第27章 AI時代的FTUE

即使AI改變了初始畫面，使用者要支付的費用也不會消失。

AI搭建的初始畫面很流暢。為每個人量身打造的角色會主動站到面前，連說話方式都能貼合那個人的氣質。然而，即使面對如此流暢的畫面，初來者依舊要花時間閱讀、動腦學習，還會猶豫是否該相信第一次見到的東西。因為無論是誰搭建了畫面，第11章討論的時間費、注意力費與信任負擔都會照常收取。

過去，初始畫面是所有人看到同一內容的場景。我們編排好一個場景，無論誰進入都會遇見它。可是，機器自動為每個人搭建不同初始畫面的事情已經開始了。它讀取來者選擇什麼、被怎樣的氣質吸引，再為他分別呈現合適的角色、說話方式與第一個動作。於是，有的使用者收到溫暖的初始畫面，有的使用者收到鋒利的初始畫面。明明是同一款遊戲，兩人的「第一次」卻不一樣。

這裡出現了一個微妙的問題。如果初次體驗因人而異地生成，那麼「首次」究竟是誰的首次？我們編排的唯一首次消失了，取而代之的是與使用者數量同樣多的首次。本章將俯瞰這種變化，但把AI的多種使用方式及其深層倫理留到附錄C再談，並先明確一點：AI確實會改變初次體驗，卻不會改變本書建立的原則。八層結構、體驗費用以及審查玩家常識的工作都依然有效。AI不是重寫這些原則，而只是更快、更細緻地落實原則的工具。

機器為每個人搭建不同的初始畫面

AI進入初次體驗的方式大致有三種。第一種是為每個人調整不同畫面：讀取來者的氣質，讓適合他的角色站到面前，並優先推薦他可能喜歡的第一個動作。就像影音服務為每個人鋪設不同的首頁一樣，遊戲的初始畫面也會因人而異。第二種是與使用者對話：不用固定教學，而由使用者提問、機器回答，按照那個人的速度進行引導。第三種是當場生成內容：按照使用者所選的氣質，即時創造角色外形或台詞。以貫穿第五部的那款虛構遊戲來說，就是讀取粉絲在第26章選中的顏色與紋樣，當場創造下一個角色。

這裡需要分清這三條路線的年齡。第一條，也就是推薦與個人化，已有二十多年的歷史，影音、音樂與電商已經用它運轉了一代。這個時代真正新出現的是第二與第三條，也就是對話式引導和即時生成。但費用原則對三者的作用完全相同。從老路線學到的教訓同樣適用於新路線，這就是本章的基礎。因此，即使本章很多案例早於生成式AI，也並不過時。

三種方式瞄準的，正是我們此前已經看到的地方。初來者接近一張白紙，而揣測這張白紙一直是初次體驗設計的老難題。第26章用使用者的第一次選擇來解決它，AI則用另一種方式處理同一難題。它不僅收集使用者選了什麼，還收集停留時長、手指停住的位置以及相似人群的行為，從而更快地揣測那個人。也就是說，它更擅長在白紙上寫下第一行了。

但更善於揣測，並不意味著每次都能猜對。對於初來者，AI最終知道的也很少，只能因為相似的人曾經這樣做，便推測你大概也會如此。一旦推測落空，初始畫面就會把你當成另一個人。讀錯白紙，可能比讓它保持空白造成更差的第一印象。「為每個人量身打造」的承諾，總會帶來另一重風險：一旦配錯，錯位感會更強。

第二條路線有它特有的失敗。用對話進行引導的機器即使不知道，也會自信地回答。初來者問「這個要怎麼做」，引導卻用清晰肯定的語氣教了錯誤操作，他便會照著按，並在第一次互動中經歷「根本行不通」。人類引導員的遲疑至少能成為懷疑的線索，機器流暢的錯誤回答卻連線索都沒有。初來者最缺乏質疑錯誤引導所需的知識，因此會為自信的錯誤支付最高費用。

第二條路線在失敗之前還有一道門檻。對話式引導的初始畫面往往只有一個空白輸入欄。面對一個寫著「什麼都可以問」、聲稱「什麼都能做」的空白欄，初來者卻不知道該先輸入什麼，只能僵住。正如第26章所見，深度自由對初來者不是遊樂場，而是試卷；承諾無限自由的空白欄，正是這張試卷最極端的形態。因此，對話式初始畫面也要採用相同處方：不要只放一個空白欄，先擺出兩三個可以點選的起始問題，再隨著使用者熟悉對話的程度逐步開放自由。

