跳到正文
只看一手AI与体验
今天10月20日周二1 条
  1. arXiv73

    生成式AI重塑博物馆互动空间：一项关于从预制内容到情境生成的四波纵向研究

    生成式 AI 改变了互动表面和空间（ISS）的基本条件，即面向观众的内容可以在交互过程中产生，而非完全预先创作。针对这一变化，一项为期四年的纵向定性研究追踪了 23 名中国科学博物馆从业者的观点演变，揭示了机构在引入 AI 时面临的深层设计重构问题。研究发现，从业者的认知经历了从预期认识论和操作风险，到后台实验和面向观众的试点，最终走向情境化治理以及对博物馆互动目的重新审视的过程。随着时间推移，生成式 AI 重新配置了博物馆 ISS 的设计难题：生成内容出现在机构权威之下；推理延迟成为公众和身体可感知的体验；并发触摸、手势和语音创造了模糊的多用户意图；而生成后的编辑可能使策展人仅在 AI 定义的可能性空间中进行选择。这些观察促使研究将这种转变概念化为从“预制展示”到“情境生成”的移动，并提出了四项设计命题：展示时的来源追溯、空间上适当的回退机制、多意图协商以及生成前的策展控制。这些命题植根于从业者的实际叙述，而非对已实施解决方案的评估，为理解 AI 在实体文化空间中的嵌入提供了实证依据。该研究由 Yibo Meng, Xiujun Chen, Bingyi Liu, Xiaolan Ding 完成，发表于 ACM ISS 2026 PACMHCI，样本保留率从 23 人降至 19 人，采用反思性主题分析进行处理。

    推荐理由：纵向追踪博物馆从业者对生成式AI的适应过程，揭示从预制内容到情境生成转变中的治理挑战与设计命题。

10月19日周一
  1. arXiv78

    SwitchTube 系统提出“可适应承诺界面”以支持数字福祉

    针对传统屏幕时间工具往往无差别屏蔽内容、导致用户难以兼顾特定意图浏览与放松探索的痛点，华盛顿大学等机构的研究团队开发了 SwitchTube 原型系统，并提出了“可适应承诺界面”这一新设计概念。该研究旨在解决用户在面对社交媒体诱惑时，如何在限制干扰与保留自主权之间找到平衡。 SwitchTube 设计了三种版本：Explore（推荐优先，低自主感）、Focus（搜索优先，中自主感）以及 Switch（允许用户在 Explore 和 Focus 模式间切换的高自主感版本）。在一项为期三周、包含 46 名美国参与者的实地实验中，研究者结合日志数据、经验采样和退出访谈进行了评估。结果显示，Switch 版本通常为用户提供了“两全其美”的体验：既支持用户专注于特定目标（如学习编程），又未严重限制其探索新内容的自主权。相比单一模式，可切换界面显著提升了用户的自主感、满意度以及与长期个人目标的一致性。此外，前期对 606 名 YouTube 用户的调查显示，半数用户有改变使用习惯的意愿，且近一半的目标涉及调整观看内容的质量而非仅仅减少时长，这进一步印证了现有仅关注时长的屏幕时间工具的局限性。

