NN/g: фреймворк PACED для решения вопроса о раскрытии использования AI
Один из самых неоднозначных вопросов в дизайне AI-продуктов на первый взгляд кажется простым: стоит ли сообщать пользователям, когда AI участвовал в создании или влиял на содержание? Исследования дают противоречивые результаты, и статья Taylor Dykes для Nielsen Norman Group, опубликованная в сентябре 2026 года, объясняет почему — и предлагает структурированный подход к этому решению.
Парадокс раскрытия
Интуитивное предположение состоит в том, что прозрачность укрепляет доверие, а значит, раскрывать использование AI всегда правильно. Данные этого не подтверждают. В одних продуктовых контекстах пользователи, знавшие об участии AI, отмечали более высокую удовлетворённость; в других то же самое раскрытие снижало доверие или делало взаимодействие ощущавшимся неуместным. Dykes называет это парадоксом раскрытия: его эффект зависит от факторов, которые меняются в зависимости от аудитории, контекста и природы самого участия AI.
Фреймворк PACED
Dykes предлагает пятифакторный фреймворк — PACED — чтобы помочь командам решать, стоит ли раскрывать участие AI и как его обозначить.
Policy (Политика) — отправная точка. Во многих отраслях уже существуют регуляторные или корпоративные требования к раскрытию AI. Прежде чем применять другие факторы, дизайнерам нужно понять, каков минимально допустимый уровень. Там, где политика предписывает раскрытие, решение уже принято.
Audience (Аудитория) — это вопрос о том, кто пользователи и каковы их ожидания в отношении AI. Пользователи, ежедневно работающие с AI-инструментами, приходят с иным опытом, чем те, кто впервые сталкивается с AI-контентом. Одно и то же раскрытие может успокоить одну группу и насторожить другую.
Context (Контекст) касается природы задачи. Высокорисковые контексты — медицинские рекомендации, юридические резюме, финансовые советы — несут иные обязательства по раскрытию, чем низкорисковые, например предложение плейлиста или автоматически сгенерированная подпись. Пользователи склонны проявлять больше критичности к значимым результатам, а раскрытие сигнализирует, что она оправдана.
Expectations (Ожидания) — это то, что пользователи уже предполагают о продукте. Если пользователи ожидают контент, написанный человеком, осознание обратного создаёт разрыв, влияющий на удовлетворённость. Если категория продукта уже нормализовала участие AI, раскрытие вызывает меньше трений.
Degree (Степень) описывает фактический уровень участия AI. Полностью сгенерированный ответ отличается от того, где AI написал черновик, а человек его отредактировал, который, в свою очередь, отличается от AI-маршрутизации, невидимой пользователю. Статья выступает за раскрытие, пропорциональное степени: общие пометки «на основе AI» мало что говорят пользователю и могут восприниматься как шум, тогда как конкретное, контекстуализированное раскрытие — «этот текст сформирован на основе транскрипта» — даёт пользователю что-то actionable.
Для кого это полезно
Фреймворк не даёт бинарного ответа, а скорее задаёт структуру аргументации. Команды могут использовать его в дизайн-ревью, чтобы проверить, выдерживает ли решение о раскрытии проверку по пяти факторам, и выявить разногласия в допущениях об аудитории или классификации контекста до выхода в продакшн. Наиболее применим фреймворк для продуктовых и контент-дизайнеров, а также юридических и политических рецензентов, работающих над AI-функциями, где вопрос раскрытия ещё не решён.
Статья не требует технической подготовки и достаточно коротка, чтобы прочитать за один раз.