家里的智能音箱上周干了一件让我哭笑不得的事。我睡前问它“明天要不要穿秋裤”它用那种非常笃定的语气说“明天最高气温23度建议您穿薄外套即可”。结果第二天降温十几度我一边在风里后悔一边意识到一件事我不气它报错——没有一个系统能永远正确我气的是它说那句话时的笃定。没有“可能”没有“根据当前气象预报”没有“我建议你再核实一下”。它像个全知全能的权威等错了才暴露自己其实根本不知道。这件事恰好击中了我这几年做AI产品一直在纠结的问题智能产品真正的短板往往不在能力而在表达。能力不足顶多让用户不去用某个功能表达不当会让用户对整个产品失去信任从此不敢用。这是“读人本智能产品设计六原则”系列的第四篇。前面三篇我们聊了理解、透明、可控这篇轮到“表达上”。上篇先把表达的本质和内容轴讲清楚——确定性分级、能力边界下篇再展开时机轴、姿态轴以及错误发生后的纠错表达。1. 为什么第四条原则是“表达”而不是“话术”1.1 六原则里表达承担的角色和别人不一样先把这套六原则的整体布局摆一下。我读下来的理解是理解、透明、可控、表达、兜底、克制。前三条——理解、透明、可控——本质上都是一种“系统对用户负责”的约束理解是系统要想办法懂人而不是逼着人去懂系统透明是系统的决策依据要能让用户看见可控是用户拥有最终的修改权和叫停权。这三条有个共同倾向它们站在系统侧用工程和逻辑的方式约束机器。第四条“表达”乍一看和“透明”很像都是“把话说清楚”。但它们完全不是一回事。透明是逻辑层面的承诺表达是体验层面的兑现。一个系统可以在日志里完整记录每一条决策依据这是透明但用户不会去看日志。用户接触到的只是屏幕上那几行字、音箱里那一句语音、对话框里那一个气泡。用户能感知到的关于系统的所有信息都是表达。所以表达这个角色的真正特殊之处在于它把前三条原则的功夫翻译成用户能感知的语言。前三条做得好是系统侧优秀表达这关如果过不去用户感受到的仍然是个“不明不白”的产品。这也是我一直强调的表达不是锦上添花的话术它是整个设计闭环里最后一道、也是最关键的一道工序。1.2 把“表达”和“解释”分开是理解这条原则的第一步坦白说我刚开始接触这套原则的时候对“表达”单独拎出来是不太服气的——“解释”不就是“表达”吗直到被一个案例点醒。有个做辅助驾驶的产品设计了一个很完备的决策解释功能每次系统做出一个异常决策都会在后台生成完整的决策日志包括传感器读数、目标检测置信度、决策树路径、风险评估。从逻辑上讲系统把一切都解释清楚了。但用户拿到这段解释等于拿到一份传感器技术报告——完全看不懂。这就是典型的“解释做得好、表达做得差”。解释关心的是“我有没有告诉你真相”表达关心的是“你有没有理解你该知道的真相”。那个辅助驾驶功能真正需要的表达不是决策树路径而是简单一句话“刚才突然刹车是因为前车急刹我判断不刹会撞上。”前者是数据后者是沟通。想通这个区别之后很多产品问题一下子就看得清了。为什么很多AI产品功能很强、用户却不买账因为团队把精力花在“解释得很完整”而不是“表达得很明白”。更糟的是功能越强、决策越复杂表达跟不上用户就越害怕——因为在你不知道的角落系统可能正在基于某种你无法预料的逻辑替你做一个重要决定。恐惧的源头不是AI会犯错而是AI犯错的方式不可预期。1.3 表达失灵的三副面孔说完了角色和定义聊聊实际问题。我这两年在各种智能产品里观察到的表达失灵基本可以归纳成三副面孔。第一副面孔沉默式执行。系统自己做了决定不声不响就执行了。典型例子是手机App悄悄调整了推荐算法、后台自动开了某个功能、或者订阅到期前只在小字角落提醒。用户不知道发生了什么只觉得“最近首页怎么怪怪的”“为什么突然扣我钱”。沉默式执行的可怕之处在于它不给你任何追问的入口。用户的信任不是被某一次错误摧毁的而是被一次又一次“莫名其妙”慢慢磨光的。第二副面孔过度自信。系统只有六成把握却用十成确定的语气说出来。我见过最典型的场景是用户在智能客服里问一个很专业的问题系统连猜带蒙生成了一段长长的答案语气专业、态度坚定用户照着做了然后出错。