在競相添加“智能”功能的過程中，許多產品陷入了一個陷阱：推出人工智能是因為他們可以，而不是因為他們應該。當團隊爭相實現自動化時，他們常常不會停下來思考：人工智能在這里扮演什么角色？它應該接管一切，還是協(xié)助用戶？它應該追求完美，還是僅僅快速且有用？

為了指導更好的決策，我提出了AI 意圖矩陣——一個幫助團隊更高效地利用資源的框架，尤其是在最大限度地減少代幣成本和計算浪費方面。每次調用大型語言模型都會產生成本，既有文字成本，也有技術成本。不必要地默認使用高精度、全自動模式的功能可能會在用戶不需要或不信任的輸出上消耗代幣。

該矩陣基于兩個軸：增強 ? 自動化，以及滿意? 優(yōu)化。通過明確某個功能是需要優(yōu)化質量還是僅僅滿足于現狀，以及它應該自主運行還是在監(jiān)督下運行，產品團隊可以更負責任地界定 AI 功能。這可以減少過度設計，降低服務成本，最重要的是，確保 AI 真正有用，而不僅僅是令人印象深刻。

軸 1：增強與自動化

增強是指利用人工智能輔助并提升人類能力——人類仍處于控制之中，指導或批準人工智能的輸出。自動化是指利用人工智能在極少人工干預的情況下自主替代或執(zhí)行任務。此軸定義了人類參與該功能的程度。

AI 增強（人機交互）：在這里，AI 充當智能助手或輔助功能。系統(tǒng)可以提供建議、見解或草稿輸出，但最終做出決策或最終編輯的是人類用戶。當任務復雜、依賴于上下文或需要人類判斷時，增強功能很常見。在涉及細微差別或道德考慮，或者 AI 尚未 100% 可靠且需要監(jiān)督的情況下，增強功能非常有用。讓人類參與進來可以增強信任和問責制。例如，社交媒體平臺可能使用 AI 標記有害內容，但最終決定權在人類手中。當“決策會帶來重大的道德或法律后果”或“技術尚未成熟到無法在沒有人工輸入的情況下可靠運行”時，這種方法非常寶貴。缺點是，需要人工參與會限制速度和可擴展性——如果 AI 處理大量內容的速度比人類審核的速度快，則可能會造成瓶頸。

人工智能自動化（完全自主）：在這種模式下，人工智能系統(tǒng)可以自行完成任務或做出決策，無需人工持續(xù)輸入。自動化非常適合定義明確、處理量大或實時任務，在這些任務中，人工的速度或可用性是制約因素。當人工智能能夠自行達到可靠的準確度，并且任務的規(guī)模或頻率足以讓人類操作員不堪重負時，自動化的效果最佳。典型的例子包括自動分類電子郵件的垃圾郵件過濾器，或每月無需人工干預即可處理工資單的算法。在“人工參與”的設置中，人們可能會監(jiān)控自動化系統(tǒng)，并且僅在出現異常情況時進行干預——例如，信用卡欺詐檢測系統(tǒng)會自動阻止可疑交易，但會對邊緣情況發(fā)出警報。完全自主可以顯著提高效率和可擴展性，但這需要用戶確信人工智能在極少的監(jiān)督下也能正常運行。此外，自動化也存在自滿情緒的風險：如果用戶過于依賴人工智能運行，他們可能無法及時發(fā)現故障。因此，團隊必須仔細決定一項任務是否安全 且 適合自動化，或者是否讓人類參與其中可以增加必要的安全性和意義。

值得注意的是，增強與自動化并非總是嚴格的二元對立。許多成功的解決方案將兩者融合，將某些子任務自動化，同時將最終決策或控制權留給人類。“自動化不能簡化為‘手動’和‘自動’之間的簡單二元對立。相反，它需要在我們認為自動化有用的任務和我們參與仍然有意義的任務之間找到適當的平衡。”在產品設計中，這意味著要問：用戶是否希望在這里受到監(jiān)督？他們喜歡自己做這部分工作，還是更愿意讓人工智能來處理？