    推荐理由：SwitchTube 的实地研究检验了可切换界面对用户自主感与目标一致性的影响，为数字福祉工具提供了兼顾专注与探索的交互机制参考。

10月17日周六
  1. Nielsen Norman Group78

    NN/g 对比合成用户与人类受访者：结论一致但变异性显著降低

    Nielsen Norman Group 的一项实证研究发现，尽管 AI 生成的合成用户在回答开放式问题时能复现人类受访者的主要结论，但其答案的多样性远低于真实人群，出现了明显的“模式坍塌”现象。该研究将此前针对 604 名技术与设计专业人士进行的 UX 术语调查中的同一个开放性问题，重新抛给由 Synthetic Users 平台生成的 120 个合成受访者，旨在测试合成数据在更受限任务中的表现。结果显示，两组数据均指向同一核心结论，即“UX”仍是描述相关工作的最主要术语，没有替代性词汇能够撼动其主导地位。然而，在细节层面，合成数据表现出显著的偏差。84% 的合成受访者使用了与 UX 相关的术语，这一比例高于人类受访者中的约 70%，且差异具有统计显著性。这种过度集中并非因为合成样本更熟悉 UX 领域，事实上，人类样本中 UX 专业人士占比高达 67%，而合成样本中仅占 20%，后者理论上应代表更广泛的职业背景。但在实际回答中，合成数据反而更强烈地向主流术语收敛。 研究进一步揭示了合成用户在词汇丰富度上的严重不足。人类受访者使用了超过 50 种不同的标签来描述工作性质，包括“消费者行为研究”、“数字体验战略”、“旅程管理”和“人因工程”等较为罕见或专业的术语。相比之下，合成受访者仅产生了约十几种标签，完全遗漏了人类数据中出现的那些不常见或高度专业化的词汇。这种现象被研究者称为“模式坍塌”，即生成模型倾向于重复输出最常见的数据点，而丢弃目标人群中长尾的低频响应。值得注意的是，由于 Synthetic Users 平台模拟的是访谈场景，合成受访者的回答通常比人类的问卷调查回答更长，本应有更多机会提及替代性或相关术语，但它们依然未能展现出这种多样性。这表明，即使给予更宽松的格式条件，合成数据仍难以捕捉真实用户思维的自然变异。 在子群体分析中，职业角色确实影响了术语选择，例如合成数据中 45% 的客户洞察专业人士使用了“客户”一词，而合成 UX 专业人士则无人使用；30% 的市场调研人员使用了“市场”一词。这些差异在统计上是显著的，说明合成数据并未完全抹去职业背景的影响。然而，跨角色的收敛效应依然存在。例如，93% 的合成产品经理使用了与 UX 相关的术语，而在人类数据中这一比例仅为 44%。这意味着合成数据虽然能显示不同群体之间的某些差异，但往往会低估这些差异，将所有群体的回答拉向最主流的框架。对于希望探索不同受众如何自然描述某一概念的研究者来说，这种变异性的丧失可能会掩盖人类参与者能够揭示的重要细微差别。 NN/g 强调合成用户研究目前仍不能等同于真正的用户研究，因为没有实际用户参与。合成数据的结果应被视为研究的起点，而非证明用户想法、言论或行为的最终证据。一个看似合理的发现，即使与人类研究结果相符，也不能保证合成受访者能可靠地代表那些低频视角、子群体差异或自然变异。因此，建议从业者利用合成受访者来生成假设或检查宏观模式，但当研究的重点在于挖掘长尾响应、意外术语或新兴主题时，必须依赖真实的人类参与者。此外，研究还指出了合成平台的局限性，如研究人员对问题呈现方式的控制力有限，平台可能会自动改写问题措辞，这可能成为混淆变量，影响结果的准确性。

    推荐理由：合成用户虽能复现主流结论，但存在模式坍塌导致长尾观点缺失，仅适用于假设生成而非最终证据。

10月15日周四
  1. Verint38

    Verint 2026年联络中心AI报告：多数组织称AI提升坐席表现，质量计划需跟进

    Verint《2026年联络中心AI现状》调研显示，75%使用AI培训、78%使用AI评估的组织报告坐席绩效提升。94%领导者认可AI对主管支持的价值，但43%组织尚未采用质量管理。Verint推出自动化质量管理方案，实现100%交互评分及自动辅导调度，BNP Paribas借此在5个月内将坐席质量提升38%。

10月14日周三
  1. Verint35

    Verint 提出 AI 坐席辅助工具减轻客服负担的五种方式

    Verint 指出 AI 坐席辅助工具通过自动化上下文获取、知识检索及通话后工作，将典型七分钟通话缩短至约三分半钟。其《2026 年坐席体验报告》显示，1,000 名受访坐席中 31% 计划六个月内离职，主要源于流程摩擦而非薪资。Verint 建议采用模块化 Copilot Bots 分别解决这五个具体痛点以提升效率与留存。

10月13日周二
10月12日周一
  1. Verint38

    Verint 报告：数据碎片化阻碍联络中心向价值中心转型

    Verint《2026年联络中心AI现状》显示，62%受访者已运营价值中心，59%成本中心渴望转型，但数据可用性及跨旅程追踪能力成为最大阻碍。平均使用3家以上供应商导致的数据碎片化严重削弱AI投资回报。Verint CX Analytics通过Exact Transcription Bot实现超90%转录准确率，并借助Genie Bot将洞察获取时间从数周缩短至几分钟。

10月10日周六
  1. Nielsen Norman Group70

    NN/g 分析师实测新版 Siri：AI助手的核心优势在于个人上下文而非单纯智能

    有用的 AI 助手不能只靠模型智能。Nielsen Norman Group 分析师 Caleb Sponheim 实测新版 Siri AI、旧版 Siri 与 ChatGPT 后提出，个人上下文是否相关、系统能否利用这些信息，以及界面能否帮助用户理解局限，需要协同发挥作用。

    推荐理由：Caleb Sponheim 的实测对比把个人上下文、模型能力与交互设计放在一起评估，说明 AI 助手的实用性不能仅用智能水平判断。

  2. Nielsen Norman Group50

    NN/g 研究解析 Claude 高级用户如何管理上下文库

    Nielsen Norman Group 近期研究显示，Claude 高级用户在构建上下文库上花费的精力多于编写提示词，但普遍面临文件陈旧、缺失及流程即兴化等挑战。上下文库指 AI 代理可引用和编辑的制度与程序知识集合，主要存储于 Markdown 文件或通过 MCP/API 连接外部源。尽管专家级用户也难以找到或编辑其上下文文件，该研究指出决定保留哪些上下文仍是用户体验专业人士的核心痛点。