这种表达的伤害是双重的错一次用户就会把AI的所有回答都视为不可信。第三副面孔术语与机械腔。系统说的是“正确”的话但用户听不懂。比如错误提示写“服务繁忙错误码4012”用户完全不知道这意味着什么、该怎么办。又比如AI回复充满了“基于您的使用习惯与群体行为特征分析”用户看完更迷茫了。表达的目的从来不是证明系统有文化而是让用户获得他需要的确定感。这三副面孔接下来两章会重点拆其中两副——过度自信对应的是确定性分级问题沉默式执行对应的是能力边界和时机问题。2. 表达的本质给用户的“内心剧本”写修正案2.1 用户心里那三句默认台词做产品久了你会发现用户在使用任何智能产品时心里都有一套默认剧本。这套剧本没人教过但几乎人人都有大概是这样三句话第一“这台机器应该知道自己在做什么”。用户默认系统的一切行为都是有意为之。所以当系统做出一个莫名其妙的行为时用户不会先想“它可能出错了”而是想“它是不是背着我在做什么”。第二“它说的话应该可信”。用户默认AI说的都是真的不会区分“这是AI的猜测”和“这是AI查证过的事实”。第三“它没说话代表一切正常”。用户默认系统的沉默等于安全。这三句台词在绝大多数场景下都是错的。AI可能正用一个很低的置信度在猜测它说的话可能只是概率最高的那个选项它沉默时也可能是因为卡死或误判了你的指令。表达设计的本质任务就是修正这套默认剧本——让用户在任何一个时刻都能建立正确的预期此刻它有多确定、它打算干什么、它的能力边界在哪。2.2 心理模型失衡的三个信号怎么判断一个产品有没有在修正用户的剧本我总结了三个观察信号任何一个出现都说明表达出了问题。信号一用户反复问“为什么”。“为什么给我推荐这个”“为什么扣了我的钱”“为什么删了我照片”如果用户频繁追问原因说明产品没有在事前把理由表达清楚用户只能事后补救而且问归问答案也未必能解决他们的困惑。信号二用户用过一次后就退缩。这不是用户矫情。很可能是某一次糟糕的表达透支了信任。最典型的是用户让AI做一个自动化任务中途AI安静地出错并给出一个离谱的结果用户从此再也不敢用自动化。用户退缩的不是功能而是对“系统会好好表达自己”的信心。信号三用户对系统能力产生系统性误判。这又分两极一极是把AI当神什么都信比如直接照抄AI给的医疗建议不做任何核查另一极是把AI当废物任何回答都先嘲笑“这AI又不懂”。这两种极端都是表达的失败造成的——前者因为没有表达好不确定性后者因为没有表达好能力边界。2.3 一个坐标系看懂表达的全部维度表达这个概念太大了真落到设计上需要拆成可以操作的维度。我琢磨了很久最终归结成三个坐标轴这也是我后面所有分析的基础框架。内容轴说什么。这句话本身传递了什么信息。包括确定性声明我多确定、能力声明我能不能做、意图声明我要做什么、依据引用我为什么这么说。内容轴解决的是“信息对不对、全不全”的问题。时机轴什么时候说。同样的内容放在事前说、事中说、事后说效果完全不同。事前声明是承诺管理事中同步是过程透明事后反馈是责任交代。时机轴解决的是“节奏对不对”的问题。姿态轴用什么身份说。语气、人称、措辞层面的选择。以专家身份说还是以伙伴身份说自称“我”还是“系统”用肯定句还是疑问句姿态轴解决的是“用户听进去之后是什么感受”的问题。理解了这三个轴再看市面上任何AI产品的表达问题基本都能定位出是哪个轴崩了。今天的上篇重点展开内容轴时机轴和姿态轴留给下篇。3. 内容轴第一课把内部置信度翻译成“人话”3.1 “永远确定”是最危险的表达方式内容轴里最先要解决的是确定性表达。为什么它是第一课因为几乎所有智能产品的表达问题里它排在最前面影响也最大。先描述一个你可能天天见到的现象市面上绝大多数AI产品不管内部把握有多大最终呈现给用户的都是“统一确定的”语气。内部逻辑其实很简单——工程上系统内部通常会算出一个置信度分数产品团队设一个阈值比如超过0.6就回复、低于0.6就转人工或给个话术兜底。用户拿到的永远是斩钉截铁的答案永远听不到“我其实只有六成把握”。这种设计有它的历史原因。