這篇文章中，Zalando的首席產(chǎn)品設計師分享了開發(fā)生成式AI助手的寶貴經(jīng)驗與設計原則。通過深入分析客戶需求，團隊成功打造出一個個性化的購物助手，幫助用戶在海量商品中找到所需。

文章不僅探討了如何管理期望和應對挑戰(zhàn)，還提供了實用的設計策略，適合對AI產(chǎn)品設計感興趣的讀者。過去的幾十年間，商業(yè)智能移動設備、PC 端技術迭代、互聯(lián)網(wǎng)革新及社交媒體生態(tài)的不斷進化，徹底重塑了我們在工作協(xié)同、社交通訊和在線學習等多領域的運作模式與互動方式。

在這種范式躍遷下，如何理解并重構人機交互的模式顯得尤為關鍵。這為我們打開了一個激發(fā)無限可能的空間，在這里，我們能夠以設計驅(qū)動的思維，精準挖掘用戶與商業(yè)需求，實現(xiàn)深度賦能。

當我們成功構建可從龐大數(shù)據(jù)中自主學習并在無需明確指令的情況下完成任務的算法模型后，局面變得更加精彩。然而，正如大家所了解到的，這僅僅是故事的開端。我們更進一步引領研發(fā)出了能夠生成文本、圖像和視頻內(nèi)容的生成式模型，徹底改寫了創(chuàng)新技術的游戲規(guī)則。

我們深知，時尚與生活方式是高度個性化的，它們因人而異，不斷演進和迭代。雖然消費者的需求多樣且獨具一格，但我們相信在引導和啟發(fā)他們方面還有巨大的優(yōu)化空間，通過提供精準、有價值的導航和推薦，使他們在我們豐富的商品選擇中迅速找到最貼合自身需求的單品。

在一年時間內(nèi)，共有 50 萬名客戶與助手展開對話。在深入分析互動模式后，我們發(fā)現(xiàn)客戶正以嶄新的方式與我們建立連接。

解決重要問題

在探索生成式 AI 帶來的不確定性時，我們始終以用戶需求為核心，將其作為我們的指引。在創(chuàng)新實踐中，我們堅持目標優(yōu)先策略，避免技術沖突場景。為實現(xiàn)這一點，我們圍繞以下關鍵問題進行深入反思，以鎖定正確方向的挑戰(zhàn)點：
確定合適的挑戰(zhàn)

客戶和企業(yè)當下遭遇了哪些特殊的痛點或阻礙？

目前市場上針對此類問題都采用了哪些主流解決方案？

如果引入生成式AI技術，這對相關問題的解決將帶來哪些前瞻性增益或創(chuàng)新價值？

這些問題的重要性如何量化？如果處理妥當或失誤，其最優(yōu)和最差的潛在結果分別會是什么？

我們的用戶絕大多數(shù)在消費時都會圍繞特定場景、需求或活動選擇產(chǎn)品。然而，為 5000 萬用戶配備一對一的人工購物顧問，這無論是在操作執(zhí)行還是規(guī)模擴展上，都是不可行的。選項過多同樣會帶來困擾，我們深知用戶在面對豐富的產(chǎn)品選擇時，往往容易產(chǎn)生決策疲勞。正如一位客戶曾這樣形容：

與此同時，也有對需求洞察精準且目標明確的顧客。舉個例子，當用戶決心入手一款最新發(fā)布的跑鞋時，我們的設計理念是確保產(chǎn)品體驗順暢無阻，絕不設置購買路徑上的任何“干擾項”。
明確學習目標

在形成可用原型后，我們立即展開研究，以識別潛在痛點和用戶的真實反饋。鑒于這一領域?qū)ξ覀兊目蛻魜碚f全然陌生，提升參與感的最佳方式便是通過實際操作和交互體驗與工具建立關聯(lián)。這套研究洞察讓我們對用戶期望有了更加全面與系統(tǒng)化的理解，從而為關鍵路徑設計和產(chǎn)品演進提供了建設性的指引。由此，我們得以明確研發(fā)迭代的優(yōu)先級并構繪出長期戰(zhàn)略布局的愿景藍圖。

在規(guī)劃我們的學習目標時，下列關鍵問題不容忽視：

這些目標的核心價值體現(xiàn)在哪些方面？

它們能夠為我們創(chuàng)造怎樣的可能性和優(yōu)勢？

改變模式

最初的研究經(jīng)驗之一讓我們意識到，用戶往往難以直觀地設想他們與助手之間的交互方式。

多年來，用戶一直依賴傳統(tǒng)電子商務模式中的搜索和篩選功能來發(fā)現(xiàn)目標商品。而在這一全新的運營范式下，我們需要更強主動性，精確引導用戶需求。
別光用說的，拿實例給我看針對不同的使用場景我們設計了豐富的對話開場白模板，通過實際互動示例取代直接的說明，直觀地詮釋如何與助手高效溝通。

