AI悖论：聪明助手为何带来糟糕体验

1. 空白页综合征：写提示词有多难？

从认知负荷的角度看，写一个好的提示词等于一个没有脚手架的自由创作任务：你需要动用执行功能来规划，用工作记忆来同时记住目标，还得把模糊的需求翻译成结构化语言。

对于焦虑、多动症、轻度失语症或只是工作一天后疲惫的人来说，一个没有约束、没有示例的输入框本身就是一道门槛——就像给用屏幕阅读器的人一个没有标签也没有提示的表格，感觉上差不多。

NN/g（尼尔森诺曼集团）给这个现象起了个名字：表达障碍（articulation barrier）。他们估计，大约一半的人很难把自己的意图描述到足够精确的程度，从而得到有用的输出。

对比“宽范围”界面（开放文本输入）和混合GUI界面（建议卡片、预载示例、提示模板），他们发现宽范围工具——也就是传统的开放文本框——会带来更高的认知负荷和更多用户出错的风险。它逼迫你用纯粹的脑力去跨越表达障碍，而这常常触发“手风琴效应”：用户陷入不断试错的恶性循环，想让机器理解自己的语境。

这个逻辑，本质上和我们在复杂表单里引入智能默认值、渐进式显露的设计理由一模一样——只不过现在发生在自然语言交互中。

混合界面则相反，它把“生成任务”转化为“选择任务”，用户不需要独自跨越表达障碍。这就像我们在复杂表单中把开放字段换成智能默认值或渐进式显露：不是让用户从零生成，而是提供预制选项，让用户去识别、去选择，而不是回忆和拼凑。

来源：NN/g《用混合界面克服生成式AI的表达障碍》和《提示建议》

2. 文字墙：视觉负荷与阅读疲劳

AI对话机器人向来有严重的信息密度问题：答案以线性、详尽、单调的文字块呈现。即使信息正确，这种展示方式也扼杀了快速扫描，把短时记忆撑爆，造成严重的无障碍障碍——尤其对阅读障碍或视觉疲劳的人。

视觉负荷与阅读疲劳

从无障碍角度看，问题有两方面。一段没有排版层级的文字，抹掉了F型扫描所需的视觉锚点。对屏幕阅读器用户来说，缺少标题（<h2>、<h3>）和语义列表（<ul>、<ol>）会破坏导航——用户只能顺次阅读，没法用快捷键跳跃章节。

NN/g在《生成式AI对话机器人的回复结构》中记录了这种模式：过载不仅是长度问题，更是回复缺乏层级结构。后来的研究《少聊天，多答案：网站AI对话机器人需要直截了当》进一步证实，用户喜欢简洁答案——而且光简洁还不够，回复的结构和长度同样重要。

需要说明的是，在新版模型中，这个问题有所缓解。语义标记（标题、粗体、列表）现在默认就嵌入在回复里，而不需要主动开启。但这种缓解只是“呈现”层面的，不是“底层结构”层面的。大语言模型添加粗体或圆点，并不保证标记语义正确（真正的<h2> vs. 靠粗体字假装标题），也不保证信息详细程度和用户实际需求匹配。NN/g记录的那个花样滑冰运动员查询案例——用户只想要个名字，结果得到分数、背景、一堆统计数据——就算界面排版再好看也依然存在。噪音不仅是视觉上的，也是答案范围的。

来源：NN/g《生成式AI对话机器人的回复结构》和《少聊天，多答案》

3. 在聊天记录里迷路：导航失败与上下文丢失

在聊天记录里迷路

想象一下读一本没有索引、没有页码、用无限滚屏呈现的书——就像动画里看到的。这就是在长对话线程里和AI聊天的**寻路（wayfinding）**体验。没有目录，没有面包屑，没有任何导航标记（ARIA或其他），上下滚几分钟后想回到出发点，既让人晕头转向又挫败。在我看来，这直接违反了尼尔森“系统状态可见性”启发式——只不过这里不是单独操作的状态，而是整个对话的时间维度。

这就引出了Sweller的认知负荷理论：_内在_负荷（你给AI的任务本身难度） vs. _无关_负荷（糟糕界面设计强制增加的无谓脑力劳动，与任务无关）。一个没有导航锚点的历史记录，把工作记忆从“使用信息”变成了“记住信息在哪里”——这正是所有可用性启发式力求消除的无关负荷。

而且这不只是理论。最近一项针对金融从业者AI辅助知识工作者的研究发现，无关负荷对工作质量的损害几乎是任务内在负荷的三倍，而由模型发起的任务切换是质量下降的最强预测因子。AI确实降低了核心任务的努力——但界面设计决定了这个节省能否变成真正的收益，还是被导航和重新定位的成本吃掉了。

来源：Sweller《问题解决中的认知负荷：对学习的影响》；尼尔森《用户界面设计的10个可用性启发式》；Lepine, Kim, Mishkin & Beane《精准主动性：真实世界AI辅助工作中的认知负荷测量》