在上一篇文章中，作者分享了AI助手的关键设计要素和设计原则，这篇文章，我们继续分享剩下的体验评估思路，并提供了两个业务案例供大家参考学习。
在生成式AI助手设计指南上篇中（点此回顾），我们讨论了生成式AI助手的关键设计要素和设计原则。
在本篇中，我们将会归纳AI助手的体验评估思路，另外会提供两个业务案例供大家探讨。
AI助手的体验评估没有统一方法，我们在这里提供一些思路供大家参考。
用户花费时间和金钱去使用AI助手，目的是为了获得帮助。除金钱成本外，付出的成本主要是使用成本，获得的收益则是有用的答案。可以从这个思路入手去评估：
可以借鉴业内已有的体验评估模型，如Google的HEART模型、GSM模型、支付宝的PTECH模型等，它们的适用场景和侧重点有所不同。
可以围绕产品表现、用户行为、用户感受这三个体验维度去评估：
通常产品将满意度、净推荐值和费力度作为重点体验指标，三者分别代表设计价值、商业价值及产品价值。
可以使用后台数据分析和问卷调查法，必要时还可以加上专家打分法。
不同产品的侧重不同，同一产品在不同阶段的侧重也会不同，我们可以根据产品侧重选择合适的指标和方法进行评估。
下面跟大家分享两个业务案例。
在易销CRM（以下简称CRM）内搭建的Copilot AI智能助手，主要用途是通过AI帮助销售提效，同时辅助销售新人完成工作培训和学习。
CRM AI助手以浮窗的形式展示，支持用户拖拽位置和改变大小，采用MA的对话形式，用户通过与AI对话完成业绩查询、产品知识学习和销售话术学习等功能。
1）推荐功能引导
由于是新的AI产品，因此我们需要让用户在初期就建立智能便捷的认知，因此需要重点引导用户了解AI助手的功能。因此需要增强推荐功能的曝光，帮助销售快捷提问。推荐策略优化
我们联合产品完成了用户角色的分类，并根据角色差异梳理了不同的快捷指令优先级，做到了千人千面，通过提供智能的服务，增强用户对AI工具的依赖和信任。
2）推荐场景梳理
我们在流程设计上也在强化了功能推荐的曝光，分为提问前和提问后两个场景：
在提问前：通过「欢迎卡片」承载功能引导。设计了猜你想问的功能，给不同角色的用户推荐高优先级的功能，点击后会在输入框内形成快捷指令。在二期时，我们还增加了“换一批”和指令中心入口，增强持续增加推荐功能的曝光。
在提问后：通过「猜你想问」承载快捷指令。在交互方面，采用较短的操作路径，由于是系统编辑好的指令，因此点击之后不填充输入框，直接向AI助手提问。在UI方面，压缩组件面积和字号，形成层级差异，提升可读性。
3）指令中心搭建
在未来随着AI助手的迭代，功能会越来越多，因此我们搭建了指令中心来承载全部的推荐功能。采用了独立页面的指令中心，使用清晰的Tab分类和快捷帧等功能，对功能进行细致的分类。最重要的是，不影响销售浏览整体页面的核心区域。
由于存在许多表意难的指令，无法很好的通过扁平化图像传递，因此我们决定使用Emoji设计推荐功能的icon，完成情感和情绪的传递，同时也能降低设计成本。因此我们根据推荐功能的意义，梳理了Emoji的使用规范，同时也通过焦点小组的形式，征求销售同学们的意见，最终形成了一套Emoji的使用规范。
4）AI对话场景
在与AI对话中的场景，我们也在很多细节上为销售同学提效，同时也要保证其使用的舒适度和便捷性。我们以向AI提问为例，将流程拆分成前中后三部分：
提问前：输入框槽位使用
用户高效利用槽位编辑指令。快捷指令填充后，会展示槽位，用户根据自身需求选择要查找的内容。同时遵循槽位的使用规范，我们没有选择复杂的交互方式，仅支持「单选选择器」或「输入框」，足够满足场景，考虑到输入框大小，也规定了每条快捷指令不能超过3个槽位，让用户的操作不那么复杂。同时考虑到容错性支持误删后通过快捷键撤回删除。
在UI设计上我们在区分清楚槽位与字段的关系，如使用输入框并增宽间距，在编辑槽位时也将边框高亮，增强编辑时的差异化，提升用户的认知。
提问中：意图识别反馈
AI及时给予用户进度反馈，增加用户的信赖感。为了让用户了解当前的生成进度，我们设计了AI助手的阶段反馈，通过加载动效配合文字完成提示。同时会反馈会拆分成两个阶段：
提问后：对话气泡
在人与AI的交流过程中，对话内容常以对话框的形式呈现，其边界清晰，便于集成各类功能。这些功能主要聚焦于对用户所发出的指令以及人工智能的回复内容进行反馈和操作。
气泡反馈：在富文本和卡片通知的设计中，强化标题和正文的对比度，提升行高，增加无序列表样式，提升通知可读性。
气泡操作：用户Hover对话气泡可以调起工具栏操作。我们选择了这种把操作栏卡在对话气泡下方的形式，节省在不Hover场景下的气泡与气泡间的上下高度，提升AI助手的屏效。
接下来我们来看一个案例。这个案例是在B端模板配置中，应用生成式AI助手进行公式编辑，并且根据使用场景对AI助手的界面进行了灵活的改进。
