我們都曾有過令人失望的 AI 互動經驗，或認識「討厭聊天機器人」的人，往往是因為「原始預設」體驗既不實用、沒有價值，也不令人愉快。這種失望通常與模型能力關係不大，問題更多出在體驗本身，也就是人、AI 智慧體與預期結果之間的互動。這是採用 AI 的一大障礙，企業環境尤其如此。設計不佳的互動可能令人不知所措、忽略即時情境，或無視使用者的意圖與行為。
基於這個觀點，我們整理出每種模式的優點、相關設計挑戰，以及實際應用指引。這些模式適用於各種互動類型和形式，既能為消費者體驗創造機會，也能協助打造內部 AI 解決方案，幫助知識工作者做出更好的決策。
我們在建構及試用眾多生成式 AI 解決方案的過程中，觀察到一些新興模式，希望藉由分享這些模式，協助設計更好的人類與 AI 關係。
無論身為知識工作者或消費者，我們與科技的許多互動都讓日常工作變得不必要地困難。這些互動限制了我們的生產力、成效與價值。
面對龐大的資訊、選項和工具，知識工作者與消費者都可能感到不知所措。這些往往相互矛盾的訊息持續轟炸我們，使人更難做出明確決策或維持專注。研究顯示，員工每天可能花費高達40% 的工作時間，只為尋找所需資訊（McKinsey）。這種資訊過載會同時影響生產力與身心健康。
此外，我們的注意力容量有限。即使能找到資訊，我們也無法處理或分析做出明智決策所需的一切內容。在任何時刻，我們都只能專注於少部分可用資料，還經常固守既有信念或構想，因而限制自己考慮替代方案或發現意外模式的能力。
工具本身往往未能察覺這些限制。大多數科技都是針對「平均值」設計，採用一體適用、無法配合個別情境調整的解決方案。無論使用職場軟體或消費者應用程式，這些工具都很少考量我們的需求、限制或獨特情況。因此，科技可能變得沒有效率，甚至造成反效果。生成式 AI 帶來打造更靈活、更個人化互動的機會。
最後，許多工作環境造成了不必要的痛苦。日益增加的「瞎忙」、必須「隨時待命」的壓力，以及重複、低價值的工作，都會導致投入感降低與長期壓力。雖然生成式 AI 和 AI 智慧體可能減少或消除這些體驗，許多人仍然不信任 AI 能全面改善工作。人們可能抗拒「AI 接管一切」，因為他們害怕被取代，或對自己的工作有主導感，即使是不喜歡的任務也一樣。
單純導入 AI 並非解決方案。整合不佳的 AI 可能產生新的工作與焦慮，對知識工作者尤其如此。這些挑戰顯示，我們需要的不只是有效率的人類與 AI 互動，還必須使其符合人類的認知能力、個別情況和現實限制。以下六種模式提出能正視人類需求的做法，協助建立更靈活、透明且有意義的人類與 AI 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 作為智慧選單——AI 整理並組織資訊，協助人們瀏覽龐大資料集，減輕資訊過載。
提供回饋：以 AI 作為思考夥伴——AI 提供即時且啟發思考的回饋，質疑假設並提出不同觀點。
情境感知：理解此時此地的 AI——AI 持續處理環境資訊和使用者需求，以適應即時情境。
持續探索：讓每次互動都成為使用者研究——AI 從每次使用者互動中發掘洞見並深化理解，確保持續學習與改善。
強化：擴充使用者輸入以獲得更好的結果——AI 在幕後強化使用者輸入，同時保留其原始意圖。
展示推導過程：透明的 AI 推理——AI 讓決策流程可見且實用，藉此建立信任並協助使用者做出更明智的決策。
這六種模式顯示，有效的 AI 解決方案不能只靠設計良好的使用者介面。它們會影響人類與 AI 智慧體如何在複雜知識系統中協調、決策及互動。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 與人類都能貢獻構想、情境資訊和洞見的對話。這有助於打造能力更強的 AI 系統，並納入尚未被系統化的專業知識與直覺。
