当AI开始掌握人类最引以为傲的认知能力，却难以完成一岁孩童的简单动作，人机协作的边界正在重新定义。从1951年的HABA MABA模型到如今的消费自动化，AI正在颠覆传统的服务设计逻辑。本文深入探讨AI如何改变用户旅程、重塑品牌交互，以及设计师如何在效率与人性化体验之间寻找平衡点。

1951 年，保罗·菲茨（Paul Fitts）开展了所谓的“功能分配研究”，旨在明确人机系统中的各项操作该交由哪一方执行。基于当时（远在 Chat – GPT 等出现之前）机器的能力，他提出了”HABA MABA”模型，即“人类更擅长——机器更擅长”模型。1951 年，保罗·菲茨（Paul Fitts）开展了所谓的“功能分配研究”，旨在明确人机系统中的各项操作该交由哪一方执行。基于当时（远在 Chat – GPT 等出现之前）机器的能力，他提出了“HABA MABA”模型，即“人类更擅长——机器更擅长”模型。

长期以来，这一直是人机交互设计中的一项重要原则，并最终延伸到了 AI 交互设计领域。例如，谷歌（Google）在 2017 年展示其实验性 Clip 设备时就表示：“让人类做他们最擅长的事，让机器做人类最不擅长的事…… 因为，要让我们对 AI 的影响力建立信任，就必须感到安心、被包容且了解情况。” 但随着 AI 技术日益先进，它是否应该在其擅长的所有领域取代人类呢？

如果我们考虑人类与机器智能进化的差异，这个模型的结果对我们来说可能并非最有利。数百万年来，人类在动物世界中为了生存发展出基本运动技能，直到某个阶段，大脑发育才出现爆发式增长，将我们带到了一个不同的智力水平。相比之下，机器智能的诞生是为了帮助我们处理高度复杂的计算任务，而这类计算人类在自身发展历程中相对晚近才开始进行，并且需要额外的辅助。

然而，即便历经数十年发展，20 世纪 80 年代提出的莫拉维克悖论（Moravec’s paradox）依然成立，该悖论指出：“让计算机在智力测试或下跳棋时展现出成人水平的表现相对容易，但要赋予它们一岁孩童在感知和移动方面的技能却困难重重，甚至根本无法做到。”我们或许能看到语言模型和生成式网络等机器学习领域令人瞩目的进展，但尽管埃隆·马斯克（Elon Musk）曾有过相关言论，我们距离完全自动驾驶汽车、送货机器人或家用辅助机器人，以及其他将机器融入日常生活的方式还相距甚远，因为它们仍无法摆脱受控环境，去适应我们日常周遭的复杂情况。

所以，如今的状况是，AI 正在发展那些我们长期以来视为最具“人性”的技能，正是凭借这些技能以及我们的“智慧”天性与智力，人类才区别于其他非人类动物，然而我们却依旧无法将日常生活中最普通的体力常规任务交给 AI。

这凸显出我们如今所处的场景，可能比人们长久以来担忧的完全自动化更加反乌托邦。的确，在工厂的受控环境中，许多蓝领工作早已被机器取代，而且如今白领领域还有更多工作能够实现自动化。但除此之外，平台资本主义一段时间以来一直在利用人类来替代机器无法完成的工作。想想打车或外卖服务，又或者亚马逊仓库的工人——“工人的活动，被简化为纯粹抽象的活动，从各个方面都由机器的运转所决定和调控，而非相反。”我们可能会认为，我们已经走过了 19 世纪影响马克思写下这些文字的曼彻斯特工厂资本主义时代，但这些话在今天似乎同样适用。···

除了在运营和生产中，我们在界定自身与 AI 的地位及关系时，需应对其中的复杂性，还有另一方面对服务设计至关重要，却尚未得到充分认识——消费自动化。这意味着 AI 代理可以接管一些日常任务，并代表用户使用服务，节省用户时间并优化资源。这可能会改变我们将服务视为有组织流程的看法，以及将接触点视为其界面的认知。这理应催生新的设计方法，就如同最初的数字化转型需要进行重大调整一样。我们可以看看目前已经发生的一些案例，同时对未来的可能性进行推断和设想。

