盾的訊息持續湧現，令人更難作出明確決策或保持專注。研究顯示，員工可能花多達工作日的 40% 來搜尋所需資訊（McKinsey）。這種資訊過載會影響生產力和身心健康。
我們的注意力容量亦有限。即使能夠找到資訊，我們也無法處理或分析作出知情決策所需的一切內容。我們在任何時候都只能專注於可用數據的一小部分，並往往固守既有信念或想法，限制了考慮其他選擇或識別意外規律的能力。
工具本身往往未能察覺這些限制。大部分科技都以「平均使用者」為設計對象——採用劃一方案，無法適應個別情境。無論使用工作場所軟件還是消費者應用程式，這些工具很少考慮我們的需要、限制或獨特情況。結果，科技可能變得低效，甚至適得其反。生成式 AI 帶來建立更靈活、更個人化互動的機會。
最後，許多工作環境帶來不必要的痛苦。日益增加的「瑣碎工作」、「時刻在線」的壓力，以及重複而低價值的任務，都會令人失去投入感並承受長期壓力。儘管生成式 AI 和 AI 智能代理可減少或消除這些體驗，許多人仍然不信任 AI 能改善整體工作體驗。人們可能抗拒「AI 接管工作」，因為擔心被取代，或對自己的工作有擁有感——即使是他們不喜歡的任務。
單純採用 AI 並非解決方案。整合欠佳的 AI 可能衍生新任務和焦慮，對知識工作者尤其如此。這些挑戰顯示，我們需要的人類與 AI 互動不僅要高效，亦要配合人類的認知能力、個別情況和現實限制。以下六種模式概述了以人為本的方法，支援我們與 AI 建立更靈活、透明且有意義的關係。
新興設計模式與有效、以人為本的 AI 體驗原則之間的關係。
資訊策展：以 AI 作為智能選單——AI 整理並組織資訊，協助人們瀏覽龐大數據集，減輕資訊負擔。
提供意見：以 AI 作為思考夥伴——AI 即時提供發人深省的意見，質疑假設並提出不同觀點。
情境意識：理解當下的 AI——AI 持續處理環境資訊和使用者需要，因應即時情境作出調整。
持續探索：將每次互動化為使用者研究——AI 從每次使用者互動中發掘洞見並加深理解，確保持續學習和改進。
輸入增強：強化使用者輸入，締造更佳成果——AI 在幕後增強使用者輸入，同時保留原意。
展示推導過程：透明的 AI 推理——AI 以可見且實用的方式呈現決策過程，建立信任並協助使用者作出更知情的決策。
這六種模式顯示，有效的 AI 方案不只需要設計完善的使用者介面。它們塑造人類與 AI 智能代理在複雜知識系統中協調、決策和互動的方式。這些模式透過以下方式改善人類與 AI 的互動：
優先促進雙向知識交流：建立 AI 與人類共同貢獻意念、情境資料和洞見的對話。這有助建立能力更強的 AI 系統，吸收尚未編纂成文的專業知識和直覺。
建立可因應不同情況調整和轉變的體驗：AI 工具可能很快過時或失去相關性。具備情境意識、持續學習並因應每位使用者情況作出調整的系統，能長期保持實用。
提升信任和信心：透明、協作式的互動可降低採用門檻、提高參與度，並改善人類和 AI 的決策。周詳的設計有助人們長期對系統的決策和輸出保持信心。
設計有效的 AI 體驗充滿挑戰，但已有經實證的方法可供借鑑。理解使用者和建立實用體驗的核心原則仍然適用，同時亦須考慮具自主行動能力的 AI 系統所帶來的新因素。能有效整理資訊、提供實用意見並以透明方式學習的體驗，可減輕資訊過載、改善決策並建立信任。
這些模式有助克服常見的採用障礙，讓 AI 真正實用、靈活，並為所有參與者帶來更大價值。
以下指南將深入探討每種模式，並說明它如何支援更廣泛的 AI 體驗。