打造能因應不同情況調整與改變的體驗：AI 工具可能很快過時或失去實用性。能維持情境感知、持續學習並適應每位使用者情況的系統，才能長期保持實用。
提升信任與信心：透明、協作式的互動能降低採用門檻、提高參與度，並改善人類與 AI 的決策。周全的設計能讓人們長期對系統的決策與輸出保持信心。
設計有效的 AI 體驗並不容易，但經過驗證的方法能提供幫助。理解使用者並打造實用體驗的核心原則仍然適用，同時也必須考量具備自主行動能力的 AI 系統所帶來的新議題。能有效整理資訊、提供實用回饋並以透明方式學習的體驗，可以減少資訊過載、改善決策並建立信任。
這些模式有助於克服常見的採用障礙，讓 AI 真正實用、靈活，並為所有參與者創造更大價值。
以下指南將深入探討每種模式，並說明其如何支援更全面的 AI 體驗。
概念：使用者不必再手動篩選無窮無盡的搜尋結果或文件；AI 智慧體能從龐大資料集中整理資訊，呈現最相關的洞見。本質上，AI 就像圖書館員，會依使用者的情境組織知識。
實用之處：減少資訊過載。一般知識工作者每天要花 1.8 小時搜尋資訊，這也導致許多員工身心俱疲（McKinsey）。AI 驅動的資訊策展會從各種來源建立索引、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、選項與洞見，從而解決這個問題。
挑戰：從傳統的介面式搜尋轉向智慧體輔助的方式，需要使用者調整預期。人們習慣查看連結清單，或按下按鈕來篩選資料集。相較之下，AI 策展工具會綜合使用者可能不知道其存在的來源來產生答案。這可能削弱使用者對篩選流程的掌控感，也要求他們信任智慧體的選擇。熟悉的搜尋機制能幫助人們適應 AI 驅動的資訊策展，同時維持信心與掌控感。
OpenAI 如何運用熟悉的互動模式，協助探索結構化與非結構化資訊。
以熟悉的互動方式呈現搜尋機制：
為了讓使用者順利從傳統搜尋過渡，應提供熟悉的互動方式，而非一片空白的操作畫面。如果體驗以熟悉的選項、問卷和情境建議為基礎，使用者會感到更自在。
以按鈕作為提示詞，不要求開放式輸入：
自由文字輸入可能令人卻步，也可能相當耗時。預設或自動產生的按鈕能降低使用資訊策展功能的門檻。例如，「依最新時間篩選」、「比較價格」和「納入全球來源」都能幫助使用者進一步縮小結果範圍。這能降低參與門檻、鼓勵探索，並讓 AI 依照使用者意圖調整建議。
讓使用者透過敘事改善搜尋結果：
有時，說出一段故事比直接查詢或設定篩選條件更能表達使用者的需求。面對複雜情況，例如瀏覽資訊密集的儀表板或尋找合適產品時，人們可能被傳統工具弄得不知所措，也不確定該調整哪些參數。
當使用者能「說出自己的故事」，描述痛點、個人目標或想要的產品時，AI 就能把這段敘述轉換成結構化搜尋參數。例如，有人說：「我剛搬進較小的房子，需要用途靈活又實惠的收納方案。」系統便可提供精選的產品、實用技巧及相關建議。
採用敘事方式不只能減輕判斷篩選條件的認知負擔，也能讓使用者對最終精選結果更有信心、理解更清楚。
運用迷因與文化典故，打造個人化探索體驗：
迷因能從兩方面協助 AI 進行資訊策展：既可加深智慧體對使用者的理解，也能以更有人情味、更易引起共鳴的方式呈現搜尋結果。首先，使用者可以選擇或引用能表達其目標、心情或風格的迷因（「我今天就是想感受一下『好好寵愛自己』的氣氛！」），等於向 AI 分享自己的「心智理論」。這有助於智慧體推斷標準圖形介面或文字查詢可能遺漏的情境，進而微調資訊策展結果。
其次，智慧體可用主題式或流行文化風格的「入門組合」呈現結果，讓建議更貼切、更個人化。例如，若有人正在重新設計居家辦公室，AI 可以建立一套結合桌面配件、科技產品和靈感的「居家辦公入門組合」。
透過最佳後續行動，為使用者指明方向：
無論 AI 智慧體提供的結果是否符合需求，使用者都應能輕鬆調整參數。例如，他們可以要求：「顯示更多類似項目 2 的內容」，或「排除 2020 年以前的來源」。建議後續行動能引導新使用者，又不會讓他們不知所措。