在一个为销售人员计算提成的系统里，有一个模块功能是建立提成核算模板。
假设我们最后需要得到这样一张核算表：
表头的姓名/城市/业绩/提成是数据项，表示这“是什么”。
数据项（表头）有了，数据从哪里来呢？如果是小规模公司，可能直接统计填入就好了。
但体量大的公司，这些数据可能来自多个系统。
这就需要了解两个概念：
建立核算模板时，除了数据项，还需要定义取值方式。有了取值方式，通过计算或数据引入，就可以得到值，也就能得到一张完整的核算表。
这里的取值方式有多种定义方式，比如：
图中的提成是通过公式计算的。调研发现，由于核算政策细节丰富、场景千差万别，实际业务中公式往往很复杂，需要花费大量时间，而且极易出错。
下图是一个简单的公式示例：
评估分析，公式编辑场景下，AI可以帮我们在三个方向提效：
其中，公式生成是最大的应用场景。
公式编辑最突出的痛点，一是编辑过程复杂，需要输入很多内容。二是输入不规范（比如缺少一个逗号或者括号）导致错误。而这些恰好是AI擅长的。
但应用到核算模板中，还存在一个难点：
目前市面上的AI公式编辑器应用场景主要在Excel或Google Sheets这样的表格中，利用表格已有的数据项进公式计算，无法使用表格没有的数据项（即无法引用其他表的字段）。
举个例子：
表格中的AI公式编辑器仅能利用已有数据项进公式计算，但核算模板中参与公式计算的数据并不一定都在当前的数据表中，它们可以利用其他表中的任何数据项作为可用的数据字段，只需要引入到当前表就可以。
这就涉及到公式的数据字段建立或补全的问题。
1.公式生成时，如果用到了模板中没有的数据字段，应该怎么表示？
2.往往引入的数据字段很多，相同类型字段（比如姓名/员工姓名/销售姓名、业绩/实际业绩/总业绩）很多，AI如何知道该用哪个？
第一个问题好解——在公式生成前，需要建立或补全数据字段，这样便于用户理解和下文描述，这也是区别于表格类AI公式编辑器的重要一点。
第二个问题，则要回归AI编辑器的功能本质来考虑——提效。如果AI猜的足够准，那使用AI推荐的字段更高效；反之，用户自己选择更高效。
这取决于用户的描述准确度和可用的数据字段数量，没有确定的答案。所以在代码块（用于显示生成的公式）中，可以提供默认数据字段和AI匹配的数据字段两种显示模式。
接下来是主界面设计，选择了一次指令的方式。
之所以没有使用连续对话式，原因很简单，连续对话式适合于AI可以有多样化产出的场景。用户对于AI产出的内容没有太确定的预期，接下来可以在一轮一轮的对话中反复修改、提出要求，最终得到满意的答案。连续对话式使用门槛低，但也会消耗更多的时间。
而模板中的公式编辑是典型的B端场景，功能使用频次非常高，对于效率要求也高。同时用户较为专业，对于需求的描述较为准确，也可以承担一定的培训成本。所以我们希望用户在适当学习的前提下，可以通过AI一次性获得满意的答案。
同时，为了提高回答的准确性，又做了以下尝试：
鼓励用户给出所需字段：在提问时可以通过快捷键 @ 选择所需字段，用户自己选择的字段视为已确定的字段，后续AI匹配时不会被替换掉。
文本优化提前识别/确认意图：在用户输入后，可以进行文本优化。AI可以提前补全所需字段，并根据用户的描述优化提问，用户可以在此基础上修改。这个功能相当于对用户的意图提前识别，可以提高后续回答的准确性。
最后，我们看一下整体的使用过程：
在AI助手的设计领域，未来的发展将持续向着智能化、个性化和无缝集成的方向发展。
AI助手将融合多模态的方式，包括语音、视觉、触觉等，以提供更为丰富和直观的用户体验。AI助手在人性化方面将具备更高级的情感智能，能够识别和响应用户的情绪状态，提供更加人性化的交互体验。AI助手将从被动响应用户指令转变为主动识别用户需求并提供帮助，实现从“助手”到“伙伴”的角色转变。
随着AI学习能力的增强，AI助手将更加智能地理解用户所处的环境和上下文信息，提供更加精准和及时的服务。通过深度学习用户的行为模式和偏好，AI助手可以提供更加个性化的服务和建议，使用户感受到更加贴心的定制化体验。得益于自然语言处理技术的进步，AI助手也将能够更加准确地理解用户的自然语言指令和问题，提供更加流畅和自然的对话体验。
技术的不断进步和用户需求的日益多样化，将使AI助手变得更加智能、友好和易于使用，成为人们日常生活中不可或缺的一部分，而我们——设计师，也将拥有更多尝试的机会。
作者：韩筱婷，李祖威
本文由人人都是产品经理作者【58UXD】，微信公众号：【58UXD】，原创/授权 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。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。