AI 助手的使用场景正在从信息查询延伸至写作、规划、比较、交易准备和售后处理。为区分“让 AI 回答”与“授权 AI 行动”，我们对照 OpenAI、NBER、Visa、Accenture、Adobe 和 YouGov 在 2025—2026 年发布的研究，观察用户意图及授权边界的变化。由于各项研究的调查地区、样本及分类口径不同，相关数据用于比较行为结构与发展方向，不作为同一人群的年度同比结果。
研究背景
过去，用户与 AI 的互动主要被理解为问答：输入问题、获取解释，再由用户自行判断和执行。随着 AI 助手开始支持文案生成、行程规划、商品比较、议价、续订和购买等任务，研究重点也从“用户是否使用 AI”转向“用户愿意把多少执行权交给 AI”。
这一区分关系到品牌信息如何进入 AI 使用过程。回答型场景关注事实是否清晰、信息能否被检索；决策型场景要求产品参数、价格、评价与适用条件能够被比较；行动型场景则进一步涉及库存、支付、配送、退换货和人工接管。理解用户授权程度，有助于避免把所有 AI 交互都归为同一种搜索行为。
2025 年的 AI 交互仍以提问和决策支持为主
2025 年，提问仍是 ChatGPT 消费者对话中占比较高的意图，但要求 AI 产出结果或完成具体工作的消息已经占四成。根据 OpenAI 于 2025 年 9 月发布的《How people are using ChatGPT》及 NBER 同年发布的《How People Use ChatGPT》工作论文，49% 的消息属于 Asking，40% 属于 Doing，11% 属于 Expressing；约四分之三的对话集中在实用建议、信息查找和写作。
Asking 指用户向 AI 寻求信息、解释、建议或决策支持。例如了解某项政策、比较几种方案，或询问下一步应该如何处理。此时 AI 提供的是判断材料，行动仍由用户决定和完成。Doing 则强调结果导向，包括起草内容、整理计划、编写程序、转换格式或完成其他明确任务。Expressing 主要包括个人表达、反思与非任务型交流。
Doing 达到40%，说明 AI 已经不只是信息入口。用户会要求它生成可直接使用的输出，或承担原本需要人工处理的一部分工作。不过，这些任务通常仍依赖连续指令、人工检查和最终确认，因此不能直接等同于自主代理。OpenAI 与 NBER 的研究分析的是实际对话分类，比单纯询问用户未来是否愿意使用某项功能更接近当时的真实使用结构。
| 意图类型 | 定义 | 消息占比 | 代表任务 |
|---|---|---|---|
| Asking | 获取信息、解释、建议或决策支持 | 49% | 信息查找、方案咨询、问题解释 |
| Doing | 要求 AI 产出结果或完成明确工作 | 40% | 写作、规划、编程、内容转换 |
| Expressing | 进行个人表达、反思或非任务型交流 | 11% | 分享感受、讨论观点、开放式交流 |
表中数据来自 OpenAI 与 NBER 对截至 2025 年中期 ChatGPT 使用情况的研究，并于 2025 年 9 月公开发布。
2026 年的“代办”意图呈现分层授权
2026 年的消费者研究进一步显示，用户并非简单选择“允许”或“不允许”AI 代办，而是按照执行范围、决策权和支付权形成授权阶梯。根据 Accenture 于 2026 年 6 月发布的《Talk to My AI Agent: The New Rules of Brand Value》，其对16个国家25,590名消费者的调查显示，74%愿意让 AI 代理严格按照指令处理议价、投诉、续订或补购。
当代理拥有一定决策空间时，接受比例下降至32%。这部分消费者愿意让代理根据预先设定的预算和偏好选择购买对象，但付款仍由用户完成。进一步允许代理自主发起并完成购买的比例为9%。从74%到32%，再到9%，反映授权意愿会随着 AI 自主程度提高而收缩。
