AI进入心理产品后，用户很容易出现两种反应。一种是过度相信，把系统输出当成结论；另一种是完全不信，觉得机器无法理解人。两种反应都会影响产品使用。
信任校准指用户对系统能力形成合适的信任水平。用户要知道系统适合做什么、结果怎么用、哪些问题需要人工和专业人员介入。
AI解释要写清能力范围
心理产品里的 AI 可以帮助整理报告、解释量表维度、提示风险线索、生成沟通建议。它不能替代专业诊断，也不能单独决定干预方案。能力边界写不清，用户就容易误用结果。
比如一份情绪测评报告，AI可以说明某些维度反映近期压力、睡眠和担忧状态，也可以建议用户观察生活事件。它应避免把用户固定成某个标签，也应避免承诺结果代表医学判断。
产品说明要覆盖这些内容：
- 数据来自哪些测评或输入
- 系统如何生成解释
- 结果适合用于什么场景
- 哪些情况需要人工复核
- 用户如何保存和使用报告
这些信息能降低误解，也能提升专业感。
信任来自可追溯解释
用户愿意相信心理产品，会看输出是否清楚，也会看解释是否可追溯。报告里如果只有结论，没有量表来源、维度说明和边界提示，用户会难以判断可信度。
站内关于心理测评报告的内容可以作为参考。报告要让用户看懂自己，也要让机构人员知道如何跟进。AI输出应服务这个目标，人工解释过程仍然需要保留。
对于学校和企业，AI心理产品还要考虑权限和数据安全。谁能看到结果，是否保存原始输入，是否用于群体分析，都要在系统设置里清楚呈现。
SaaS系统要保留人工复核位置
AI心理产品在 ToB 场景中，常会进入学校普查、企业EAP、咨询机构服务。机构需要效率，也需要责任边界。系统可以提高报告生成和解释效率，但关键结果仍要允许专业人员复核。
在心理测评系统中，AI解释可以放在自动报告、风险提示和跟进建议里。平台需要保留量表结果、人工备注、跟进状态和权限记录，让机构知道每一步依据。
信任校准还要体现在交互上。用户看到 AI 解释时，应能追溯到原始维度、测评时间和适用范围。机构人员看到 AI 建议时，也应能添加人工备注，避免系统输出直接变成唯一依据。
AI心理产品还需要说明数据边界。用户输入的文字、量表结果、历史报告是否会被保存，是否会进入机构后台，是否能被导出，都应在系统里写清楚。用户越清楚数据去向，越容易建立合适的信任。
在机构服务里，信任校准还影响工作人员使用方式。心理老师、HR或咨询师看到AI建议后，需要知道哪些内容可以直接引用，哪些内容只适合做参考，哪些结果必须人工确认。
用户信任校准的目标，是让人正确使用 AI。心理产品越专业，越要把边界写清。清楚的边界会让用户知道系统值得在哪些地方被信任。