10月9日周五
10月8日周四
  1. Maze38

    Maze 新增市场研究功能以应对“研究挤压”

    Maze 推出视觉刺激、排名与 MaxDiff 及模板等新市场研究能力，旨在整合概念测试与广告创意验证。该更新回应了研究人员职责增加但预算未同步增长的现状，允许在同一平台结合定量数据与 AI 主持的深度访谈，从而在单一工作流中完成从选项优先级排序到理解用户反应原因的完整研究闭环。

  2. Sprig40

    Sprig 预览即将推出的 Analyze Agent

    Sprig 分享其即将推出的 Analyze Agent，旨在为企业调查提供代理式定量分析。该工具支持交叉表、t检验、ANOVA、相关性及 Van Westendorp 等方法，并通过 pandas 和 SciPy 执行计算。研究人员可用自然语言配置分析，结果可直接导入报告或发送至 Claude 等 AI 工具进一步探索。

10月7日周三
  1. dscout63

    合成用户与数字孪生的定义、风险及适用场景：为何无法替代真实人类研究

    在体验研究与用户洞察领域，明确区分“合成用户”（Synthetic Users）与“数字孪生”（Digital Twins）至关重要，因为二者虽常被混用，但其数据基础、预测能力及潜在偏差存在本质差异。核心结论是：这两类AI工具均不能替代针对重大决策的真实人类研究；它们仅适用于低风险的方向性反馈或填补现有数据缺口，且其输出必须被视为方向性参考而非确定性答案。 合成用户利用通用训练数据构建AI角色，并非源自特定真实个体，而是对广泛模式的综合模拟。它适合用于早期构思阶段，如快速测试按钮标签的清晰度或对功能创意进行压力测试。然而，Nielsen Norman Group的研究显示，合成用户在熟悉话题的态度问题上准确率约为80%，但在行为问题、陌生情境或涉及注意力分散的场景中，这一优势并不成立，且决策后果越严重，准确性差距越大。 数字孪生利用特定真实个体的数据训练AI模型，旨在预测该具体个人的反应。尽管其初衷是代表单个实际个体，但2026年9月哥伦比亚大学的一项研究指出了其存在的五种系统性扭曲：个体化不足、刻板印象、代表性偏差（更擅长模拟受过教育、高收入及温和派人群，加剧了弱势群体的误差）、意识形态偏见以及过度理性。特别是“过度理性”导致数字孪生无法复现依赖人类非理性行为的经典决策效应（如吸引效应和妥协效应），研究者将其比喻为“系统性地扭曲人类行为的哈哈镜”。 使用这些工具的最大风险不在于技术本身，而在于将模拟输出视为定论。Sun等人（2025）指出，仅依赖模拟会忽视公平性、个性化或信任等关键用户关切，因此保持人类在评估循环中既是方法论要求也是伦理义务。即便是开发数字孪生的平台Outset和Dovetail也公开承认，该技术旨在扩展而非取代人类研究。 对于从业者而言，正确的实践策略是将AI作为加速提出更好问题的工具，而非直接提供答案。在需要确认最终方案、理解复杂情境下的非理性行为或确保包容性时，必须回归真实的人类研究。团队应谨慎界定任务边界：仅在低风险、需快速迭代的方向性检查中使用合成用户，或在已有数据存在特定缺口时有限度地使用数字孪生，并始终对其结果保持怀疑态度。

    推荐理由：厘清合成用户与数字孪生的定义差异，引用最新研究指出其系统性偏差风险，并给出低决策权重场景下的适用边界。

10月6日周二
  1. dscout40

    dscout 探讨 AI 改变 UX 实践后保持相关性的十种方法

    dscout 联合 OpenAI、Meta 及 Dropbox 专家提出，在 AI 降低洞察生成门槛的背景下，UX 从业者应聚焦于验证质量、过滤噪音及深度解读。核心建议包括跨越功能孤岛审视用户旅程、充当自服务工具的解释层、锚定真实客户以对抗合成数据风险，以及建立同行评审机制。这些策略旨在帮助研究者在自动化执行中确立不可替代的专业价值。

10月5日周一
  1. Verint38

    Verint 解析联络中心对话式 AI 运作机制与评估指标

    Verint 指出联络中心对话式 AI 通过自助服务、坐席辅助及自动化工作流三大场景运作，核心在于理解意图并执行任务。评估应聚焦任务完成率、首次联系解决率及按意图划分的业务价值，而非单纯依赖呼叫拦截量。该方案强调向人工坐席移交时传递完整上下文以建立信任，并利用代理式 AI 扩展多步任务处理能力。

