从一个场景说起

你做了一个 AI 写作助手，用户写完后，AI 给出了一段话。

用户问：这段话真的对吗？

你说：准确率 95%。

用户还是不信。

为什么？

准确 ≠ 可信

这是很多 AI 产品经理容易踩的坑：

  • 准确：输出与事实相符的程度
  • 可信：用户愿意把任务交给 AI 的程度

这两个指标没有必然联系。一个 99% 准确的 AI，仍然可能不被用户信任。

为什么会这样？

1. 错误成本不对称

用户点击一个按钮错了，大不了刷新重试。但如果你帮用户写了合同、回了重要邮件、做了关键决策——错了的代价是巨大的。

用户不会用准确率来衡量风险，他们用后果来衡量。

2. 黑箱焦虑

传统软件是确定性的：点击保存 → 文件保存。这个因果是透明的。

AI 是概率性的：同样的输入，可能输出不同结果。用户不知道为什么会是这个结果。

不知道 → 不理解 → 不信任。

3. 用户的教训

用户可能之前被其他 AI 产品坑过。这种一朝被蛇咬的经验，会迁移到你的产品上。

怎么做？

1. 展示思考过程

不是让 AI 解释我是怎么推理的（用户也听不懂），而是让用户看到：

  • 引用了哪些来源
  • 参考了哪些上下文
  • 做了什么假设

这叫可追溯的 AI。

2. 给出置信度

与其说这是正确答案，不如说：

我有 90% 把握，如果你需要 100% 确认，建议人工复核。

诚实比吹牛更能建立信任。

3. 提供反悔机制

  • 可以轻松撤销
  • 可以修改方向
  • 可以查看历史版本

当用户知道随时可以反悔时，尝试的门槛就低了。

4. 渐进式暴露风险

不要等到出错了再道歉。在交互过程中就提示：

这个内容涉及专业建议，建议您核实后再使用。

提前打预防针，比事后解释更有效。

一个反例

某 AI 客服产品，声称准确率 98%。

结果用户问了一个边界问题，AI 自信地给了错误答案。用户信了，损失了钱。

准确率没输，但信任输了。

核心观点

产品不是让 AI 更强，而是让用户更放心。

当你设计 AI 产品时，问自己的问题应该是：

用户敢不敢把命交给这个 AI？

如果不敢，那是产品的问题，不是模型的问题。

最后

AI 产品的竞争力，不在于能力边界，而在于信任边界。

因为信任决定了用户愿不愿意用，愿不愿意持续用。

而信任的本质，是让不确定性变得可控。