理解這一核心原則有助于團隊正確定位其 AI 功能。如果用戶重視流程中的控制力或技巧（例如，許多人喜歡編輯照片或撰寫文字），那么純自動化的解決方案可能會適得其反，因為它會消除人為因素。在這種情況下，提供 AI 增強功能（用戶可以接受或調整的建議）可以保留用戶的自主權和樂趣。相反，如果一項任務繁瑣耗時（例如，在數千個日志文件中查找異常），自動化可以大幅提升效率，讓用戶騰出時間進行更高級的工作。

總結：增強技術以人為中心，AI 只是工具；而自動化則以AI為中心，人類參與監(jiān)督或置身事外。兩者本質上并無優(yōu)劣之分——選擇取決于使用情境、利害關系和用戶偏好。接下來，我們將探討與之相交的第二個維度：AI 輸出的質量和目標。

軸 2：優(yōu)化與滿足

并非所有 AI 功能都需要產生完美的結果。有時“足夠好”確實夠用了。我們矩陣的第二個維度涉及AI 輸出的質量標準和目標。

優(yōu)化（最高質量的輸出）：在這方面，該功能旨在實現盡可能最準確、最高質量或最佳的結果。容不得任何差錯或平庸。優(yōu)化AI 功能通常用于高風險場景或質量至關重要的場景：例如，診斷疾病的 AI 系統(tǒng)，遺漏的細節(jié)可能危及生命；或者生成法律合同語言的 AI，精度至關重要。在這些情況下，產品團隊實際上是在說：“這需要達到（甚至超過）人類專家的水平。”優(yōu)化通常需要付出巨大的努力——更復雜的模型、更多的訓練數據、更嚴格的評估——以盡可能降低錯誤率。

令人滿意的（足夠好的輸出）：在這方面，該功能對“足夠”或滿足基本閾值的輸出感到滿意，特別是如果實現更多目標會花費不成比例的更多時間或資源。令人滿意的（ “滿足”和“足夠”的組合）一詞由諾貝爾獎獲得者赫伯特·西蒙創(chuàng)造，用來描述旨在獲得令人滿意的解決方案而不是最佳解決方案的決策。從設計角度來看，令人滿意的 AI 功能可以提供滿足用戶需求的結果，即使它并不完美。這通常適用于速度、效率或成本比完美更重要的用例。例如，對于內容作者來說，能夠在幾秒鐘內快速起草博客大綱的 AI 可能比花費數小時制作“完美”文章的 AI 更有價值 - 因為草稿只需要作為人類作者繼續(xù)創(chuàng)作的起點。滿足感側重于實用主義：“追求令人滿意或足夠的結果，而不是最佳解決方案”，尤其是在尋找完美解決方案“需要耗費不必要的時間、精力和資源”的情況下。在很多情況下，收益遞減效應會發(fā)揮作用——稍好一點的結果可能無法證明實施起來過于復雜。用戶本身通常更喜歡現在就得到快速的答案，而不是以后再得到完美的答案。

總結一下這條軸線：優(yōu)化功能力求達到一流的輸出，可能在高風險或競爭激烈的質量用例中需要用到；而令人滿意的功能則滿足于“足夠好”，這通常能夠實現速度、規(guī)模和用戶便利性。這兩種方法都能創(chuàng)造價值——關鍵在于將方法與用戶的實際需求相匹配。定義了這兩個軸線后，我們現在可以將它們組合成一個矩陣，并檢查由此產生的四個象限。

當我們繪制“增強 ? 自動化”與“滿意? 優(yōu)化”之間的對比圖時，我們得到一個包含四個象限的矩陣：1）高風險輔助，2）日常AI助手，3）自主且高精度，4）自主且低風險。每個象限代表了AI賦能功能的一種獨特策略。

象限 1：增強 + 優(yōu)化（高風險輔助）

在這個象限中，人工智能正在增強用戶，質量標準也設定得極高。這些功能是人工智能作為輔助的功能，適用于高風險或專家級任務。其邏輯是，人工智能可以通過提供洞察力、準確性或速度來提升人類的表現，但仍然需要人類來掌控，因為決策至關重要。這種結合允許人類擁有“第二雙眼睛”來處理海量數據，而人類的判斷則負責處理細微差別和最終決定。