概念：使用者毋須自行篩閱無窮無盡的搜尋結果或文件，AI 智能代理可從龐大數據集中整理資訊，並呈現最相關的洞見。簡而言之，AI 就像圖書管理員，按使用者的情境整理知識。
實用之處：減少資訊過載。知識工作者平均每日花 1.8 小時搜尋資訊，令不少員工出現職業倦怠（McKinsey）。AI 驅動的資訊策展可從廣泛來源建立索引、尋找並整合資訊，協助使用者發現傳統搜尋可能遺漏的資訊、選項和洞見。
挑戰：從傳統的介面式搜尋轉向智能代理輔助方式，需要使用者調整期望。人們習慣查看連結清單，或按下按鈕篩選數據集。相反，AI 資訊策展工具會綜合使用者可能不知道的來源來生成答案。這可能削弱使用者對篩選過程的掌控感，也要求他們信任智能代理的選擇。熟悉的搜尋機制有助人們適應 AI 驅動的資訊策展，同時保持信心和掌控感。
OpenAI 如何運用熟悉的互動模式，支援結構化及非結構化資訊探索。
以熟悉的互動方式呈現搜尋機制：
為了讓使用者更順利地從傳統搜尋過渡，應提供熟悉的互動方式，而非一片空白的畫面。體驗若建基於熟悉的選項、問卷和情境建議，使用者會更感自在。
以按鈕作為提示詞，毋須使用者輸入開放式內容：
自由文字輸入可能令人卻步或耗費時間。預設或自動產生的按鈕，讓資訊策展更容易使用。例如，「按最新項目篩選」、「比較價格」和「包括全球來源」可協助使用者收窄結果。這可降低參與門檻、鼓勵探索，並讓 AI 按使用者意圖調整建議。
讓使用者透過敘述經歷來改良搜尋結果：
有時，敘述經歷比直接查詢或篩選更能有效表達使用者的需要。在複雜情況下，例如瀏覽資訊密集的儀表板或尋找合適產品，人們可能會被傳統工具弄得不知所措，或不確定應調整哪些參數。
當使用者能「講述自己的經歷」，描述痛點、個人目標或想要的產品時，AI 便可將這些敘述轉化為結構化搜尋參數。例如，使用者說：「我剛搬進較小的居所，需要多用途且價格相宜的收納方案」，便可獲得精選產品、實用貼士和相關建議。
採用敘事方式不但能減輕選擇篩選條件的認知負擔，也能讓使用者對最終的精選結果更有信心，理解亦更清晰。
運用迷因和文化典故，提供個人化探索體驗：
迷因能從兩方面協助 AI 進行資訊策展：加深智能代理對使用者的了解，並以更人性化、更貼近日常的方式呈現搜尋結果。首先，使用者選擇或引用能表達目標、心情或風格的迷因（「今天我就是想『好好獎勵自己』！」），實際上是在與 AI 分享自己的「心智理論」。這有助智能代理推斷標準圖像介面或文字查詢可能遺漏的情境，從而微調資訊策展。
其次，智能代理可用主題式或流行文化風格的「新手套裝」來「重現」結果，令建議更切合需要和更個人化。例如，若有人正重新設計家居辦公室，AI 可建立一套結合桌面配件、科技產品和靈感的「在家工作新手套裝」。
透過下一個最佳行動，為使用者提供清晰指引：
無論 AI 智能代理的結果是否準確切合需要，使用者都應能輕鬆調整參數。例如，他們可要求：「顯示更多類似項目 2 的內容」，或「排除 2020 年以前的來源」。建議下一步行動可引導新使用者，而不會令他們不知所措。
概念：人們經常討論如何利用 AI 智能代理，委派傳統上由人類完成的工作。但智能代理作為即時協作夥伴的能力，較少受到關注。智能代理不只遵從指示或生成內容，也可提出發人深省的問題、質疑假設，並提供不同觀點。這令 AI 成為思考夥伴，在工作逐步成形時協助使用者改進。
實用之處：適時的意見對所有人都有幫助，但我們未必總能獲得。反對和支持的觀點，都能幫助我們在過度執着於某個意念前識別規律。AI 智能代理可質疑我們的假設、產生意念，並提出數據的其他詮釋，而不取代人類判斷。我們發現，人們通常樂於接受這類由智能代理提供的意見。
