طراحی محصول مبتنی بر هوش مصنوعی: چگونه محصولاتی بسازیم که هوش مصنوعی را در اولویت قرار دهند، نه اینکه وابسته به هوش مصنوعی باشند

یک محصول بومی هوش مصنوعی، محصولی است که حذف مدل آن هیچ چیز قابل استفاده‌ای باقی نمی‌گذارد. اکثر محصولاتی که امروزه خود را بومی هوش مصنوعی می‌نامند، بدون هوش مصنوعی نیز به خوبی کار می‌کنند، به این معنی که آنها بومی هوش مصنوعی نیستند. آنها به هوش مصنوعی مجهز شده‌اند و تفاوت در برندسازی نیست، بلکه در معماری است.

ساده‌ترین آزمایش، آزمایش حذف است. محصول را باز کنید، از نظر ذهنی هر فراخوانی مدل، هر پنل چت، هر دکمه درخشان، هر خط "خلاصه هوش مصنوعی" را حذف کنید. چه چیزی باقی می‌ماند؟ اگر پاسخ یک محصول کاملاً کاربردی است که چند جلوه از دست داده است، محصول به هوش مصنوعی مجهز شده است. اگر پاسخ یک پوسته توخالی است که سطح اولیه خود را از دست داده است، محصول بومی هوش مصنوعی است. Linear فقط در سطوح جدیدتر خود از آزمایش حذف عبور می‌کند. Cursor فوراً در آزمایش حذف شکست می‌خورد زیرا بدون مدل چیزی باقی نمی‌ماند. اکثر SaaSهای سازمانی که در سال 2024 یک نوار کناری چت ارائه دادند، با از دست دادن هیچ چیز مهمی، آزمایش حذف را پشت سر می‌گذارند، که این کیفرخواست است.

این قطعه، نسخه عملیاتی آن آزمون است. شش اصلی که هوش مصنوعی بومی را از هوش مصنوعی تقویت‌شده جدا می‌کند، پنج بررسی واقعی محصول از Linear، Cursor، Granola، Perplexity و Arc Search که نحوه عرضه هر اصل را نشان می‌دهد، دو داستان هشداردهنده از محصولاتی که هوش مصنوعی را به یک پنل کناری متصل کرده‌اند و چیزی برای آن دریافت نکرده‌اند، و یک چک لیست قبل از عرضه که هر تیمی می‌تواند قبل از عرضه، روی یک نسخه عملیاتی اجرا کند.

هوش مصنوعی بومی به این معنی است که مدل، محصول است، نه یک ویژگی

عبارت "هوش مصنوعی بومی" با یک کلید OpenAI و یک جلوه درخشش به هر محصولی اطلاق می‌شود که این اصطلاح را تهی کرده است. تعریف عملی آن واضح‌تر است. یک محصول هوش مصنوعی بومی، محصولی است که در آن مدل، سطح اصلی است و بقیه رابط کاربری برای قابل استفاده، پاسخگو و سریع کردن مدل وجود دارد. پنل چت، فیلدهای فرم، داشبوردها، ریل‌های کناری، همه اینها داربست هستند. مدل، دیوار تحمل بار است.

این موضوع تا زمانی که به نحوه‌ی عرضه‌ی محصولات نگاه نکنید، واضح به نظر می‌رسد. الگوی استاندارد سازمانی ۲۰۲۴ این بود که داشبورد موجود را دست نخورده نگه دارند و یک پنل چت را به لبه‌ی سمت راست آن متصل کنند. مدل در محصول وجود دارد، اما محصول حول آن ساخته نشده است. کاربر می‌تواند پنل چت را نادیده بگیرد و هر کاری را که برای آن آمده است با استفاده از رابط کاربری اصلی انجام دهد. این تعریفِ هوش مصنوعیِ متصل به محصول است، مهم نیست که آیکون درخشان چقدر برجسته باشد.

نسخه‌ی بومی هوش مصنوعی همان محصول، گردش کار اولیه را حول مدل بازسازی می‌کرد. داشبورد به یک اعلان تبدیل می‌شود. فرم به یک مکالمه تبدیل می‌شود. خروجی به یک نسل تبدیل می‌شود. مدل دیگر چیزی نیست که بتوانید نادیده بگیرید، بلکه خودِ سطح است. عرضه‌ی این محصول بسیار دشوارتر است، به همین دلیل است که اکثر تیم‌ها به افزونه راضی می‌شوند.

شش اصل طراحی محصول بومی هوش مصنوعی

مدل به عنوان سطح اصلی، ورودی سریع، عاملیت به طور پیش‌فرض، سطوح شفافیت، آشکارسازی عمدی مدل و تأخیر به عنوان یک محدودیت طراحی. هر محصول بومی هوش مصنوعی که ارزش مطالعه دارد، ترکیبی از این شش مورد را ارائه می‌دهد.

این اصول یک چک لیست نیستند، به این معنا که رسیدن به چهار مورد از شش مورد، یک محصول بومی هوش مصنوعی را می‌سازد. آنها یک وضعیت هستند. تیمی که از روز اول با مدل به عنوان سطح رفتار می‌کند، به طور طبیعی به بیشتر این موارد خواهد رسید. تیمی که با مدل به عنوان یک ویژگی اضافه شده در اسپرینت دوازدهم رفتار می‌کند، در همه آنها شکست خواهد خورد و یک نوار کناری چت ارائه می‌دهد.

