章節概述
本章探討 AI 專案中最關鍵但經常被忽視的環節：如何選擇正確的用例 (use case)。作者透過精準灌溉系統的失敗與成功案例，闡述一個核心觀點：大多數 AI 專案的失敗不是來自技術缺陷，而是從一開始就選錯了要解決的問題。
這個觀點挑戰了業界常見的迷思——認為 AI 專案的成敗取決於算法的先進性或數據的豐富度。作者強調，真正決定專案成敗的是：
是否找到了真正困擾用戶的問題：不是技術上有趣的問題，而是實際造成痛苦、值得解決的問題
是否理解了專家與用戶的差異：專家知道什麼該做，但真正的挑戰往往在執行層面
是否建立了人機協作的正確模式：AI 應該增強人類能力，而非挑戰人類專業
是否透過用戶研究驗證了需求：而不是憑想像或專家意見來定義問題
書中的精準灌溉系統案例完美說明了這些原則。最初的失敗版本試圖用 AI 告訴經驗豐富的農民何時澆水，結果遭到強烈抗拒。但重新定義問題後——讓 AI 提供精確的土壤和環境數據，由農民自己做決策——同樣的技術變成了受歡迎的工具。
關鍵洞察： 用例選擇的核心不在於「AI 能做什麼」，而在於「用戶真正需要什麼，以及 AI 如何最好地支持這個需要」。這需要設計師具備深度的用戶同理心和跨領域協作能力。
正確用例選擇的四大核心原則
案例研究：精準灌溉系統的失敗與重生
重新定義後的成功用例：「農民決策支援系統」
用例選擇的三層評估框架
第一層：用戶中心評估 (User-Centered Evaluation)
核心問題：
這個問題真的困擾用戶嗎？還是只是我們認為重要？
用戶花多少時間處理這個問題？頻率如何？
解決這個問題對用戶的價值有多高？
用戶目前用什麼方法解決這個問題？他們滿意嗎？
評估方法：
用戶訪談 (User Interviews)：深入了解痛點的真實性和影響程度
時間追蹤研究 (Time-tracking Study)：量化用戶在問題上花費的時間和精力
價值評估調查 (Value Assessment Survey)：了解用戶願意為解決方案付出多少成本
工作流程分析 (Workflow Analysis)：理解問題在整體工作流程中的位置
評分標準：
🔴 低影響：用戶偶爾遇到，有工作方案
🟡 中影響：用戶經常遇到，但可以忍受
🟢 高影響：用戶每天遇到，強烈希望改善
第二層：AI 適合性評估 (AI Suitability Assessment)
技術匹配檢查：
AI 在這個問題領域有證實的優勢嗎？
所需數據是否可獲得且品質足夠？
準確性要求是否在當前技術水平範圍內？
問題的複雜度是否適合機器學習方法？
人機協作設計：
AI 如何與人類專業知識結合？
決策責任如何分配？誰承擔最終責任？
錯誤的後果是什麼？可以接受嗎？
用戶如何理解和信任 AI 的建議？
實施可行性：
開發和維護成本是否合理？
整合到現有工作流程的複雜度如何？
需要多少用戶培訓和適應時間？
有足夠的反饋機制來改善模型嗎？
評估工具：
技術成熟度矩陣：評估 AI 技術在特定領域的成熟度
數據審計清單：檢查數據的可用性、品質、標註情況
錯誤成本分析：評估不同類型錯誤的代價
人機互動原型：測試用戶與 AI 系統的互動方式
第三層：商業價值評估 (Business Value Assessment)
量化效益計算：
時間節省：每個用戶平均節省多少時間？總時間價值是多少？
成本降低：減少哪些類型的成本？人力、設備、錯誤成本？
品質提升：準確率、一致性、合規性的改善如何量化？
收入增長：能否創造新的收入機會或提高客戶滿意度？
定性價值評估：
工作滿意度：減少重複性工作，讓用戶專注更有價值的任務
學習機會：幫助用戶提升技能，獲得新的洞察
競爭優勢：創造難以複製的能力差異
風險控制：提高決策品質，減少人為錯誤
商業模式考量：
投資回報期 (ROI Timeline)：多長時間能回收投資？
規模效應 (Scale Effects)：用戶增長時價值如何變化？
市場定位 (Market Positioning)：如何與競爭對手差異化？
可持續性 (Sustainability)：長期維護和發展的可行性？