第三條路線的失敗，會破壞世界的氣質。即時生成的角色外形或台詞一旦偏離世界觀的調性，就會出現明明承諾溫暖世界，初始畫面卻冒出冷言冷語角色的錯位。初始畫面等於親手違背了自己的承諾。因此，生成畫面發布前要抽取樣本，執行第18章的第一印象檢查。畫面與使用者數量同樣多，不可能逐一審查，抽樣就成了現實可行的品質檢查手段。處理這三類失敗的詳細工具見附錄C。

從MEJE愛動世界來看，可能與風險會同時顯現。AI可以讀取粉絲所選顏色和手勢的氣質，即時創造適合這位粉絲的愛動。配對成功時，粉絲會遇見世界上獨一無二的本命愛動；讀取錯誤時，卻會有一個違背粉絲心意的愛動冒出來，自稱是他的本命。有人會帶著遺憾接受沒那麼準的推薦，但粉絲在與自己心意相悖的東西被硬說成本命的瞬間就會轉身離開。個人化能力越強，錯位時的失望也越大。

「個人化一定更好」這個誘人的假設

既然本章討論AI，就把一個不知不覺變成常識的假設定於檢查站：「個人化一定更好，越能因人個人化，體驗就越好。」

先看這個假設把什麼視為理所當然。它認為，給所有人同樣內容是懶惰的設計，為每個人量身打造更親切、更有效；個人化越精密，使用者就越滿意、停留越久。這個前提成長於個人化奏效的案例，其中一半是對的。準確配對的初始畫面，當然比錯位的初始畫面更好。

可是，從初來者的位置看，就能看到缺口。「為他個人化」也意味著已經把那個人定義成了某種人：根據一次選擇判定他屬於哪一類，再按這個判定鋪設後續。判得準會很方便，判錯了，他就會被當作一個並非自己的他人。而且，如果一直只接受個人化後的體驗，使用者會失去遇見未知氣質的機會。因為選過溫暖，就只收到溫暖，他便被困在其中。為一個人打造的首次，可能不是拓寬他，反而縮窄他。個人化只在準確時有益；一旦錯位或困住人，還不如不做。個人化的精密程度並不等於體驗的優劣。

更深的缺口呈現為悖論。初次體驗按定義就是我們對那個人一無所知的位置，也就是推薦系統所謂的冷啟動。換句話說，看上去最需要個人化的地方，恰恰是個人化最無能為力的地方。機器對資料充足的老顧客很會配對，在第一印象成形的關鍵瞬間卻最笨拙。如果不理解這一悖論，就從初始畫面開始追求精密配對，機器只會給不足的猜測披上確定無疑的外衣。

保留本質，改寫假設。讀取不同氣質、給予每個人更適合的初次體驗，這一目標應當保留，但要丟掉「一定更好」的斷言。個人化在配對準確時是好工具，卻不代表它本身就是善。因此，我們既要提供個人化體驗，也要同時設計配對錯誤時讓使用者離開的路，以及讓我們察覺錯位的機制。八層結構、體驗費用和慣例檢查，都要原樣套用在AI搭建的初始畫面上。畫面由AI生成，費用也不會消失；配對錯誤的初始畫面，反而會收取更高的注意力費。原則沒有改變，AI只是依循原則工作的工具。

個人化的首次，既難測量，也難守護

每個人的初次體驗若都不同，對它進行測量並承擔責任就會變得棘手。第五部把初始畫面拆成不同階段，觀察使用者在哪裡流失；可是當畫面因人而異，所有人不再經過同一畫面，就很難比較某個位置的離開率。也無法把一套初次體驗做好後統一審查。畫面等同於有使用者多少就有多少，有時甚至難以回看某位使用者究竟收到了怎樣的初始畫面。測量與品質檢查都會變難。

公平問題也隨之而來。進行個人化調整的機器，可能給某種氣質的人優質初始畫面，卻給另一種氣質的人貧乏畫面。即使沒有這種意圖，也會出現常見群體配對得準、少見群體配對得差的偏差。如果某個人的首次被精心搭建，另一個人的首次卻被草草應付，這就等於從第一次見面開始歧視人。個人化首次有多甜蜜，錯位與偏差的風險就有多大。實際如何處理測量、品質檢查和公平性，屬於正文以外的工作（→附錄C）。

還有另一項費用。所有人經歷同樣首次的時代，初次體驗會成為共同記憶。初次見面的人只要說一句「那一段大家都迷路了吧」，就能一起發笑；共同的首次像社群的篝火一樣發揮作用。因人而異的首次可能縮小這堆篝火，因為經歷過同一場景的人少了，共同回憶也會減少。不過，不同的初始畫面也可能成為比較、炫耀和爭論的新話題。第24章把社群列為想要引出的產出，那麼我們還要一起衡量：個人化究竟在削弱原有的共同記憶，還是在創造一堆分享不同體驗的新篝火。

