Nielsen Norman Group: Ориентированный на результат дизайн в эпоху AI

Кейт Моран и Сара Гиббонс из Nielsen Norman Group записали это трёхминутное видео в марте 2026 года. В нём представлена концепция, которую они называют outcome-oriented design («дизайн, ориентированный на результат»), и утверждается, что AI меняет фундаментальный вопрос, на который отвечают дизайнеры и исследователи: от «что работает для типичного пользователя» к «что конкретному пользователю нужно выполнить».

Кому адресовано видео: UX-исследователям, продуктовым дизайнерам и руководителям исследований, работающим над продуктами на основе AI и нуждающимся в чётком переосмыслении того, как должны меняться исследовательские задачи, когда сам продукт адаптивен. Видео предполагает знакомство со стандартной практикой UX. Оно короткое и концептуальное — полезно как отправная точка для командного обсуждения, а не как практическое руководство.

Ключевые выводы:

1. Оптимизация под среднего пользователя менее актуальна, когда продукт адаптируется. Традиционное UX-исследование выявляет, что работает для репрезентативного диапазона пользователей, и информирует дизайн, который учитывает этот диапазон. Когда продукт может подстраиваться под конкретных пользователей в реальном времени, проектирование под среднего теряет смысл. Исследовательский вопрос смещается от «что является правильным дизайном» к «какие цели преследуют пользователи и как система должна их распознавать и реагировать на них».

2. Outcome-oriented design означает определение адаптивных фреймворков, а не фиксированных интерфейсов. Вместо того чтобы задавать единственный сценарий или макет, дизайнеры, работающие над AI-продуктами, определяют параметры, в рамках которых система адаптируется: что она может менять, при каких условиях, с ориентацией на какие пользовательские цели. Исследование информирует эти параметры, а не единственное решение.

3. Понимание индивидуальных целей становится ключевой исследовательской задачей. Если продукт будет реагировать на то, чего конкретные пользователи пытаются достичь, исследователям нужны более богатые данные на уровне целей, чем те, что обычно производят стандартные исследования удобства использования. Вопрос не в том, могут ли пользователи выполнить задачу, а в том, чего они стараются достичь и насколько точна интерпретация этой цели системой.

4. Это переосмысление применимо к исследователям, оценивающим AI-системы, а не только к дизайнерам, создающим их. При тестировании AI-продукта стандартные метрики выполнения задач недостаточны, поскольку поведение продукта меняется для каждого пользователя. Оценка должна учитывать, правильно ли система считывает намерение пользователя и адекватно ли адаптируется — а это требует методов исследования, захватывающих цели и контекст наряду с поведением.

Видео является частью серии контента NN/g 2026 года о влиянии AI на UX-практику. Оно сопровождается ссылками на связанные статьи и учебные курсы. При длительности три минуты видео раскрывает одну идею, а не широкий аргумент, что упрощает его распространение среди стейкхолдеров, не погружённых в UX-исследования, которым необходимо понять, чем AI-продукты отличаются от традиционных.

Стоит посмотреть, если: Ваша команда начинает проектировать или оценивать функции на основе AI и нуждается в конкретном переосмыслении того, как меняются исследовательские задачи при адаптивном продукте. Также полезно, если вы обосновываете перед стейкхолдерами, почему исследование AI-продуктов требует других методов, чем стандартное тестирование удобства использования.