大音希声，大象无形。——《道德经》
四十岁前恃之横行天下的玄铁重剑，剑身无锋，大巧不工。——《神雕侠侣》
ChatGPT 之后，几乎整个行业默认了一件事：AI 产品的界面就应该是一个对话框。聊天看起来门槛极低——会说话就行。但如果你真正观察用户的使用过程，会发现对话式交互把大量成本从"系统"转移到了"用户"身上，而这些成本在 SaaS 时代根本不存在。
这篇文章想论证三件事：
- 对话不是免费的。它把表达、验证、监督的负担悄悄转嫁给了用户；
- AI Native 描述的是系统怎么构建，不是界面长什么样——它和"看不见的 AI"不但不冲突，反而互相成就；
- 我们最终交付的应该是一个解决真实业务难题的系统，而不是一个单纯的 SaaS 或 Agent。系统内部充满 AI，但用户未必需要看见 AI。
一、对话的隐藏成本：被转嫁的三层负担
1. 表达成本。 SaaS 的表单、按钮、筛选器，本质上是一种"结构化语言"——点一下"导出近 30 天数据"，语义是确定的、零歧义的。而对话要求用户把意图翻译成自然语言，这个翻译过程本身消耗认知，说错一个词结果就可能跑偏。Nielsen Norman Group 的研究者 Sarah Gibbons 和 Kate Moran 说得很直接："AI 不必被拟人化、不必对话、甚至不必对用户可见，也能为体验增加价值。"[1] Jakob Nielsen 也提醒："点击或触按屏幕是用户交互中直觉且本质的部分……命令式交互设计会存续下去，只是不再占据主导地位。"[1]
2. 信任与验证成本。 点击按钮时，你几乎不用操心"它理解对了没有"——UI 的可选项就是能力的边界，所见即所得。而 Agent 是开放域的，用户要额外承担一份"监督者"的心智负担。一项针对开发者的实验发现，使用 AI 辅助编码的人对代码的理解得分显著低于不用 AI 的人（50% 对 67%）；完全"托管式"使用 AI 的开发者，理解得分低至 24%[2]。眼动实验还发现，约一半的 AI 代码建议根本没有被开发者真正看过——所谓"验证"远非系统性的[2]。产出跑在理解前面，这就是所谓"认知债"的来源。
3. 结果的不确定性。 SaaS 的输出是确定的、可预期的；Agent 的输出是概率的。对真实业务场景来说，"这次对、下次不一定对"比"功能少但稳定"更折磨人。
一句话概括：AI 降低了能力的门槛，却抬高了表达和验证的成本。这个账，很少有人算。
二、证据：学术界与产业界早已给出答案
这不是直觉式的抱怨。学术和产业两边，都已经积累了可引用的论证。
学术界
"Johnny 不会写 Prompt"（CHI 2023）。 UC Berkeley 和 CMU 的研究者在人机交互顶会 CHI 上发表论文《Why Johnny Can't Prompt: How Non-AI Experts Try (and Fail) to Design LLM Prompts》，发现非 AI 专家在设计提示词时系统性地失败：他们习惯用对人说话的方式对模型说话、从个别成功案例过度泛化、缺乏有效的调试与迭代策略[3]。这是对"对话即交互"范式最早、最有力的实证质疑之一：自然语言对人是自然的，但对人向机器表达任务这件事，并不自然。
Nielsen 的"基于意图的结果规约"。 Jakob Nielsen 在 2023 年提出，生成式 AI 带来了六十年来第一个新的 UI 范式——"基于意图的结果规约"（Intent-Based Outcome Specification）：用户告诉电脑想要什么结果，而不是告诉它做什么。但 Nielsen 同时明确指出，新范式有深刻的可用性问题——它要求用户掌握提示工程式的散文表达，控制权的位置发生了反转[4]。范式成立，不等于成本低廉。
认知负荷是转移了，不是消失了。 一项在大型保险公司开发者中进行的研究发现，只有 53% 的人报告 GenAI 降低了认知负荷——关键变量是组织内部有没有清晰的使用指引。AI 把工作从"写"转移到了"编排、验证、理解"，开发者普遍报告"更高效，也更疲惫"[2]。微软研究院的 Victor Dibia 甚至指出：光是跟上 AI 的发展节奏本身，就已经成了一种认知负担[2]。
产业界
Gartner 的冷水。 Gartner 在 2025 年 6 月预测：到 2027 年底，超过 40% 的 Agentic AI 项目将被取消，原因是成本攀升、业务价值不清、风险控制不足。数以千计自称"Agentic"的厂商中，真正具备智能体能力的大约只有 130 家，其余是把 RPA、聊天机器人重新包装的"Agent 洗白"（agent washing）[5][6]。Gartner 高级分析师 Anushree Verma 点出了关键："许多今天被包装成 Agentic 的用例，其实根本不需要 Agent 式的实现。"[5]——这与"交互上未必需要 AI"几乎互为镜像：很多场景需要的不是 Agent，而是嵌入流程的智能。
