蘋果機器學習研究團隊近日發表了一篇關于AI智能體用戶體驗設計的學術論文，通過系統性研究揭示了用戶對這類工具的交互期待與行為模式。該研究針對當前AI智能體開發中界面設計規范缺失的問題，構建了涵蓋四大核心維度的分析框架，并通過真人模擬實驗驗證了用戶在不同場景下的真實需求。
研究團隊首先對市場上九款主流AI智能體進行深度拆解，包括Claude Computer Use、OpenAI Operator等桌面及移動端產品。通過與八位行業專家合作，研究人員建立了包含用戶指令輸入、操作透明度、控制權分配和認知模型匹配的評估體系。這個框架覆蓋了從用戶發出指令到AI執行反饋的全流程，特別關注系統如何解釋操作邏輯、處理錯誤以及轉移控制權等關鍵環節。
在用戶實驗階段，研究采用"綠野仙蹤"測試方法，招募20名有AI使用經驗的參與者完成在線購物和度假租賃任務。為確保數據真實性，實驗隱藏了關鍵信息：所有AI操作均由隔壁房間的研究員手動執行，包括故意設置錯誤或制造系統卡頓。這種設計使研究者能夠精準捕捉用戶面對AI決策時的心理變化，排除技術故障對實驗結果的干擾。
實驗數據揭示了用戶對透明度的矛盾需求：他們既希望了解AI的工作進程，又拒絕過度干預每個執行步驟。這種偏好呈現明顯的場景依賴性——在探索性任務中，用戶要求系統展示更多中間步驟和解釋；而在涉及支付或賬戶修改等高風險操作時，則堅持保留最終確認權。研究特別指出，當AI在模糊選項中擅自做決定時，用戶信任度會出現斷崖式下降。
用戶反饋顯示，面對不確定情況時，人們更傾向AI暫停執行并請求澄清，而非為了維持自動化流程而隨機選擇。這種偏好在可能產生實際損失的場景中尤為強烈，例如錯誤購買商品或預訂錯誤日期。研究強調，人機交互的信任基礎極其脆弱，任何未經告知的計劃變更或靜默假設都可能導致用戶立即終止使用。
該研究為AI智能體設計提供了重要參考：系統應在不同任務階段動態調整透明度水平，在探索性場景中增加解釋性信息，在關鍵決策點強化用戶控制。特別是在處理模糊指令時，主動尋求澄清比盲目執行更能維持用戶信任。這些發現對開發更符合人類認知習慣的AI交互系統具有指導意義。
