企业级 AI 能力发现问题

你发布了 AI 功能。你将其内置于产品中。你编写了帮助文档。然而，六个月后，你最资深的企业用户仍然在将文本复制粘贴到 ChatGPT 中，以完成你的功能原本就能原生实现的事情。这不是培训问题。这是一个可发现性（discoverability）问题，也是当今企业软件中 AI 投资浪费最普遍的来源之一。

这种模式已有详尽的记录：49% 的员工表示他们在工作中从不使用 AI，74% 的公司难以从 AI 部署中扩大价值。但有趣的失败模式并不是那些明确抵制的后期采用者，而是那些每天打开你的产品、却从未意识到原本值得他们付费的 AI 功能就潜伏在光标一键之遥处的活跃用户。

空白画布问题

传统软件有菜单、工具栏和图标。用户打开文档处理器时，各种功能入口（affordances）是清晰可见的：加粗、斜体、表格、拼写检查。他们不需要想象什么是可能的；界面会告诉他们。生成式 AI 完全打破了这种模式。

一个聊天框是史上功能密度最高的 UI 界面，但同时也是在传达“它能做什么”方面表现最差的。空的提示词（prompt）字段同时传递了无限的可能性和零方向。对 AI 新用户的研究一致发现，他们会倾向于对界面进行最显而易见和字面意义上的解释：如果它看起来像搜索框，他们就搜索；如果它看起来像消息框，他们就发消息。他们不会为了发现那些没有理由去期待的深度而进行实验。

这就是空白画布问题。通过增加文档或让帮助中心可搜索是无法解决这个问题的。用户不会为了发现自己不知道的功能而去浏览帮助中心。他们是通过在特定的语境下、在能从中受益的时刻遇到这些功能来发现它们的。

企业用户还有额外的约束：他们是时间紧迫的专业人士，使用工具是为了完成工作，而不是为了学习新软件而乐于探索的探险者。除非产品能为他们消除认知负荷，否则他们会理智地避开功能发现过程中的认知负担。

为什么产品内发现优于培训

企业软件的直觉是通过培训来解决采用率问题：入门视频、午餐分享会、内部倡导者、认证计划。这些在边缘环节有所帮助，但无法解决核心问题，因为它们与相关的时刻脱节了。

用户在周一的培训课程中学习了总结功能。到了周四，当他们埋头于一份 40 页的文档并需要使用它时，他们想不起那场培训。他们没有围绕该功能养成习惯，因为他们还没有使用过。学习在强化的使用场景出现之前就已经衰减了。

相反，有效的方法是在意图产生的时刻显露功能。当用户将一大段文本粘贴到文档编辑器中时，这就是建议“总结这段文字”的时机。当用户写了一封很长的支持回复时，这就是提供语气调整的时机。当用户打开一个带有自定义过滤器的仪表盘时，这就是向他们展示可以提出自然语言问题而不是构建过滤器链的时机。

这在 UX 设计中并不是什么新见解，但在 AI 产品中却一直投入不足。在这些产品中，团队将 90% 的精力花在模型上，而只有 10% 的精力花在决定用户是否能找到它的界面上。

功能层面的渐进式披露

渐进式披露（Progressive disclosure）是解决界面复杂性的标准方案：先显示简单选项，随着用户深入参与再揭示高级选项。这在传统软件中有效，在 AI 中也有效，但实现方式有所不同。

对于 AI 功能，披露层级如下：

• 第 0 层：功能不可见。不知道它存在的用户无法使用。
• 第 1 层：被动指示器显示功能可用。一个闪烁图标、一个 “AI” 徽章、或者出现在输入框下方的建议操作。
• 第 2 层：在高度相关的时刻出现未经请求的建议。系统推断语境并呈现具体、明确的操作。
• 第 3 层：交互式提示或内联示例向用户展示如果他们使用该功能，输出会是什么样子。
• 第 4 层：用户明确参与并进入完整的 AI 交互。

大多数产品直接从第 0 层跳到第 4 层，期望用户通过文档或口碑传播自行发现。而获得强劲采用率的团队会在第 1 层到第 3 层上投入重金。

GitHub Copilot 在 IDE 语境下做得很好，因为第 1 层被植入了开发者的现有工作流中——当你打字时，虚影文本（ghost text）会自动出现，让你无法忽视这一功能。发现是通过使用发生的，而不是通过教育。Slack 的 @ 提及模式也达到了类似的效果：功能出现在用户已有的工作流中，发现成本几乎为零。

产品内示例注入

具体示例是提升 AI 功能可发现性的最高杠杆投资。不是文档示例，也不是帮助中心示例，而是嵌入在用户使用点 UI 界面中的示例。

加载中…