Deep Research: Artificial Intelligence Articles, Videos, Reports, and Training Courses - NN/G¶
- Source: https://www.nngroup.com/topic/ai/
- Snapshot: ../../sources/md/www-nngroup-com-topic-ai-0346287c67c9.md
- Category: UX / UI & Design Systems (ux_ui)
- Chapters: 04-prototype, 06-ui, 08-frontend, 05-validation
TL;DR¶
Nielsen Norman Group (NN/g) 的最新研究指出，构建成功的 AI 产品应优先关注智能表现而非拟人化情感，同时生成式 UI (GenUI) 正在将交互设计从静态交付物转变为动态生成的实时体验，但团队必须警惕 AI 原型工具远看光鲜、近看粗糙的细节缺失问题。
核心观点¶
- 信任源于能力，而非情感 (Smarts > Sentience)：用户对 AI 的信任建立在其完成任务的能力和准确性上。强行添加我感到很高兴等拟人化情感文案，不仅无助于建立连接，反而在处理事实性任务时会降低专业度和可信度。
- GenUI 的范式转移：UI 设计正在经历从为大规模用户设计通用静态界面向利用 AI 实时生成用户专属动态界面的转变。这要求设计师制定的是设计系统和规则，而非最终页面。
- AI 原型设计的恐怖谷：AI 原型工具（如 v0, Galileo）生成的界面往往远看还行，近看一团糟（Good from Afar, But Far from Good）。它们缺乏资深设计师的判断力和细微差别处理能力，因此仅适合早期发散探索，绝不可直接作为最终交付标准。
- 模糊提示导致平庸设计：在 AI 辅助设计中，使用模糊的自然语言（如做一个现代风格的仪表盘）只能得到平庸结果。设计师必须学会使用精确的视觉关键词、参考系、模拟数据甚至代码片段来控制生成结果。
- 可解释性 (XAI) 是当前短板：目前的对话式 AI（Chat UI）在解释为什么给出这个答案方面做得极差。缺乏来源引用和逻辑推导过程的展示，使用户难以验证输出，从而阻碍了深度采用。
- 搜索习惯的惯性：尽管 AI 提供了对话能力，但大量用户仍习惯使用关键词觅食 (Keyword Foraging) 的方式与 AI 交互，因为他们并不清楚 AI 的能力边界，也不知道如何编写高效的 Prompt。
- 合成用户 (Synthetic Users) 的价值：AI 模拟的用户行为在拥有丰富上下文数据（Context）时，能有效填补数据空白并预测趋势，但它们只能作为真实用户研究的补充，不能完全替代真实测试。
可落地做法¶
面向产品经理 (PM) * 去拟人化审查：审查产品文案，剔除 AI 第一人称的情感表达（如我觉得、我很抱歉），改为客观陈述（如未找到相关信息、根据数据库显示）。 * 建立 AI Ops：不要让团队成员独自摸索 AI 工具。应建立中心化的 DesignOps/ResearchOps 机制，统一评估、采购和推广 AI 工具流，避免工具混乱和数据风险。
面向交互设计 (UI/UX) * 设计可解释性组件：在 Chat 界面中，除了文本回复，必须设计引用卡片、置信度标记和推理步骤折叠面板，帮助用户验证 AI 结果。 * GenUI 约束管理：如果采用 GenUI，需定义严格的设计 Token 和 组件白名单，确保 AI 生成的界面在视觉和交互上不越界。
面向工程与研发 * 结构化输出控制：在使用 LLM 生成界面元素时，强制要求输出结构化数据（如 JSON），并由前端组件库渲染，而非直接让 LLM 生成 HTML/CSS，以保证代码质量和可维护性。
检查清单：AI 特性可用性审查 (AI-UX Audit)¶
此清单用于在产品发布前审查 AI 功能的交互质量：
- 透明度与信任
- [ ] 系统是否明确标识了内容是由 AI 生成的？
- [ ] 对于事实性陈述，AI 是否提供了可点击的来源或参考资料？
- [ ] 是否避免了不必要的拟人化情感表达（尤其是在报错或处理严肃任务时）？
- 控制权
- [ ] 用户是否可以轻松修改、重新生成或撤销 AI 的操作？
- [ ] 在 GenUI 场景下，用户能否手动调整 AI 生成的布局或参数？
- 容错与反馈
- [ ] 当 AI 无法理解指令时，是否提供了具体的引导建议（如推荐 Prompt），而不仅仅是报错？
- [ ] 是否提供了简单的反馈机制（如点赞/点踩/修改建议）以闭环优化模型？
- 效率
- [ ] 是否支持快捷指令或预设 Prompt，帮助不擅长提示工程的用户快速上手？
常见坑与对策¶
| 常见坑 (Pitfall) | 表现 | 对策 (Solution) |
|---|---|---|
| 过度拟人化 (Over-Anthropomorphism) | AI 像人一样道歉、开玩笑，导致用户对其产生不切实际的期望（如以为它有同理心）。 | 保持工具属性：将 AI 定位为高效的数字助手。文案风格应专业、客观、简洁。 |
| 盲信 AI 原型 | 直接将 AI 生成的高保真图作为开发稿，导致开发阶段发现逻辑漏洞百出。 | 探索即抛原则：仅用 AI 做发散和低保真验证。进入交付阶段前，必须由设计师重构逻辑和细节。 |
| 隐形功能 (The Discovery Problem) | 像 Google AI Mode 一样，功能强大但入口隐蔽，或用户不知道能问什么。 | 提供脚手架：在空状态页展示能力地图和示例提问，引导用户探索能力边界。 |
| 解释黑箱 | 仅仅给出一个答案，用户不敢用，因为不知道对不对。 | 思维链外显：展示 AI 的思考过程（CoT），即便只是摘要，也能显著增加用户信任。 |
可用于丰富《AI 辅助软件产品》的写作点¶
- 第 04 章：原型 (Prototype)
- 引用 Good from Afar, But Far from Good 观点，强调 AI 原型工具在当前阶段的局限性，提出 AI 负责广度探索、人类负责深度收敛的混合工作流。
- 第 06 章：界面 (UI)
- 重点介绍 GenUI 概念，作为 UI 发展的下一阶段（对应 Generative UI 小节）。
- 引入 XAI (可解释性 AI) 在 Chat 界面设计中的具体模式（引用链接、推理展示）。
- 第 11 章：用户 (User)
- 在讨论信任构建时，引用 Prioritize Smarts over Sentience，反驳当前市场上滥用拟人化助手的趋势。
- 在用户行为部分，增加关于用户 Prompting vs. Keyword Foraging 的行为分析。