早期聊天机器人能力弱团队怕用户觉得AI不靠谱就刻意让所有回答都显得很确定。但到了今天这个思路已经严重反噬了。因为用户不是傻瓜AI给的十个答案里偶尔错一个用户立刻就会标记“这玩意儿不可信”——问题不在于错的那个答案而在于所有的答案都用同样的自信语气说出来用户根本无法分辨哪个能信、哪个要留个心眼。我自己踩过这个坑。做一个AI问答工具的时候团队把所有回答都做成肯定句式内部测试看着很圆满上线后用户反馈最集中的一句是“它说话太满了我不敢信”。后来我们把低置信度的回答改成“我不太确定建议你再核实”用户反而说“至少它是诚实的”。3.2 从概率到语言的翻译表那怎么把内部置信度翻译成人话很多团队卡在这一步以为要发明什么高深话术。其实没那么玄乎关键在于把内部概率值映射到一组统一的“程度表达”上。我建议做一个团队内部固定的映射表全公司统一使用。下面是我在项目里用过的版本内部置信度推荐表达示例≥ 0.9根据目前信息/非常确定“根据目前路况预计30分钟到达”0.7 — 0.9大概率/倾向于“大概率会下雨建议带伞”0.5 — 0.7有可能/不排除“有可能存在偏差建议现场再确认” 0.5不确定/建议核实“这个我拿不准建议你查一下官方信息”这个表有两点需要注意。第一映射关系是全公司统一的不能客服一个说法、助手另一个说法用户会精分。第二映射不是把概率数字直接塞给用户——“这个问题我有78.3%的把握”这种表达完全违背人性化用户只会觉得你在念说明书。真正的表达是把它降级成自然语言同时保留“不确定”的语义。3.3 三个必须做确定性表达的战场映射表只是工具关键是在哪儿用。我梳理了一下当前产品里至少有三个战场必须做确定性表达缺一个都会出问题。战场一开放问答类AI。助手、大模型产品、知识问答用户抛出一个开放问题系统内部可能自信也可能没底但现在的产品基本不做区分反正生成出来都是一段流畅的话。用户没法判断哪句话能直接信、哪句话需要二次核查。改进方法就是我刚才说的低置信度时主动承认并给替代路径。“我不确定答案是A还是B但从我掌握的资料看A的可能性更大建议你去官网确认。”战场二决策支持类AI。推荐系统、风险评分、辅助诊断、投资参考这类产品的AI结论本质上是概率判断但页面设计往往只给一个孤零零的结论数字。正确的做法是把结论分级呈现高置信度的结论放在显眼位置低置信度的提示放在次级位置并且明说“以下为参考性信息”。用户看到系统主动给结论分级反而会更信任——因为系统展现了诚实。战场三自动化执行类AI。调度、批量处理、自动回信AI自动做事且可能出错。这个场景的确定性表达分两段执行前说“我要做的步骤与你期望的偏差有多大”执行后说“实际结果和预期是否一致偏差在哪里”。如果整条链路都表现得毫无悬念用户一旦发现出错愤怒值极高反过来事前给了预期、事后给了差异说明用户最多说一句“嗯正常再来一次”。4. 能力边界把“我不会”变成一种体验4.1 AI产品普遍在“装会”代价是什么如果说确定性分级处理的是“回答有多准”能力边界处理的就是“能不能答”。这个问题同样普遍而且更容易被人忽视。什么叫装会一个智能客服用户问“你能帮我拟一份劳动合同吗”它不假思索地说“好的合同需要包括以下条款……”——实际上它完全没有法律能力只是用流畅的话术把问题接住了。一个语音助手用户问“我和同事的对话被领导知道了该怎么办”它居然也能一本正经地给出“职场建议”。一个翻译工具用户输入一段方言它识别不出来但还是硬生成了一段错漏百出的翻译。这些产品的AI在“装会”——宁可胡说也不肯说“这个我不行”。产品团队为什么都爱装会说穿了还是怕怕用户觉得“这AI没用”怕“我不会”三个字毁掉产品的价值感怕留不住用户。但我要说这种短期的“有用感”是用长期的信任损耗在买单的。每个装会的回答都是一颗定时炸弹。用户发现你在装会的那一瞬间“这AI真聪明”会变成“这AI在骗我”。一旦用户认定你在骗他你之后所有诚实的回答也会被连坐怀疑。4.2 四种把边界变成体验的表达方式那“不会”到底怎么说我见过一些克制得很好的产品它们在表达能力边界时各有巧思我总结了四个方法按优先级推荐。