AI 智能代理可提出反論，揭示推理漏洞或突顯其他觀點。
挑戰：AI 意見必須直觀且可付諸行動，否則只會令人分心。人們不會歡迎以無關建議打斷工作，或對每項細節吹毛求疵的智能代理。AI 應在適當時機，以合適語氣介入。過於被動會錯失有用機會；過於進取則可能令使用者覺得自己的判斷不斷受質疑。
挑戰在於如何呈現 AI 的意見：應以提示、選擇性審閱，還是雙向對話的形式出現？互動設計是否恰當，將決定使用者視 AI 為夥伴，還是只當它是 Clippy 2.0。
確保意見主動但不擾人：
讓 AI 在自然的停頓點提出建議。例如在文件編輯器中，它可等待句子或段落完成後才提出修改建議。我們亦曾探索讓智能代理在使用者選取空白文字欄位後稍候片刻，才主動提供協助。語氣十分重要：「這裏有個想法值得考慮……」比直截了當的斷言更具建設性。
將意見轉化為探索式對話：
若意見不清晰，應讓使用者輕鬆提出問題，例如：「你為甚麼建議這樣修改？」具好奇心的 AI 角色可令交流更具建設性。智能代理可像體貼的治療師或引導員，在適當時機提出相關問題，把意見化為協助使用者學習的對話。
這亦有助 AI 掌握情境，讓使用者與智能代理建立更清晰的共同理解。
提供多個選項、意念或替代方案：
智能代理可提出多個觀點，而非只提供一個意念、方案或質疑。例如，設計智能代理可生成三種替代版面，而寫作智能代理則為不同受眾提出同一句子的不同版本。提供選項可鞏固使用者仍掌握主導權的感覺。
確保意見能掌握情境：
智能代理應按使用者目前的情境，調整其「思考夥伴」角色。若有人在問題或文字欄位前停下來，AI 可提出發人深省的問題，而非立即提供完整答案。當使用者只需改寫一句話時，提供可接受或拒絕的精簡建議，有助保留其擁有感。
更重要的是，AI 必須懂得何時退一步——長時間來回修改可能造成無休止編輯的「惡性循環」，削弱使用者信心。AI 智能代理只要留意情境和使用者行動，便可因應需要提供真正有用而不越界的意見。
概念：情境意識是智能代理即時解讀情境資訊，並據此調整行為的能力。AI 智能代理不僅依賴預先設定的輸入，還可持續處理環境、使用者當前狀態及其他相關條件的資訊。
這可以是按使用者的即時需要調整介面，或解讀當前市場狀況，使回應更切合情境。
實用之處：現實世界並非靜止不變。具情境意識的 AI 系統會回應當前狀況，因此可以更實用。當智能代理了解相關情境時，互動會更自然、個人化，亦更切合實況。
挑戰：建立真正具情境意識的 AI 並不容易。存取和整合所需數據可能帶來重大的技術複雜性。
實用的情境意識與侵擾性的越界行為之間，只有一線之差。使用者欣賞「明白狀況」的智能代理，但若它索取過多資訊或顯得過分執着，便可能令人不安。由於情況可以迅速轉變，人類的專業知識和判斷仍不可或缺。
因此，有效的 AI 系統需要使用者提供資料，才能維持對其情況實用而切合現況的理解。
向使用者展示何謂良好情境資料：
OpenAI o1 等推理模型改變了人們向大型語言模型提供情境資料的方式。無論使用哪種模型，詳盡的情境資料都有助產生更相關的回應。清晰範例、預留位置文字和可展開的貼士，可向使用者展示應提供哪些資訊，並解釋其重要性。
明確展示何謂「良好情境資料」，可免除使用者的猜測，讓他們願意提供有意義的細節。
讓使用者輕鬆界定智能代理的行動範圍：
使用者的即時需要十分重要，卻未必顯而易見。具情境意識的智能代理可與使用者共同界定應探索的主題、領域和工具。ChatGPT 的深度研究會在開始研究工作前提出釐清問題，從而支援這種方法。
顯示情境資料，方便快速編輯和新增：
