NN/g: PACED framework za odlučivanje kada treba obelodaniti upotrebu AI
Jedno od neugodnijih pitanja u dizajnu AI proizvoda varljivo je jednostavno: treba li reći korisnicima kada je AI generisao ili uticao na nešto? Istraživanja o ovom pitanju dala su protivrečne rezultate, i članak Taylor Dykes iz Nielsen Norman Group, objavljen u septembru 2026. godine, objašnjava zašto — i nudi strukturisan pristup toj odluci.
Paradoks obelodanjivanja
Intuitivna pretpostavka je da transparentnost gradi poverenje i da je obelodanjivanje upotrebe AI stoga uvek ispravna odluka. Dokazi to ne potvrđuju jasno. U nekim produktnim kontekstima korisnici koji su znali da je AI bio uključen prijavili su veće zadovoljstvo; u drugima isto obelodanjivanje smanjilo je poverenje ili učinilo interakciju neodgovarajućom. Dykes to naziva paradoksom obelodanjivanja: efekat obelodanjivanja zavisi od faktora koji se menjaju zavisno od publike, konteksta i prirode samog učešća AI.
PACED framework
Dykes predlaže petofaktorski framework — PACED — koji pomaže timovima da odluče da li da otkriju učešće AI i kako da ga predstave.
Policy (Politika) je polazna tačka. Mnoge industrije sada imaju regulatorne ili korporativne zahteve za obelodanjivanje AI. Pre primene bilo kog drugog faktora, dizajneri moraju znati gde je minimum. Tamo gde politika nalaže obelodanjivanje, odluka je već doneta.
Audience (Publika) pita ko su korisnici i kakav odnos imaju s AI generalno. Korisnici koji svakodnevno rade s AI alatima dolaze s drugačijim pretpostavkama od onih koji se po prvi put susreću s AI sadržajem. Isto obelodanjivanje može umiriti jednu grupu i uznemiiriti drugu.
Context (Kontekst) tiče se prirode zadatka. Visokorizični konteksti — medicinske preporuke, pravni sažetci, finansijski saveti — nose drugačije obaveze obelodanjivanja od niskorizičnih, poput preporuke za plejlistu ili automatski generisanog opisa. Korisnici teže da budu kritičniji prema važnim rezultatima, a obelodanjivanje signalizira da je to opravdano.
Expectations (Očekivanja) gleda na ono što korisnici već pretpostavljaju o proizvodu. Ako korisnici generalno očekuju sadržaj koji pišu ljudi, saznanje o suprotnom stvara jaz koji utiče na zadovoljstvo. Ako je kategorija proizvoda normalizovala učešće AI, obelodanjivanje izaziva manje trvenja.
Degree (Stepen) pokriva stvarni nivo doprinosa AI. Potpuno generisan odgovor razlikuje se od onog gde je AI napravio nacrt a čovek ga uredio, što se opet razlikuje od AI rutiranja koje korisnik nikad ne vidi. Članak zagovara obelodanjivanje srazmerno stepenu: opšte oznake “powered by AI” malo govore korisnicima i mogu izgledati kao buka, dok specifično, kontekstualizovano obelodanjivanje — “ovaj sažetak je generisan iz transkripta” — daje korisnicima nešto korisno.
Zašto je korisno
Framework ne daje binarni odgovor koliko strukturisan argument. Timovi ga mogu koristiti na design review-ima da testiraju da li odluka o obelodanjivanju izdržava provjeru kroz pet faktora, i da otkriju neslaganja u pretpostavkama o publici ili klasifikaciji konteksta pre nego što stignu do produkcije. Najdirektnije je primenljiv za produktne i content dizajnere, kao i pravne i policy recenzente koji rade na AI funkcijama gde je pitanje obelodanjivanja još otvoreno.