NN/g: Projektovanje AI agenata — 4 lekcije od kineskog Qwena
Feifei Liu i Maria Rosala iz Nielsen Norman Group proučile su Qwen — AI agenta od Alibabe koji se široko koristi u Kini — da razumeju šta se dešava kada obični korisnici prvi put naidu na agentne interfejse. Rezultat su četiri UX lekcije zasnovane na posmatranju stvarnog ponašanja korisnika, a ne na dizajn teoriji.
Članak je vredan jer Qwen funkcioniše u razmeri sa zaista širom korisničkom bazom — ne sa ranim pristalicama, već sa ljudima različitog stepena iskustva sa AI. Posmatranje kako ta publika snalazi u agentnim interakcijama otkriva propuste u dizajnu koje UX testiranje sa motivisanim učesnicima može propustiti.
Podržite otkrivljivost kroz redundanciju. Većina korisnika podrazumevano koristi poznate obrasce unosa umesto da istražuje nove načine interakcije. Qwen to rešava nudeći više ulaznih tačaka: chat interfejs i pregled zadataka po kategorijama. Automatski popunjeni upiti dobro funkcionišu za uske kategorije, ali šire teme imaju korist od pitanja za pojašnjenje pre nego što agent počne da radi. Zaključak za dizajnere: jedna ulazna tačka za AI funkciju ne zadovoljava korisnike koji ne znaju šta da pitaju.
Koristite poznate obrasce za smanjenje troška učenja. Kada interfejs preuzima poznate konvencije — Qwenov pregled zadataka podseća na aplikaciju za dostavu — korisnici se brže snalaze. Upozorenje: pozajmljeni obrasci moraju odgovarati kontekstu. Karuseli koji prikazuju samo jednu stavku pogrešno sugerišu koliko opcija ima. Poznatost pomaže pri onboardingu; neodgovarajuće primenjen obrazac stvara zabunu u pogrešnom trenutku.
Pažljivo rukujte ličnim podacima. Kada je Qwen prikazivao pune adrese korisnika bez objašnjenja, učesnici su osećali da im je narušena privatnost — čak i kada su sami dali pristup tim podacima. Transparentnost o tome koje podatke agent koristi i zašto mora da se pojavi pre nego što agent dela, a ne posle. Jasni ekrani za autorizaciju i minimalno otkrivanje podataka u svakom koraku grade poverenje.
Prioritizujte transparentnost za zaštitu autonomije. Korisnici su odustajali od predloga agenta kada su skrivene naknade ili nedostajuće ključne informacije otkrivene kasno u toku. Efikasnost AI pomoći nestaje ako korisnici izgube poverenje u rezultate.
Zajednički zaključak: same mogućnosti ne određuju uspeh AI agenta kod novih korisnika. Ključni faktori su upotrebljivost, transparentnost i korisnička kontrola.