綜合評分矩陣：
用例評估 = (用戶價值 × 0.4) + (技術可行性 × 0.3) + (商業價值 × 0.3)
評分範圍：1-10 分
- 8-10 分：強烈建議執行
- 6-7 分：值得考慮，需要更多研究
- 4-5 分：風險較高，需要謹慎評估
- 1-3 分：不建議執行
五大常見的用例選擇錯誤
用例驗證的三階段方法
第一階段：概念驗證 (Concept Validation)
目標： 驗證問題的真實性和解決方案的方向正確性
方法：
問題訪談：確認用戶真的有這個問題，並且願意為解決方案付出代價
解決方案概念測試：用低保真原型或故事板展示解決方案概念
競爭分析：了解市場上已有的解決方案和用戶的選擇
成功標準：
70% 以上的受訪用戶確認問題的存在和重要性
用戶能理解解決方案的價值主張
解決方案有明確的競爭優勢
第二階段：可用性驗證 (Usability Validation)
目標： 驗證解決方案的可用性和用戶接受度
方法：
互動原型測試：讓用戶體驗接近真實的解決方案
工作流程整合測試：在實際工作環境中測試解決方案
認知負荷評估：確保解決方案不會增加用戶的心理負擔
關鍵指標：
任務完成率和完成時間
用戶錯誤率和恢復能力
用戶滿意度和推薦意願
第三階段：價值驗證 (Value Validation)
目標： 驗證解決方案真的創造了預期的價值
方法：
A/B 測試：比較使用 AI 輔助和傳統方法的效果差異
長期使用追蹤：觀察用戶的持續使用行為和價值實現
投資回報分析：計算實際的成本節省和效益提升
測量維度：
效率提升：時間節省、錯誤減少、品質改善
體驗改善：工作滿意度、學習機會、成就感
商業價值：收入增長、成本降低、競爭優勢
成功用例的六大特徵
學習要點
設計師應該掌握的核心能力：
跨領域研究能力：能深入理解不同行業的工作特性和痛點
系統性思考：理解問題和解決方案在更大系統中的位置
人機互動設計：設計有效的人類與 AI 協作模式
價值主張設計：能清晰表達和驗證產品的價值主張
實驗設計能力：能設計有效的驗證實驗和測量指標
避免的設計陷阱：
技術崇拜：過度迷戀新技術而忽略用戶需求 (technology worship)
完美主義：追求完美的自動化而忽略實用性 (perfectionism)
專家偏見：只聽專家意見而忽略普通用戶聲音 (expert bias)
孤立設計：脫離實際工作情境設計解決方案 (isolated design)
一次性思維：只考慮初始設計而忽略長期發展 (one-shot thinking)
實作檢查清單
專案啟動前：
[ ] 完成深度用戶研究，確認真實痛點
[ ] 進行三層評估：用戶價值、技術可行性、商業價值
[ ] 定義清晰的成功指標和測量方法
[ ] 評估組織的變革準備度和技術能力
[ ] 設計人機協作模式，避免讓 AI 告訴專家怎麼做
開發過程中：
[ ] 建立快速原型，儘早與用戶測試
[ ] 定期收集用戶反饋，驗證假設
[ ] 監控技術指標，確保符合預期
[ ] 評估實施複雜度，調整範圍和時程
[ ] 準備用戶培訓和變革管理計劃
上線後持續改善：
[ ] 追蹤實際使用數據和價值實現
[ ] 收集長期用戶反饋，識別改善機會
[ ] 分析邊界情況，改善系統穩健性
[ ] 評估擴展機會，考慮其他用例
[ ] 總結經驗教訓，應用到下個專案
觀點案例
醫療保健領域潛在的 AI 應用案例摘要
本文摘錄自 Thomas Wilson 的觀點文章，探討 AI 在全球醫療保健領域的十大潛力應用，並特別提及其在醫療客服中心和健康平台中的作用。
十大 AI 應用案例：
生成式 AI 於藥物發現與客服回應： 加速新藥化合物生成；在客服中心自動草擬個人化病患回覆。
AI 於個人化醫療與病患分流： 根據基因資訊提供個人化治療計畫；協助客服中心分流病患問題，將緊急個案轉給專門團隊。
AutoML 於健康平台與客服自動化： 協助醫院部署 ML 模型，預測病患入院和資源需求；在客服中心自動化預約排程和後續護理指導等流程。