隨著項目不斷推進，我們借助這些指導，為交互設計注入多維創(chuàng)新。其中一個亮點功能是智能便捷的搜索體驗，直觀演示全新優(yōu)化的搜索算法如何與生成式 AI 高效聯(lián)動。
當產(chǎn)品具備價值時對其進行介紹在用戶旅程中，精準把握產(chǎn)品與用戶交互中“關鍵場景”和“高光時刻”尤為重要，我們的目標始終是為用戶賦能，而非造成干擾。為此，團隊圍繞如何打造與用戶高度相關、有價值的瞬間展開了深入思考。例如，當用戶進入產(chǎn)品詳情頁時，我們能否通過智能助手提供個性化、深度契合需求的購買推薦？又或者，是否能夠借助內(nèi)容設計來啟發(fā)用戶，將最近購買的單品與其他商品搭配，打造獨特造型，實現(xiàn)創(chuàng)意增值？

管理預期

人工智能在多個領域都有亮眼的表現(xiàn)，但它并非解決所有問題的萬能鑰匙。因此，我們需要基于實際情況合理設定預期，并充分評估其長處與局限性。
引導模型識別并了解自身的局限性這個過程源于大語言模型自身的基礎。可以將這一過程類比為培訓一名資深購物顧問，以交付卓越的客戶服務表現(xiàn)。

該角色的設定為助手奠定了框架，明確了職責邊界。在這一關鍵環(huán)節(jié)，科研工作者、工程師與設計師之間的深度協(xié)作尤為重要，是推動項目成功的關鍵所在。

我們賦予助手如下職能：

為客戶提供專業(yè)時尚搭配建議，增強個人風格表現(xiàn)力；

結合單品特點，為客戶精準打造契合整體造型的搭配方案；

洞察潮流趨勢和個性需求，推薦貼合客戶風格的優(yōu)質(zhì)商品；

根據(jù)特定場合或活動主題，為客戶甄選專屬穿搭解決方案。

我們還特別強調(diào)，要求其避免回應涉及用戶個人生活、財務信息或心理健康方面的問題。

實行透明化

為了有效管理用戶預期，關鍵在于以清晰、透明且誠實的方式傳遞產(chǎn)品所處的實際階段及其現(xiàn)有的局限性。這樣的溝通方式不僅有助于讓客戶更系統(tǒng)化地理解產(chǎn)品的運作機制以及可能存在的潛在痛點，也能夠進一步提高信任感，激勵他們主動參與并提供有價值的用戶反饋。

體面地降級

使用大型語言模型，需要預測并應對潛在的意外情況。這可能涉及從語境誤判和內(nèi)容遺忘，到產(chǎn)生幻想式錯誤或推薦不相關資源等各種狀況。生成式 AI 作為全新的工具，正處于全民探索的階段。盡管失敗可以說是難以完全規(guī)避的特性，但更重要的是我們應該將注意力集中在從失誤中提取洞察，并迅速針對模型進行迭代與優(yōu)化，以驅(qū)動進步。
規(guī)模化學習
每位用戶與生成式 AI 產(chǎn)品的交互都各具特性，這導致潛在問題的識別與迭代學習存在一定挑戰(zhàn)。為了在大范圍內(nèi)深入解析交互中發(fā)生的情況，我們亟需構建系統(tǒng)化的大數(shù)據(jù)學習模型。這對維持品質(zhì)基線以及高效定位待優(yōu)化痛點來說，具有決定性意義。
保障體驗

為規(guī)避潛在風險，我們需以前瞻性的決策引導，結合跨職能深度協(xié)同，通過早期干預與風險緩解策略，全面賦能 AI 產(chǎn)品的安全與倫理實踐。風險水平因產(chǎn)品類型、行業(yè)屬性以及用戶場景的差異而變化。例如，Netflix 因其在一部犯罪紀實片中使用生成圖像而引發(fā)觀眾爭議。同樣，某航空公司也因聊天機器人的誤導性建議被要求承擔責任。這類錯誤可能引發(fā)用戶的情緒波動或?qū)ι眢w安全的潛在威脅，同時也可能對品牌信譽造成重創(chuàng)。深入剖析這些影響，并制訂有效解決方案，對于產(chǎn)品設計及用戶體驗優(yōu)化尤為關鍵。