随着技术的发展，AI这个“聪明的工具”出现了，它不再是简单被操作，具有全新的性质。那我们今天就来聊聊怎样建立人与AI协同中的信任。

一直以来我们都在尝试更多的利用AI算法分担客服的日常工作，比如帮助客服挑选用户喜欢的商品，或是主动回答一些买家问题。

但是在大促复盘后却发现，在客服人员最忙碌的时候，ai相关功能的关闭率反而上升了，很奇怪对吧。我们访谈了一些客服，收集了一些比较共性的声音，“不是自己配置的，不放心” “有时候发错，耽误事” ，诸如此类。

看得出来客服不太信任这些有AI介入的功能，所以今天我们就来聊聊怎样建立人与AI协同中的信任。

Part 1：为什么人与AI的信任关系这么重要？

随着技术的发展，AI这个“聪明的工具”出现了，它不再是简单被操作，具有全新的性质。

1. 【黑盒性】工作原理不再能被简单理解

ai这个“工具”的工作原理正在变为黑盒，和普通应用软件直观的输入-输出过程相比，普通人越来越难以真正明白AI在“想什么”。

下图是卷积神经网络系统原理图，常用在自然语言处理中，我也看不懂，放这儿意思意思。

2. 【平等性】在合作中的地位逐渐提升

传统的工作流是以人为主，操作“工具”为辅。但随着ai的能力提升，让人和“工具”更接近平等的合作伙伴，双方都互有诉求。

3. 【渗透性】全方位的介入日常工作生活

普通的一天：起床，用siri查询天气。出门，用地图app查看路线。回家，网站根推荐视频和游戏。AI以生活助理，路线规划，内容推荐，玩伴等各种方式，越来越多的融入我们的日常，成为不可缺少的重要一环

面对这个看不透又离不开的伙伴，信任就变得前所未有的重要。

Part 2：怎样建立和强化信任？

从信任的产生机制入手，因不同的产生原因，信任可以分为三种：

（1）威慑性信任：通过惩罚类的手段强制各参与方产生信任的机制

常见案例：商业合同，基于法律的权威让签署双方互相信任。

（2）技术性信任：通过技术手段使各参与方产生信任的机制

常见案例：大众点评，通过第三方（老顾客）提供的信息，帮助新顾客和店铺互相信任。

（3）了解性信任：基于参与各方之间深入的了解而产生信任的机制

常见案例： 社区无人小店，基于邻里之间的深入了解（如工作单位）而产生的自助商业模式。

在实际情况中，由于威慑性和技术性信任都是基于客观共识，所以起效速度快，可以用来快速建立信任。了解性信任需要大量信息和个人判断，只能逐渐起效，但是对比前两种信任，信任程度会更深，所以可以在后续过程中使用。

Part 3：实践落地

总结以往的案例，会发现技术性和了解性信任相结合的手段效果通常不错。他们起效时间互补，信任程度还能不断加深。而威慑性信任，想什么呢，还想威慑用户不成？

常见的人-AI的交互过程大致可分成“接触—提供原始信息—获得处理结果”3个节点：

我们总结了各个节点中，一些常用的提升信任感的设计技巧，在下文中结合案例进行说明。

节点1. 接触

在这个节点，用户面对陌生的ai工具，常常仅凭第一印象决定是否尝试，为了让用户快速形成正向认知。

常见的可以采用以下几个手段：

1.1 合理使用第三方评价/成功案例等手段，快速建立可信的第一印象

这个很好理解，有第三方背书的产品总是看起来靠谱一些，毕竟有先行者探路，只要跟着用就好了。

DO：晓多客服机器人的案例中，通过行业龙头和政府客户的案例，给浏览者快速建立了可信，可靠的印象。

1.2 借助相似的现有认知，帮助用户了解AI

介绍一个完全陌生的对象通常比较困难，而如果合理借用现有认知，则可以相对容易一些，例如家具广告使用“家具中的劳斯莱斯”这样的说辞，借用用户对劳斯莱斯品牌的固有认知，来传达自己产品的高级感。

