你設計的 AI 介面，正在對用戶說謊

概率系統穿上確定性外衣，是 AI 時代最危險的設計默認值

AI 系統呈現的是概率，而非確定性 — — 設計師的工作是讓這個差距可見。

1976 年，美國 FDA 首次強制要求藥廠在廣告中列出副作用。製藥業的第一反應是：「用戶不懂統計，說了也沒用。」幾十年後，研究證明他們錯了 — — 誠實揭露副作用的藥物，用戶依從性更高、信任度更強。副作用清單不是嚇跑用戶的毒藥，而是建立信任的基礎，因為它承認了「這個答案不完美」。

現在輪到設計師做完全相反的事。

每一個「AI 推薦」、「智慧搜尋結果」、「預測性提示」背後，都是概率模型在跑 — — 一場採樣、加權、猜測的統計遊戲。但我們設計出來的介面，清清楚楚把猜測包裝成「答案」。用戶點開 AI 助手，看到的是一句流暢的中文，沒有信心百分比、沒有不確定標記、沒有「這只是我的推測」。我們把概率系統穿上了確定性的外衣。

這是 AI 時代正在悄悄累積的設計債。問題不在於 AI 不夠好，而在於我們替 AI 穿了一件它不應該穿的衣服。

人腦不是為概率而生的

人腦的認知系統並不為概率而優化。我們偏好確定性，喜歡清楚的因果 — — 這是演化留下來的偏誤。心理學把此現象叫做「確定性效應」（certainty effect）：一個選項從 90% 確定跳到 100%，人感受到的價值增幅，遠超它從 50% 跳到 60%。我們對「確定」有不成比例的偏愛。

所以 AI 系統的設計壓力是真實的：呈現概率，用戶焦慮；包裝成確定，用戶行動。這條設計捷徑有短期轉換率，但有隱形代價。

研究者 Pratik Joglekar 在 Smashing Magazine 把這道矛盾說得很準：「這是設計 AI 當下最核心的風險 — — 概率系統裹在確定性介面裡。AI 提供的是猜測，介面把它呈現成事實，用戶或組織照單全收地依此行動。」

當系統在低風險情境（推薦一首歌）犯錯，代價不過是跳過一首歌。但把同樣的設計模式複製到醫療診斷、財務決策、法律分析 — — 確定性外衣開始變成真正的危險。

電商 AI 推薦顯示信心分數，讓用戶看見「確定」背後的概率層次。

我們怎麼建出這個謊言的

打開任何主流 AI 產品的介面，你會發現一個共同模式：輸出呈現為陳述句，沒有語氣詞、沒有信心標記。「這份合約有問題。」「推薦你買 A 款。」「這個用戶大概率會流失。」

這不只是設計師偷懶，而是整個產品思維的底層假設：確定性介面轉換率更高。在 A/B 測試層面可能是對的 — — 加了「我不確定但⋯」的按鈕點擊率確實可能更低。但短期轉換率建立在長期信任流失的代價上。

Nielsen Norman Group 的研究指出，AI 幻覺（hallucination）對用戶最大的破壞，不是第一次犯錯本身 — — 而是犯錯後，用戶重新審視過去所有輸出，開始懷疑每一句話。信任崩塌的恢復成本，遠高於從一開始就設計誠實不確定性的成本。

真正的問題是：我們在 AI 介面設計上，複製了第一代搜尋引擎的設計語言 — — 給你一個答案，不告訴你為什麼。Google 花了二十年建立搜尋結果可信度。AI 在三年內把它全部重置。

從提示詞到生成圖像：每一個 AI 輸出都是一次概率採樣，不是唯一答案。

概率設計師的三個工具

不是要在所有 AI 輸出上加信心百分比 — — 那會讓介面變成統計學作業，沒有人想讀。真正的概率設計，是讓不確定性融入互動邏輯，而不是堆在視覺上。Gmail 的 Smart Compose 呈現灰色補全文字，供用戶選擇接受或忽略，就是把不確定性設計進互動本身的典型手法。

讓數據作指南針，不是地圖。 數據是方向感，不是轉彎指令。把 AI 推薦設計成「基於你過去的選擇，此方向值得看」，而不是「你應該買這個」。Amazon 早期推薦系統用的是「買了這個的人也買了⋯」 — — 此句式本身就是概率式的，說的是一個群體的行為模式，不是你的確定命運。

把實驗設計進產品流程。 概率世界裡沒有最優解，只有當前最佳的實驗配置。讓用戶感受到系統在嘗試：Spotify 測試不同的播放清單演算法時，顯示「為你試試這個新推薦」比直接推送更誠實，也更容易被用戶接受。不確定性透明化，反而降低了排斥感。

讓人類留在迴路裡。 HITL（Human in the Loop）不只是合規要求，是信任設計的核心元件。蘋果在「回憶」功能裡加的「不要在回憶中顯示這個人」按鈕，是小細節，卻是清楚的訊號：AI 做了決定，但你有最終權力。76% 的企業現在已在高風險 AI 流程中加入人工審核節點 — — 承認不確定性、讓人介入，本身就是系統可信度的一部分。

「不要在回憶中顯示這個人」 — — 讓用戶介入 AI 記憶機制，是人在迴路設計的典型案例。

校準信任，而不是建立盲從

Smashing Magazine 的 AI 信任研究提出「校準信任」（calibrated trust）的概念：理想狀態不是用戶完全信任 AI，也不是用戶完全不信任 — — 而是用戶對 AI 的信任程度，準確反映 AI 在該任務上真實的準確率。

這才是概率設計師的真正目標。

校準信任失衡時，代價很具體。2023 年 Air Canada 的聊天機器人誤告用戶公司有哀悼優惠票 — — 系統有確定性的語氣，沒有不確定性的緩衝。法院最終裁定航空公司必須負責。介面的語氣，決定了責任的歸屬。這不是邊緣案例，而是任何把 AI 輸出包裝成確定性陳述的產品，都面對的法律與信任地雷。

概率設計師不是讓介面看起來更「誠實」，而是讓系統行為和用戶期望對齊。當 AI 高度確定時，介面可以清楚果斷；當 AI 不確定時，介面應該反映不確定性 — — 可能是多個選項、可能是「這是我的推測」的語氣、可能是一個明確的人工複核入口。

做到這一點，要設計師自己先建立概率直覺：不要把 AI 輸出當成答案，而是問「答案在什麼情境下會錯？錯了之後用戶怎麼辦？有沒有設計好邊緣情況的退路？」

2026 年，UI/UX 設計師中有 91% 每週使用 AI 工具 — — 從概念發想到原型生成，AI 已嵌進工作流的每個縫隙。但數字背後更重要的問題是：有多少設計師在使用 AI 的同時，也在設計 AI 的不確定性？

把謊言換成誠實，是 AI 時代設計師最難、也最值得做的那件事。承認「我不確定」不是設計的失敗，而是信任的起點 — — FDA 在 1976 年就給製藥業上過這一課。概率設計師的工作，就是讓 AI 介面也學會說「我猜是這樣，但你是最終判斷者」。

Sources 延伸閱讀

• Designing With Uncertainty: How AI Supercharges Probabilistic Thinking
• AI Hallucinations: What Designers Need to Know
• The Psychology Of Trust In AI: A Guide To Measuring And Designing For User Confidence

我是設計師 Riven，專注於 AI 時代的設計實踐與工具策略。

更多 AI × 設計的實作分享都在我們家的設計學院官網 ⬇️

[embed]RAR 設計攻略 設計師 Riven 的設計攻略｜線上課程｜設計方法｜軟體教學rar.design