NN/g: Проектирование AI-агентов — 4 урока от китайского Qwen

Фэйфэй Лю и Мария Росала из Nielsen Norman Group исследовали Qwen — AI-агент от Alibaba, широко используемый в Китае, — чтобы понять, что происходит, когда обычные пользователи впервые сталкиваются с агентными интерфейсами. Результатом стали четыре UX-урока, основанных на наблюдениях за реальным поведением пользователей, а не на дизайн-теории.

Статья ценна тем, что Qwen работает в масштабе с широкой пользовательской базой — не ранними последователями, а людьми с разным уровнем опыта взаимодействия с AI. Наблюдение за такой аудиторией выявляет ошибки проектирования, которые UX-тестирование с мотивированными участниками может упустить.

Обеспечьте обнаруживаемость через дублирование точек входа. Большинство пользователей по умолчанию используют привычные шаблоны ввода, а не исследуют новые режимы взаимодействия. Qwen решает это, предлагая несколько точек входа: чат-интерфейс и каталог задач по категориям. Автозаполнение запросов работает хорошо в узких категориях, но более широкие темы требуют уточняющих вопросов от агента перед началом работы. Вывод для дизайнеров: единственная точка входа к AI-функции не удовлетворит пользователей, не знающих, что спросить.

Используйте знакомые паттерны для снижения порога вхождения. Когда интерфейс заимствует известные пользователю шаблоны — например, каталог задач Qwen напоминает приложение доставки еды — пользователи быстрее ориентируются. Оговорка: заимствованные паттерны должны соответствовать контексту. Карусели, показывающие только один элемент, вводят в заблуждение относительно числа доступных вариантов. Знакомость помогает на этапе онбординга; неуместно применённый паттерн создаёт путаницу в нужный момент.

Обращайтесь с персональными данными осторожно. Когда Qwen отображал полные адреса пользователей без объяснений, участники сообщали о нарушении конфиденциальности — даже несмотря на то, что сами дали доступ к этим данным. Прозрачность о том, какие данные использует агент и зачем, должна появляться до того, как агент действует, а не после. Понятные экраны авторизации и минимальное раскрытие данных на каждом шаге вызывают больше доверия.

Прозрачность защищает автономию пользователя. Пользователи отказывались от предложений агента, когда скрытые комиссии или отсутствующая критически важная информация обнаруживались поздно в сценарии. Эффективность AI-помощи исчезает, если пользователи теряют доверие к его результатам.

Общий вывод: возможности агента сами по себе не определяют его успех у новых пользователей. Ключевые факторы — удобство использования, прозрачность и контроль пользователя над происходящим.