概念：人們談論 AI 智慧體時，通常著眼於如何把傳統上由人類完成的工作交給它們。但它們作為即時協作夥伴的能力較少受到關注。智慧體不只是遵循指示或產生內容，還能提出啟發思考的問題、質疑假設，並提供不同觀點。如此一來，AI 就能成為思考夥伴，在工作逐步成形時協助使用者改善成果。
實用之處：及時的回饋對每個人都有幫助，但我們不一定總能獲得。反對與支持的意見，都能幫助我們在尚未過度執著於某個構想前辨識模式。AI 智慧體可以質疑我們的假設、產生構想，並提出不同的資料解讀方式，而不取代人類判斷。我們發現，人們通常很能接受這類智慧體回饋。
AI 智慧體可以提出反論，揭示推理中的缺口或凸顯不同觀點。
挑戰：AI 回饋必須直觀且可付諸行動，否則只會造成干擾。人們不會歡迎一個老是用無關建議打斷工作，或對每個細節吹毛求疵的智慧體。AI 應在適當時機，以合宜的語氣介入。太被動會錯失實用機會；太強勢則可能讓使用者覺得自己的判斷一直受到質疑。
挑戰在於如何呈現 AI 回饋：應顯示為提示、選擇性審查，還是雙向對話？互動設計是否恰當，將決定使用者把 AI 視為夥伴，還是只當成 Clippy 2.0。
確保回饋主動但不惱人：
讓 AI 在自然的段落節點提出建議。例如，在文件編輯器中，它可以等使用者寫完整個句子或段落後，再提出修改建議。我們也曾探索一種做法：選取空白文字欄位後，讓智慧體稍待片刻再提供協助。語氣很重要：「這裡有個構想可供參考……」會比直截了當的斷言更具建設性。
把回饋轉化為探索式對話：
如果回饋不夠清楚，應讓使用者能輕鬆提問，例如：「你為什麼建議修改這裡？」塑造充滿好奇心的 AI 角色，能讓交流更具建設性。智慧體可以像體貼的治療師或引導者，在適當時機提出相關問題，把回饋轉化為能幫助使用者學習的對話。
這也有助於 AI 蒐集情境資訊，讓使用者與智慧體建立更清楚的共同理解。
提供多個選項、構想或替代方案：
智慧體可以呈現多種觀點，而不是只提供一個構想、解決方案或挑戰。例如，設計智慧體可產生三種不同的版面配置，寫作智慧體則可針對不同受眾提供同一句話的多個版本。提供選項能強化使用者仍握有掌控權的感受。
確保回饋能掌握情境：
智慧體應配合使用者目前的情境，調整其「思考夥伴」角色。如果使用者停在某個問題或文字欄位前，AI 可以提出啟發思考的問題，而不是直接給出完整答案。如果使用者只需要改寫一句話，提供可接受或拒絕的簡潔建議，有助於維持其主導感。
最重要的是，AI 必須知道何時退一步。長時間反覆修改可能形成無止境的「惡性循環」，削弱使用者的信心。只要密切掌握情境和使用者行動，AI 智慧體就能量身調整回饋，真正提供幫助而不逾越界線。
概念：情境感知是指智慧體即時解讀情境資訊，並據此調整行為的能力。AI 智慧體不只依賴預先設定的輸入，還能持續處理環境、使用者目前狀態及其他相關條件的資訊。
這可能是依使用者的即時需求調整介面，也可能是解讀目前的市場狀況，使回應更貼近情境。
實用之處：現實世界並非靜止不變。具備情境感知能力的 AI 系統能回應當下狀況，因此可能更實用。當智慧體了解相關情境時，互動會更自然、更個人化，也更貼近實際情況。
挑戰：要打造真正具備情境感知能力的 AI 並不容易。存取並整合必要資料，可能帶來高度技術複雜性。
有益的情境感知與侵犯隱私的過度介入之間，只有一線之隔。使用者欣賞「懂他們」的智慧體，但如果它索取太多資訊或顯得過度糾纏，也可能令人不舒服。由於情況可能迅速改變，人類的專業知識與判斷仍不可或缺。
因此，有效的 AI 系統需要使用者提供資訊，才能持續掌握實用且最新的情況。
向使用者示範什麼是良好的情境資訊：
OpenAI o1 等推理模型已改變人們向大型語言模型提供情境資訊的方式。無論使用哪種模型，詳盡的情境資訊都有助於產生更相關的回應。清楚的範例、預留位置文字及可展開的提示，可以向使用者示範應提供哪些資訊，並解釋其重要性。
