在生成式 AI 帮忙安排指南上篇中，我们讨论了生成式 AI 帮忙的关键安排要素和安排原则。在本篇中，我们将会归纳 AI 帮忙的感受评价思路，另外会供应两个业务案例供大家探讨。
一、评价思路
AI 帮忙的感受评价没有统一方法，我们在这里供应一些思路供大家参考。
1. 衡量利润与收益
用户花费时间和金钱去利用 AI 帮忙，目的是为了获得协助。除金钱利润外，付出的利润主要是利用利润，获得的收益则是有用的答案。可以从这个思路入手去评价：
利润类：易理解性（理解利润）、引导性（构思利润）、易用性（输入利润）、费力度（输入利润）容错性（纠错利润）、效率（时间利润）等。
收益类：回答协助度、满意度等。
2. 借鉴已有感受评价模型
可以借鉴业内已有的感受评价模型，如 Google 的 HEART 模型、GSM 模型、支付宝的 PTECH 模型等，它们的适用场景和侧重点有所不同。
3. 从感受三维度入手
可以围绕产品表现、用户行为、用户感受这三个感受维度去评价：
产品表现类：易用性、一致性、无障碍、答案生成速率、重生成比率、回答协助度等
用户行为类：利用频次、利用时长、留存率、赞踩比等
用户感受类：净推选值、满意度、愉悦度等
4. 考虑重点感受指标
通常产品将满意度、净推选值和费力度作为重点感受指标，三者分别代表安排价值、商业价值及产品价值。
5. 常用评价方法
可以利用后台数据分析和问卷调查法，必要时还可以加上专家打分法。
不同产品的侧重不同，同一产品在不同阶段的侧重也会不同，我们可以根据产品侧重选择合适的指标和方法进行评价。
二、业务案例
下面跟大家分享两个业务案例。
1. CRM AI 帮忙
在易销 CRM（以下简称 CRM）内搭建的 Copilot AI 智能帮忙，主要用途是通过 AI 协助发卖提效，同时辅助发卖新人完成工作培训和学习。
CRM AI 帮忙以浮窗的形式展示，支持用户拖拽位置和改变大小，采用 MA 的对话形式，用户通过与 AI 对话完成业绩查询、产品知识学习和发卖话术学习等性能。
① 推选性能引导
由于是新的 AI 产品，因此我们需要让用户在初期就建立智能便捷的认知，因此需要重点引导用户了解 AI 帮忙的性能。因此需要增强推选性能的曝光，协助发卖快速发问。
推选策略优化
我们联合产品完成了用户角色的分类，并根据角色差异梳理了不同的快速指令优先级，做到了千人千面，通过供应智能的服务，增强用户对 AI 工具的依赖和信任。
推选场景梳理
我们在流程安排上也在强化了性能推选的曝光，分为发问前和发问后两个场景：
在发问前：通过「欢迎卡片」承载性能引导。安排了猜你想问的性能，给不同角色的用户推选高优先级的性能，点击后会在输入框内形成快速指令。在二期时，我们还增加了“换一批”和指令中心入口，增强持续增加推选性能的曝光。
在发问后：通过「猜你想问」承载快速指令。在交互方面，采用较短的操作路径，由于是系统编写好的指令，因此点击之后不填充输入框，直接向 AI 帮忙发问。在 UI 方面，压缩组件面积和字号，形成层级差异，提升可读性。
指令中心搭建
在未来随着 AI 帮忙的迭代，性能会越来越多，因此我们搭建了指令中心来承载全部的推选性能。采用了独立页面的指令中心，利用清晰的 Tab 分类和快速帧等性能，对性能进行细致的分类。最重要的是，不影响发卖浏览整体页面的核心区域。
由于存在许多表意难的指令，无法很好的通过扁平化图像传递，因此我们决定利用 Emoji 安排推选性能的 icon，完成情感和情绪的传递，同时也能降低安排利润。因此我们根据推选性能的意义，梳理了 Emoji 的利用规范，同时也通过焦点小组的形式，征求发卖同学们的意见，最终形成了一套 Emoji 的利用规范。