اصول زیر به عنوان تصمیمات، نه ویژگی‌ها، تدوین شده‌اند. هر یک از آنها یک وضعیت پیش‌فرض برای یک محصول بومی هوش مصنوعی و یک وضعیت پیش‌فرض برای یک محصول متصل به هوش مصنوعی دارد. شکاف بین این دو وضعیت، چیزی است که Cursor را از هر ویرایشگر متنی با افزونه Copilot متمایز می‌کند.

مدل به عنوان سطح اصلی، نه پنل کناری

اصل اول، ساده‌ترین و نقض‌شده‌ترین اصل است، زیرا هر SaaS سازمانی که یک نوار کناری چت ارائه می‌دهد، از همان روز اول این اصل را نقض می‌کند.

سطح اصلی به این معنی است که مدل چیزی است که کاربر هنگام باز کردن محصول، ابتدا به آن می‌رسد. پنل کناری به این معنی است که مدل در کنار رابط کاربری موجود قرار می‌گیرد، در صورت تقاضا در دسترس است و به طور پیش‌فرض نادیده گرفته می‌شود. Perplexity سطح اصلی است. Notion دستور اسلش هوش مصنوعی عمدتاً سطح اصلی در داخل متن نوشتاری است. به طور خلاصه، سطح اصلی به عنوان یک پوشش روی کل صفحه نمایش است. نماد جرقه چت که در سمت راست هر داشبورد SaaS استاندارد قرار دارد، ایده‌آل افلاطونی پنل کناری است.

آزمون جایی است که کاربر هنگام باز کردن محصول به آن می‌رسد. اگر اولین چیزی که می‌بیند یک فیلد سریع، یک سطح پاسخ یا یک نمای اولیه مبتنی بر مدل باشد، محصول سطح اصلی است. اگر اولین چیزی که می‌بینند داشبورد اصلی با یک آیکون چت در گوشه باشد، محصول به پنل کناری می‌رود و هوش مصنوعی توسط هر کسی که از جلسه اول گذشته باشد، نادیده گرفته می‌شود.

راه حل برای یک محصول موجود، ظریف نیست. پنل چت نمی‌تواند در سمت راست ثابت بماند. مدل یا باید جایگزین سطح اولیه شود یا به عنوان یک اقدام درجه یک به گردش کار مرکزی ارتقا یابد. این یک طراحی مجدد است، نه یک ویژگی، به همین دلیل است که اکثر تیم‌ها از انجام این کار خودداری می‌کنند و به جای آن نوار کناری را ارسال می‌کنند.

ورودی سریع جایگزین فرم به عنوان ورودی می‌شود

اصل دوم، خود مدل ورودی است، جایی که زبان طبیعی جایگزین منوی کشویی، ویزارد چند مرحله‌ای و فرم حالت خالی می‌شود.

ورودی سریع به این معنی است که کاربر آنچه را که می‌خواهد با کلمات خود تایپ می‌کند و مدل ساختار را تشخیص می‌دهد. ورودی سریع به این معنی است که کاربر فیلدهای ساختار یافته‌ای را که محصول از پیش تعریف کرده است پر می‌کند و مدل کاری برای انجام دادن ندارد. Cmd-K در Cursor، ورودی سریع است. پالت فرمان Linear به همراه هوش مصنوعی، اعلان به عنوان ورودی است. Perplexity کل محصول به عنوان یک اعلان است. فیلد ورودی تصویر Krea، اعلان به عنوان ورودی است که با تصاویر مرجع تکمیل شده است. Lovable اعلان به عنوان ورودی است که کل برنامه را از یک جمله می‌سازد.

فرم به عنوان ورودی همیشه اشتباه نیست. برخی از داده‌های ساختاریافته واقعاً به یک فرم تعلق دارند و تحمیل هر تعامل از طریق یک اعلان، جرم طراحی خود است. این رشته از ما می‌پرسد که مدل می‌تواند کدام ورودی‌ها را بهتر از یک فرم انجام دهد، سپس ابتدا آن فرم‌ها را جایگزین می‌کند. صفحات پیکربندی، فیلترهای جستجو، سازندگان گزارش، رابط‌های پرس‌وجو، همه اینها نامزدهای اصلی هستند. نام، ایمیل و کارت اعتباری کاربر اینگونه نیستند.

اشکالی که اکثر محصولات ارائه می‌دهند این است که هر فرم را دست نخورده نگه می‌دارند و یک اعلان را به عنوان نقطه ورود جایگزین اضافه می‌کنند. کاربر اکنون باید دو روش برای انجام همان کار یاد بگیرد، که از هر دو به تنهایی بدتر است. این دستور باید جایگزین فرم شود، نه اینکه با آن همزیستی داشته باشد، و تیم باید مایل باشد که وقتی دستور از آن بهتر عمل می‌کند، فرم را منسوخ کند.

عاملیت به طور پیش‌فرض به این معنی است که محصول عمل می‌کند، نه اینکه بپرسد

اصل سوم، وضعیت خودمختاری است، که در آن محصولات بومی هوش مصنوعی بدون انتظار برای اجازه کار را انجام می‌دهند و محصولات متصل به هوش مصنوعی با هر ضربه کلید، درخواست تأیید می‌کنند.