中间件，而不是魔法。 企业落地的真实形态是：GenAI 作为"中间件"插在 ERP、CRM、文档管理和定制工作流之间，把非结构化文本变成结构化信号。"报告出现在收件箱里，预警弹在仪表盘上，合规检查已经预填好了。很少有人意识到是大模型在背后做了重活。"[7] 市场数据也支持这个方向：Gartner 预计 2026 年全球 AI 支出达 2.52 万亿美元，同比增长 44%，其中生成式 AI 模型支出增长 80.8%——增长的形态是"嵌入主流软件内部"，而非独立工具[8]。
设计界的反思。 UX 社区对"一切 AI 皆聊天"的批评已成规模：对话界面的认知开销（用户要自己想该输入什么）、能力可发现性问题（能力藏在一个空输入框后面）、任务效率问题（很多任务对话比直接操作更慢），解释了为什么很多对话式 AI 产品在新鲜感消退后使用率持续下滑[9][10]。有一句总结很精辟：LLM 是引擎，界面是方向盘——同一台引擎可以驱动跑车、货车或通勤列车，体验完全取决于操控方式[10]。
三、重剑无锋：被低估的 SaaS 到底是什么
《神雕侠侣》里，杨过在剑冢中看到玄铁重剑的铭文："重剑无锋，大巧不工。"没有花哨的剑招，没有锋利的刃口，胜在根基与内力。
"SaaS 被低估"这个说法需要精确化。被低估的不是订阅收费模式，而是 SaaS 十几年积累下来的两样东西——它们恰好就是 AI 时代的"重剑"：
- 结构化的业务流程。 审批流、状态机、权限模型、数据模型——这些是真实业务难题的"骨架"。纯 Agent 没有骨架，每次都要从头推理，既慢又不可靠；
- 确定性的交互契约。 可选项即能力边界、输出可预期、错误可复现——这正是 Agent 最缺的东西。
剑招会过时，内力不会。聊天框是剑招，流程和契约是内力。
所以真正有壁垒的形态，是把两者焊在一起：SaaS 的业务结构当骨架，AI 当肌肉。 AI 在流程的关键节点上做理解、生成、判断，用户面对的仍然是清晰的流程和可控的界面。产业界已经把这个模式跑出了标准形态——预测式仪表盘（AI 主动呈现关键洞察，而非等用户提问）、AI 预填的动态表单（如 Adobe Workfront 分析项目简报后自动建议预算和排期）、"下一步最佳行动"卡片（如 Salesforce Einstein 直接在 CRM 记录里给出可接受 / 可忽略的建议）[10]。这些形态有一个共同点：AI 负责生成确定性，UI 负责承载确定性；用户的操作被压缩成"确认 / 微调 / 否决"三种低成本动作。
交互上最省力的从来不是对话，而是"默认正确，一键通过"。
四、这和 AI Native 冲突吗？——一场必须澄清的误会
谈到"交互上未必需要 AI"，最常见的反驳是：这不就是在开 AI Native 的倒车吗？
表面冲突，实质不冲突——但前提是先把 AI Native 从流行用法里解救出来。
冲突是假性的，源于一个被广泛混淆的等式：AI Native = Chat Native。
AI Native 原本描述的是系统架构层面的属性：数据模型、工作流、反馈回路都围绕模型能力设计，AI 是产品的内核而不是外挂的功能模块。它回答的问题是"这个系统是怎么构建的"。而本文批评的对话式交互，是交互层面的选择，回答的是"用户怎么和这个系统打交道"。这是两个正交的维度。
一个产品完全可以既是 AI Native 的，又是"看不见 AI"的：
- GitHub Copilot 的 Tab 补全：用户从不聊天，只是不停按 Tab——但整个产品（上下文感知、代码索引、实时生成）完全围绕模型构建，是教科书级的 AI Native，交互成本趋近于零；
- Cursor：它的 AI Native 不体现在聊天框上，而体现在 diff 视图、代码库索引、"接受 / 拒绝"这些确定性交互上——对话只是众多入口之一，且往往不是最高效的那个；
- Photoshop 的 Generative Fill vs Midjourney：前者把生成能力嵌入确定性工具内部，后者是纯对话。前者才是设计师真实工作流里的 AI Native。
但必须承认一处真实的张力。 AI Native 的激进版本主张"能力应该是开放的、涌现的"——让用户自己去发现模型能做什么，而不是被预设流程框死。这与"流程骨架 + 确定性契约"确有摩擦：流程越固定，模型能力就被裁剪得越窄；给用户一个"已填好的确认按钮"，等于产品经理替用户决定了 AI 该做什么。
这个张力不能用立场回避，要用一条设计原则化解：确定性做默认路径，开放性做逃生舱。 AI 预填结果、用户一键确认，是主路径（低成本）；但始终保留"自己改 / 自己问"的开放入口（高能力上限）。Cursor 正是如此：Tab 补全是默认路径，对话是逃生舱。AI Native 的"涌现性"不该由全体用户的认知负荷来买单，而应该作为可选的高级能力存在。
一句话收束：AI Native 要求 AI 在系统内部必须是中心的，但从未要求它在用户界面上必须是显眼的。 把这两个命题分开，冲突就消解了。
五、大音希声：一个可执行的判断标准