使用者可能需要概覽 AI 目前對其目標、重點和數據來源所作的假設。專用面板可說明其知識截止日期、當前假設和相關輸入。圖示可顯示何時正在使用位置數據，摘要則可列出有多少項記錄促成某項洞見。
讓人們看到 AI「知道」甚麼，並能輕鬆新增、移除或更新相關情境資料，會對他們大有幫助。
讓 AI 按實用程度選擇使用者介面功能：
AI 智能代理可根據情境線索，選擇性啟用或停用功能。當使用者草擬白皮書時，智能代理可啟用進階引用工具；編輯演講備註時，則可突顯編輯功能。這可提供專注的體驗，毋須使用者手動管理每項設定。
概念：體驗設計和產品開發往往將使用者研究視為項目開始時或按固定週期進行的獨立階段。持續探索則把了解使用者行為、需要和偏好視為持續進行的過程。AI 可將對話、點擊和意見轉化為探索洞見的機會，揭示使用者未必明確表達的想法。
簡而言之，AI 會持續學習，並即時適應問題範疇。
實用之處：要從專家、從業者和一般使用者收集關於 AI 輸出成效或易用性的實用意見，並不容易。智能代理可趁體驗仍然記憶猶新時，結合情境記錄反應、洞見和直覺。
挑戰：意見通常只反映發生了甚麼，或使用者是否喜歡結果，卻沒有解釋原因。要求人們回想並記錄思考的每個步驟，可能令人感到負擔，即使這些洞見有助改善系統日後的能力。
這對限制嚴格的 AI 系統尤其重要，因為開放式對話未必可取，甚至未必可行。
以描述性標記記錄反應：
簡單的「讚好」或「不喜歡」很少能解釋使用者的反應。「有助規劃預算」或「欠缺監管資料」等描述性標記，可提供更實用的情境。這些標記可反映當前互動，或邀請使用者簡述看法，將評分轉化為 AI 可從中學習的資訊。
以「學習卡」引導 AI 智能代理：
當 AI 出錯或只取得部分成果時，應讓使用者以簡單方式糾正或「教導」它。例如，智能代理可問：「你會怎樣表達這句話？」或「我們遺漏了甚麼細節？」所得指引可儲存至目前的互動，或留待日後重用。
從反覆改進和變化中學習：
有時，最有用的意見來自再次嘗試。簡單的重新生成功能讓使用者比較新選項，並找出偏好的結果。這些選擇把原始輸入連繫至更實用的結果，並讓實驗成為學習過程的一部分。
觀察互動：
AI 智能代理可互相協作，從多次互動中學習。例如，一個智能代理建立研究摘要時，另一個可分析交流過程，評估使用體驗。這些智能代理像民族誌研究員一樣，可識別使用者意圖與其對輸出質素觀感之間的差異。
這些觀察能揭示洞見並建議系統變更，推動持續改進。
概念：輸入增強會調整使用者的輸入、提示詞或指示，在保留原意的同時產生更佳結果。AI 會在幕後執行明確要求以外的額外工作。例如，「影子提示」可在系統生成回應前，豐富查詢內容。
使用者提供初步想法，而智能代理會在有助改善成果時擴充該輸入。
實用之處：人們通常只提供簡短或概括的指示，但最佳回應可能需要額外步驟。AI 智能代理無需使用者解釋一切，也能填補這個落差。例如，要求 AI「為我的新咖啡產品構思市場推廣意念」，一般可能只會得到一份普通的清單。
增強式方法可進行多輪、逐步提升創意幅度的腦力激盪，再整合最出色的意念，產生更豐富多元的結果。
挑戰：幕後處理可能削弱使用者的擁有感和透明度。如果 AI 修改使用者的要求而沒有解釋變更，可能會產生使用者不想要的結果。設計人員必須在實用的輸入增強與不必要操控的風險之間取得平衡。
設計上的挑戰，是讓使用者在有需要時引導輸入增強。
保留使用者意圖，並以此為基礎加以發展：
輸入增強應改善使用者已表明的目標，而非引入新目標。AI 擴充提示詞或完成背景工作後，應由它或獨立驗證工具將最終輸出與原始要求作比較。任何意料之外的新增內容都應清楚說明。
