擬人化的度，與 AI 道歉的藝術
上世紀 90 年代，斯坦福的 Reeves 和 Nass 在《媒體等同》裏報告了一組反直覺的實驗：人會不由自主地對電腦講禮貌、被電腦誇了會開心，明知對面是機器也照樣套用社交規則。這叫 CASA 範式（把計算機當社會行動者）。它意味着擬人化根本由不得你選：用戶一定會把你的 AI 當某種人對待，你能決定的只有讓它當哪種人，以及它闖禍之後怎麼開口。這一課五個實驗，全部親手玩。
先親手驗一遍 CASA。Nass 的經典實驗：被試在電腦 A 上完成一項輔導任務，然後要給電腦 A 的表現打分。一組就在電腦 A 上填問卷，另一組被帶到旁邊的電腦 B 上填同一份問卷。猜猜哪組給 A 打的分更高。
既然退出無門，擬人化就成了一個連續的旋鈕。下面是同一個電商客服，同一件事（包裹延遲兩天），拖動滑塊換檔位，看它的頭像、開場白和語氣怎麼變，再盯住右邊兩根儀表：用戶期望值和倫理風險值跟着檔位一起漲。「我不太確定這點」這類自然語言表達不確定的能力是擬人化的收益之一，第 5 課信任校準講過；這個實驗看它的另一面。
檔位的選法有規律：任務越嚴肅、出錯代價越高，檔位越低；高頻工具場景往低了撥；陪伴價值本身就是賣點時才敢開高檔。五類產品，逐個選出它該在的檔。
檔位管平時，道歉管出事。場景：報銷助手把用戶的差旅報銷總額多算了 800 元，被財務打回，用戶回來質問。右邊是對話現場，左邊三個開關對應道歉的三要素，親手撥開關，看回覆怎麼拼裝、用戶消氣度怎麼走。服務補救研究反覆驗證過這三件套：認錯、解釋、補償，缺一角效果就塌一角。
承認錯誤
認具體的錯：哪張票、錯多少，責任在誰。
説明原因
一句話講清為什麼錯，給用戶一個能理解的因果。
給出可驗證的補救動作
修好，並且給一個用戶點得開、查得到的證據。
三要素是配方，市面上的道歉文案大多湊得不齊。同一個報銷出錯場景，四種真實風格的回應，點你覺得感受最好的那個，再看逐條點評。
對天生會犯錯的 AI 產品，這幾乎是量身定製的好消息：幻覺消滅不掉，但每一次被用戶抓住的錯誤，都是一次免費的信任表演機會。悖論有個硬前提：同一個坑只能掉一次。第 6 課算法厭惡講過「錯後一次修好」的窗口，補救本身再出錯，或者同一處錯誤第二次出現，悖論當場失效，用戶直接流失。三要素道歉裏那句主動複查，就是在給「只掉一次」上保險。
✅ 這一課想和你分享的
- 先認下 CASA：用戶必然把 AI 當某種人，把擬人度當成一個要主動撥的檔位來管
- 撥檔前先看帳單：檔位每高一格，期望和倫理風險跟着漲，同樣的錯誤會被當成更重的背叛
- 道歉照三要素裝配：認具體的錯、説簡短的因、給可驗證的補救，抒情一個字都省下
- 把錯誤當補救機會經營：修得漂亮比不出錯更漲忠誠，同時給「同一個坑只掉一次」上好保險