明確展示「良好的情境資訊」是什麼樣子，可免除猜測，讓人們願意提供有意義的細節。
讓使用者輕鬆界定智慧體的行動範圍：
使用者當下的需求很重要，卻未必顯而易見。具情境感知能力的智慧體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，藉此支援這種做法。
顯示情境資訊，以便快速編輯與補充：
使用者可能需要概覽 AI 目前對其目標、重點和資料來源有哪些假設。專用面板可以說明其知識截止日期、目前假設及相關輸入。圖示可以指出系統何時使用位置資料，摘要則可顯示有多少筆記錄促成某項洞見。
讓人們看見 AI「知道」什麼，並能輕鬆新增、移除或更新相關情境資訊，將帶來很大幫助。
讓 AI 依實用性選擇使用者介面功能：
AI 智慧體可根據情境線索，選擇性啟用或停用功能。當使用者撰寫白皮書時，智慧體可以啟用進階引用工具；編輯講者備註時，則可凸顯編輯功能。這能打造聚焦的體驗，使用者不必手動管理每項設定。
概念：體驗設計和產品開發往往將使用者研究視為專案初期或固定時間進行的獨立階段。持續探索則把了解使用者的行為、需求和偏好視為持續進行的流程。AI 能將對話、點擊與意見回饋轉化為探索洞見的機會，包括使用者未明確說出的想法。
本質上，AI 會持續即時學習並適應問題情境。
實用之處：要從專家、實務工作者和一般使用者收集 AI 輸出成效或可用性的實用回饋，往往並不容易。智慧體能趁體驗仍記憶猶新時，結合情境記錄使用者的反應、洞見與直覺。
挑戰：意見回饋通常只記錄發生了什麼，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，可能造成負擔，即使這些洞見有助於提升系統未來的能力。
這對限制嚴格的 AI 系統尤其重要，因為開放式對話交流未必適合，甚至可能無法實現。
用描述性標籤記錄反應：
單純的「讚」或「倒讚」很少能說明使用者為何有這種反應。「有助於預算規劃」或「缺少法規資訊」等描述性標籤，能提供更實用的情境。這些標籤可反映目前的互動，也可邀請使用者簡短分享看法，把評分轉化為 AI 可用來學習的資訊。
用「學習卡」引導 AI 智慧體：
當 AI 犯錯或只完成部分目標時，應提供簡單方式，讓使用者能修正或「教導」它。例如，智慧體可以問：「你會怎麼表達？」或是：「我們漏掉了哪些細節？」由此得到的指引可儲存於目前的互動中，也可日後重複使用。
從反覆嘗試與變化中學習：
有時，最好的回饋來自再次嘗試。簡單的重新產生控制項可讓使用者比較新選項，找出自己偏好的結果。這些選擇能把原始輸入連結至更實用的結果，並讓實驗成為學習流程的一部分。
觀察互動：
AI 智慧體可以協同合作，從多次互動中學習。例如，當一個智慧體建立研究摘要時，另一個智慧體可以分析互動過程並評估體驗。這些智慧體可像民族誌研究者一樣，找出使用者意圖與其對輸出品質看法之間的落差。
這些觀察能揭示洞見並提出系統調整建議，促進持續改善。
概念：強化會調整使用者的輸入、提示詞或指示，在保留原始意圖的同時產生更好的結果。AI 會在幕後執行明確要求以外的額外工作。例如，「影子提示」可在系統產生回應前擴充查詢內容。
使用者提供初步想法，而智慧體會在有助於改善結果時擴充這項輸入。
實用之處：人們提供的指示通常簡短或概略，但最佳回應可能需要執行額外步驟。AI 智慧體能彌補這項落差，而不要求使用者說明所有細節。例如，要求 AI「為我的新咖啡產品發想行銷創意」，原本可能只會得到一份籠統的清單。
強化方式可以進行多輪越來越大膽的腦力激盪，再整合其中最好的構想，產生更豐富多元的結果。
挑戰：幕後作業可能削弱使用者的主導感與透明度。如果 AI 修改使用者的要求卻未說明變更，可能會產生對方不想要的結果。設計人員必須在實用的強化功能與非預期操控的風險之間取得平衡。