產品示例（醫(yī)療保健）：想象一下放射學軟件平臺中的一項功能：當放射科醫(yī)生檢查 X 光片或 MRI 時，AI 算法會并行運行，突出顯示看起來可疑的區(qū)域（可能是腫瘤的陰影或細微的骨折線）。醫(yī)生會查看這些突出顯示的內容，然后確認或排除它們。AI 必須高度準確地標記出它們——太多的誤報會浪費醫(yī)生的時間或削弱醫(yī)生的信任；而漏報（遺漏的問題）則更糟糕。因此，系統(tǒng)會進行調整以優(yōu)化靈敏度和特異性。這種增強的工作流程并不能取代醫(yī)生（事實上，醫(yī)生不會接受僅由 AI 進行的自動診斷），但它可以優(yōu)化結果：患者受益于醫(yī)生 + AI 的綜合智能。AI 有效地擴展了醫(yī)生的能力——它可能可以從數百萬張圖像中檢測出模式（這是人類終其一生都無法做到的）——而醫(yī)生則提供情境判斷和問責。

設計考量：此象限中的功能需要建立用戶對AI輔助的信任。透明度至關重要——例如，展示AI提出建議的原因（可解釋的AI）——以便人類能夠驗證其推理。由于人類是最終裁決者，因此用戶界面應該方便人類查看和調整AI輸出。另一個實用技巧：團隊通常會逐步引入此類功能。例如，AI可以先以“靜默”模式運行以證明其準確性（顯示未經批準實際上不會執(zhí)行的建議），以便用戶在完全依賴它之前了解其價值。這可以降低AI過度干預的風險。如果成功，增強+優(yōu)化功能可以實現兩全其美：人類的專業(yè)知識與機器的精確度相得益彰。

象限 2：增強 + 滿意（日常 AI 助手）

第二象限可以說是當今許多用于提高生產力和創(chuàng)造力的“酷炫”AI功能所在。在這里，AI再次成為人類的助手（功能增強），但我們并不介意AI的輸出只是一份草稿或初步建議。其目標是提高效率、激發(fā)創(chuàng)造力或處理繁瑣的工作——而不是一次性做到完美。人類用戶需要對AI提供的內容進行審核、調整或迭代。

產品示例（生產力 - 寫作）：一個現實世界的例子是 Gmail 的智能撰寫功能，它會在您鍵入電子郵件時建議下一個單詞或短語。這是一種增強功能（您正在寫作；它只是提供幫助）并且絕對令人滿意 - 這些建議通常很平凡，但這沒關系，因為它們可以快速處理樣板。如果建議不是您想要的，您可以忽略它并繼續(xù)輸入。當它起作用時，它可能會為您節(jié)省一些擊鍵次數（例如，在輸入“讓我知道...”后完成“如果您有任何疑問，請告訴我”。它快速且便宜。沒有人期望智能撰寫能夠創(chuàng)作小說或關鍵任務備忘錄；它的價值在于緩解寫作過程中的小摩擦。這種低風險的增強功能受到了用戶的熱烈歡迎，因為它不會強加或打擾 - 它只是為了提供幫助，加快平凡的子任務。

設計考慮：對于增強 + 滿意功能，關鍵在于實現人機交互的無縫銜接和低摩擦。用戶應該感到掌控一切，并能夠輕松地控制 AI。由于 AI 并非總是正確，因此界面應該易于編輯或重試。例如，在寫作助手中，如果第一次輸出沒有用，您可能會提供其他建議或提示 AI 從不同角度思考的方法。設定正確的用戶期望也很重要：傳達 AI 的輔助和起草功能，而不是提供最終的完美答案。當用戶理解這種心態(tài)時，他們會更加寬容錯誤，并能有效地利用該工具（就像將其視為頭腦風暴一樣）。從開發(fā)的角度來看，此象限中的功能通常可以逐步交付 - 您可以發(fā)布一個運行良好率可能有 70% 的測試版，這是可以接受的，因為用戶會直接忽略無用的 30%。這是一個很好的實驗空間，因為人工智能錯誤的代價通常只是小小的不便，而不是災難性的失敗。

象限 3：自動化 + 優(yōu)化（自主精度）

這個象限指的是全自動系統(tǒng)，它們幾乎不需要人工輸入即可運行，并且性能標準非常高。這類人工智能功能（甚至整個產品）基本上可以讓你說：“人工智能，你來掌控一切——只要確保操作正確就行。” 它們往往出現在需要快速或大規(guī)模地做出決策或采取行動，且超出人類能力范圍，并且一旦出錯將造成嚴重后果的情形下。換句話說，除非你非常有信心人工智能能夠持續(xù)達到或超越人類水平的結果，否則你不會將其自動化。

