满意度是体验研究的常用指标，但在 AI 产品中，用户预期因缺乏经验、宣传夸大和个体差异而变得不稳定且偏差大，导致满意度分数不再能直接等同于产品表现。本文深入剖析 AI 产品用户预期的三大特点，揭示其对满意度诊断功能的潜在误导，并引入失验与产品表现两个指标，提供一套拆分问题根源的实用思路，帮助研究者更准确地定位优化方向。
在 AI 产品体验研究里，笔者发现以上三个影响预期的信息源都变化了，因此 AI 产品的用户预期存在以下几个差异点（对比互联网产品的用户预期）：
1）跟产品实际表现偏差大（来自「过往经验」缺失＋「外部信息」影响）
与互联网产品不同，AI 是纯新产品：绝大多数用户都对它不太熟悉，更没有相关使用经验，所以根本也就不了解 AI 产品的真实水平；同时，用户又处在铺天盖地的宣传里，不管是官方广告、社媒帖子、视频，无不在营造这几个印象：「强大、智能、替代人类工作……」。
一边是没有可参照的实际经验，一边是夸大的外部信息，两者叠加，用户的预期自然与产品实际表现相差很大。
2）随时间变化大（来自「过往经验」的持续更新）
用户对 AI 的预期一开始就不太准、不成熟，它会在之后的使用里被不断校正。而这个校正，不是一次两次就能完成的，例如：部分用户刚开始不熟悉，等掌握一点使用技巧、经验，看到更高质量的产出后，预期可能提升；但也可能，有些用户抱着很高的预期而来，看到实际结果之后，发现跟宣传完全不一样，或者遇到了很多新的未知问题，预期会下降。所以，用户对 AI 产品的预期不是一次形成、长期不变的，且需要长时间的使用才会逐渐稳定。
产品达标了，满意度分数却低，问题依然可能出在预期。考虑到满意度是忠诚度（用户留存等）的重要来源，所以不能因为产品表现不错就忽视满意度。下一步需要看看失验得分：选「低于预期」的人是不是占了多数？如果是，可能的原因是：用户带着很高的期望来，用下来虽然觉得产品不差，但因为没达到他预期的水平，于是给了低分。但这些只是推测，失验分也只是个「探针」：提示下一步需要关注什么，并不是结论。接着可以看这批人在影响预期的几个维度——年龄、受教育程度、AI 使用经验、诉求上有什么特点来辅助判断（例如，如果大多数都是受教育程度低、AI 使用经验很少的，则更可能是预期存在问题）；有需要的话，可以补充访谈，弄清用户心中的 AI 是怎样的，这些印象又是从哪来的，以帮助找到原因。
4）产品表现分高，满意度高
情况健康，可先保持关注。
需要注意，以上三个指标得分给出的是方向，提示下一步该重点看什么，还需要补充其他相关指标信息、访谈来辅助下结论。
四、总结
• 满意度衡量「体验水平」这个用途，在 AI 产品里依然成立；但直接拿它诊断「产品表现」，就不一定走得通了：分数分不出「是产品表现差，还是预期在起作用」。
• 原因在于 AI 产品的用户预期。在当前这个阶段，它跟产品实际表现偏差大、随时间变化大、人际之间差异大。同样的产品表现，会因为预期不同，得到不同的满意度分数。
• 笔者建议的做法是：在满意度之外补两个指标——失验、产品表现，基于其得分，得到下一步方向或假设（先在产品还是预期里找原因）；再结合用户特征、AI 使用经验、诉求等信息判断假设是否成立，从而找到准确的发力点。
以后再看到满意度分数，不妨把产品表现分也拿出来看一下，能减少一些误判。
附录：下一步，怎么摸清用户的预期：
前文提到，如果分数提示「可能是预期在起作用」，除了侧面看影响预期的一些因素（人口属性、AI 使用经验等）的表现，也可以再找用户聊一聊，以弄清楚用户心中 AI 的水平、能力到底是怎样的。但因为预期这个概念很大，且很可能用户自己也不一定非常清楚或没想过这个问题，所以需要在访谈中抛一些「引子」，例如：
① 投射法：不直接问「你预期 AI 是什么水平」，而是让用户描述、举例、讲故事——「你第一次用它前，以为它能干嘛？」「如果你把它比作一个人或你熟悉的其他工具，你觉得它跟谁像？」——从用户的叙述里，反推出他心里那套预设长什么样，再通过引导、追问，一步步看清用户的想法。
② 来源与印象：预期有三类来源（过往经验、外部信息、个体特征），因此问题可以从以上三方面入手：
• 过往经验：「你之前用过什么类似的产品吗？如果有，你觉得两者有什么差异？」
• 外部信息：「你从哪知道它的？广告里怎么说的？你印象中它最大的卖点是什么？你对这个卖点怎么看？」
• 个体特征：分析时注意从用户的个人特质、对 AI 的态度侧面看不同人群的特点、差异。
发表于 