運用輸入增強提升安全和創意：
影子提示等技巧可能令人憂慮使用者要求遭暗中重塑。為維持信任，應運用這些技巧改善清晰度、安全性或完整性，而不損害使用者意圖。如須進行安全相關調整，應作出解釋或即時提供回應。
使用者可能只看到內容審核結果，卻看不到背後的邏輯或準則。
借鑑經實證有效的引導技巧：
AI 智能代理可運用 Liberating Structures 等引導和協作方法，促進富有成效的互動。這些輕量框架有助充分發揮個人的創意和分析潛能。
智能代理可在對話中運用熟悉的腦力激盪和意念篩選方法。交流方式的細微變化，也能帶來更廣泛的意念和洞見。
運用平行思路發掘實用內容：
智能代理不必依賴單一線性交流，而可同時探索多種詮釋、意念或解決方案。這就像一群專家從不同角度進行腦力激盪，同時保留有用的洞見。
協調程序可整合各條探索路徑，形成連貫且可付諸行動的回應。
以輸入增強教導使用者：
設計得宜的輸入增強亦可協助人們學習如何更有效地與 AI 互動。如果智能代理解釋：「我的答案考慮了 X 和 Y」，使用者日後提出要求時便可能加入這些因素。這可帶來雙向改進：目前的回應更好，長遠的輸入亦更佳。
概念：這種模式讓 AI 智能代理的推理更容易理解。經精心設計的互動可解釋智能代理得出答案的原因、突顯佐證來源，或展示過程中的相關步驟。目標是在不令使用者不知所措的情況下，支援有效的人類決策。
讓使用者逐步探索相關推理，並自行選擇所需的詳細程度，效果最為理想。
實用之處：信任是採用 AI 的關鍵，對企業環境尤其如此。如果人們無法理解或驗證系統的行為，便較不願意依賴它。透明的輸出讓人更容易診斷問題、糾正錯誤，並重複採用有效方法。
挑戰：解釋 AI 的決定並不容易。細節太多可能令使用者不知所措，而概率或冗長的推理摘要亦可能難以解讀。單靠透明度亦不能保證準確。
設計人員必須考慮解釋的質素、呈現方式是否清晰，以及如何讓佐證成為實用對話的一部分。
讓智能代理廣泛思考，再濃縮結果：
AI 可深入分析問題，同時以容易理解的格式呈現結果。分層摘要和漸進式披露，讓使用者先掌握主要洞見，只在需要時才展開佐證細節。
設計得宜的互動能讓複雜資訊易於探索，同時不失深度或清晰度。
提供可探索的引文和參考資料：
AI 生成的答案應讓使用者以清晰方式查閱佐證來源。當中可包括連結、內部報告摘錄、相關研究結果，或更深入的量化數據檢視。
例如在檢索增強生成系統中，使用者應能從 AI 摘要追溯至背後的證據。這有助驗證，亦能促進建立信任所需的深入探究。
傳達重要的進度訊號：
複雜的智能代理工作流程可能涉及改變方向、重新審視先前步驟，或整合多條研究路徑。使用者了解正在發生甚麼時，會較容易接受延誤。清晰的進度更新可說明智能代理已完成、正在進行及下一步要處理的事項。
智能代理亦應在遇到障礙，或決策需要更多觀點時作出解釋。
逐步展示 AI 輸出：
智能代理可分階段展示資訊，而非一次呈現整個回應。例如，投資助理可顯示簡短建議，並讓使用者選擇展開理據：「步驟 1：評估風險狀況。步驟 2：檢視目前的投資組合。步驟 3：識別分散投資的機會。步驟 4：擬定建議。」想了解更多的使用者可探索每個步驟，其他人則可只看摘要。
以視覺方式解釋 AI 推理：
解釋應與主要輸出同樣容易理解。當推理涉及數字或關係時，圖表和圖解會有所幫助。以視覺方式呈現智能代理的查詢、流程、推理和來源，亦有助使用者修正方向、向他人解釋結果，或日後重複該流程。
清晰的視覺解釋有助使用者更快理解資訊並採取行動。