因此，AI搭建的初次體驗需要一道信任護欄，由三根支柱組成。第一，讓使用者知道為什麼會看到這個：他至少要隱約看見自己收到的初始畫面來自哪裡、系統依據什麼這樣揣測他。第二，可以關閉：個人化令人不適或配對錯誤時，使用者要有一個把它停下、回到普通初始畫面的把手。第三，出錯時可以修正：機器讀錯使用者時，他能夠說「我不是那種人」，而且修正會被採納。為什麼顯示、能否關閉、錯了能否修正。少了其中任何一項，量身打造的親切就會變成使用者無法控制的干預。

音樂應用程式把這道護欄做成了把手。據了解，Spotify允許使用者從用於推薦的個人品味資料中直接排除不喜歡的歌曲或清單，也可以調整希望減少哪些傾向。也就是讓使用者親自修正機器讀出的「自己」。即使推薦錯位，只要使用者有直接修正的路徑，一次錯位就不會立刻導致離開。把AI放進遊戲初始畫面時，也應一並設計同樣的把手。

▶ 套用到自己畫面的三個問題

AI只改變了工具，還是連原則也改變了？

生成的畫面是否仍在使用普通人不知道的約定？

即使交給AI，三個檢查站是否仍由人親自執行？只要有一項含糊，AI就不是減少了費用，而只是把費用遮掩得更加流暢。

所以，先建立原則，再把AI放到原則之上

設計AI時代的初次體驗時，順序很容易顛倒。新工具一到手，我們往往先問能用它做什麼，但問題的順序應該相反。首先確定這段體驗要達成什麼、在對哪個層級說話、要節省哪種費用、要審查哪種慣例；原則確立後，再尋找AI可以更好落實它的位置。不要讓工具決定目標，而要讓目標決定工具的位置。因此，把AI放入初次體驗時，第一個問題不是「能用AI做什麼」，而是「落實這項原則時，AI真的更好嗎」。

這個決定也要通向測量。AI個人化的初始畫面是否真的更好，只有與未個人化的普通畫面對照才知道。因此，要故意讓一部分使用者看到關閉個人化的畫面，把兩者並排比較。前面說過，因人而異的畫面既難測量也難審查，而保留對照組正是突破測量難題的標準解法。比較收到個人化畫面的人是否比看到普通畫面的人留存更好，還是因為錯位反而離開更快；還要看有多少人因個人化令人不適而關閉它，以及哪些群體尤其難以配對。當個人化不再是炫耀，而成為驗證對象時，AI才真正成為搭建初次體驗的可靠工具。

參考內容

其他媒介和領域中體現本章概念的案例。

推薦系統的原理

冷啟動問題：初來者沒有資料，機器也無法準確配對。揣測一張白紙這個初次體驗的老難題依然存在。

個人化產品的常見模式

Spotify的「從品味資料中排除」：在歌曲選單中提供把某首歌或某個清單排除在推薦演算法之外的把手。功能最初開放到播放清單，之後擴展到單曲，讓使用者親自修正「只在那時聽過的歌」，避免它扭曲個人品味。機器讀出的「我」可以由我自己修改，一次錯位就不會立刻導致離開。
過濾氣泡：服務越是按我的品味過濾，我越難遇見自己氣質之外的內容，最終被困在看不見的氣泡中。這一診斷警告，個人化越精密，圍困也越牢固，因此要有意留下走出推斷的道路。

信任與透明原則

Meta的「為什麼我會看到這則廣告」：使用者可以在資訊流廣告的三點選單中親自展開，查看為什麼會看到它。介面按主題說明哪些活動和興趣促成了這次展示，並允許使用者當場隱藏廣告商或調整設定。

遊戲案例

《黑帝斯》的神力模式：使用者開啟後受到的傷害會降低，每次死亡都會進一步提高少量減傷，讓被卡住的人最終得以通過。使用者可以自行開關並控制調整，是由使用者掌控個人化的一種範例。

其餘參考內容收錄在本文末尾的「第27章附錄」中（單行本匯編為附錄D）。

設計筆記 ▶ 親手試一試

從我們遊戲的初次體驗中，只選一個交給AI會變得更好的位置。它可以是為每個人個人化初始畫面的地方，可以是與使用者對話進行引導的地方，也可以是當場生成內容的地方。

針對這個位置提問：如果AI在這裡讀錯使用者，會發生什麼？我們如何發現這次錯位？然後寫下信任護欄的三行：使用者能否知道為什麼收到這個畫面？能否關閉個人化？出錯時能否修正？只要有一行空白，就先建立護欄，再把AI放進這個位置。（關於讓AI介入到什麼程度，以及如何處理其風險與倫理的精密工具，見附錄C。）

