category
library
Created time
Mar 27, 2026 03:14 AM
date
Mar 27, 2026
icon
password
slug
for-ai-tools-experience-not-technology
status
Published
summary
tags
AI+商业
McKinsey
type
post
以下为AI辅助翻译整理，重新排版。
许多组织在扩展生成式 AI 和智能体 AI 时遭遇瓶颈，根源不在技术，而在体验。本文探讨如何设计出让人真正愿意使用的 AI 工具。
各组织正向 AI 投入数十亿美元，员工使用率也在上升。然而，鲜有公司报告获得了显著、可量化的收益。这就是生成式 AI 悖论：技术几乎无处不在，却唯独不体现在利润表上。
问题不在于 AI 能力本身——我们已构建出能够推理、创作乃至行动的系统。问题在于体验：我们仍在沿用前 AI 时代的交互模式，不过是生硬地叠加了搜索框和聊天框。若要释放 AI 的真正潜力，组织必须学会构建全新的 AI 体验，让员工和客户能够主动拥抱它。
这要求领导者重新审视长期以来的假设。数十年来，软件运行在一套基本逻辑上：用户提供结构化输入，系统返回结构化输出。生成式 AI 和智能体 AI 从根本上打破了这一模式——系统现在能够解读意图、生成全新输出，并需要用户持续参与以迭代优化。交互模型从 "命令与执行" 转变为 "协作与迭代"。
然而，大多数组织仍在为旧工作流设计：把 AI 叠加在旧系统上，而非重构系统本身。结果是工具看似有前景，却始终脱节，无法实现转型。麦肯锡全球 AI 现状调查显示：
- 多数使用 AI 的公司仍处于试点或实验阶段
- 三分之二尚未开始全公司规模化推广
障碍在于：工具游离于工作流之外，迫使用户适应陌生的交互方式，决策过程也缺乏透明度。
解决这个问题，不只是教人写更好的提示词，而是要设计出能将人类判断嵌入交互模型的系统。当前许多 AI 工具中，用户要么不加批判地接受输出，要么在失望后放弃工具。AI 原生体验必须让协作、审查、纠正和干预成为工作流中自然的一部分。
以下是一套设计智能体验的框架，旨在释放 AI 的全部潜力。
新技术带来的新设计挑战
生成式 AI 和智能体 AI 工具往往运行飞快，几秒内便能给出自信的答复。但速度不等于理解，自信的语言也可能掩盖浅薄的推理。在构建变革性 AI 体验时，这一点会迅速暴露。
领导者通常会遭遇四个关键故障点：
- 意图模糊：无法理解用户真正想要什么。
语言本就混乱、依赖语境且往往描述不足。大语言模型能接近原意，但不总能推断出完整意图，导致误解和不准确的输出。许多 AI 体验缺乏有效的澄清循环，模糊性往往在执行前未被消除。
- 背景缺失：不知道需要哪些信息。
系统并非为识别、请求或检索所需背景而设计。AI 往往在仅有部分背景的情况下就开始操作，把负担转嫁给用户，造成摩擦、低效和不一致的结果。
- 输出平庸：无法应用特定标准。
系统未被设计为学习并应用组织标准。AI 不理解特定业务的模式和要求，交付的结果往往泛泛，需要大量修改。
- 非协作式迭代：无法与用户共同演进。
系统倾向于直接交付结果，而非与人类用户真正协作、共同思考。
当用户无法看清决策如何做出、行动为何发生、何时需要人类介入时，信任便无从建立。AI 工具因此无法扩展，全公司范围内的显著影响依然遥不可及。这种错位不是技术性的，而是体验性的。界面是人类判断与机器智能之间的协作层——意图表达、智能响应与信任建立都发生在这里。而我们才刚刚开始为此设计。
设计可扩展的智能体验
生成式 AI 和智能体 AI 引入了传统用户体验模式从未考虑过的行为、模糊性和概率推理。要让这些系统真正发挥作用，需要一套全新的 AI 原生设计模式。
这一转变延续了麦肯锡近十年前在《设计的商业价值》中提出的核心观点：设计是战略能力，而非美学点缀。但在 AI 时代，这些原则必须进化：
- 以清晰度为先，确保 AI 与用户共同演进
- 为工作流注入深度，使输出反映真正的专业知识
- 编排共同创作，让人与 AI 智能体协力塑造工作
设计成为人类判断与机器智能之间的连接组织——工作、意义与信心的交汇点。
推动高效 AI 原生体验的四个设计原则
通过与全球领先组织在运营、营销、销售和客户体验等领域的 AI 合作，我们总结出四个设计原则（见下表）。它们直接解决了阻碍 AI 成为可靠伙伴的日常故障，使系统变得直观、协作且真正有效。当工作流依据这些原则重构后，采用率加速提升，AI 价值随之释放。
以下结合我们协助一家营销机构重构活动策划流程的案例，逐一阐释这四个原则。