Gartner 预测的另一面同样值得记住：到 2028 年，33% 的企业软件将内嵌 Agentic AI，至少 15% 的日常工作决策将由智能体自主完成[5]。AI 进入系统内部是不可逆的趋势，问题只在于它如何面对用户。
落到产品设计上，判断标准可以压缩成一句话：
如果某个环节用对话框不如用一个"已填好答案的确认按钮"，那就该用按钮。
《道德经》说："大音希声，大象无形。"最宏大的声音反而听来稀薄，最宏大的形象反而没有形状。套用到产品上：最强大的能力，往往以最不显眼的方式存在。
用户购买的是结果和省心，不是技术本身。对话只是手段之一——而且在很多场景下，是成本挺高的一种手段。我们最终交付的，是一个解决真实业务难题的系统：它内部充满 AI，但用户未必需要看见 AI。
最好的 AI，是看不见的 AI。
参考资料
1. Nielsen Norman Group 观点引述，"Does everything AI have to be chat?"（Intentional），https://www.intentional.ch/posts/does-everything-ai-have-to-be-chat 2. André Meyer，"Cognitive Load. The Hidden Cost of Moving Fast with AI"，https://andre-meyer.ch/6-cognitive-load-the-hidden-cost-of-moving-fast-with-ai/ 3. Zamfirescu-Pereira, J. D., Wong, R. Y., Hartmann, B., & Yang, Q. (2023). "Why Johnny Can't Prompt: How Non-AI Experts Try (and Fail) to Design LLM Prompts." CHI '23. DOI: 10.1145/3544548.3581388 4. Jakob Nielsen 的"Intent-Based Outcome Specification"范式，引述见 MDPI《Generative Artificial Intelligence Image Tools among Future Designers》，https://www.mdpi.com/2673-6470/4/2/16 5. Gartner 新闻稿（2025 年 6 月），转引自 Digitalisation World："Gartner predicts over 40% of Agentic AI projects will be cancelled by end of 2027"，https://digitalisationworld.com/news/70209/gartner-predicts-over-40-of-agentic-ai-projects-will-be-cancelled-by-end-of-2027 6. BW Businessworld，"Gartner Warns Over 40% Of Agentic AI Projects Will Be Cancelled By 2027"，https://www.businessworld.in/article/gartner-warns-over-40-of-agentic-ai-projects-will-be-cancelled-y-2027-561272 7. Lumenalta Labs，"The Invisible Revolution Reshaping Enterprise Operations"，https://lumenalta.com/labs/the-invisible-revolution-reshaping-enterprise-operations 8. Ozvid，"Invisible AI: The Future of Seamless Automation and Smart Decision-Making"（引 Gartner 数据），https://ozvid.com/blog/384/invisible-ai-the-future-of-seamless-automation-and-smart-decision-making 9. Zen van Riel，"Interface Design for AI Applications: Beyond Conversational UIs"，https://zenvanriel.nl/ai-engineer-blog/interface-design-ai-applications-beyond-conversational-uis/ 10. Caylent，"Beyond Chatbots: AI Interface Design That Drives Adoption"，https://caylent.com/blog/beyond-chatbots-ai-interface-design-that-drives-adoption