夜雨聆风
最近一直在尝试AI coding，给我的感觉是AI进化确实太快了，只需要花10分钟就能用AI输出一套完整的界面优化方案或建议，但同时也会遇到新的困惑："明明完全按照AI提供的方案调整了设计，可上线后，用户反馈还是一般。"原因更多的是在项目最初阶段，就给AI设了一个错误的问题。
在AI深度融合到设计行业的各个环节中的今天，设计师的价值评判标准已经从过去的重点打磨设计质量，到现在重点关注问题定义的准确性。
这里我用“一人团队”的视角结合最近完成的一个AI智能客服为例子做分析，梳理出AI应用在现阶段，设计师定义问题的全流程方法，规避无实际价值的优化误区。
最易踩的坑：把表面需求，当成真需求
部门想要将人工客服平台升级为智能客服管理平台，主要功能覆盖会话工作台、工单系统、知识库、机器人配置、人工转接、数据分析，我们目前遇到了非常典型的业务痛点：
人工咨询量上升，客服响应时长波动较大，重复咨询占比一直较高，人工介入成本不断上涨，知识库利用率偏低，AI与人工的衔接存在明显脱节。
大部分设计师的第一反应，是把问题归纳为“如何提升客服响应效率”，然后将这个问题直接丢给AI。得到的建议是：“优化客服工作台布局、缩短操作路径、提升工单流转效率、强化知识库调用能力、优化人机切换体验”，看起来没有什么问题，但其实这个方案已经限制在了“优化人工操作效率”这个问题上。AI的逻辑是你给它什么样的问题框架，它就会遵循对应逻辑输出结果。
正确定义设计问题：用底层逻辑拆解法，找到真需求
接到设计需求后，我们应避免先纠结页面调整方式、流程优化路径，先用AI自上而下的拆分需求，搞清楚业务目标和设计目标，只有先找准问题，后续的设计动作才能产生实际价值。
a、第一性原理：找到系统最底层要解决的问题
如果在第一性原理上判断出错，后续所有优化都只是在解决表面问题。
当我们提到智能客服，大多数人会将其第一性原理界定为“让客服更快回复用户”，但继续深入梳理就能发现，这只是仅停留在业务的表层。
智能客服平台的深层价值，是可以加快对用户问题的理解与处理速度，也能实现问题解决能力的沉淀与复用。
把第一性原理作为立足点后，设计的考量范围就不再局限于客服工作台是否顺手、工单流转快慢这类细节优化，会转向关注问题解决全流程的完整闭环：
用户的问题能不能先被 AI 准确的解决，无需进入人工链路？
AI 能不能自动获取全部的上下文，不用让用户重复描述问题？
AI 无法解决的问题，转人工时能不能做到信息无损转发？
人工解决的问题，能不能自动沉淀为系统能力，下次直接复用？
到这里，我们已经将工作内容从“客服平台体验优化”转变为“智能客服解决闭环的体验升级”。
b、收敛目标：别把表面目标当终极目标
有时项目推进到后期会变得零散无序，问题通常是在把各类过程目标，当成了项目的最终目标。
在智能客服的相关考核中，加快客服回应速度、压缩工单流转时长、提高人工处理效率，都属于重点过程指标，并非项目的核心目标。智能客服完成AI技术的落地部署后，实际核心目标已经变成：让更多问题在低成本链路中得到更早、更稳妥的处置。
这个目标可以拆解为四层含义：
高频标准问题，优先用AI解决，不用进入人工客服；
转人工的问题，更完整地完成交接，减少信息损耗
人工客服处理的经验，能沉淀为知识库，减少后续重复劳动
让 AI、知识库、人工、工单实现闭环，而非彼此孤立
项目核心目标一旦从“提升客服响应效率”调整为“提升AI闭环率”，整体设计思路就会发生本质变化，前者优化人员的执行效率，后者升级整个系统的问题解决能力。
c、北极星指标：让设计落地有方向
在确定项目核心目标后，还需把目标拆解为可量化的指标，再对应到具体设计行动上，设计才不会陷入找不到调整方向的焦虑。
在智能客服项目中，有4个重要指标在影响北极星指标和对应的设计动作：
AI首次识别准确率的设计动作：用户提问时，系统自动调取全量上下文（历史对话、产品信息、用户画像），减少用户重复描述；
AI独立解决率对应的设计动作：搭建高频重复问题的优先识别机制，提高AI处理标准问题的命中率；