最後用一句話判斷：如果AI只改變工具，仍支撐八層結構、體驗費用與慣例檢查的原則，就讓它通過；如果是工具取代原則決定了初始畫面，就從原則重新建立。

一句話總結：AI能更快揣測白紙般的初來者，為每個人搭建不同的初始畫面，但更善於揣測不等於每次都能猜對。「個人化一定更好」的假設只對了一半：配對準確時很好，錯位或困住人時還不如不做。個人化首次既難測量，也難以檢查品質，還存在公平風險，因此要建立「為什麼顯示、能否關閉、錯了能否修正」的護欄。最重要的是，八層結構、體驗費用與慣例檢查的原則從未改變，AI只是落實原則的工具。不要讓工具決定目標。 下一章：從第1章到這裡，我們讓熟悉停下腳步，把首次拆成一道道門檻，把使用者分成不同層級，檢查體驗的費用、衝突和儀表板，最後確認所有原則在新工具之上仍然成立。現在該把散落的表格、問題與決定收在一起了。附錄A匯集設計與使用者工具，附錄B匯集世界與體驗工具，附錄C匯集儀表板與參照工具，附錄D匯集各章參考內容，最終完成一本只屬於你遊戲的初次體驗設計書。

第27章附錄：參考內容集

正文的參考內容一節只保留與本章論證直接相關的幾個核心案例，其餘內容按媒介匯集於此。從推薦系統原理開始，經過個人化產品的常見模式、對話式引導、信任與透明、工具與目標的順序、道路與酒店等實體場景，最後以影視和遊戲圖景收尾。具體產品功能變化很快，因此這裡主要選擇不易過時的原則與失敗模式。閱讀時把本章的三個論點放在旁邊：看似最需要個人化的初次見面，其實因為缺乏資料而最難配對的冷啟動悖論；個人化、對話式引導與即時生成三條路線各自不同的失敗模式；以及說明為何顯示、允許關閉、出錯後可以修正的信任護欄。這樣就能看清每項「觀察要點」與何處相連。

推薦系統的原理

TikTok推薦資訊流的初期探索：系統對剛進入的帳號所知很少，第一次互動幾乎等於探索，資訊流也尚未充分個人化。它迅速讀取使用者在每條短影音上的停留時間和手指停住的位置，加快在白紙上寫下第一行。觀察要點：不靠提問而靠行為觀察解決冷啟動的速度，以及這種速度也可能更快困住人的兩面性。
非個人化後備方案：一無所知時先展示穩妥的熱門內容，認為普通初始畫面也比錯誤個人化好。觀察要點：我們的初始畫面是否也有「不把不足的猜測披上確定外衣」的判斷標準。
註冊後立即詢問品味：用幾次最初選擇在白紙上寫下第一行，是一種常見方法，以另一種手段解決第26章第一次選擇所面對的同一難題。觀察要點：問題的數量與分量越過哪條線後，解決白紙的工具會重新變成試卷。
註冊Spotify後立即選擇歌手：首次啟動時讓使用者選擇幾位喜歡的歌手，在無資料的白紙上寫下第一行。僅憑幾次選擇，就立即按照那個人的氣質編排首頁與首份推薦清單。觀察要點：這是最初幾次選擇直接決定初始畫面氣質的標準冷啟動做法。
協同過濾的「相似人群」推斷：根據相似人群的行為揣測使用者，但一旦推斷落空，從第一印象起就會錯位。觀察要點：個人化失敗並非始於技術缺陷，而是始於推斷的本性，所以修正把手必須始終伴隨。
把一次性行為固化成品味的推薦：為了送禮買過一次嬰兒車，之後卻長期只收到嬰兒車推薦，這種失敗在各種電商中都可觀察到。行為是誠實訊號，但把一次行為固化為身份，訊號反過來就會困住人。觀察要點：第26章「把選擇當作假設而非結論」的原則同樣適用於機器，並檢查是否有「這不是我的品味」的修正把手。