10月1日周四
  1. NICE32

    NICE：将人类与AI代理视为统一劳动力以优化客户体验增长

    在混合劳动力模式下，若仅分别管理人类员工与AI代理，会导致质量标准和绩效可见性割裂，使领导者无法掌握整体服务状况。建立共享控制层、统一衡量指标并重点监控“交接”环节，是实现客户体验增长的关键。 许多组织目前通过两个独立的控制塔管理客户旅程：AI代理处理咨询和触发工作流，而人类团队处理剩余部分。这种分离导致升级路径、质量标准及绩效数据不一致。成功的组织正在构建一个共享的控制层，制定明确的路由和升级规则，并将两组人员置于共同的客户成果指标下进行衡量。这要求从单纯的人力劳动力管理转向对“工作”本身的管理，涵盖人类、AI、技能和流程的编排。 随着AI吸收简单任务，人类角色趋向专业化，如关系经理、领域专家或AI监督者。世界经济论坛2025年未来就业报告指出，77%的雇主计划因AI提升员工技能。然而，真正的挑战在于人机协作的“交接”环节。单独查看AI仪表盘（显示成功拦截）或人类仪表盘（显示较长处理时间）都无法解释客户体验受损的原因。混合绩效模型需同时监测AHT、CSAT以及交接频率、原因、情感倾向等指标，以便诊断是技能问题、AI识别错误还是工作流缺陷。 业务案例显示，协调良好的混合劳动力能解耦咨询量与人力增长。例如，Lufthansa利用NICE Cognigy自动化了1600万次对话，退款和改签自动化率达80%，峰值每分钟处理12,000条消息。这表明AI容量增加后，人类更多处理复杂、情感化或高后果的交互，因此需要更精细的技能发展和实时监督机制，以确保服务质量不因自动化规模扩大而下降。

9月29日周二
9月28日周一
  1. dscout40

    Dscout AI Studio：如何在分布式研究中平衡全员参与与专业严谨

    在71%的组织已允许非研究人员开展用户调研的背景下，缺乏协调的“人人做研究”导致信号碎片化，难以形成可行动洞察。传统方案往往陷入“混乱”或“严控”的二元对立，前者缺乏质量保障，后者阻碍团队效率。AI技术为打破这一僵局提供了新路径：通过将方法论、抽样逻辑和合规政策内置于工具中，实现“有护栏的灵活性”。 Dscout推出的AI Studio体现了这一理念。其核心机制是将资深研究员的专业知识编程进模板，而非依赖AI即兴生成。协作人员可在现有工作流中通过对话构建研究或分析结果，无需学习复杂新工具或具备研究学位。同时，研究团队角色从“保姆”转变为“导演”，通过设置审查检查点、预算上限和全局视图来确保质量与合规。这种架构旨在让产品团队在靠近问题现场的同时快速做出高质量决策，目前LinkedIn、Vodafone等品牌已采用此结构扩展洞察访问权限。

9月26日周六
  1. Nielsen Norman Group78

    Nielsen Norman Group 发布 PACED 框架指导 AI 内容披露决策

    当法律或平台未强制要求时，是否主动披露 AI 参与创作并没有统一答案，因为受众对披露的反应高度依赖内容类型、人类贡献程度以及读者自身的技术态度。Nielsen Norman Group 综合多项实证研究提出 PACED 框架，将这一复杂决策转化为五个可评估的维度：政策（Policy）、受众（Audience）、语境（Context）、预期（Expectations）和贡献度（Degree of AI Use），供内容创作者逐项对照以决定披露策略。 研究表明，AI 披露并不必然导致负面反应。Licenji 和 Hoxha 对 47 项新闻领域研究的综述发现，读者对 AI 参与的新闻没有一致性的信任惩罚；Purcell 等人的实验显示，在陌生人之间的金钱信任博弈中，标注“AI 辅助”的消息既未减少对方发送的金额，也未降低对其可信度的评分。然而，当内容强调人类特质时，披露往往引发更强烈的负面评价。Brüns 和 Meißner 的研究指出，社交媒体上披露 AI 生成的时尚图片会降低品牌真实感和帖子可信度；Sahebi 等人发现，工作邮件和社交帖子在披露 AI 使用后被评为更不可信、更不真实，且读者更少采纳其中的信息。Nakano 等人的实验进一步证实，随着披露的 AI 生成比例增加，读者对内容来源的评分随之下降，且在人际写作（如感谢信、私人信件）中披露 AI 使用导致的信任、关怀和好感度评分降幅最大，而在论证性或探索性写作中读者则更为宽容。 受众自身的态度也调节着披露效果。Schilke 和 Reimann 的汇总分析显示，对技术持更积极态度或认为 AI 准确的人，其信任惩罚较小但并未消失；Li 等人发现，自评写作能力较强的读者在披露后更倾向于下调质量评分，而低自信的内容生产者则相对宽容。此外，存在一种“披露悖论”：Sahebi 等人观察到，尽管参与者声称 AI 披露很重要，却仍对带披露的内容给予更低的可信度和真实性评分；Fang 等人发现，作为内容生产者时人们认为披露的必要性远低于作为读者时的判断。值得注意的是，Schilke 和 Reimann 的实验表明，第三方揭露 AI 使用引发的信任损失比主动披露更大，因此在可能被曝光的情况下，主动披露反而是更安全的选择。 PACED 框架正是为了应对这种情境差异而设计。政策维度要求检查所在国家、组织或平台的强制规定，例如欧盟《人工智能法案》已于 2026 年 8 月开始执行透明度义务；若平台会自动添加标签，主动披露优于被动等待。受众维度提示评估目标群体对技术和 AI 的既有态度及写作自信水平。语境维度区分内容是否依赖人类情感、创造力或个人判断，交易性或纯信息类消息（如预约提醒）的披露负面影响通常较轻。预期维度提醒创作者不要假设自己的判断等同于用户期望，需考虑读者事后得知真相是否会感到被误导。贡献度维度则权衡 AI 是仅用于润色还是主导生成，贡献越核心越需要披露以避免错误归因，但同时也要预判大幅披露可能带来的声誉代价。该框架不提供单一规则，而是通过这五个维度的组合问答，帮助组织在效率收益与信任风险之间找到适合自身内容的平衡点。