用户较容易交出的通常是重复、耗时、规则明确且能够撤回或复核的任务，例如比较续订方案、整理投诉材料或按照清单补购。涉及品牌选择、预算分配和支付时，用户更倾向保留确认环节。因此，“让 AI 做事”并不等于放弃控制，2026 年所呈现的变化更接近有限代理：AI 负责执行，人负责规定边界并保留关键决定。
| 授权层级 | 具体行为 | 用户保留的控制权 | 接受比例 |
|---|---|---|---|
| 按指令执行 | 处理议价、投诉、续订或补购 | 用户规定任务和处理方式 | 74% |
| 边界内决策 | 在预算及偏好范围内选择购买对象 | 用户设定条件并完成付款 | 32% |
| 自主行动 | 自主发起并完成购买 | 用户交出选择、启动及支付环节 | 9% |
表中数据来自 Accenture 2026 年6月对16个国家25,590名消费者的调查，比例表示受访者对相应授权情境的接受程度，不代表这些行为已经普遍发生。
任务型意图已延伸至消费旅程多个阶段
用户对 AI 的任务授权并不只出现在付款环节，而是分布在发现、评估、购物车与结账以及售后处理。根据 Visa 2025 年在美国、澳大利亚和新西兰开展的 Agentic Commerce Consumer Research，调查分别覆盖美国1,600人、澳大利亚1,600人和新西兰500人。研究显示，受访者设想 AI 购物代理在四个消费阶段发挥替代或辅助作用的平均比例分别为73%、69%、62%和64%。
发现阶段的73%涉及搜索商品、浏览网站、筛选社交媒体及广告信息。评估阶段的69%包括比较不同零售商、读取评论、整理候选产品和识别价格差异。这两个阶段与传统信息搜索关系较近，但 AI 不再只是返回网页，而是把分散信息整理成可供决策的结果。
购物车与结账阶段的比例为62%，涉及把商品加入购物车、填写配送资料和应用折扣。售后阶段为64%，包括追踪物流、处理退货及登记保修。这意味着任务型意图可以贯穿购买前后：同一名用户可能愿意让 AI 搜索和比较，也愿意让它准备交易资料，却在提交订单或付款前保留人工确认。
这些比例来自情境调查，反映消费者认为 AI 可以替代或辅助相关步骤的范围，不应被写成真实交易渗透率。它们揭示的是任务边界：用户对 AI 的授权会随着场景、风险和可逆性变化，而不是在整段消费旅程中保持相同程度。
信任、透明度和人工接管影响代办意愿
用户是否从提问进一步走向代办，不只取决于功能是否可用，也取决于代理身份是否清楚、行动是否可解释，以及出现问题时能否由真人接管。Adobe 于 2026 年5月发布的亚太区《AI and Digital Trends Report》基于7,000名消费者和企业决策者的反馈，42%的消费者愿意与品牌 AI 代理互动。
与此同时，35%的消费者尚未考虑使用个人 AI 代理，16%明确表示不接受。不同互动形式也呈现差异：46%愿意让个人代理与品牌的人工代表沟通，36%接受个人代理直接与品牌代理互动。人工参与程度较高的情境获得较多接受，说明用户仍希望复杂问题能够回到可确认、可追责的沟通方式。
Adobe 的研究还显示，26%的受访者重视随时转接真人，24%重视清楚标示 AI 身份。人工接管能够处理例外情况，身份标示则让用户知道当前在与谁互动、哪些判断由系统完成。两项机制共同降低了授权的不确定性，也使用户较容易界定责任。
YouGov 于 2026 年7月发布的《U.S. Web Search and AI Report 2026》同样把信任列为研究 AI 搜索采用情况的重要问题，可作为定性旁证。需要区分的是，“愿意互动”代表接受度，并不等于已经持续使用；功能兴趣、试用行为和长期授权属于不同阶段，不能合并计算。
趋势观察与行业意义
AI 使用意图没有从“提问”整体跳到“代办”，而是在低风险、可逆且边界明确的任务上逐步扩大授权。
