AI產品設計的思考流程圖

許多AI產品看似功能很強，但最終卻乏人問津，這背後出了什麼問題？

一篇發表於2025年《行銷期刊》（Journal of Marketing）的論文〈從工具到代理人：人類對AI接受度的後設分析洞見〉（From Tools to Agents: Meta-Analytic Insights into Human Acceptance of AI），裡面有一張很值得細看的圖。

這張圖的全名很長：以使用者為中心的設計藍圖之AI、任務與使用者特徵（AI, Task, and User Characteristics in a User-Centered Design Roadmap）。如果要用一句話概括這張圖，那就是：AI產品能否被接受，從來不只看AI本身，而要同時看任務情境、使用者特徵與AI設計，三者能否適配。

資料來源：Li, B., Lai, E. Y., & Wang, X. (2025). From tools to agents: Meta-analytic insights into human acceptance of AI. Journal of Marketing. https://doi.org/10.1177/00222429251355266

AI產品是否被接受，有時不是因為它不夠聰明，而是因為它被放錯了場景、交錯了人，或者設計方式讓使用者不舒服、不安心、覺得自己失去控制權。換句話說，這張圖其實不是在列一堆變數，而是在畫一張「AI產品設計的思考流程圖」。

第一步，先看任務（Task），也就是「理解並明確使用情境」（Understand and specify the context of use）。這一步的重點，是在談模型多準、多快之前，先搞清楚這個AI到底要用在哪裡？

論文裡舉了不少例子，像醫療診斷、法律服務、法院判決、招聘決策，這些都屬於高風險、高專業性，而且往往牽涉道德判斷與隱私；另一邊則是比較日常、消費型的任務，例如：選品、導航、控制智慧裝置、與虛擬助理互動等。

作者發現，如果任務牽涉道德判斷或個人隱私，人們對AI的接受度就會下降。這其實很好理解，用AI幫忙推薦電影，多數人覺得還好；但如果用AI來協助法院判案、決定誰被錄取，或處理醫療敏感資料，大家自然會更加謹慎。也就是說，場景會決定人類的防備心有多高。

第二步，是看使用者（User），也就是「明確界定使用者與組織需求」（Specify the user and organizational requirements），亦即探討「使用者是誰？」。

論文裡考慮了使用者的性別、年齡、地區、是否為學生等特徵。結果顯示，來自英語系國家的受試者，整體上對AI的接受度略高一些；但性別與年齡不一定每次都造成顯著差異。這裡最重要的訊息不是哪一群人比較喜歡AI，而是同一套AI，換一群人來用，反應可能完全不同。

對年輕人、大學生、數位原生世代來說，某種設計也許很自然；但對某些專業人士或高風險決策者來說，可能就會感到不安。所以，AI設計不能只問「技術可不可行」，還要問「使用者是誰？」。

第三步，才是真正進到AI本身，也就是「產出設計方案」（Produce design solutions）。

這裡列出的，是企業與開發者可以主動調整的AI特徵，包括：能力（capability）、輸入透明度（input transparency）、過程透明度（process transparency）、可靠性（reliability）、擬人化（anthropomorphism）、人類參與程度（human involvement）、專業範圍（expertise scope）、角色（role）、成本（cost）。這一塊其實是整張圖最有管理價值的地方，因為它告訴我們，AI接受度不是天生注定，而是可以被設計出來的。

例如，該論文發現，能力（capability）幾乎是最穩定的正向因素。像在金融市場分析、估算問題這類任務中，只要AI被描述成比人更準、更強，大家就更容易接受它。

再來是輸入透明度（input transparency）與過程透明度（process transparency）。作者指出，人們比較在意的是AI到底用了哪些資料來做判斷。例如：它是根據哪些輸入來推薦、預測或評估。相較之下，多數人未必真的在乎背後複雜的演算法細節怎麼跑。這代表對企業來說，與其花很多力氣解釋模型公式，不如清楚告訴使用者：「我用了哪些資料，為什麼給出這個結果。」

這裡還有一個很反直覺的發現，那就是擬人化（anthropomorphism）不一定是好事。許多AI產品會透過人形介面、擬人語氣、性別化聲音、人格設定，來讓自己更像人。

表面上看，這似乎能增加親切感。但研究發現，擬人化反而可能降低接受度。因為當AI很像人但卻又不夠像時，反而容易讓人不舒服（這和所謂的「恐怖谷效應」類似）。所以，AI不是越像人越好。

另外，論文也特別區分：建議型（advisory）AI與執行型（performative）AI。前者是提供建議，最後由人做決定；後者則是AI直接做決定、執行動作。

作者發現，當人們遇到執行型AI時，接受度會明顯下降。原因很簡單：人們會覺得自己失去主導權，也更擔心被AI取代。這提醒企業，若想提高接受度，很多時候先從「建議型AI」開始，比直接做「執行型AI」更加妥善。

最後一部分是評估（Evaluate），也就是「根據需求評估設計方案」（Evaluate designs against requirements）。這一部分很容易被忽略，但其實很重要。

它的意思是，設計完AI並不是就結束了，而是要回頭檢查：這樣的設計，真的符合前面的任務情境與使用者的需求嗎？如果沒有，就必須再修正。圖上的回圈箭頭，就是在告訴我們，AI設計不是一次到位，而是一個持續來回修正的循環。

所以，這張圖指出，AI產品能否被接受，不只是技術問題，而是設計問題，更是「任務、使用者、AI」三者匹配的問題。真正好的AI產品，不只是能力強，而是能在對的場景中，用對的方式，交給對的人使用。

作者：羅凱揚（台科大企管系兼任助理教授）、鍾皓軒（臺灣行銷研究有限公司創辦人）

資料來源：Li, B., Lai, E. Y., & Wang, X. (2025). From tools to agents: Meta-analytic insights into human acceptance of AI. Journal of Marketing. https://doi.org/10.1177/00222429251355266