当 AI 让用户失望，不是因为 AI 不够好
去年我做了一个 AI 简历优化助手。上线第一周，用户反馈出奇地两极化。
一边是惊喜：「天哪，它居然能看出我简历里的隐藏优势！」另一边是愤怒：「连我的 LinkedIn 都读不了？这也配叫 AI？」
两拨人用的是同一个产品。但他们的预期截然不同——前者把 AI 当成一个「能帮忙润色的助手」，后者把 AI 当成一个「能接管一切的管家」。
这是我第一次深刻意识到：在 AI 产品里，用户满意度不取决于 AI 的能力绝对值，而取决于AI 的能力和用户预期的差值。
差值越小，满意度越高。差值越大，AI 能力再强也没用。
传统产品也有预期管理问题，但 AI 产品把这个问题的难度放大了至少 10 倍。
为什么 AI 的预期管理比传统产品难 10 倍
第一个原因：用户对 AI 的预期来自科幻，不是来自产品。
用户第一次打开你的 AI 产品时，脑子里装的不是你的 onboarding 引导，而是《钢铁侠》里的 Jarvis、《星际穿越》里的 TARS、ChatGPT 演示视频里那个无所不能的对话机器人。
这些预期是隐性的、是文化级的、是你一个产品 onboarding 根本对抗不了的。
更麻烦的是：用户不会告诉你的。他们不会在反馈里写「我以为它能像 Jarvis 一样」。他们只会写「不好用」、「功能太少」、「退钱」。
第二个原因：AI 的能力是「不均匀」的——在被高估和被低估之间来回横跳。
ChatGPT 刚出来的时候，所有人都震惊于它能写诗。但很多人没注意到它算不对小学数学题。
这种不均匀性让预期管理变得极其困难。用户在任务 A 上被惊艳了，自然而然会认为任务 B 也不在话下。但如果任务 B 恰好是 AI 的弱项，用户的失望感会比「一上来就不行」更强烈。
这是「峰终定律」的AI版本：用户用一个 AI 产品的爽点峰值，来预期它的能力平均值。落差越大，愤怒越强。
第三个原因：AI 的「看起来行」不等于「真的行」。
这是 AI 产品最独特的挑战。传统产品的能力边界是清晰的——没有这个按钮就是没有这个功能。但 AI 产品没有按钮。
无论你输入什么，AI 都会回应你。不管它是不是真的能做好这件事，它都会尝试。很多时候，它的尝试看起来「还不错」——直到用户在实际使用中发现它其实错了。
这种「看起来行」给了用户虚假的正面信号，让他们对 AI 的能力建立了一个高于实际的预期。最终「翻车」时，伤害比一开始就明确说「不行」大得多。
三个预期错配的典型场景
场景一：「万能助手综合症」
用户：帮我分析一下这个市场。
你的 AI 产品设计初衷：根据用户上传的数据文件，做统计维度的市场分析。
用户的理解：给我一份完整的市场研究报告，包括市场份额、竞争格局、增长趋势、SWOT 分析、风险预警。
AI 怎么回应？它不会说「我没有足够的信息做 SWOT 分析」。它会尽力从有限的信息里拼凑出一个看起来合理的回答——然后用户拿着这份报告做了错误的决策，回来骂你。
这里的预期错配在于：你设计的是一款「分析工具的增强版」；用户期望的是一整个「咨询团队」。
场景二：「一次就好陷阱」
用户第一次用你的 AI 产品，体验完美。第二次打开，开始挑毛病。
这不是产品出了问题。这是用户的预期曲线在起作用：第一次体验前，预期为 0。第二次体验前，预期已经拉满了。
就像一个餐厅——第一次去觉得惊喜，第二次去觉得「也就那样」。食物没变，变的只是你的预期。
AI 产品的特殊性在于：用户的预期提升速度远超产品能力的迭代速度。两次使用之间，用户的预期可能已经翻倍了。
场景三：「无声的失望」
这是最危险的一种预期错配，因为它不会变成负面反馈。
用户带着某个高预期使用了你的产品。AI 没有完全满足（比如漏掉了一些关键洞察），但也没有明显的错误。用户觉得「还行」，然后默默流失了。
你永远不知道他们为什么走。你的数据里看不到任何异常。但每一个「还行」的用户，都是预期管理失败的用户。
预期管理四层框架
预期管理不是一个「告诉用户 AI 的限制」那么简单的问题。它需要嵌入到产品的四个层面。
第一层：准入预期——用户用之前就知道边界在哪
在用户注册、首次使用、进入核心功能之前，明确传递 AI 的能力边界。
但不是用一份「免责声明」或一个弹窗。用户不看这些。
有效的方式是在产品语境中自然传递。比如：
- Onboarding 的引导语不要写「AI 助手帮你分析数据」，要写「AI 助手帮你快速从数据中找到关键趋势和异常值」。前者是通用承诺，后者是一个有限承诺。
- 首屏的占位示例不要用过于华丽的 case，要用最典型、最常见的场景。如果用户第一眼看到的示例是「帮我写一篇行业分析报告」，他会默认这个产品能写所有类型的报告。