عاملیت به طور پیش‌فرض به این معنی است که محصول وقتی کاربر قصد خود را بیان می‌کند، اقدام را انجام می‌دهد، سپس نشان می‌دهد که چه کاری انجام داده و به کاربر اجازه می‌دهد آن را لغو کند. مجوز به طور پیش‌فرض به این معنی است که محصول پیشنهاد انجام اقدام را می‌دهد، کاربر روی تأیید کلیک می‌کند، محصول دوباره درخواست می‌کند و کاربر منصرف می‌شود. عامل مکان‌نما بدون پرسیدن، فایل‌ها را ویرایش می‌کند. گرانولا یادداشت‌ها را بدون پرسیدن رونویسی و تکمیل می‌کند. Arc جستجو بدون پرسیدن، مرور، خلاصه و ارائه پاسخ می‌کند. محصول در حال عمل است، نه مذاکره.

این بده بستان واقعی است. عاملیت به طور پیش‌فرض به یک قابلیت لغو، یک مسیر حسابرسی و یک سطح روشن برای کاری که مدل انجام داده است، نیاز دارد. بدون این موارد، عاملیت خصمانه می‌شود، محصول اقداماتی را انجام می‌دهد که کاربر نمی‌خواسته و اعتماد از بین می‌رود. نظم، عاملیت ارسال به همراه سطح بازیابی است، نه عاملیت ارسال به تنهایی و امید به اینکه چیزی خراب نشود. همین بده بستان در مورد بحث گسترده‌تر الگوهای طراحی رابط کاربری عامل نیز صدق می‌کند، جایی که اسلایدر استقلال یک کنترل درجه یک است.

نسخه هشداردهنده، محصولی است که در هر اقدام می‌پرسد "آیا می‌خواهید من..."؟ هر تأیید هزینه یک کلیک دارد، جریان را مختل می‌کند و نشان می‌دهد که مدل واقعاً توسط تیمی که آن را ساخته است، مورد اعتماد نیست. اگر تیم به مدل اعتماد نداشته باشد، کاربر نیز اعتماد نخواهد کرد و وضعیت عاملیت باید تا زمانی که اصطکاک از حالت محافظتی خارج شود و به حالت بزدلی تغییر کند، افزایش یابد.

سطوح شفافیت، مدل را پاسخگو می‌کنند

اصل چهارم، حلقه اعتماد است، جایی که محصول آنچه را که مدل دیده، آنچه را که تصمیم گرفته و چرا، در سطحی که کاربر واقعاً می‌تواند بخواند، نشان می‌دهد.

شفافیت با افشای اعلان سیستم یکسان نیست. شفافیت به این معنی است که کاربر می‌تواند در صورت تقاضا به سه سؤال پاسخ دهد. مدل به چه زمینه‌ای دسترسی داشته است؟ مدل چه اقدامی انجام داده است؟ مدل چه چیزی تولید کرده است و منبع آن کجاست؟ Perplexity این را با استناد به هر ادعا ارسال می‌کند. Cursor این را با یک diff در هر ویرایش ارسال می‌کند. Granola این را با متن خام در کنار یادداشت‌های افزوده ارسال می‌کند. کاربر هرگز از خود نمی‌پرسد که آیا مدل چیزی را اختراع کرده است یا خیر، زیرا منبع با یک کلیک فاصله دارد.

نقطه مقابل آن الگوی جعبه جادویی است که در آن مدل یک خروجی تولید می‌کند و کاربر هیچ راهی برای تأیید آن ندارد. Notion ویژگی خلاصه قدیمی‌تر هوش مصنوعی برای مدتی به این شکل ارسال می‌شد، جایی که خلاصه ظاهر می‌شد و کاربر باید به آن اعتماد می‌کرد. راه حل، اضافه کردن استنادها و راهی برای دیدن محتوای خلاصه شده بود. درس این است که سطوح شفافیت در یک محصول بومی هوش مصنوعی اختیاری نیستند، آنها مکانیسم اعتمادی هستند که محصول را از تبدیل شدن به یک ماشین توهم باز می‌دارد.

نظم این است که سطح شفافیت را از روز اول ارسال کنید، نه اینکه پس از از بین رفتن اعتماد، آن را دوباره بسازید. محصولی که بدون استناد ارسال شده و اکنون آنها را اضافه می‌کند، کنترل آسیب را انجام می‌دهد. محصولی که با استناد به نسخه اول عرضه شده، کار خود را انجام می‌دهد.

جزئیات مدل را به طور پیش‌فرض پنهان کنید، آنها را عمداً آشکار کنید

اصل پنجم، نظم و انضباط در زمان نمایش دما، نام مدل و پیام‌های سیستم است و پاسخ تقریباً هرگز در سطح اصلی نیست.