即便是无需 AI 的简单自动化算法，正凭借订阅服务或重复推荐改变消费模式。这改变了用户链路，因为人们可能会减少浏览商品以及探索订阅商品之外新异产品的时间。

像亚马逊 Go（Amazon Go）所尝试的那样，完全取代人际交互甚至自助服务界面，需要更为复杂的技术和强大的计算能力，而且可能根本无利可图。不过，这呈现出了一个近乎零交互服务的有趣案例。这种新范式对用户链路规划以及服务的透明度和可解释性问题提出了不同要求，由于没有交互，也消除了为客户提供反馈和安抚的机会。

当 AI 代理能够整合界面，成为多项服务的接入点时，可能就不再需要商店或网站了，这在通过如此少的交互传递品牌价值和品牌形象方面带来了诸多挑战。与 Alexa 对话时，如何感知呼叫 Lyft 或 Uber 的差异，又该如何设计这种差异呢？渐渐地，我们可能甚至不再需要语音助手设备本身，或者拿出手机来与 AI 和服务进行交互，而是通过耳机或手表等可穿戴设备来实现，这些设备离人体越来越近且始终伴随，甚至发展到考虑植入式芯片。如今我们仍与这些设备交互，但 AI 学得越多、越主动，所需的交互就越少。···

AI 和互联设备生态系统要多久才能让服务对用户来说近乎隐形，从而在某种程度上消除服务本身呢？（例如，如果你有一台连接到智能家居系统的智能冰箱，我们可以设想，AI 最终能分析你的消费习惯，并在你上班时直接安排送货到冰箱（🔗 https://www.theverge.com/2022/7/6/23196979/walmart-inhome-direct-fridge-deliveries-plus-perk）（没错，这已经实现了！），还能为送货员或机器人开门。）

利用预测性主动技术，关于你行为的数据成为一种界面，以及在后端与系统交互的方式，无需用户进行任何操作。直到可以完全取代用户这一步： 

（源自谷歌助手演示）

此时，我们又回到了需要弄清楚如何设计复杂的人机协作用户链路，以及哪些任务由人或AI来处理会更好，还有如何在这两者之间建立关系的问题上。这一次，依据的不仅是能力，还有对体验内容的偏好。我们可能想节省在杂货店排队的时间，转而去喜欢的餐厅或水疗中心，享受那里的服务，将其作为一种滋养身心的体验。在这种情况下，一个深入了解用户的 AI 代理会非常有用，它可以通过向服务人员传达用户偏好来提升用户体验，正如约翰·梅达（John Maeda）在《如何与机器对话》（How to Speak Machine）中所说，让服务提供者“预见需求并超越期望”，他将未来增强型用户体验与日本最佳的待客传统相提并论。

设计这些复杂的体验与关系，需要一种全新思路，来理解如何规划体验旅程。由于 AI 实体始终存在，充当用户与服务间的额外中介，体验旅程也变得愈发像蓝图。

这就需要一套全新的规则和原则，我们会在后续文章中展开讨论。在持续探索AI体验的各种可能性时，我们务必牢记要将人类体验置于首位，在效率与有意义的交互之间找到平衡。如此一来，我们便能打造一个AI与人类无缝协作的未来，实现优势互补、劣势互减。···

本文及后续文章源于我们过去几年在 oblo 为部分从事 AI 相关工作的客户所做的研究，以及 2020 年我们与罗伯塔·塔西（Roberta Tassi）在 Intersection Conference （🔗 https://www.intersection-conference.eu/）上的演讲。该演讲由 otter.ai 帮忙转录，之后我们与 Chat – GPT4 合作进行了改写。