为什么预期管理是生死线
先看一个普遍现象：一个 AI 产品的能力如果是 70 分，用户预期 90 分，用户会觉得它「很蠢、不可用」；同样的 70 分能力，如果用户预期是 50 分，用户会觉得「有点东西，超出想象」。ChatGPT 刚出来时的口碑爆炸，很大程度是因为大多数人预期它只是个「聊天玩具」，结果它能写代码、改文案。反过来，很多 AI 产品在发布会上吹成「全能助手」，用户真用起来发现连「昨天那篇会议纪要放哪了」都答不上来，口碑三天就崩。
所以我做 AI 产品的第一原则是：预期管理不是 PR 的事，是产品设计的一部分，而且宁可让用户低估，不能让用户高估。低估带来惊喜，高估带来卸载。
第一层：入口就把边界画清楚
用户第一次用的时候，就要让他知道「我能干什么、我干不了什么」。好的做法是 onboarding 里给 3-5 个「我能做」的具体示例问题，而不是一句空泛的「我是你的智能助手」。Perplexity 的输入框下方直接摆「试着问：本周 AI 行业有什么新闻」这类带场景的例子，用户一点就体验到核心价值。反面教材是那种打开后一个空荡荡对话框加一句「有什么问题都可以问我」——这等于把预期拉到无限高。
「不能干什么」更要主动说。医疗类 AI 在对话开始前明确「我不能替代医生诊断」；知识库问答产品在引导语里写「我只了解截至 XX 的库内文档」。Kimi 在长文档场景的定位就很克制，主打「读文件、读链接」，用户预期自然落在文档理解上，不会拿它去算命。
第二层：能力边界在交互中持续暴露
不是 onboarding 说一次就完事，要在用户快踩线的时候接住他。几个我实践过有效的手段：
不确定就说不确定。让模型在置信度低的时候输出「这个我不确定，建议你核对原始来源」，而不是硬编一个答案。一次诚实的「不知道」对信任的伤害，远小于一次被用户发现的胡说。
给答案配来源。Perplexity 和带搜索的豆包都给引用角标，用户能点进去核对。引用既是信任建设，也是预期管理——它把「你要自己判断」这个信息嵌进了产品形态里。
灰度表达比二元表达好。「根据 XX 文档，大概率是……」比斩钉截铁的断言更符合 AI 的真实状态，也教育了用户如何正确使用这个工具。
还要管理「等待的预期」。长任务（深度研究、生成图片、批量处理）最怕用户不知道要等多久：转圈三十秒没反应，人就走了。Deep Research 类产品会明确提示「这可能需要几分钟」并实时展示它正在检索什么、读到了哪一步，把黑盒等待变成可见的进展。预期管理的一半是管「能力」，另一半就是管「时间」——提前说了要五分钟，用户等四分钟觉得是惊喜；没说，等一分钟就是事故。
第三层：失败时刻的兜底设计
AI 产品一定会失败，设计的目标是失败得体面。兜底回答不能是「抱歉，我没理解你的意思」这种废话，要给用户下一步：是换种问法、是缩小范围、还是转人工。客服场景里，三次理解失败就该弹转人工入口，而不是让用户跟机器人死磕——死磕到第五轮的用户基本就流失了。
还有一个容易被忽略的点：失败数据是预期管理最好的输入。定期看用户在什么问题点上骂娘，那些「用户以为你能做但你做不了」的高频问题，要么补能力，要么在入口就把这个预期掐掉。
营销和产品的预期对齐
很多预期崩塌是市场部造的：广告里展示的是精心挑过的 best case，用户日常遇到的是 average case。我的立场是产品要对营销物料有否决权，宣传片里演示的每个 case 都要用当前线上版本实测能复现，演示里不许出现「下个季度才上线」的能力。短期看少了几分惊艳，长期看省下的是口碑修复的成本——那个成本通常贵十倍。