設計上的挑戰，是讓使用者能在需要時引導強化流程。
保留使用者意圖，並以此為基礎擴充：
強化應增進使用者明確提出的目標，而不是加入新目標。AI 擴充提示詞或完成背景工作後，應由它或另一個驗證工具比較最終輸出與原始要求。任何非預期的新增內容都應清楚說明。
運用強化功能提升安全性與創意：
影子提示等技術可能引發暗中重塑使用者要求的疑慮。為維持信任，這些技術應用來改善清晰度、安全性或完整性，而不能背離使用者的意圖。若基於安全理由必須調整，應加以說明或立即提供回饋。
使用者可能只看到內容審核結果，卻看不到背後的邏輯或標準。
借鑑經過驗證的引導技巧：
AI 智慧體可以運用 Liberating Structures 等引導與協作方法，促進富有成效的互動。這些輕量架構有助於充分發揮個人的創意與分析潛力。
智慧體可在對話中運用熟悉的腦力激盪和構想篩選方法。只要稍微改變互動的進行方式，就能產生更多元的構想與洞見。
運用平行思路發掘實用內容：
智慧體不必依賴單一線性對話，而能同時探索多種解讀、構想或解決方案。這就像一群專家從不同角度進行腦力激盪，同時保留每一項實用洞見。
協調流程能將不同探索路線整合成條理一致、可付諸行動的回應。
運用強化功能教育使用者：
設計完善的強化功能也能幫助人們學習如何更有效地與 AI 互動。如果智慧體解釋：「我在回答時考量了 X 和 Y」，使用者日後提出要求時可能就會納入這些因素。這能形成雙向改善：當下獲得更好的回應，長期也能提升輸入品質。
概念：這種模式讓 AI 智慧體的推理更容易理解。精心設計的互動可以解釋智慧體為何產生某個答案、凸顯支持來源，或顯示其流程中的相關步驟。目標是在不讓使用者不知所措的前提下，協助人類有效決策。
當使用者能逐步探索相關推理，並自行選擇所需的詳細程度時，呈現推理的效果最好。
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，就不太可能依賴它。透明的輸出讓診斷問題、修正錯誤和重複運用有效方法變得更容易。
挑戰：解釋 AI 的決策並不容易。過多細節可能讓使用者不知所措，而機率或冗長的推理摘要也可能難以解讀。此外，透明本身並不保證準確。
設計人員必須考量解釋的品質、呈現方式是否清楚，以及如何讓佐證資料成為實用對話的一部分。
讓智慧體廣泛思考，再濃縮結果：
AI 可以深入分析問題，同時以容易理解的格式呈現結果。階層式摘要與漸進式揭露可讓使用者先掌握主要洞見，只在需要時展開佐證細節。
設計完善的互動能讓複雜資訊容易探索，同時保留深度與清晰度。
提供可探索的引文與參考資料：
AI 產生的答案應讓使用者能清楚查看佐證來源。其中可包含連結、內部報告摘錄、相關研究結果，或更深入的量化資料。
例如，在檢索增強生成系統中，使用者應能從 AI 摘要進一步查看背後的證據。這有助於驗證，也能促進建立信任所需的深入探究。
傳達重要的進度訊號：
複雜的智慧體工作流程可能涉及改變方向、重新檢視先前步驟，或整合多條調查路線。當使用者了解正在發生什麼事時，通常更能接受等待。清楚的進度更新可以說明智慧體已完成什麼、正在做什麼，以及下一步是什麼。
智慧體遇到困難，或決策需要更多觀點時，也應加以說明。
逐步揭示 AI 輸出：
智慧體可分階段揭示資訊，而不是一次呈現完整回應。例如，投資助理可以顯示簡短建議，並提供展開理由的選項：「步驟 1：評估風險屬性。步驟 2：檢視目前的投資組合。步驟 3：找出分散投資的機會。步驟 4：擬定建議。」想深入了解的使用者可以探索每個步驟，其他人則可只看摘要。
以視覺方式解釋 AI 推理：
解釋內容應像主要輸出一樣容易理解。當推理涉及數字或關係時，圖表和圖解會很有幫助。將智慧體的查詢、流程、推理及來源視覺化，也能幫助使用者修正方向、向他人解釋結果，或日後重複執行流程。
清楚的視覺解釋能幫助使用者更快理解資訊並採取行動。