AI 赋能传统工作流 · MHCI 毕业设计
Goodwill Agent
拿着衣服说出商品信息，标签就在工位打印出来。
我们设计的语音条，浮在 Goodwill 原有的 POS 上 · 静态预览，商品与价格为示例
- 我的角色
- 产品设计 + 技术指导
- 合作方
Goodwill- 团队
5 名 CMU MHCI 研究生- 职责
- 情境访谈 · 数据分析 · 语音交互流程设计 · Windows 自动化工程
项目成果
挑战
处理得慢，衣服就卡在后仓
捐赠衣物在后仓处理得越慢，能上架销售的商品就越少。我们要找出服饰纺织品（softlines）处理的瓶颈，让处理员更快、更省力地完成打签。
方案落地前
Goodwill 想要 AI 定价，调研却指向衣架旁
最初的课题是 AI 定价和渠道决策工具。观察和访谈处理员后，我们发现更大的机会在定价决策周围的流程：他们总要停下手里的衣服，去应付 POS 系统。
风险不在顾客，在信任
价格统一、由 AI 辅助，会把顾客吓跑吗？在 20 次门店顾客访谈中，价格排在合身度、成色和品牌之后，于是问题转向了定价的人。
在一项绿野仙踪研究中，9 位处理员做了 80 次商品决定。系统给的建议看起来来自 AI，其实是一位 Goodwill 总监预设的。他们同意的比例是 51.3%，最不信任的是价格。另有三位处理员得知研究涉及 AI 后当场退出。
所以 AI 只能当第二意见：Goodwill Agent 记录处理员的决定。
“我会把它当后援，因为有时候还是要靠判断。”
现有流程的五处耗时
- 认知负担
价格在衣架旁已经想好，却要记到稍后录入。
- 共用电脑要排队
最多 4 位处理员共用一台可用的电脑，需要排队。
- 推车往返
挂满一架就推去 POS 台，来回占用时间和通道。
- POS 系统难用
录入一件衣服，需要逐级点选多个菜单。
- 同一件衣服拿三次
分拣、录入、贴标分开做，同一件衣服被拿起三次。
Goodwill 原有的 POS 系统（Solutions）
调研结论
- 问题定义在减轻处理员脑力和体力负担的同时，让打签更快、更准。
- 方向设计一个解放双手的流程，让处理员不离开衣架就能录入商品信息。
方案落地后
语音驱动、由人把关的 AI 系统
语音负责输入。屏幕显示转写和识别出的字段。触控在出错和失败时兜底，也负责确认和修改，最终决定权留在处理员手里。
补充：语音条逐项说明
- 聆听状态 · 暂停
声波显示收音状态；按键或说口令即可暂停、继续。
- 听到了什么
原始转写单独显示，帮助分清没听清还是理解错。
- 理解成了什么
部门、品类、尺码和价格档逐项回显，点开即可改。
- 确认 · 清空
四项齐了才能确认；Logged 表示成功，Clear 可重来。
- 数量 · 当日计数
数量可调整，成功录入后累计当日计数。
- 背后的 Solutions
Agent 的每一步点选都可见，处理员能跟踪进度。
交互原型
点示例，核对商品信息后点 Confirm，观察 Agent 完成录入。
这个原型需要 JavaScript 才能运行。可以在“方案落地后”一章观看门店试点实拍，了解同一个流程的真实使用情况。
Goodwill Agent 把一句描述变成一张标签
每个工位配一台平板、一副耳麦和一台标签打印机。
现在 每件衣服经手 3 次
- 分拣第 1 次经手
- 推车排队
- 录入第 2 次经手
- 贴标第 3 次经手
- 卖场
用 Goodwill Agent 每件衣服经手 1 次
- 说出来
拿着衣服描述它，想好的同时就录入。
- 留在工位
不用推去 POS 台，也不用排队等电脑。
- Agent 录入
用语音或点按确认，Agent 在 Solutions 里逐级点选。
- 边处理边贴标
标签在衣架旁打印，贴好再拿下一件。
- 卖场
挂满的衣架直接推出去。
我们怎么做到的
三个选择，决定最终形态