產品示例（企業(yè) SaaS - AIOps）：設想一個提供自動事件檢測和響應的云服務平臺。該功能使用人工智能監(jiān)控服務器上數百萬個日志事件和指標。如果檢測到嚴重異常（例如，指示服務器可能崩潰或存在安全漏洞企圖的峰值），它會自動采取行動（例如，隔離部分網絡或重啟服務）以防止問題發(fā)生。這就是自動化：它不會立即請求操作員的許可，因為延遲可能會造成災難性的后果（如果服務中斷或正在遭受攻擊，每一秒都至關重要）。但是，由于這些操作會影響正常運行時間、數據完整性和安全性，因此決策必須高度準確。人工智能需要進行優(yōu)化，以便真正檢測到真正的問題，同時最大限度地減少誤報。如果它過于敏感并不斷“狼來了”，可能會不必要地擾亂運營；如果它過于松懈，可能會錯過事件。實現這種平衡是一個優(yōu)化問題。在實踐中，開發(fā)此類功能的團隊可能會實施廣泛的測試，甚至冗余（例如，一個AI模型標記問題，另一個驗證步驟在采取行動之前確認問題，以減少錯誤）。他們也可能允許一定程度的可配置性——例如，讓客戶端設置AI觸發(fā)操作必須達到的閾值（本質上是在他們自己的語境中定義“足以采取行動”的含義）。

設計考量： 自動化+優(yōu)化功能本質上是最敏感且風險最高的。它們需要在部署前后進行嚴格的驗證。實施監(jiān)控和回退機制是明智之舉：如果AI遇到越界場景或其置信度較低，它應該采取故障安全措施（例如，移交給人工或更簡單的安全模式）。從產品管理的角度來看，你應該思考一個想法是否真的需要從第一天起就完全自動化并實現高精度。有時，從增強+優(yōu)化象限開始，然后再過渡到完全自動化會更安全。例如，AI可以先向操作員推薦操作（增強），一旦證明其始終正確，再過渡到自動執(zhí)行這些操作。這種分階段的方法可以建立信任并及早發(fā)現問題。此外，還要考慮責任和用戶信任：如果你的自主AI犯了錯誤，誰來承擔后果？你將如何溝通？許多公司將此象限中的功能限制在內部流程或極其嚴格控制的環(huán)境中，正是為了避免公開錯誤。然而，如果操作得當，自動化+優(yōu)化系統(tǒng)可以帶來超人的效率和質量——就像一位時刻警惕的守護者，在任何人察覺問題之前就處理好一切。對于某些運營任務來說，這是不可多得的寶藏，但必須謹慎負責地執(zhí)行。

象限 4：自動化 + 滿意（自主效用）

最后一個象限涵蓋了AI自主運行的功能，只要結果足夠好就足夠了。這些功能通常是互聯(lián)網時代激增的大規(guī)模個性化和規(guī)模導向型功能——在這種情況下，為數百萬用戶提供大致正確的結果遠勝于為少數用戶提供完美結果。在這種情況下，錯誤或次優(yōu)結果的成本在單例情況下較低。通常，用戶甚至可能察覺不到AI是否準確，或者他們可以輕松地忽略或糾正它。其優(yōu)勢在于，這些功能可以達到大規(guī)模，或處理人類團隊無法處理的海量數據，從而提供原本無法實現的價值。在每種情況下，AI都可以自行做出大量微決策，雖然它的目標是發(fā)揮作用，但不必每次都做到完美。

電商產品推薦

產品示例（電子商務 - 推薦）：這個象限最著名的例子或許是電子商務推薦引擎（“購買 X 的顧客也購買了 Y”和個性化產品建議）。這些系統(tǒng)會為每次用戶訪問自動生成推薦。這些商品并非人工挑選——全是由人工智能通過分析購買數據生成的算法。這些推薦總是用戶想要的理想商品嗎？當然不是。但即使其中一些建議是相關的，它們也能提升購物體驗和銷量。這種方法的成功顯而易見：亞馬遜的推薦引擎貢獻了其約35% 的收入。這項自主功能能夠根據用戶的興趣匹配產品，其價值高達數十億美元。購物者可能會忽略一些不相關的推薦，但由于系統(tǒng)會根據數據進行改進，并且經常會顯示有吸引力的商品，因此它的價值是完全合理的。錯誤（不相關的推薦）的成本很小，可能只浪費用戶一點時間，而個性化的規(guī)模卻帶來了巨大的商業(yè)價值。