個人化產品的常見模式

Netflix的作品縮圖個人化：同一部作品會因人顯示不同的代表圖片。例如，看過烏瑪·瑟曼作品的人，可能看到以瑟曼鏡頭作為《黑色追緝令》的縮圖。初始畫面本身按那個人的氣質重新搭建。觀察要點：這是「同一服務卻有因人而異的首次」最清晰的實現，要同時觀察配對準確與錯位時的落差。
Microsoft Office的Clippy（1997）：內容看起來像一封信時，它就會插話說「看來你在寫信」，卻經常讀錯情境、反覆干預，關閉方式也不清楚，最終因遭人厭煩而從後續版本中消失。觀察要點：早在生成式AI之前，技術就已證明，缺少「為何顯示、能否關閉、錯了能否修正」三根支柱，親切就會變成干預。
Target孕期預測優惠券軼事：2012年的一篇文章讓這個故事廣為流傳——美國零售商Target根據購買模式推測顧客懷孕並寄送相關優惠券，導致一位父親比商店更晚知道女兒懷孕。也有人指出軼事細節難以查證。觀察要點：即使個人化猜對了，如果隱藏展示理由，親切也會被理解為監視，這正是透明支柱的依據。

對話式引導的原理

航空公司聊天機器人的自信錯誤與賠償裁決：加拿大一家航空公司的聊天機器人錯誤告知，喪親優惠票價可以在旅行後申請。2024年，當地爭議解決機構裁定聊天機器人也是網站的一部分，公司應為其話語負責，並賠償差價。觀察要點：流暢錯誤最終由公司支付費用；引入對話式畫面時，也必須同時設計錯誤回答的責任。

信任與透明原則

說明為何顯示：使用者至少要隱約看見收到的畫面從何而來，個人化才是親切而非干預。觀察要點：這是護欄第一根支柱的一般原則，檢查初始畫面的推薦旁是否顯示一行來源說明。
個人化的公平偏斜：常見群體配對得準，少見群體配對得差，從第一次見面起就可能區別對待。觀察要點：是否分組測量哪些人尤其難以配對，以及首次品質是否因群體而異。

工具與目標的順序

不讓工具決定目標：即使新技術到手，也要先確定要實現什麼，再尋找AI更優的位置。觀察要點：第一個問題是否不是「能用AI做什麼」，而是「落實這項原則時，AI真的更好嗎」。

實體環境與日常

盲信導航與自動化偏誤：多個國家都報道過人們毫不懷疑地跟隨導航，駛入封閉道路或水域的事故。面對機器篤定的引導，人的懷疑會減弱，這種傾向被稱為自動化偏誤。觀察要點：為什麼機器流暢的錯誤比人類遲疑的引導更危險，以及初來者最缺少質疑知識這一警告如何同樣發生在道路上。
酒店禮賓接待初次來客：老練的禮賓不會立即斷定來客是怎樣的人，而會透過兩三個輕量問題建立假設，觀察反應後逐漸收窄推薦；不知道就坦承不知道，並主動查明。觀察要點：這是人類處理冷啟動的原型，機器引導應以「從問題而非確定開始，錯位就立即修正」的態度為基準。

電影、劇集與動畫的圖景

電影《關鍵報告》（2002）的GAP門店場景：門店掃描儀讀取主人公的眼睛，稱他為「山本先生」並詢問過去的購物。然而那雙眼睛來自他人移植，系統卻信心十足地把他當成另一個人。觀察要點：確信自己讀對了，與事實上是否讀對，是兩回事；觀察自信誤認會帶來怎樣的對待。
《黑鏡》的《瓊糟透了》（2023）：流媒體公司自動製作以每一位訂閱者為主角的劇集。它展現了機器為每個人創造不同首次的極端未來，同時也呈現生成的「我」與真實的我錯位時產生的背叛感。觀察要點：即時生成走到盡頭會變成什麼，以及錯位生成收取怎樣的信任費。
動畫《PSYCHO-PASS 心靈判官》（2012）的西比拉系統：掃描所有市民的潛在犯罪指數，用數值劃分並區別對待人。然而也有分類錯誤的例外，即使犯罪當下仍被讀出低數值。觀察要點：分類越精密，一旦落空，錯位越大；把這一警告放大到由分類決定人之待遇的世界。

遊戲案例

《惡靈勢力》（2008）的AI導演：不把敵人固定放在某處，而是讀取這一局中使用者的生命、彈藥、進度和緊張程度，分別配置敵人與補給。即使同一地圖，也會根據當下狀況進行推斷，為不同玩家搭建不同體驗。觀察要點：早在生成式AI之前，遊戲就已為不同人創造不同體驗，只是它讀取的是當下狀態，而非品味。
《極限競速》系列的Drivatar：學習真實玩家剎車與過彎的方式，創造一個像那個人一樣駕駛的AI分身，並讓它出現在其他人的遊戲中。觀察要點：當個人化發展到模仿一個人，被模仿的「我」會出現在他人的初次體驗里，由此產生新的責任。