کاربر اهمیتی نمی‌دهد که کدام نوع مدل در حال اجرا است. آنها اهمیت می‌دهند که آیا پاسخ خوب، سریع و قابل تأیید است یا خیر. نمایش نام مدل در سطح اصلی، نشتی از مدل ذهنی تیم محصول به مدل ذهنی کاربر است و نشان می‌دهد که تیم هنوز تصمیم نگرفته است که محصول واقعاً چیست. ChatGPT قبلاً انتخابگر مدل را به طور برجسته ارسال می‌کرد، سپس بی‌سروصدا آن را تنزل داد زیرا اکثر کاربران نمی‌دانستند GPT-4-Turbo در مقایسه با GPT-4o به چه معناست و این انتخاب به جای ارزش، باعث فلج تصمیم‌گیری می‌شد.

استثنا، سطح کاربر قدرتمند است. مکان‌نما انتخاب مدل را نمایش می‌دهد زیرا کاربران آن توسعه‌دهندگانی هستند که می‌خواهند انتخاب کنند. Claude Code انتخاب مدل را به همین دلیل نمایش می‌دهد. Krea پارامترهای تولید را نمایش می‌دهد زیرا کاربرانش می‌خواهند آنها را تنظیم کنند. الگوی کار این است که جزئیات مدل را به طور پیش‌فرض در سطح مصرف‌کننده پنهان می‌کند، سپس آنها را در یک پنل تنظیمات یا یک حالت پیشرفته برای کاربرانی که صریحاً کنترل را می‌خواهند، آشکار می‌کند.

این اشکال، انتخابگر مدل را در صفحه اصلی محصولی قرار می‌دهد که مخاطب آن نمی‌داند مدل‌ها چه هستند. هر عرشه راه‌اندازی محصول هنوز انتخابگر مدل را در تصویر قهرمان دارد. بهتر است اکثر این محصولات آن را پنهان کنند و به تیم اجازه دهند به طور نامرئی به مدل مناسب هدایت شود.

تأخیر یک محدودیت طراحی درجه یک است

اصل ششم این است که اگر یک محصول بومی هوش مصنوعی بیش از دو ثانیه طول بکشد تا شروع به پخش کند، احساس کندی می‌کند و طراحی باید قبل از مهندسی، این درک را اصلاح کند.

تأخیر فقط یک عدد عملکرد نیست، بلکه ریتم محصول است. مکث دو ثانیه‌ای قبل از اولین توکن، فضای مرده است و کاربر آن فضا را با شک پر می‌کند. این راه حل ترکیبی از پخش توکن به توکن پاسخ (به طوری که کاربر بلافاصله حرکت را ببیند)، نشان دادن یک حالت اسکلت یا سوسو زدن است که نوید پاسخی در حال آمدن را می‌دهد، و نمایش نتایج جزئی به محض در دسترس بودن آنها. Perplexity هر سه را انجام می‌دهد. مکان نما هر سه را انجام می‌دهد. اکثر نوارهای کناری چت SaaS سازمانی هیچ یک از آنها را انجام نمی‌دهند و در هر تعامل احساس خرابی می‌کنند.

محدودیت طراحی ناشی از این امر این است که محصول را نمی‌توان بدون آزمایش تأخیر واقعی مدل طراحی کرد. نمونه اولیه‌ای که در برابر یک مدل آزمایشی سریع اجرا می‌شود، مشکلات تأخیر را آشکار نمی‌کند و تیم محصولی را ارسال می‌کند که در بررسی طراحی کار کرده و در تولید کند به نظر می‌رسد. نظم و انضباط این است که با تأخیر واقعی از نمونه اولیه اول طراحی شود، سپس یا برداشت را اصلاح کنید یا معماری را تغییر دهید تا ریتم درست به نظر برسد.

پنج محصول بومی هوش مصنوعی، حاشیه نویسی شده

اصول فقط در صورتی اهمیت دارند که از تماس با محصولات ارسال شده جان سالم به در ببرند، بنابراین در اینجا پنج مورد از انجام درست آن امروز آمده است.

هر بررسی کوتاه و ملموس است. اینکه محصول در هر اصل چه می‌کند، کجا برنده می‌شود و کجا پول را روی میز می‌گذارد. هیچ‌کدام از این‌ها بی‌نقص نیستند. همه آن‌ها بسیار بالاتر از خط پایه هوش مصنوعی عمل می‌کنند، که همین امر آن‌ها را ارزشمند می‌کند.

Linear، هوش مصنوعی بومی به عنوان سطح فرمان آرام

هوش مصنوعی Linear تا زمانی که آن را احضار نکنید، نامرئی است، سپس سریع‌ترین مسیر برای هر عملی در محصول است.

سطح: هوش مصنوعی در نوار فرمان موجود قرار دارد، که در حال حاضر جایی است که کاربران قدرتمند Linear بیشتر کار خود را انجام می‌دهند، بنابراین مدل، سطح اصلی برای مخاطب است که اهمیت دارد. سرعت: سرعت محض به عنوان ورودی از طریق دستورات زبان طبیعی. عاملیت: بالا، هوش مصنوعی مسائل را ایجاد می‌کند، توضیحات را ویرایش می‌کند و بدون مذاکره، اولویت‌بندی می‌کند. شفافیت: عمل در جدول زمانی به عنوان یک رویداد عادی Linear قابل مشاهده است. آشکار کردن: جزئیات مدل پنهان است، حتی تریگر هم بیشتر شبیه یک ویژگی Linear به نظر می‌رسد تا یک ویژگی هوش مصنوعی. تأخیر: پاسخ‌های جاری، تریگر فوری.