    推荐理由：PACED 框架将是否披露 AI 使用的决策拆解为政策、受众、语境、预期和贡献度五个可操作维度，帮助内容创作者在合规要求与信任风险之间做出情境化判断。

9月25日周五
  1. Verint45

    Verint 2026联络中心AI现状研究：为何需全交互自动化

    Verint《2026年联络中心AI现状》调研显示，仅51%机构部署坐席副驾驶，且“改善人工交接”位列优先级末位。多数联络中心仍依赖孤立点解决方案，导致自助服务与辅助服务在关键交接处断裂。数据表明，只有将自动化贯穿从自助到人工协助的全交互流程，才能有效减少重复沟通并提升端到端解决率。

9月24日周四
9月23日周三
  1. Maze58

    Maze发布市场研究趋势报告：角色融合加速但AI治理滞后

    Maze发布《State of Market Research Report》，指出市场研究与用户研究界限日益模糊，研究人员过去两年平均承担了4.5项额外职责。数据显示70%的受访者面临研究需求增长，但仅27%获得预算或人员支持；84%认为AI提升了产能，但只有17%实现了全流程整合且具备明确所有权。报告提出“学习系统”概念，强调在问题定义初期介入以扩大战略影响力。

  2. dscout78

    dscout研究：AI抵触源于身份认同而非能力不足，96名在职用户揭示“保留区”不随技术提升而移动

    dscout访谈96名已实际使用AI工具的员工发现，员工对特定工作任务的“保留”意愿并非源于对AI能力的怀疑，而是根植于职业身份认同与技能维护需求。这一发现挑战了传统观点，即随着AI性能提升，员工的抵触情绪会自然消退；数据显示，即便AI显著进步，员工划定的“非AI领域”边界依然稳定。 研究指出，员工区分了“工作产出”与“工作意义”。例如，销售人员不愿将“读取客户现场氛围”交给AI，并非因为AI做不好，而是因为这项能力定义了其作为“懂读人者”的职业身份；管理者坚持亲自处理涉及生计的艰难决策，视其为不可推卸的责任归属。这种“那是我的”（That's mine）心态表明，某些工作环节是自我构建的一部分，而非单纯的任务执行。因此，仅测量任务层面的接受度无法捕捉真实的心理阻力。 此外，研究揭示了两种并存的焦虑：一是经济性的“岗位替代恐惧”，二是更隐蔽的“能力退化恐惧”（losing one's edge）。后者担忧过度依赖AI会导致长期积累的专业判断力萎缩，因为技能需通过持续实践来维持。这两种恐惧性质不同，前者关乎职位存续，后者关乎专业胜任力的完整性，但常被产品策略混淆。对于从业者而言，这意味着在调研AI采纳时，应先探究工作对个人的意义，再讨论AI的功能介入；同时需将“技能侵蚀焦虑”作为独立现象进行干预，而非简单归约为失业恐慌。 该研究建议重新审视以“最大委托”为目标的AI工具设计逻辑。受访者虽愿意剥离重复性行政事务，但刻意保留能带来成就感或定义身份的核心任务。若工具设计强制全面自动化，可能与用户深层的心理契约冲突。目前尚无明确解决方案，但识别出“身份保护”与“能力保护”这两个维度，为理解AI时代的人机协作提供了更精细的分析框架。