② AI 对话场景
在与 AI 对话中的场景，我们也在很多细节上为发卖同学提效，同时也要保证其利用的舒适度和便捷性。我们以向 AI 发问为例，将流程拆分成前中后三部分：
发问前：输入框槽位利用
用户高效利用槽位编写指令。快速指令填充后，会展示槽位，用户根据自身需求选择要查找的内容。同时遵循槽位的利用规范，我们没有选择复杂的交互方式，仅支持「单选选择器」或「输入框」，足够满足场景，考虑到输入框大小，也规定了每条快速指令不能超过 3 个槽位，让用户的操作不那么复杂。同时考虑到容错性支持误删后通过快速键撤回删除。
在 UI 安排上我们在区分清楚槽位与字段的关系，如利用输入框并增宽间距，在编写槽位时也将边框高亮，增强编写时的差异化，提升用户的认知。
发问中：意图鉴别反应
AI 及时给予用户进度反应，增加用户的信赖感。为了让用户了解当前的生成进度，我们安排了 AI 帮忙的阶段反应，通过加载动效配合文字完成提示。同时会反应会拆分成两个阶段：
AI 鉴别意图：会显示思考中，并通过进度条反应进程。
AI 结果反应：会在底部一直显示思考中，反应输出中的状态。
发问后：对话气泡
在人与 AI 的交流过程中，对话内容常以对话框的形式呈现，其边界清晰，便于集成各类性能。这些性能主要聚焦于对用户所发出的指令以及人工智能的回复内容进行反应和操作。
气泡反应：在富文本和卡片通知的安排中，强化标题和正文的对比度，提升行高，增加无序列表样式，提升通知可读性。
气泡操作：用户 Hover 对话气泡可以调起工具栏操作。我们选择了这种把操作栏卡在对话气泡下方的形式，节省在不 Hover 场景下的气泡与气泡间的上下高度，提升 AI 帮忙的屏效。
接下来我们来看一个案例。这个案例是在 B 端模板配置中，应用生成式 AI 帮忙进行公式编写，并且根据利用场景对 AI 帮忙的界面进行了灵活的改进。
2. AI 编写器案例
在一个为发卖人员计算提成的系统里，有一个模块性能是建立提成核算模板。
假设我们最后需要得到这样一张核算表：
表头的姓名/城市/业绩/提成是数据项，表示这“是什么”。
数据项（表头）有了，数据从哪里来呢？如果是小规模公司，可能直接统计填入就好了。但体量大的公司，这些数据可能来自多个系统。
这就需要了解两个概念：
取值方式：从哪里/如何取值，相当于方法（渔）。
值：是什么内容/数据，相当于结果（鱼）。
建立核算模板时，除了数据项，还需要定义取值方式。有了取值方式，通过计算或数据引入，就可以得到值，也就能得到一张完整的核算表。
这里的取值方式有多种定义方式，比如：
填入：通过上传文件填入。
引入：通过字段引入，字段是其他表的数据项，这样就可以把其他表的数据拿过来。
计算：通过公式计算，公式中会用到本表或者其他表的数据项/数据字段。
图中的提成是通过公式计算的。调研发现，由于核算政策细节丰富、场景千差万别，实际业务中公式往往很复杂，需要花费大量时间，而且极易出错。下图是一个简单的公式示例：
评价分析，公式编写场景下，AI 可以帮我们在三个方向提效：
公式生成：通过描述想要的效果，自动建立或补全所需的数据字段并生成公式。适用于一些逻辑规则比较复杂或者输入量较大的场景。
公式解释：拆分解释给定公式的含义及性能逻辑。在多人协作时，可以协助用户读懂其他用户填写的公式。
函数解释：解释函数的含义和参数。可以协助用户了解函数的用法，尤其适合一些非通用函数。
其中，公式生成是最大的应用场景。