جایی که Linear پول را رها می‌کند. هوش مصنوعی پشت فراخوانی نوار فرمان محصور شده است، به این معنی که کاربران جدید دیر آن را کشف می‌کنند. یک ورود صریح‌تر با اولویت هوش مصنوعی، پذیرش را برای دنباله بلند افزایش می‌دهد بدون اینکه حالت آرام کاربران حرفه‌ای را بشکند.

مکان‌نما، بومی هوش مصنوعی به عنوان خود ویرایشگر

مکان‌نما چیزی است که وقتی دیگر هوش مصنوعی را به VS Code وصل نمی‌کنید و ویرایشگر را در اطراف مدل بازسازی می‌کنید، اتفاق می‌افتد و نتیجه، تمیزترین ابزار توسعه‌دهنده بومی هوش مصنوعی است که تا به امروز عرضه شده است.

سطح: مدل همه جا هست، Cmd-K، حالت عامل، تکمیل خودکار، چت، همه در سطح ویرایشگر تنیده شده‌اند. اعلان: اعلان به عنوان ورودی اقدام اصلی است، ویرایشگر هنوز منوهایی دارد اما اعلان بیشتر کار را انجام می‌دهد. عاملیت: در حالت عامل بسیار بالا، محصول فایل‌ها را ویرایش می‌کند، دستورات را اجرا می‌کند و تفاوت‌ها را ارسال می‌کند. شفافیت: هر تغییر یک تفاوت است که کاربر بررسی می‌کند، هر عملی ثبت می‌شود. آشکارسازی: جزئیات مدل در معرض دید قرار می‌گیرد زیرا مخاطب توسعه‌دهندگانی هستند که آنها را می‌خواهند. تأخیر: پخش جریانی، تماس‌های موازی، رابط کاربری خوش‌بینانه.

جایی که مکان‌نما پول می‌گذارد. رابط کاربری حالت عامل هنوز مانند یک پنل چت متصل به ویرایشگر در برخی جریان‌ها احساس می‌شود، جایی که باید بیشتر در تجربه درون‌خطی بافته شود. محکم‌تر کردن این ادغام، مکان‌نما را بیشتر به قلمرو سطح هسته سوق می‌دهد.

گرانولا، بومی هوش مصنوعی به عنوان رونویسی خاموش با مغز

گرانولا با مدل به عنوان یک لایه محیطی رفتار می‌کند که در حالی که کاربر یادداشت‌های دستی را می‌نویسد، اجرا می‌شود، سپس پس از جلسه، آن یادداشت‌ها را بی‌سروصدا افزایش می‌دهد.

سطح: مدل کل مرحله تقویت است که ارزش اصلی محصول است. خود سطح یادداشت‌برداری مرسوم است، اما غشایی روی مدل است. سرعت: کمتر از اکثر موارد، سرعت به عنوان ورودی، و بیشتر سرعت به عنوان پس‌پردازش، که در آن یادداشت‌های دستی کاربر به سرعت برای تقویت تبدیل می‌شوند. عاملیت: بالا، تقویت بدون درخواست انجام می‌شود. شفافیت: متن خام و یادداشت‌های تقویت‌شده در کنار هم قرار می‌گیرند، کاربر می‌تواند هر ادعایی را تأیید کند. آشکارسازی: جزئیات مدل پنهان است، کاربر نمی‌داند کدام مدل اجرا شده است. تأخیر: پس از جلسه، بنابراین تأخیر یک نگرانی در زمان واقعی نیست.

جایی که گرانولا پول به جا می‌گذارد. این محصول می‌تواند با اجازه دادن به کاربر برای هدایت تقویت با یک سرعت سریع پس از جلسه، به جای تکیه کامل بر پیش‌فرض خاموش، بیشتر به سمت سرعت به عنوان ورودی متمایل شود. افزودن این سطح، وضعیت بومی هوش مصنوعی را بدون شکستن پیش‌فرض محیطی، به کنترل ویرایش کاربر گسترش می‌دهد.

Perplexity، هوش مصنوعی بومی به عنوان خود موتور جستجو

Perplexity جستجو را حول یک مدل و یک پاسخ بازسازی کرد، و ورودی مدل است، سطح مدل است و نتیجه مدل است.

سطح: حداکثر سطح اصلی، کل محصول مدل است. اعلان: اعلان به عنوان ورودی تنها مدل تعامل است. آژانس: متوسط، مدل بدون پرسیدن به سوال پاسخ می‌دهد، اما کاربر همچنان هر تعامل را به صراحت هدایت می‌کند. شفافیت: استنادها در هر ادعا، منابع به صورت درون خطی نمایش داده می‌شوند، سوالات پیگیری ظاهر می‌شوند. آشکار شدن: جزئیات مدل که عمدتاً در سطح مصرف‌کننده پنهان هستند، در تنظیمات حرفه‌ای نمایان می‌شوند. تأخیر: پخش، اولین نشانه سریع، نتایج جزئی در طول جستجوهای عمیق‌تر.