DO：常见的助理类AI，通常借用“家庭助手”“生活助理”“专属秘书”这样的现有心智，快速传达本身全能，聪明，可靠的能力预期。

1.3 介绍AI的能力而非技术

复杂先进的技术让AI有能力完成日常任务，但是在用户看来，技术深涩且没有感染力，理解困难，并非核心关注点，如果一味的介绍技术，用户很容易失去兴趣。

DO：Google  Assistant的官网首页，借用生活中常见的场景让用户快速明确的了解AI能力，而背后复杂的IOT，语音识别，近远场声音捕捉等技术等都被隐藏了起来。

DONT：相比之下，天猫精灵的官网首页做了大量的性能数据列举，用户对产品能力了解不够，感染力就弱了很多。

1.4 让用户了解ai的真实能力边界和影响范围，建立合理预期

现有技术条件下，AI的真实能力有限，一味夸大会让用户建立过高的预期，最终在使用过程中流失，因此，需要让用户了解AI的真实能力边界，在部分严谨的使用场景中，这一点尤其重要。

节点2. 主动/被动的提供原始信息

在这个节点，需要用户主动或被动的提供原始信息以进行后续加工，为了让用户放心，情愿的提供数据，可以采用以下手段：

2.1 说明数据来源和去向，增加ai的透明度和可信度

当希望用户提供信息时，可以通过解释数据来源，可能的用处等，增加AI的透明度和可信度，例如我们需要用户提供地理位置，搜索记录等隐私信息时，就需要着重说明对这些信息的保护措施，打消用户的顾虑。进一步也可以引导用户提供更多的信息，带来更优质的结果。

2.2 阐述对原始信息的要求，增加用户使用的成功率

AI对原始信息通常有一定要求，如语音信息需尽量避免方言，采用常规语法，地理位置信息要求相当的精度。让用户了解这些隐藏的要求，能够很大程度增加用户使用的成功率。

当下chatbot的能力还无法支持用户天马行空的提问和千奇百怪的问法，为了保证较好的使用效果，可以主动引导用户在固定范围内，使用规范问法提问。

DO：Siri主动引导用户学习chatbot的问题/问法。

DONT：让用户随意提问，但实际上无法应对，实际使用体感较差。

节点3. 获得处理结果

在这个节点，用户获得了经ai加工后的数据结果，可以使用以下手段，提升用户对结果的接纳度。

3.1 简述运作原理，让用户了解其行为和处理结果的关系

让用户尽量了解系统的工作原理，在用户操作后进行解释是最好的时机。无论AI的处理结果是否和用户预期一致，解释“为什么”都能够更容易的获取用户的信任。

Do：各类搜索结果，通常都会包含一定程度的解释。

3.2 提示可能包含的偶发风险

当场景比较特殊时，需要明确ai的限制性，并且向用户作出解释。

Do：在路线规划的场景中，由于路况信息复杂，信息获取受限，需要提示用户考虑偶发情况。

3.3 提供优化处理结果的方式

因为现阶段的各种限制，ai输出的结果往往不尽如人意，若长期无法优化，就会失去用户的信任，最终流失。为了解决这一问题，可以尝试让用户了解其可以通过某种途径逐渐优化结果，保持信任

Do：某chatbot，管理员可以在后台主动优化答案。

Do：推荐算法通过“喜欢” “不喜欢”，用户能主动参与答案优化。

Do：配置ai对话能力时，用户能够主动测试并优化回答。

写在后面

通过以上这些手段，可以帮助人和ai之间建立相对稳固的信任关系。但是在实际设计过程中，也要注意整体节奏的把控，一次性要求用户彻底的信任常常适得其反，引导用户逐步提升信任度会是比较稳妥的方式。

本文由 @闲邻张 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议