公式编写最突出的痛点，一是编写过程复杂，需要输入很多内容。二是输入不规范（比如缺少一个逗号或者括号）导致错误。而这些恰好是 AI 擅长的。
但应用到核算模板中，还存在一个难点：
目前市面上的 AI 公式编写器应用场景主要在 Excel 或 Google Sheets 这样的表格中，利用表格已有的数据项进公式计算，无法利用表格没有的数据项（即无法引用其他表的字段）。举个例子：
表格中的 AI 公式编写器仅能利用已有数据项进公式计算，但核算模板中参与公式计算的数据并不一定都在当前的数据表中，它们可以利用其他表中的任何数据项作为可用的数据字段，只需要引入到当前表就可以。
这就涉及到公式的数据字段建立或补全的问题。
公式生成时，如果用到了模板中没有的数据字段，应该怎么表示？
往往引入的数据字段很多，相同类型字段（比如姓名/员工姓名/发卖姓名、业绩/实际业绩/总业绩）很多，AI 如何知道该用哪个？
第一个问题好解——在公式生成前，需要建立或补全数据字段，这样便于用户理解和下文描述，这也是区别于表格类AI公式编写器的重要一点。
第二个问题，则要回归 AI 编写器的性能本质来考虑——提效。如果AI猜的足够准，那利用AI推选的字段更高效；反之，用户自己选择更高效。这取决于用户的描述准确度和可用的数据字段数量，没有确定的答案。所以在代码块（用于显示生成的公式）中，可以供应默认数据字段和AI匹配的数据字段两种显示模式。
接下来是主界面安排，选择了一次指令的方式。
之所以没有利用连续对话式，原因很简单，连续对话式适合于 AI 可以有多样化产出的场景。用户对于 AI 产出的内容没有太确定的预期，接下来可以在一轮一轮的对话中反复修改、提出要求，最终得到满意的答案。连续对话式利用门槛低，但也会消耗更多的时间。
而模板中的公式编写是典型的 B 端场景，性能利用频次非常高，对于效率要求也高。同时用户较为专业，对于需求的描述较为准确，也可以承担一定的培训利润。所以我们希望用户在适当学习的前提下，可以通过 AI 一次性获得满意的答案。
同时，为了提高回答的准确性，又做了以下尝试：
鼓励用户给出所需字段：在发问时可以通过快速键 @ 选择所需字段，用户自己选择的字段视为已确定的字段，后续 AI 匹配时不会被替换掉。
文本优化提前鉴别/确认意图：在用户输入后，可以进行文本优化。AI 可以提前补全所需字段，并根据用户的描述优化发问，用户可以在此基础上修改。这个性能相当于对用户的意图提前鉴别，可以提高后续回答的准确性。
最后，我们看一下整体的利用过程：
三、面向未来的AI帮忙安排
在 AI 帮忙的安排领域，未来的发展将持续向着智能化、个性化和无缝集成的方向发展。
AI 帮忙将融合多模态的方式，包括语音、视觉、触觉等，以供应更为丰富和直观的用户感受。AI 帮忙在人性化方面将具备更高级的情感智能，能够鉴别和响应用户的情绪状态，供应更加人性化的交互感受。AI 帮忙将从被动响应用户指令转变为主动鉴别用户需求并供应协助，实现从“帮忙”到“伙伴”的角色转变。
随着 AI 学习能力的增强，AI 帮忙将更加智能地理解用户所处的环境和上下文信息，供应更加精准和及时的服务。通过深度学习用户的行为模式和偏好，AI 帮忙可以供应更加个性化的服务和建议，利用户感受到更加贴心的定制化感受。得益于自然语言处理技术的进步，AI 帮忙也将能够更加准确地理解用户的自然语言指令和问题，供应更加流畅和自然的对话感受。
技术的不断进步和用户需求的日益多样化，将使 AI 帮忙变得更加智能、友好和易于利用，成为人们日常生活中不可或缺的一部分，而我们——安排师，也将拥有更多尝试的机会。