جایی که Perplexity پول باقی می‌گذارد. حالت تحقیق عمیق عامل‌محور هنوز به سطح اصلی پیوند خورده است، جایی که می‌توانست بهتر به عنوان یک اسلایدر عمق به جای یک حالت جداگانه در جریان پاسخ ادغام شود. این ادغام، اصل آژانس را برای کاربران تازه‌کار خواناتر می‌کند.

Arc جستجو، بومی هوش مصنوعی به عنوان تب مرورگر

Arc جستجو کل حلقه مرور و خلاصه‌سازی را در یک ضربه خلاصه می‌کند و هوش مصنوعی خود تب است نه یک پنل متصل به آن.

سطح: مدل جایگزین صفحه می‌شود، "مرور برای من" یک پاسخ را برمی‌گرداند، نه لیستی از لینک‌ها. درخواست: درخواست به عنوان ورودی از طریق نوار آدرس، که طبیعی‌ترین سطح درخواست در یک مرورگر است. آژانس: بسیار بالا، محصول از چندین صفحه بازدید می‌کند، آنها را خلاصه می‌کند و یک نتیجه ترکیبی را بدون پرسیدن ارائه می‌دهد. شفافیت: لینک‌های منبع در پایین نتیجه ترکیبی قرار می‌گیرند. آشکارسازی: جزئیات مدل کاملاً پنهان هستند، هوش مصنوعی به عنوان زیرساخت نامرئی است. تأخیر: به طرز شگفت‌آوری برای یک اقدام عامل چند صفحه‌ای سریع است، درک آن توسط یک حالت بارگذاری دقیق کمک می‌شود.

جایی که جستجو Arc پول به جا می‌گذارد. پاسخ ترکیبی می‌تواند به روش‌های ظریفی اشتباه باشد و سطح شفافیت (منابع لینک‌شده) کاربردی است اما به راحتی از دست می‌رود. ترویج بیشتر ارجاعات منابع در متن پاسخ، حلقه اعتماد را بدون شکستن جایگاه هوش مصنوعی، افزایش می‌دهد.

محصولی می‌خواهید که هوش مصنوعی در سطح آن باشد، نه یک آیکون درخشان که در گوشه قرار گرفته باشد؟ استخدام ⟦برند ۰⟧. UXBrainy استراتژی محصول و ممیزی طراحی مبتنی بر هوش مصنوعی را ارائه می‌دهد. AppBrainy رابط کاربری کامل محصول مبتنی بر هوش مصنوعی را برای تیم‌هایی که ابزارهای Cursor-grade می‌سازند، ارائه می‌دهد. ClaudeBrainy یک بسته مهارت و کتابخانه سریع را برای تیم‌هایی که می‌خواهند ویژگی‌های هوش مصنوعی مانند محصولات موجود در این لیست ساخته شوند، نه مانند نوار کناری چت ۲۰۲۴، ارائه می‌دهد.

دو داستان هشداردهنده از هوش مصنوعی که در یک پنل کناری قرار گرفته‌اند

به ازای هر محصول مبتنی بر هوش مصنوعی که اعتماد را جلب می‌کند، یک SaaS سازمانی وجود دارد که در سال ۲۰۲۴ یک نوار کناری چت ارائه داده، شاهد کاهش استفاده بوده و اکنون از خود می‌پرسد که چرا هیچ‌کس روی آیکون درخشان کلیک نمی‌کند.

این دو الگو در حال حاضر در همه جای نرم‌افزارهای سازمانی وجود دارند و هر دو در ده ثانیه اول استفاده از محصول قابل تشخیص هستند. آنها شکل‌های استانداردِ متصل به هوش مصنوعی هستند و هر تیمی که قصد دارد یکی از آنها را منتشر کند، باید قبل از انتشار نسخه نهایی، در مورد آنها تجدید نظر کند.

نوار کناری چت که هیچ‌کس بازش نمی‌کند

اولین الگوی هشداردهنده، پنل هوش مصنوعی است که در سمت راست رابط کاربری موجود قرار گرفته است، که هیچ چیزی به گردش کار اضافه نمی‌کند و با آن برای فضای صفحه نمایش رقابت می‌کند.

شکل آشناست. یک CRM، یک ابزار پروژه، یک میز کمک، یک داشبورد تحلیلی، همگی یک پنل چت را به سمت راست اضافه می‌کنند که یک آیکون درخشان نوید کمک مبتنی بر هوش مصنوعی را می‌دهد. کاربر یک بار آن را باز می‌کند، سوالی می‌پرسد، یک پاسخ کلی دریافت می‌کند که زمینه اطراف را درک نمی‌کند، آن را می‌بندد و دیگر هرگز آن را باز نمی‌کند. پنل چت در محصول باقی می‌ماند زیرا تیم آن را در سخنرانی اصلی راه‌اندازی کرد، نه به این دلیل که کاربران آن را می‌خواستند.

راه حل، پنل چت را بهتر نمی‌کند. راه حل، حذف پنل چت و بازسازی گردش کار اولیه حول مدل است. فرم را با یک اعلان جایگزین کنید. سازنده گزارش را با یک نسل جایگزین کنید. نوار جستجو را با یک سطح پاسخ جایگزین کنید. مدل باید در مسیر باشد، نه در کنار آن. تیم‌هایی که از این طراحی مجدد امتناع می‌کنند، به ارسال نوارهای کناری چت ادامه می‌دهند و مدام از خود می‌پرسند که چرا میزان مشارکت هوش مصنوعی آنها یک درصد است.