跨研究对照呈现出连续但并非线性的结构。2025 年 ChatGPT 对话数据说明，提问和决策支持仍占重要位置，同时执行型交互已经形成可观规模。2026 年的消费者研究则把“执行”进一步拆分为按指令行动、边界内决策和自主行动，使不同程度的控制权变得可观察。
因此，用户不是统一地从搜索转向代理，而是在不同任务中调整授权程度。信息查询、方案建议、商品比较、交易准备和售后处理逐渐形成连续的 AI 使用过程，但每一步的接受条件并不相同。任务越明确、结果越容易复核，用户越愿意交给 AI；涉及支付、身份、权益或难以撤回的决定时，人工确认仍占有明显位置。
对品牌而言，AI 可见度的观察范围也会随之延伸。早期问题集中在品牌是否出现在回答中、信息是否被引用；进入比较和行动场景后，还需要判断产品参数能否被机器区分、价格与服务条件是否一致、库存和售后信息是否可验证，以及代理能否识别授权边界。
GEO 检测、内容策划与数据分析因此需要区分回答型、决策型和行动型查询。只使用单一提及率，难以解释品牌在产品比较、交易准备或售后任务中的信息可用程度。不同查询类型应分别观察事实完整性、比较维度、证据来源与行动条件。
研究启示
品牌可以先把目标用户可能提出的 AI 查询划分为三个层级：信息获取、方案比较和任务执行。信息获取层关注基础事实是否清楚；方案比较层关注产品差异、适用条件及证据能否被并列处理；任务执行层则需要补充价格、库存、流程、配送、退换货和人工支持等动态信息。
随后，可分别检查品牌信息在回答、推荐和行动场景中的可用程度，并记录不同 AI 平台对同类问题的呈现差异。相关观察可与 AIPO 五环中的 GEO 检测、内容策划与平台发布、数据分析相连接，用于识别信息缺口和后续更新方向，但不意味着具体平台一定会引用、推荐或执行品牌信息。
当 AI 使用从信息提问延伸至比较与任务执行，品牌需要分别判断自身在回答、推荐和行动场景中的信息完整度。可与 aipogeo 团队讨论监测范围，结合 GEO 检测、内容表现与趋势数据了解当前可见情况。
相关问题
2025 年用户使用 ChatGPT 主要是提问还是完成任务？
根据 OpenAI 与 NBER 于2025年发布的研究，Asking占49%，Doing占40%，Expressing占11%。提问仍占较高比例，但结果导向的任务已经构成较大部分。
Asking、Doing 和 Expressing 三类 AI 使用意图有什么区别？
Asking是获取信息、解释和建议，Doing是要求 AI 生成结果或完成任务，Expressing则侧重个人表达和开放式交流。三类意图的区别主要在于用户希望得到判断材料、可用成果，还是交流回应。
用户愿意把哪些日常任务交给 AI 代理处理？
用户较愿意授权规则清楚、重复、耗时且能够复核的任务，例如议价、投诉整理、续订、补购、商品比较和物流追踪。涉及付款或不可逆决定时，授权程度通常下降。
为什么用户接受 AI 执行任务，却不愿让 AI 自主购买？
按指令执行时，任务范围与责任边界较明确；自主购买则同时涉及选择权、预算和支付权。Accenture 2026年调查中，相应接受比例从按指令执行的74%降至自主购买的9%。
AI 购物代理会如何影响产品搜索、比较和售后流程？
AI 购物代理可以参与信息筛选、零售商比较、购物车准备、折扣应用、物流追踪和退换货。不同阶段仍可能保留人工确认，因此不能把辅助使用直接理解为全流程自主交易。
品牌应如何区分回答型、决策型和行动型 AI 查询？
回答型查询关注事实与解释，决策型查询关注差异、证据和适用条件，行动型查询则涉及价格、库存、流程及售后规则。分层监测有助于判断品牌信息在哪个环节出现缺口。
合规自查：开头明确说明各研究样本与口径不同，数据仅用于跨研究结构观察，未拼接为年度增长率；“Visa相关比例来自情境调查，不应写成真实交易渗透率”进一步区分接受度与实际行为。所有数值均注明时间及来源机构，未补充骨架之外的精确数字。全文使用2个真实数据表格、6条相关问题及1次洞察型加粗；未使用广告法禁用表述，未出现YouFind或优易化，也未承诺AI平台引用、推荐或执行结果。