    推荐理由：96名在职员工的日记研究揭示，AI抵触源于身份认同而非能力质疑，为理解人机协作中的心理边界提供实证视角。

  3. NICE38

    NICE：个人AI代理主流化后，CX需构建统一入口以应对机器发起的服务需求

    个人AI代理（如Meta Muse）已实现大规模普及，正通过现有网页、聊天和电话等渠道直接与企业交互，这要求客户体验领导者立即建立统一的“AI原生前门”来识别、认证并管控此类流量。由于代理能消除客户费力度，服务请求量可能激增而非减少，企业需准备应对持久且由机器发起的需求。 Meta Muse在发布一周内登顶美国App Store免费榜，12天内美加下载量达280万，表明个人代理具备研究、填表、购买和预订能力。代理无需等待专用A2A协议成熟即可接入企业系统，因为它们利用的是企业现有的客户界面。对此，Amazon选择屏蔽Muse以保障安全与透明，而Shopify则通过Shop Pay集成Muse。NICE指出，单纯屏蔽或欢迎均非完整策略，企业需要一个受控入口，能够区分人与代理、验证背后用户身份、执行策略并界定代理权限。 NiCE Cognigy目前支持A2A和MCP协议，允许企业发布机器可读元数据（如A2A Agent Card），使支持该协议的代理能直接连接企业AI代理。尽管技术已存在，但广泛采用及可信的身份与授权标准仍在发展中。Accenture调查显示，74%的消费者愿意将谈判或投诉解决等常规任务委托给符合其偏好与权限的AI代理。当追求问题的成本趋近于零时，交互次数将成倍增加，企业应预期服务需求上升，而非假设总量固定。 所有入站对话——无论来自人还是代理——都应通过单一AI原生前门进入。该前门需理解意图、认证客户、应用策略、携带上下文并路由至合适的AI代理、系统或人类专家，同时在不增加人力的情况下吸收机器生成的流量。NiCE Agentic Engagement Plane旨在扩展这一模型，连接代理、系统、上下文、治理与员工。短期内，信任机制依赖于对委托人（即客户）而非代理本身的认证，高风险操作需客户进行多因素确认。长期来看，原生A2A协议将支持可验证凭证以确立代理身份及客户授予的权限。在此之前，审批关卡、策略控制、审计轨迹及向人类的清晰交接是维持信任的关键。个人AI代理不会以干净的技术切换方式出现，而是先通过熟悉接口进入，再逐步转向原生协议；CX领导者应将此视为行动信号，即刻构建可控的前门体系。

9月22日周二
  1. Qualtrics XM Institute65

    Qualtrics XM Institute 解析如何通过建立信任缩小客户与员工的 AI 信任差距

    Qualtrics XM Institute 通过四项覆盖超10万消费者和员工的独立研究发现，AI成功取决于信任。目前仅29%的客户信任组织负责任地使用AI，且客户对AI的舒适度从2024年的54%降至48%。建立信任需展示具体收益、增加使用频率、赋予有意义控制权、保护人性化时刻、设计反馈机制及构建治理护栏。专用型AI比通用自动化更能赢得用户信赖。

    推荐理由：结合超十万样本数据与信任模型，剖析AI采纳瓶颈并给出建立信任的具体实践原则。

9月18日周五
9月17日周四
  1. Qualtrics38

    Qualtrics：AI搜索与评论透明度重塑医疗患者信任

    53%的消费者已习惯使用AI处理健康任务，但75%要求明确知晓AI在医疗沟通中的使用情况，近三分之一对AI代写消息感到不安。透明度是建立信任的前提，而非单纯的技术采纳。联邦贸易委员会认定仅发布正面评论的“评论门控”行为具有欺骗性，45%的消费者将过度策划或赞助的评论视为评估医疗服务提供者时的最大红旗信号。在线搜索已成为59%消费者的主要决策工具，其地位已与专业推荐持平。 医疗机构需从SEO思维转向为AI提供结构化、可信的数据源，确保内容符合用户意图并具备帮助性。在评论管理上，应承诺发布所有不含个人健康信息（PHI）的真实内容，无论情感倾向如何，以维护真实性这一信誉货币。Qualtrics建议通过委托提供者参与模式、利用Spotlight报告数据以及设置申诉工作流来争取内部支持，同时强调价格透明度的合规风险正在增加。

9月16日周三
  1. dscout78

    Dscout研究：AI等待期体验设计，透明度与多任务支持比娱乐化更能建立信任

    Dscout 的三项实证研究发现，87%的受访者高频使用AI，但等待体验平均只有5.2分（7分制）。当等待超过约30秒，用户往往转向手机、邮件或其他标签页；对长周期代理任务而言，离开是常态，设计应支持安全离开与高效回归。 静止的加载图标与无解释停顿容易破坏信任，可见进度、流式输出和过程展示有助于缓解焦虑。约三分之一聊天机器人用户希望获得粗略耗时预估。熟练用户更看重透明度与完成通知，排斥娱乐化干扰；普通用户可能只需简单反馈。任务重要程度也影响等待容忍度。 Dscout 建议：30秒以内的等待保持简洁诚实；长任务持续说明状态，避免静默停滞；后台运行、通知与恢复上下文应可靠；为高级用户提供工作过程。重点不是留住视线，而是让人知道系统在做什么，并能继续自己的工作。