AI 时代设计原则 | 描述 |
以清晰度为先 (Lead with clarity) | 设计能清晰展示逻辑、假设和输出的系统，让用户能自信地理解结果 |
设计连贯性 (Design for continuity) | 在交互中保持背景和记忆，随时间推移创造连贯、个性化且无缝的体验 |
构建深度 (Build for depth) | 支持丰富的、多步骤的、特定领域的流程，超越单一交互，支持有意义的端到端成果 |
编排共同创作 (Orchestrate cocreation) | 创造人类专业知识与 AI 智能体流体协作的环境（实时且跨学科），以放大影响力 |
1. 以清晰度为先：让智能解释自身
AI 若不揭示推理过程，就无法赢得信任。系统必须说明：
- 结论如何得出
- 哪里存在不确定性
- 哪些权衡影响了结果
推理可见，用户才能参与、质疑并自信地决策。
示例： 营销人员要求 AI 工具提供活动设计和文案修改建议。AI 没有直接给出答案，而是先提出澄清性问题，重述理解，再与营销人员协作拆解需求。
2. 设计连贯性：承接背景信息
工作很少孤立发生，但许多 AI 系统表现得好像每次请求都从零开始。AI 应识别跨步骤的进展，记住已发生的事，从而预测接下来的需求。连贯性将碎片化输出转化为持续推进的动力。
示例： 一个营销活动 AI 工具支持分析师进行多轮概念测试。第二轮结果出来时，AI 自动连接两轮洞察，指出哪些有效、哪些无效，并提出下一步改进建议——而不是孤立地对最新数据做出反应。
3. 构建深度：自动化整个工作流，而非仅仅提供答案
AI 的真正机会在于打通多步骤流程：
- 收集数据
- 应用逻辑
- 测试备选方案
- 优化输出
深度将 AI 从快速响应者升级为有能力的合作伙伴。
示例： 营销人员启动一项研究计划，系统自动组建专业 AI 智能体"评审委员会"。各智能体从数据、受众洞察、竞争背景和创意质量等角度分析计划草案，提供带有推理的高质量建议。
4. 编排共同创作：融合人类判断与机器智能
工作的未来取决于人与 AI 如何有效分担责任。目标不是让人类事后纠错，而是设计出能简化、重构和持续优化工作本身的人机交互。AI 必须邀请用户引导、修改和辩论，让解决方案从协作中涌现，而非单向生成。
示例： AI 与营销人员同步生成内容：AI 负责结构清晰度和战略框架，人类负责背景判断和创意细微差别。系统明确各方优势，比较备选方案，由营销人员做最终决策。最终产出融合了双方视角，带来更高质量的思考和更具建设性的人机协作。
依据这四个原则构建 AI 工具，帮助该组织更高效地交付更高质量的成果。实际数据印证了这一点：
- 清晰度原则：允许 AI 向区域门店经理提出澄清性追问，近 75% 的试点用户对工具表示热衷，市场销售额增长 2% 以上。
- 连贯性原则：为销售代表设计准备话术时，超过 90% 的用户将"不破坏背景地集成新工具与现有系统"列为最渴望的 AI 功能。
- 透明度原则：在酒店经理的智能体验中，一旦展示 AI 智能体的推理流程，近 180 名试点用户几乎全部报告信任度提升，并更愿意在日常工作中使用该工具。
AI 体验的新时代
数十年来，AI 在后台静默运行，用户被训练在狭窄的输入输出限制内交互。如今，边界正在改变。设计人与智能系统之间的体验架构，需要整个组织转变心态。
对于领导者
- 为 AI 如何重塑价值创造方式设定清晰愿景
- 不只是增加工具，而是围绕共享工作流对齐技术、设计、数据与运营
- 跨职能编排将决定 AI 是成为战略资产，还是永远无法扩展的试点项目
对于设计师
- 范畴已从塑造界面扩展为设计人与系统如何共同工作
- 理解人类与 AI 智能体之间判断、纠正和协调的流动，并为此设计新的交互模式
- 用户不再只是一个人，而是由人、工具和智能体组成的网络
对于产品经理
- 需求变为"成果"而非"功能"，交互模型从确定性变为适应性
- 成功的衡量标准将从功能交付转变为系统在工作流中学习、改进和创造价值的能力
- 比以往更需要深入理解业务成果，以共同创造重构后的体验
对于技术专家
- 必须为可读性、可审计性与人类决策的对齐而设计
- 与产品经理、设计师及业务专家建立更深层的伙伴关系
- 任务不再是构建孤立的模型，而是创造既能集成适应、又保持可治理性的智能系统
能够取得突破的组织，不是盲目追求更好模型的公司，而是从根本上重新思考工作方式的公司。其优势来自于设计出人们信任、依赖并主动选择使用的体验。
AI 的下一个前沿，是设计协作架构——使智能在大规模范围内可理解、可治理且真正可用。这是领先组织多年来所理解的理念的自然延伸：设计不是表面的抛光，它是性能的核心驱动力。