怎么录入信息、界面放在哪里、逐件还是批量。为了测试它们，我们走访门店 9 次，做了 15 项研究实验、18 版原型迭代和 23 小时门店试点测试。
为什么选语音？让手留在衣物上
看打印的故事板时，2 位经理和 1 位处理员认为语音最省脑力。平板点选在纸面上仍最受欢迎，主要因为熟悉，所以我们给两者计时。
在 20 件衣服的测试中，5 位处理员里有 3 位用语音比触控更快，多数人也更愿意在真实班次里用语音。有一位更喜欢触控的视觉确认，所以保留点按来修改。持续收音胜过唤醒词，他们说自己会忘记喊。
团队用 AI 图像工具做的故事板，价格和一个姓名已模糊。点击图片可查看大图。
补充：嘈杂环境下的语音准确率与语音模型
我们在有回声的篮球馆里交叉测试麦克风与转写工具，验证它能否应付嘈杂环境。团队成员又朗读 Goodwill 定价类别词汇，比较云端与本地模型。最终选择准确率较高的 Deepgram，搭配断网时接手的 Vosk。
为什么做成语音条？Solutions 必须留在屏幕上
Solutions 还承担库存、收银和生产管理，不能替换，也没有公开 API。Agent 要在屏幕上替人点选，而这只有在 Solutions 全屏时才行得通。
独立应用做过两轮可用性测试（12 项任务，先请处理员，再请 6 位非处理员），结果决定了语音条显示什么。处理员不断问“它在工作吗？”，所以聆听状态一直可见，录入成功后变绿。
更多设计稿：布局与语音条的展开、收起
第二轮可用性测试中，没有人意识到 Confirm 可以用说的，所以我们把那版原型的按钮改写成口令，点按作为备用。全屏线框比较了展开全部品类与收拢当前选项的布局。语音条又探索了展开和收起两种形态，设计记录还讨论了按钮位置、聆听状态和转写字号。
为什么逐件贴标？一次做完更快
一开始会觉得更慢。试点第一个小时，处理员还怀疑达不到每小时 60 件，实际上 40 分钟就处理了约 60 件。
让处理员保留控制权
处理员随时可以点按修改任一字段；不想说话时，也可以直接点选。
补充：在没有 API 的旧系统之上做设计
Solutions 是 Goodwill IT 管理的封闭桌面应用，没有公开 API。所以设计沿用它现有的界面，像处理员一样操作，并让界面一直可见，处理员能跟着看每一次点选。
IT 也影响了设计。工位电脑是锁定的，IT 还问我们怎么确保应用只做合规的点击。所以 Agent 在每一步前后都核对屏幕，一次只执行一条指令，界面一旦和预期不符，就停下来交给人处理。它沿用处理员自己登录的会话，不接触 Solutions 账号凭据。
Goodwill IT 两次上门支持之后，Agent 在 Goodwill 的受控测试环境里，用真实的 Solutions 系统（DGR.exe）跑通了完整的打签流程。这种做法的局限是：Solutions 一更新就可能失效，所以更新要先和 Agent 一起测试，再推到门店。
结果与下一步
试点中，每小时处理量翻了一倍多
这是一人、一周的试点，提升幅度只能算方向性证据。工具后来推广到 Goodwill 宾州西南部和西弗吉尼亚地区的全部 32 家门店。
“我很喜欢。这个太好了，会让我们更快。”
补充：推广成本与收益测算（预测）
这是收益预测，尚未实现。按效率提升 50%–112% 与不同售罄率组合，四种情景的年新增收入约为 470 万–2650 万美元。最保守情景假设效率提升 50%、售罄率为 45%。
年运行成本计入平板、耳麦和打印机的三年摊销、语音模型用量、IT 维护，以及 10% 应急预算。
下一步要验证的四件事
- 01在全部门店衡量效果
工具已进入全部 32 家门店，下一步用更多处理员的数据验证效率提升。
- 02更多口音和语言
覆盖更多口音，测试西班牙语等语言的输入与翻译。
- 03适配更多品类
让商品品类和价格可以配置。
- 04反馈要跟上信任
试点中，处理员很快信任系统并不再回头核对。下一步要让错误仍能及时被发现。
下一个案例