    推荐理由：dscout通过三项实证研究揭示了用户在等待AI响应时的真实行为模式，指出透明度比娱乐化更能建立信任，为设计长耗时AI交互提供了具体策略。

9月14日周一
  1. Synthetic Users78

    Synthetic Users 通过“事实笔记”机制解决长访谈中的记忆漂移与幻觉问题

    合成用户的长访谈可能出现角色不一致与虚假记忆。Synthetic Users 披露的新架构把记忆移到外部“事实笔记”：每轮记录问题及回答原话，笔记过长时只压缩最早部分，禁止任意改写、合并或解释。摘要必须核对数字、名称与否定词；无法验证时选择遗忘，而非猜测。 其测试中，95%的回答移出直接上下文后，早期事实召回率为100%，虚假陈述纠正率也为100%；旧模式的召回率为0%，38%的情况会否认先前明确陈述的事实。这些是特定压力测试结果，不能直接代表真实用户研究的准确性。内部笔记不进入用户转录文本，记忆仅限单次访谈及后续追问，不跨访谈共享。对用研团队，这套机制的价值在于检查长对话的一致性与可追溯性，而非把合成回答当成真实用户证据。

    推荐理由：Synthetic Users 的外部事实笔记、逐项校验和压力测试数据，让研究团队能够具体评估长访谈的记忆一致性，以及上下文丢失时的技术边界。

9月11日周五
  1. Qualtrics30

    Qualtrics 阐述以治理与人为中心的方式推进患者安全

    医疗 AI 的落地不能止于产生洞察。Qualtrics 建议医疗机构建立集中式治理，明确责任并持续监控，再把洞察接入具体行动协议。定量指标与定性反馈需要共同用于效果评估，透明度则有助于应对未来监管要求。其核心立场是让 AI 辅助而非取代人类决策，强化医患关系，服务护理安全。

9月9日周三
  1. frog62

    frog 提出代理式商业体验设计的六项核心原则

    frog 发布代理式商业（Agentic Commerce）体验设计的六项原则，旨在指导品牌在 AI 代理代表用户进行发现、评估和购买时建立信任。这六项原则包括将信任作为通用货币、以就绪度取代相关性、让用户感知自主权、默认多模态展示、优化长期人类成果以及通过有原则的实验推进。

    推荐理由：frog 的六项代理式商业设计原则结合 Stripe、Google 等协议案例，为品牌建立用户信任提供了具体方法参考。

  2. MeasuringU73

    MeasuringU 文献综述：AI 主持人在 UX 研究中的有效性证据与局限

    在用户体验研究中，AI 主持人目前能胜任结构化、高一致性的数据收集任务，但在需要深度洞察、灵活追问和建立信任的探索性研究中仍显著落后于人类专家。MeasuringU 通过回顾 2024 年至 2026 年中期的同行评审文献及少量行业报告，针对五个核心问题评估了生成式 AI 作为研究主持人的表现：参与者发言量、洞察深度、主持能力、用户偏好以及跨模型/提示词的泛化性。 证据显示，关于参与者是否对 AI 说得更少，结果不一但无确凿证据表明 AI 会导致发言量减少；在洞察深度方面，AI 难以达到人类主持人挖掘出的细节丰富度，尽管部分研究显示其主题发现速度较快。在主持能力上，AI 在遵循脚本、非引导性提问等机械层面表现良好，甚至优于人类（如更少诱导），但在判断何时深入追问、处理模糊回答及建立信任方面存在明显短板，常出现过度赞美或无法跟进意外线索的情况。关于用户偏好，结果混合：部分研究指出多数参与者更倾向人类主持人，尤其是为了获得更深度的互动，但也有研究发现内向型参与者或对敏感话题披露时更偏好 AI。此外，不同 LLM 模型和提示词策略导致的结果差异巨大，使得结论难以直接泛化。 总体而言，AI 适合用于大规模、标准化且对一致性要求高的访谈场景，但对于依赖直觉、情感共鸣和动态调整的研究目标，人类主持人不可替代。从业者需注意，现有研究多采用通用对话而非特定 UX 语境，且技术迭代极快，任何源自当前模型的结论都具有短暂的时效性。

    推荐理由：通过梳理2024至2026年的实证文献，量化评估了生成式AI在UX访谈中的主持能力与局限，为从业者判断何时采用AI辅助提供了实证参考。

9月8日周二
8月26日周三
  1. 体验家 XMPlus38

    体验家推出MCP连接AI Agent，实现自然语言分析客户体验数据

    体验家发布MCP（Model Context Protocol）服务，将用户账户内的问卷与数据集连接至WorkBuddy、TraeWork、Codex等AI Agent平台。这一举措旨在降低数据分析门槛，让具备业务思维但缺乏统计软件操作技巧的用户，能通过自然语言完成从数据查找、深度分析到报告生成的全过程。 该工具并非替代原有分析模块，而是开放体验家的数据能力供Agent调用。核心功能包括：通过对话列出并筛选目标问卷；针对NPS影响因子、地区满意度差异或跨问卷痛点进行即时查询与分析；依据预设模板自动生成包含趋势图表与文字解读的报告，并支持后续自动刷新最新数据。此外，体验家提供预置的数据分析Skill工作流及多问卷汇总数据集功能，简化数据清洗与合并步骤。在安全方面，依托严格的多账户权限管理体系，确保Agent仅能访问授权范围内的数据。目前该功能仅对体验家付费用户开放。