دکمه درخشان که چیزهایی را که هیچ‌کس از آنها نخواسته خلاصه کند، خلاصه می‌کند

دومین الگوی هشداردهنده، عصای جادویی است که به هر فیلد متنی پیچ شده است، جایی که هوش مصنوعی پیشنهاد بازنویسی، خلاصه کردن یا گسترش هر ورودی را می‌دهد و کاربر همچنان تایپ می‌کند.

شکل: هر فیلد فرم، هر ورودی متن، هر کادر نظر یک دکمه درخشان کوچک دریافت می‌کند که به هوش مصنوعی کمک می‌کند. تیم آن را ارسال کرد زیرا آسان بود. کاربر آن را نادیده می‌گیرد زیرا هوش مصنوعی به اندازه کافی در مورد زمینه اطراف آن نمی‌داند که مفید باشد و کلیک بر روی دکمه توجه بیشتری را نسبت به نوشتن خود جمله می‌طلبد. دکمه مانند صدف در سطح محصول جمع می‌شود و معیاری که تیم دنبال می‌کند (قابلیت مشاهده دکمه) بالا است در حالی که معیاری که مهم است (رضایت کاربر) مسطح است.

اصلاح همان شکل اصلاح نوار کناری چت است، با دامنه کوچکتر. دو یا سه فیلد متنی را که هوش مصنوعی واقعاً به آنها کمک می‌کند (محتوای طولانی، استخراج داده‌های ساختاریافته، خلاصه‌سازی اسناد بزرگ) انتخاب کنید و یک تجربه عمیق مبتنی بر هوش مصنوعی را در آنجا ارائه دهید. دکمه جرقه را از هر فیلد دیگر حذف کنید. محصول اکنون در سطوحی که مهم هستند، مبتنی بر هوش مصنوعی است و نویز حذف شده است.

چک لیست پیش از ارسال برای محصولات مبتنی بر هوش مصنوعی

این چک لیست را روی هر محصولی که ادعا می‌کند مبتنی بر هوش مصنوعی است اجرا کنید و الگوهای تثبیت‌شده را قبل از رسیدن به یک کاربر واقعی خواهید دید.

1. آزمون حذف. از نظر ذهنی هر فراخوانی مدل را از محصول حذف کنید. چه چیزی باقی می‌ماند؟ اگر یک محصول کامل و کاربردی باقی بماند، محصول مبتنی بر هوش مصنوعی است. اگر یک پوسته توخالی باقی بماند، محصول مبتنی بر هوش مصنوعی است.

2. آزمون سرد-باز. محصول را سرد باز کنید. اولین سطحی که کاربر روی آن قرار می‌گیرد چیست؟ اگر یک فیلد سریع، یک سطح پاسخ یا یک نمای اولیه مبتنی بر مدل باشد، اصل سطح برقرار است. اگر رابط کاربری اصلی با یک آیکون چت در گوشه باشد، اصل سطح شکست می‌خورد.

۳. بررسی فرم به اعلان. تمام فیلدهای فرم در محصول را فهرست کنید. برای هر فیلد، بپرسید که آیا یک اعلان این کار را بهتر انجام می‌دهد یا خیر. آنهایی را که در آزمون رد می‌شوند، جایگزین کنید.

۴. وضعیت نمایندگی. ماژول‌های تأیید را بین بیان قصد کاربر و اقدام مدل بشمارید. اگر بیش از یک مورد وجود داشته باشد، اصل نمایندگی بیش از حد محتاط است. اقدامات بیشتری را برای اقدام-سپس-خنثی کردن فشار دهید.

۵. فهرست شفافیت. برای هر خروجی مدل، بپرسید: آیا کاربر می‌تواند ببیند که مدل چه زمینه‌ای داشته، چه اقدامی انجام داده و پاسخ از کجا آمده است؟ اگر هر یک از این سه مورد وجود نداشته باشد، سطح شفافیت ناقص است.

۶. نظم را آشکار کنید. به سطح اولیه نگاه کنید. آیا نام مدل، دما یا اعلان سیستم قابل مشاهده است؟ اگر بله و مخاطب فنی نیست، آن را پنهان کنید. اگر بله و مخاطب فنی است، آن را نگه دارید.

۷. ریتم تأخیر. زمان را از قصد کاربر تا اولین نشانه پاسخ مدل اندازه‌گیری کنید. اگر بیش از دو ثانیه بدون هیچ بازخوردی باشد، درک تأخیر خراب است. جریان، حالت‌های اسکلت یا نتایج جزئی را اضافه کنید تا ریتم زنده به نظر برسد.

8. ممیزی دکمه‌های درخشان. آیکون‌های درخشان را در سطح محصول بشمارید. اگر بیش از سه مورد وجود داشته باشد، بیشتر آنها نویز هستند. تجربیات عمیق بومی هوش مصنوعی را در دو یا سه سطحی که مهم هستند ارسال کنید و بقیه را حذف کنید.