設計考量：對于自動化+滿意度功能，覆蓋率和恢復是關鍵的設計方面。由于人工智能并非完美無缺，您需要思考：系統(tǒng)將如何處理它無法有效解決的情況？在推薦系統(tǒng)中，“失敗”僅僅是用戶忽略了不好的推薦——這通常沒什么問題，但您仍可能需要監(jiān)控點擊率等指標，以確保整體質量保持在一定閾值以上。本質上，您需要用可衡量的指標來定義“足夠好”的含義（例如，X% 的用戶點擊了推薦，或者聊天機器人解決了 Y% 的咨詢），并確保該功能符合該標準并隨著時間的推移不斷改進。恰當地傳達目的也很重要。用戶通常甚至沒有意識到人工智能功能何時“令人滿意”——他們只看到輸出。但如果存在混淆或期望過高的可能性，那么提示一下該功能的作用會有所幫助。例如，人工智能生成的標題可能帶有編輯選項和注釋“自動生成的標題”——表示它可能并不完美，并邀請用戶根據需要進行調整。

從開發(fā)角度來看，這個象限很有吸引力，因為它可以帶來高投資回報率：完全自動化意味著可以輕松擴展，“足夠好”意味著你可以快速迭代，而無需在發(fā)布時追求完美。許多人工智能功能的最小可行產品 (MVP) 都從這里開始——以自動化的方式做一些有用的事情，證明其價值，然后再進行改進。然而，必須確保“低風險”是真正的低風險。如果一個自主功能偶爾會做出一些真正讓用戶不滿或造成損害的事情，那么它實際上就不是低風險的，而更應該屬于需要優(yōu)化并采取保障措施的領域。矩陣有助于標記這些區(qū)別。

專注于重要的事情

在這個充斥著人工智能炒作的時代，最難的問題并非“我們可以自動化什么？”，而是“什么值得自動化？”。人工智能意圖矩陣提供了一個實用的視角：你是將人工智能應用于提升體驗的地方，還是僅僅增加了復雜性？通過精心構思，將概念置于這張圖上，我們確保思考的是正確問題：我們是否讓用戶在他們想要的地方掌控一切？我們是否正在將技術推向其可靠的極限？這種人工智能真的能提升用戶體驗嗎？還是我們只是在增加復雜性卻收效甚微？

使用此矩陣作為指南，避免 人工智能過度使用——在某些情況下，熱情可能會促使我們將用戶更希望合作的事情完全自動化，或者在快速獲得結果時要求完美。它還可以突出顯示何時不應使用人工智能。如果某個功能創(chuàng)意在這些維度上無法明顯受益于某種智能，那么或許更簡單的解決方案才是最佳選擇。正如 Google PAIR 指南所建議的那樣，引入人工智能的合理性應該以用戶體驗的顯著提升為前提，否則甚至會降低體驗。

相反，利用矩陣來發(fā)現黃金——那些能夠取悅用戶并創(chuàng)造價值的人工智能機會。這些機會可能是增強功能，讓用戶感覺自己像擁有人工智能助手的超人，也可能是自動化技術，可以在隱形的情況下大規(guī)模處理繁瑣的任務。確保你的目標與團隊的能力和技術所能支持的范圍相匹配。從有限的、“足夠好”的人工智能功能開始，滿足用戶的實際需求，然后在學習的過程中不斷擴展，這完全沒問題（而且通常也是明智之舉）。合理的范圍成功勝過范圍過大的失敗。

在人工智能時代，人們很容易相信我們應該打造“萬物皆人工智能”。但智慧在于明辨是非。有些事情應該留給人類，有些事情可以交給機器。最好的人工智能功能要么賦予用戶權力，要么退居幕后處理繁瑣的事務，而了解你的目標是什么，就等于成功了一半。通過沿著人工智能意圖矩陣的兩個軸線進行思考，產品團隊可以更好地駕馭人工智能帶來的無限設計選擇。