- 在用户输入前给一个具体的能力清单，比如「我可以帮你：1）提取简历亮点 2）对标目标岗位优化表达 3）识别简历结构问题」。同样重要：告诉用户 AI 不能做什么。
有一个反直觉的规律：在用户用之前降低预期，比在用户失望后再解释更有效。因为预期一旦建立就很难回调。
第二层：交互预期——每一次交互都在管理预期
AI 的交互不是静态的。每一次对话、每一次输出，都在动态地塑造用户的预期。
让 AI 主动标注不确定性。 当 AI 对自己的输出不确定时，不应该装得很有信心。应该用自然的方式表达：「根据目前的信息来看，这个结论的确定性大约是 70%，建议你再确认一下数据源。」
这不只是道德问题，更是产品问题。当用户习惯了 AI 会主动告诉你「我不确定」，他们会建立一个更准确的预期：AI 不是全知全能的，AI 知道什么时候需要人类判断。
用输出格式传递能力边界。 如果 AI 的输出不是完整的、确定的答案，而是「初步分析 + 待确认项 + 下一步建议」的结构，用户就会理解 AI 是在「协助思考」，不是在「直接给答案」。
设计「边界触碰」的优雅拒绝。 当用户的要求超出 AI 的能力范围时，不要让它硬上。让它说：「这个问题涉及到实时市场数据，我目前无法获取。如果你有相关数据文件，我可以帮你分析。」这不仅保护了用户预期，还提供了一个用户可操作的下一步。
第三层：反馈预期——让失望变成产品迭代的信号
预期管理不是单向的「告诉用户」。你需要一个系统来持续检测用户的预期和 AI 能力的差值。
在关键节点埋点。 不要只统计「用户点击了生成按钮」。要统计：生成后用户有没有编辑结果？有没有重新生成？有没有换一种说法又问一遍？
这些都是「预期未被满足」的信号——用户看到结果后觉得不够好，所以自己在调整。
把「用户纠正 AI」当成一等交互。 大多数 AI 产品把用户的纠正行为当成一个辅助功能。但实际上，「纠正」是用户表达预期最直接的方式。当用户说「不对，我的意思其实是...」时，这是在告诉你「我对你的预期和你理解的不一样」。
定期做预期-能力 Gap 分析。 定期抽一批用户对话，标记出用户真正想实现什么，以及 AI 实际交付了什么。两者之间的 gap 就是你需要优先缩小的距离。
第四层：成长预期——让用户陪你一起成长
最高级的预期管理，不是降低预期，而是让用户的预期和产品能力同步成长。
设计「能力发现」的惊喜时刻。 用户用了一段时间后，突然发现 AI 能做到一件他不知道的事。这种惊喜会重新锚定预期——不是向上锚定（变成无限预期），而是向外锚定（发现更多新领域）。
做版本更新的「能力变化」说明，而不是「功能列表」。 当 AI 能力升级时，不要只说「性能提升 15%」。要告诉用户：「从这个版本开始，AI 可以对 PDF 中的表格数据进行结构化提取。」——用户的预期会同步更新。
培养「和 AI 协作」的心智模型，而不是「让 AI 干活」的心智模型。 如果用户把你当成一个「自动化的外包团队」，一旦外包质量下降，会很失望。但如果他把 AI 当成一个「协作伙伴」，质量波动会被理解为「协作需要磨合」——预期的弹性更大。
这可能是最重要的一点：预期管理的终极目标不是让用户满意 AI 的当前能力，而是让用户愿意和 AI 一起成长。
在简历优化助手中验证
回到开头的案例。我在简历优化助手里做了三件事来管理预期：
准入层：在用户上传简历前，明确列出了 AI 能做的五件事和不能做的三件事。不能做的事包括：不能直接联系 HR、不能保证拿到面试机会、不能在不存在的经历上编造内容。
效果：负面反馈下降了约 40%。不是 AI 变强了，是用户的预期被锚定在了合理的范围。
交互层：AI 的诊断结果不是一锤子买卖。它分为「初步印象」「详细审计」「修改建议」「行动清单」四个阶段。每个阶段都明确标注了置信度和需要用户确认的项。
效果：用户对 AI 输出的接受度显著提升。因为他们参与了判断过程，不是被动接受结果。
反馈层：后台监控了「用户手动编辑 AI 输出」的比例。发现用户在「自我评价」部分的编辑率最高——说明 AI 在这个维度表现最弱。下一个版本的优化重点就放在这里。
结语
传统 PM 的核心任务是「做出用户需要的东西」。AI PM 的核心任务多了一个维度——「让用户需要的和 AI 能做的之间的差距，保持在可管理的范围内」。
这不是一次性工作。AI 的能力会进化，用户的预期也会进化。你得持续追踪这两条曲线的走势，在它们偏离太远之前拉回来。
这个能力的名字不叫「用户教育」，也不叫「降低预期」。
它叫预期设计——它和交互设计、功能设计、行为设计一样，是 AI 产品设计的一等公民。
行动建议：打开你的 AI 产品，找到用户最常见的失望反馈。不要急着优化 AI 的能力。先问自己一个问题：用户的这个预期是从哪里来的？是我产品里哪个交互给了用户错误的信号？补上那个信号比提升 AI 能力可能快十倍。