8月24日周一
  1. frog65

    frog实验揭示AI合成研究局限：速度不等于理解，需建立人机混合边界

    AI合成研究虽能降低时间与预算门槛，但易将“连贯性”误认为“证据”，导致决策依赖未经审视的假设而非真实行为。frog通过对比实验发现，合成用户缺乏真实人类在访谈中的犹豫、矛盾与语境感知，其生成的平滑叙事掩盖了现实不确定性。从业者应将AI定位为探索与准备阶段的上游工具，用于处理转录、聚类等规模化任务，同时保留人类判断以解读意义、识别偏差及验证关键决策。未来的竞争优势在于清晰界定自动化边界，并在AI生成答案时保持批判性思维，确保从信息到证据再到决策的严谨转化。 frog在设计研究中面临“重速度轻理解”的挑战，AI使利用合成用户、访谈和洞察模拟研究活动成为可能。然而，这种能力带来了混淆速度与理解、连贯性与证据、概率与知识的风险。若组织在未定义使用原则和治理机制的情况下快速采纳AI增强型研究平台，往往忽视揭示未被提出的问题、矛盾以及挑战既有假设的核心价值。这些能力目前仍属于人类独有，因为真正改变决策的研究往往令人不适，它们质疑确定性并迫使方向重构。 在具体实验中，frog对比了合成用户与真实用户在多个场景下的表现。结果显示，合成输出虽然结构清晰、易于使用且减少了噪音，但这种清晰度是以消除“摩擦”为代价的。例如，年轻参与者在真实访谈中表现出犹豫、改变主意或难以表达未来选择，而合成用户的回答则连贯、自信且一致；在涉及自然灾害幸存者的敏感访谈中，合成系统虽能重现尊重的语言和结构化叙事，却无法捕捉对话的节奏、停顿及即时适应能力，本质上脱离了体验如何展开的过程。在可用性测试中，交互显得过于平滑，缺乏真实的迟疑或流失。这表明合成研究并非观察行为，而是构建了一个看似合理的版本，这一区别从根本上改变了“洞察”的性质。 frog提出了“人类主导、AI增强”的混合模型。该模型指出，AI最适合处理规模、重复性和结构性任务，如转录、聚类、桌面研究或早期综合，在这些领域自动化减少的是工作量而非意义。然而，一旦自动化介入解释或决策制定，输出的性质就会发生转变。合成系统不仅处理信息，还塑造了我们所见的内容，由于输出已经过充分阐述且极具说服力，准备与决策之间的界限变得模糊。因此，AI应作为上游层支持探索、假设生成和准备，但不能作为唯一的验证来源，特别是在依赖真实行为的决策情境中。判断什么重要、什么相关以及什么需要被质疑，仍需人类的解释、语境意识和对不可见因素的觉察。 对于体验从业者而言，借鉴这一模式的关键在于明确角色边界。如果AI定义了问题，假设将变得隐形；如果AI驱动了解释，合理性可能被误认为洞察。未来的研究能力要求团队具备评估AI生成输出、识别偏见、验证证据以及建立治理机制的新技能。正如哈佛商业评论所指出的，竞争优势不再来自更快地生产信息，而是来自批判性地解读和智慧地应用。随着机器生成答案能力的提升，提出更好问题、解读细微差别和挑战假设的人类能力反而变得更加珍贵。从业者需警惕AI带来的“虚假确信”，确保在追求效率的同时，不牺牲将信息转化为证据的严谨性。

    推荐理由：frog通过内部实验确立人机协同的研究框架，明确合成数据在探索阶段的价值及其作为证据的局限。

8月19日周三
  1. Forsta62

    Forsta发布2026年研究：消费者拥抱AI但缺乏对品牌使用的信任

    Forsta最新研究显示，尽管58%的消费者因AI推荐购物，但仅22%信任零售商负责任地使用AI。报告指出，消费者对AI的个人接受度远高于对品牌部署AI的信任，主要担忧在于数据隐私、决策透明度及问责机制。研究强调，建立AI信任需满足透明性、价值交换和控制权三个条件，且不同代际（如Z世代与婴儿潮一代）在数据分享意愿和AI依赖度上存在显著差异。

    推荐理由：Forsta多项调研数据揭示了消费者个人使用AI的便利性与对品牌使用AI的信任赤字之间的具体差距及成因。