第一直说“做不到”并附带原因。不要说“我无法处理您的请求”这种冷漠的官方话要说“我现在做不到因为我的知识范围只覆盖到2025年之前的信息”。给原因是把“能力缺失”从“系统缺陷”重新定义为“设计边界”——设计边界是可以被用户理解和接受的系统缺陷只会招来愤怒。用户会想它不是笨是范围有限这合理。第二给替代路径。“做不到”之后必须跟着一条可以走的路。“我没法帮你写劳动合同但我可以帮你整理一份签合同前需要核对的事项清单。”不行的后面接个行的用户的挫败感会大幅降低同时还觉得这系统挺贴心。第三把难度前置做承诺管理。如果一个任务系统只有六成把握完成别硬做直接在上手前摊牌“这个任务有点难度我没法保证一定会成功但我会尽力需要我试试吗”用户点头之后就算失败他的反应也完全不同——他提前知道了这是场冒险。这件事我印象很深因为是我在一次语音助手的迭代里验证过的坦白难度之后用户对失败结果的接受度比原来高了一倍不止。第四升级引路。有时候用户的问题系统确实无解但它知道谁能解。边界表达的最后一种形态是“这个超出我的能力范围但我可以帮你找到能处理的人工渠道。”主动暴露弱点并指明方向反而是建立信任的捷径。用户不会觉得你不行他会觉得你真诚。4.3 边界表达的常见误区免责声明不是表达在推广边界表达的时候我还踩过一个管理层面的坑必须专门提醒一下。很多团队一听“要表达边界”第一反应是去做免责声明——把“以上内容仅供参考”“AI生成内容可能存在错误请仔细甄别”这类话塞进用户协议或者用小号灰字藏在页面角落。这是典型的把表达问题推给了法律团队。为什么说这不是表达因为真正的边界表达有两个硬性要求第一它必须出现在用户正在做决策的那个上下文里而不是藏在协议里第二它必须用和正文一样的字号和语气而不是用灰字小字打发。用户的预期建设必须发生在行动之前发生在对方即将依据AI结论做决定的那一刻。藏在用户协议里的免责声明本质上是团队的自我安慰它保护了团队的法律风险却完全没能保护用户的决策体验。5. 一张能直接带回家的表达自检清单5.1 六个问题快速定位表达短板写到这里上篇的方法论基本讲完了。按照这个系列一贯的收尾方式把它压缩成一份可以直接用的自检清单。打开你的产品依次问六个问题用户在使用时能不能判断出系统当前有多确定如果不能高度警惕——这是确定性缺失。系统拒绝用户时是只说“做不到”还是做到了“说明原因给替代路径”后者才是有效表达。用户问“为什么”的频次最近是在上升还是下降建议把它作为一个可追踪的体验指标。在低置信度场景下系统是保持统一语气还是做了分级表达统一语气基本等于在装确定。用户对系统能力边界的预期和真实能力匹配吗如果不匹配——不管高估还是低估——都说明边界表达没做到位。关键结论的旁边有没有来源引用、有效期、置信度这些辅助信息没有的话用户没有判断依据。这六个问题不需要一次性全改我建议挑最扎眼的一两个用一个迭代周期去解决。表达优化见效很快因为它直接作用在用户感知层改完之后用户情绪的变化几乎是即时的。5.2 上篇总结与下篇预告最后把这篇的内容做个收束也说一下后面打算写什么。“表达上”这一篇我们完成了三件事一是重新定义了表达——它不是话术而是把系统的可信度兑现给用户体验的最后一道工序二是建立了维度框架——内容轴、时机轴、姿态轴上篇重点拆了内容轴三是把内容轴的两个核心战场讲透了——确定性分级和能力边界都给了翻译表、落地方法和避坑提醒。还没展开的部分内容量其实更大。时机轴涉及“事前、事中、事后”的表达节奏尤其智能体Agent在自主执行多步任务时怎么持续表达进展姿态轴涉及AI用什么人称说话、用什么样的语气是专家还是伙伴还有错误发生后的道歉和补救表达——这一块跟六原则里的“兜底”有交叉我打算放在下篇一起聊。其实写到这里我自己最深的一个体会是用户对一个AI产品的信任从来不是来自它有多大的能力而是来自它在每一个细微的表达里有没有表现出“我知道自己在做什么”。能力的上限决定产品的天花板表达的下限决定用户的地板——而多数产品恰恰是在地板上漏的。