这篇文章中，Zalando的首席产品设计师分享了开发生成式AI助手的宝贵经验与设计原则。通过深入分析客户需求，团队成功打造出一个个性化的购物助手，帮助用户在海量商品中找到所需。

文章不仅探讨了如何管理期望和应对挑战，还提供了实用的设计策略，适合对AI产品设计感兴趣的读者。过去的几十年间，商业智能移动设备、PC 端技术迭代、互联网革新及社交媒体生态的不断进化，彻底重塑了我们在工作协同、社交通讯和在线学习等多领域的运作模式与互动方式。

在这种范式跃迁下，如何理解并重构人机交互的模式显得尤为关键。这为我们打开了一个激发无限可能的空间，在这里，我们能够以设计驱动的思维，精准挖掘用户与商业需求，实现深度赋能。

当我们成功构建可从庞大数据中自主学习并在无需明确指令的情况下完成任务的算法模型后，局面变得更加精彩。然而，正如大家所了解到的，这仅仅是故事的开端。我们更进一步引领研发出了能够生成文本、图像和视频内容的生成式模型，彻底改写了创新技术的游戏规则。

我们深知，时尚与生活方式是高度个性化的，它们因人而异，不断演进和迭代。虽然消费者的需求多样且独具一格，但我们相信在引导和启发他们方面还有巨大的优化空间，通过提供精准、有价值的导航和推荐，使他们在我们丰富的商品选择中迅速找到最贴合自身需求的单品。

在一年时间内，共有 50 万名客户与助手展开对话。在深入分析互动模式后，我们发现客户正以崭新的方式与我们建立连接。

解决重要问题

在探索生成式 AI 带来的不确定性时，我们始终以用户需求为核心，将其作为我们的指引。在创新实践中，我们坚持目标优先策略，避免技术冲突场景。为实现这一点，我们围绕以下关键问题进行深入反思，以锁定正确方向的挑战点：
确定合适的挑战

客户和企业当下遭遇了哪些特殊的痛点或阻碍？

目前市场上针对此类问题都采用了哪些主流解决方案？

如果引入生成式AI技术，这对相关问题的解决将带来哪些前瞻性增益或创新价值？

这些问题的重要性如何量化？如果处理妥当或失误，其最优和最差的潜在结果分别会是什么？

我们的用户绝大多数在消费时都会围绕特定场景、需求或活动选择产品。然而，为 5000 万用户配备一对一的人工购物顾问，这无论是在操作执行还是规模扩展上，都是不可行的。选项过多同样会带来困扰，我们深知用户在面对丰富的产品选择时，往往容易产生决策疲劳。正如一位客户曾这样形容：

与此同时，也有对需求洞察精准且目标明确的顾客。举个例子，当用户决心入手一款最新发布的跑鞋时，我们的设计理念是确保产品体验顺畅无阻，绝不设置购买路径上的任何“干扰项”。
明确学习目标

在形成可用原型后，我们立即展开研究，以识别潜在痛点和用户的真实反馈。鉴于这一领域对我们的客户来说全然陌生，提升参与感的最佳方式便是通过实际操作和交互体验与工具建立关联。这套研究洞察让我们对用户期望有了更加全面与系统化的理解，从而为关键路径设计和产品演进提供了建设性的指引。由此，我们得以明确研发迭代的优先级并构绘出长期战略布局的愿景蓝图。

在规划我们的学习目标时，下列关键问题不容忽视：

这些目标的核心价值体现在哪些方面？

它们能够为我们创造怎样的可能性和优势？

改变模式

最初的研究经验之一让我们意识到，用户往往难以直观地设想他们与助手之间的交互方式。

多年来，用户一直依赖传统电子商务模式中的搜索和筛选功能来发现目标商品。而在这一全新的运营范式下，我们需要更强主动性，精确引导用户需求。
别光用说的，拿实例给我看针对不同的使用场景我们设计了丰富的对话开场白模板，通过实际互动示例取代直接的说明，直观地诠释如何与助手高效沟通。

随着项目不断推进，我们借助这些指导，为交互设计注入多维创新。其中一个亮点功能是智能便捷的搜索体验，直观演示全新优化的搜索算法如何与生成式 AI 高效联动。
当产品具备价值时对其进行介绍在用户旅程中，精准把握产品与用户交互中“关键场景”和“高光时刻”尤为重要，我们的目标始终是为用户赋能，而非造成干扰。为此，团队围绕如何打造与用户高度相关、有价值的瞬间展开了深入思考。例如，当用户进入产品详情页时，我们能否通过智能助手提供个性化、深度契合需求的购买推荐？又或者，是否能够借助内容设计来启发用户，将最近购买的单品与其他商品搭配，打造独特造型，实现创意增值？

管理预期

人工智能在多个领域都有亮眼的表现，但它并非解决所有问题的万能钥匙。因此，我们需要基于实际情况合理设定预期，并充分评估其长处与局限性。
引导模型识别并了解自身的局限性这个过程源于大语言模型自身的基础。可以将这一过程类比为培训一名资深购物顾问，以交付卓越的客户服务表现。

该角色的设定为助手奠定了框架，明确了职责边界。在这一关键环节，科研工作者、工程师与设计师之间的深度协作尤为重要，是推动项目成功的关键所在。

我们赋予助手如下职能：

为客户提供专业时尚搭配建议，增强个人风格表现力；

结合单品特点，为客户精准打造契合整体造型的搭配方案；

洞察潮流趋势和个性需求，推荐贴合客户风格的优质商品；

根据特定场合或活动主题，为客户甄选专属穿搭解决方案。

我们还特别强调，要求其避免回应涉及用户个人生活、财务信息或心理健康方面的问题。

实行透明化

为了有效管理用户预期，关键在于以清晰、透明且诚实的方式传递产品所处的实际阶段及其现有的局限性。这样的沟通方式不仅有助于让客户更系统化地理解产品的运作机制以及可能存在的潜在痛点，也能够进一步提高信任感，激励他们主动参与并提供有价值的用户反馈。

体面地降级

使用大型语言模型，需要预测并应对潜在的意外情况。这可能涉及从语境误判和内容遗忘，到产生幻想式错误或推荐不相关资源等各种状况。生成式 AI 作为全新的工具，正处于全民探索的阶段。尽管失败可以说是难以完全规避的特性，但更重要的是我们应该将注意力集中在从失误中提取洞察，并迅速针对模型进行迭代与优化，以驱动进步。
规模化学习
每位用户与生成式 AI 产品的交互都各具特性，这导致潜在问题的识别与迭代学习存在一定挑战。为了在大范围内深入解析交互中发生的情况，我们亟需构建系统化的大数据学习模型。这对维持品质基线以及高效定位待优化痛点来说，具有决定性意义。
保障体验

为规避潜在风险，我们需以前瞻性的决策引导，结合跨职能深度协同，通过早期干预与风险缓解策略，全面赋能 AI 产品的安全与伦理实践。风险水平因产品类型、行业属性以及用户场景的差异而变化。例如，Netflix 因其在一部犯罪纪实片中使用生成图像而引发观众争议。同样，某航空公司也因聊天机器人的误导性建议被要求承担责任。这类错误可能引发用户的情绪波动或对身体安全的潜在威胁，同时也可能对品牌信誉造成重创。深入剖析这些影响，并制订有效解决方案，对于产品设计及用户体验优化尤为关键。