保障AI转人工无损率的设计动作：触发转人工流程时，同步用户提问、历史记录、AI已尝试的解决方案，避免用户重复表述；
对应知识沉淀与复用率的设计动作：人工处理后的优质答案，自动存入知识库，同时搭建相似问题的自动匹配复用机制；
这一层拆解完成后，设计的优先级和发力点就会无比清晰。
d、二八定律：定优先级抓主要矛盾
我们经常会出现一个问题：看到项目中有多个功能模块，就想全部优化一遍，最后精力被分散，所有功能都没做出实质性效果。这时候我们可以用二八定律来判断影响核心目标的20%问题是什么？
在智能客服里，最值得优先投入的 20% 问题，只有4 个：
高频重复问题，是否能优先被 AI 承接？（这是最容易实现 AI 闭环的场景）
AI转接人工时，是否能做到衔接无信息损耗？（绝大多数体验断点，都因上下文信息丢失出现）
系统是否能把人工处理的答案自动存入知识库？（这是系统能力持续提升的关键）
碰到重复出现的相似问题，是否能优先用现成的解决方案？（这决定了平台是在反复处理同类问题，还是在积累解决能力）
先把这20%的问题梳理清楚，再让AI提供设计建议，最终输出的内容才有实际用处。
e、流程视角：关注角色、主流程与异常场景
另外还要补全两个视角，避免设计出现盲区：
（1）梳理清楚系统涉及的主要角色，以及各角色的目标（也就是传统设计流程中的“用户画像”）。智能客服平台的参与主体包含多个类别：操作工作台的客服人员、发起咨询的终端用户、设置机器人功能的运营人员、维护知识库内容的负责人，以及查看运营数据的管理者，设计工作要兼顾不同角色的主要诉求，不能仅考虑客服这单一角色的需求。
（2）主流程覆盖不到的异常场景，大部分影响体验的问题，都不会出现在运行顺畅的主流程环节，基本都集中在边缘场景中，比如用户反复提问、AI多次答复不一致、跨部门流转工单、知识库相关内容空缺等情况，这些异常场景才是真正影响用户体验的地方。
待所有相关问题全部拆解完毕，再要求AI输出设计建议，同时要让AI做好标注，即每条建议分别对应哪项核心目标、哪项重要指标、哪项关键动作。按这种流程输出的AI方案，能够更加贴合业务的实际本质。
AI定义设计问题模板
这里我分享一套我们多次使用验证的一套模板，能快速明确设计问题，从源头规避失误。
我现在要做一个【______（项目名称）】项目。这个项目的产品形态是：【______（产品类型/平台属性）】。当前包含的主要模块有：【（模块1）】【（模块2）】【______（模块3）】……当前业务与用户端遇到的主要问题是：【（问题1）】【（问题2）】【______（问题3）】……我当下直觉性的优化方向是：【______（你最初的想法）】。暂时无需直接提供页面优化、界面改版的具体建议，可先开展系统分析，回应下述问题：这个项目的第一性原理是什么？它最底层要解决的主要问题是什么？这个项目真正的核心目标是什么，而非表面的过程性目标？这个项目最适合的北极星指标是什么？该北极星指标受哪3-4个重要指标的影响？这些指标分别对应哪些可落地执行的关键动作？用二八定律判断，这个项目最该优先解决的20%主要问题是什么？这个系统里有哪些主要角色？他们各自的重点诉求与使用目标是什么？这个项目的主流程是什么？常见的异常场景与边缘情况有哪些？如果引入AI能力，AI放在哪个环节能实现价值最大化，而非盲目堆砌？这个项目更适合做局部效率优化，还是系统闭环的重构？最后，综合前文所有分析内容，给出具体的设计方向建议，同时逐一明确每条建议对应的核心目标、重要指标与关键动作。填写背景信息时，要尽量把业务需求、项目背景、数据现状、相关方诉求，全部补充完整，背景信息越细致，AI给出的分析结果越准确，也越适配项目的实际状况。
目前AI始终存在一项不可替代的短板：它不会质疑使用者提出的问题，只会顺着给的问题，不断往下完善输出的答案。但如果一开始提的问题本身有误，它只会沿错误方向，把内容打磨得越来越逻辑严密。
进入AI时代后，设计师的成长路径已经明确，要从过去只负责落地方案的设计人员，转向能定义问题的体验架构师。