可解釋 AI (XAI) 於醫療診斷與資訊溝通： 提高診斷決策透明度，解釋症狀與疾病關聯；協助客服代表提供病患更易懂的健康資訊。
NLP 於遠距醫療與客服中心： 自動轉錄和分析醫病對話；增強客服中心的情緒分析能力，即時理解病患情緒並調整回應；可利用翻譯 API 支援多語言溝通。
邊緣 AI 於醫療設備與診斷支援： 驅動可自主運作的醫療設備（如攜帶式超音波、穿戴裝置）；為客服中心提供即時診斷支援。
AI 於醫療網路安全： 保護病患數據免受侵害；監控平台和客服中心的異常活動，防止未經授權的存取。
MLOps 於健康系統與客服預測： 簡化 ML 模型部署，用於資源管理和設備預測性維護；協助客服中心整合 AI 模型，預測病患滿意度或等待時間。
低/無程式碼 AI 於健康科技： 讓新創和醫院快速開發應用（如病患管理、詐欺偵測）；使客服中心能快速部署新工具處理病患查詢和簡化工作流程。未來可能出現禮賓機器人取代傳統 UI。
AI 於員工賦能： 透過個人化學習模組加強醫護人員訓練；為客服專員提供即時支援，協助快速準確回答複雜醫療問題。
這些 AI 和 ML 應用正全面轉變醫療保健營運，從病患護理到後勤工作，提升效率和護理成果。
AI/機器學習的產品技術選擇
David Andrzejewski在「選擇正確的AI/機器學習使用案例」側邊欄中討論了AI/ML能力的UX影響 。他指出，AI/ML的優勢在於能解決難以用傳統軟體解決的問題，並處理固有的噪音或機率領域 。然而，AI/ML方法的主要缺點是其輸出缺乏確定性或校準 。因此，設計師需要考慮如何建立可靠和一致的使用者體驗，即使基礎是不可靠和不一致的 。
讀後案例練習
馬上進入討論，就可以獲取本章節完整投影片內容，並且解答本案例。
智慧客服系統重新設計
背景案例
某電商公司想要開發智慧客服系統，目標是「用 AI 取代人工客服，提供24小時全天候服務」。他們的計劃包括：
- 用自然語言處理分析客戶問題
- 自動回答常見問題 (FAQ)
- 只有複雜問題才轉給人工客服
- 目標是減少人工客服成本 60%
copyright © PrivacyUX consulting ltd. All right reserved.
關於本刊作者
Gainshin Hsiao 是 Agentic UX（代理式使用者體驗）的先驅，在人工智能與使用者體驗設計領域擁有超過 15 年的開創性實踐。他率先提出將用戶隱私保護視為 AI 產品設計的核心理念，於 2022 年創立 Privacyux Consulting Ltd. 並擔任首席顧問，積極推動隱私導向的醫療 AI 產品革新。此前，他亦擔任社交 AI 首席策略官（2022-2024），專注於設計注重隱私的情感識別系統及用戶數據自主權管理機制。
Agentic UX 理論建構與實踐
AI 隱私保護設計準則
負責任 AI 體驗設計
在 Cyphant Group 設計研究院負責人任內（2021-2023），他探索了 AI 系統隱私保護準則，為行業標準做出貢獻。更早於 2015 至 2018 年，帶領阿里巴巴集團數位營銷平台體驗設計團隊（杭州、北京、上海、廣州）、淘寶用戶研究中心並創立設計大學，從零開始負責大學的運營與發展，不僅規劃了全面的課程體系，更確立了創新設計教育理念，旨在為阿里巴巴集團培育具備前瞻視野與實戰能力的設計人才。其課程體系涵蓋使用者中心設計、使用者體驗研究、數據驅動設計、生成設計等多個面向應用。
活躍於國際設計社群，在全球分享 Agentic UX 和 AI 隱私保護的創新理念。他的工作為建立更負責任的 AI 生態系統提供了重要的理論基礎和實踐指導。
學術背景
Mcgill - Infomation study/HCI -Agentic UX, Canada
Aalto Executive MBA-策略品牌與服務設計, Singapore
台灣科技大學：資訊設計碩士- HCI, Taiwan
中原大學：商業設計學士- Media and marketing design, Taiwan