AI 功能的可用性测试：五个任务怎么做

可用性测试比指标更接近真实体验。本文给出任务该怎么写成目的语、五个任务怎么选、该观察什么（不要引导）、五个人样本够不够与测完该做什么。

用五个任务测"能不能用起来"

不是测 AI 的准确率 ✗，而是测**用户能否用它完成任务** ✔ ——

这是可用性测试 ✔，比指标更接近真实体验 ✔。

**五个任务、五个人、一小时** ✔，就能得到非常有用的结论 ✔。

```

✗ 不好：测试问答功能的准确性

✓ 好：你刚拿到一份 30 页的会议纪要，需要 10 分钟内知道"有哪些待办、谁负责"

```

**要点**：任务描述里**不要提功能名与操作步骤** ✗（否则测的是"照做能力" ✔）。

1. **首次成功**（新用户能否做出一个结果 ✔ —— 见首次成功那篇 ✔）；

2. **典型高频**（日常最常用的一件事 ✔）；

3. **边界/困难**（长文档、模糊问题 ✔）；

4. **失败恢复**（出错后能否重试或换路 ✔）；

5. **接管场景**（需要人工时，转接是否顺畅 ✔ —— 见转人工那篇 ✔）。

**卡在哪里**（犹豫、反复改问法 ✔）；

**误解了什么**（把功能当成别的东西 ✔ —— 这是文档与引导的问题 ✔）；

**说了什么原话**（"我以为它会自动保存" ✔ —— 这类原话最有价值 ✔）；

**放弃时的反应**（直接关页面？找人帮忙？✔）。

**要点**：**不要引导** ✗（"你试试右上角" ✔ 会让测试失去价值 ✔）。

够发现主要问题 ✗→✔：可用性测试的目标不是统计显著性 ✔，而是**发现严重问题** ✔。

**前 3~5 人通常能暴露大部分阻塞性问题** ✔；如果五个人的问题完全不同 ✔，

说明问题很多，先修最严重的再测 ✔。

```

① 按"严重程度 × 出现人数"排序 ✔

② 阻塞性问题（做不下去）优先修 ✔

③ 每条问题对应一个具体改动（改文案/改默认值/改引导 ✔）

④ 改完再测同一批任务（对比能否完成 ✔）

```

> 最近一次可用性测试里，**有没有一个阻塞性问题被改掉** ✔ 并复测通过 ✔？

> 没有，说明测试只是"看过" ✗。