9. آزمون ورود به سیستم. مشاهده کنید که یک کاربر تازه‌کار وظیفه اصلی را انجام می‌دهد. آیا مدل تجربه را منتقل کرده است یا کاربر وظیفه را با استفاده از رابط کاربری اصلی انجام داده است؟ اگر مورد دوم باشد، هوش مصنوعی بدون توجه به آنچه بازاریابی می‌گوید، به کار خود ادامه می‌دهد.

10. بازیابی شکست اعتماد. مدل را مجبور کنید که پاسخ اشتباه تولید کند. محصول چه کاری انجام می‌دهد؟ اگر هیچ سطح بازیابی تمیزی وجود نداشته باشد، حلقه اعتماد ناقص است و محصول کاربران را در اولین توهم خود از دست خواهد داد.

محصولی که از آن ده بررسی عبور کند، واقعاً بومی هوش مصنوعی است. بی‌نقص نخواهد بود، اما معماری آن درست است و اکثر مشکلات دیگر از آنجا قابل حل هستند. محصولی که در بیشتر موارد شکست می‌خورد، هوش مصنوعی به آن اضافه شده است، مهم نیست که ویژگی‌های هوش مصنوعی در پست راه‌اندازی چقدر برجسته به نظر برسند.

سوالات متداول

طراحی محصول مبتنی بر هوش مصنوعی به چه معناست؟

طراحی محصول مبتنی بر هوش مصنوعی به این معنی است که مدل، سطح اصلی است و بقیه رابط کاربری برای قابل استفاده، پاسخگو و سریع کردن مدل وجود دارد. تمیزترین آزمایش، آزمایش حذف است: اگر هر فراخوانی مدل را از محصول حذف کنید و یک محصول کاملاً کاربردی باقی بماند، محصول مبتنی بر هوش مصنوعی است. اگر فقط یک پوسته توخالی باقی بماند، محصول مبتنی بر هوش مصنوعی است. Linear، Cursor، Granola، Perplexity و Arc Search این آزمایش را در سطوح اصلی خود با موفقیت پشت سر می‌گذارند. اکثر SaaSهای سازمانی که در سال 2024 یک نوار کناری چت ارائه دادند، در آن شکست می‌خورند.

هوش مصنوعی بومی چه تفاوتی با هوش مصنوعی تقویت‌شده دارد؟

محصولات هوش مصنوعی بومی، گردش کار اصلی را حول مدل بازسازی می‌کنند. محصولات هوش مصنوعی تقویت‌شده، گردش کار موجود را دست‌نخورده نگه می‌دارند و یک پنل هوش مصنوعی به کنار آن اضافه می‌کنند. تفاوت در جایی که کاربر روی باز شدن سرد قرار می‌گیرد، اینکه آیا ورودی یک اعلان است یا یک فرم، اینکه آیا محصول عمل می‌کند یا می‌پرسد، و اینکه آیا می‌توان مدل را بدون از دست دادن عملکرد اصلی نادیده گرفت، خود را نشان می‌دهد. محصولات هوش مصنوعی تقویت‌شده را می‌توان نادیده گرفت. محصولات هوش مصنوعی نمی‌توانند.

اصول طراحی محصول با اولویت هوش مصنوعی چیست؟

شش اصل، هوش مصنوعی بومی را از هوش مصنوعی تقویت‌شده جدا می‌کند. مدل به عنوان سطح اصلی، نه پنل جانبی. اعلان به عنوان ورودی، نه فرم به عنوان ورودی. عاملیت به طور پیش‌فرض، نه مجوز به طور پیش‌فرض. سطوح شفافیت که مدل را پاسخگو می‌کنند. جزئیات مدل را به طور پیش‌فرض پنهان کنید، آنها را به طور عمدی آشکار کنید. تأخیر به عنوان یک محدودیت طراحی درجه یک با جریان، حالت‌های اسکلت و نتایج جزئی. هر محصول هوش مصنوعی بومی که ارزش مطالعه دارد، ترکیبی از این شش مورد را ارائه می‌دهد.

بهترین نمونه از یک محصول بومی هوش مصنوعی چیست؟

Cursor تمیزترین نمونه از طراحی محصول بومی هوش مصنوعی است که تا به امروز برای ابزارهای توسعه‌دهنده ارسال شده است. Perplexity تمیزترین نمونه برای جستجوی مصرف‌کننده است. Linear تمیزترین نمونه از یک تجربه بومی هوش مصنوعی تعبیه شده در یک سطح بهره‌وری موجود است. Granola تمیزترین نمونه از یک محصول بومی هوش مصنوعی محیطی است که در آن مدل در پس‌زمینه اجرا می‌شود. Arc Search تمیزترین نمونه از یک تعامل مرورگر بومی هوش مصنوعی است. هر یک از آنها به جای اینکه هوش مصنوعی را به یک رابط کاربری موجود متصل کنند، گردش کار اصلی خود را حول مدل بازسازی کرده‌اند.

چگونه تجربه کاربری هوش مصنوعی را برای یک محصول بومی هوش مصنوعی طراحی می‌کنید؟

با تست حذف در هر صفحه شروع کنید. فرم‌ها را با اعلان‌هایی جایگزین کنید که مدل بتواند ساختاردهی را بهتر از کاربر انجام دهد. وضعیت پیش‌فرض آژانس را روی عمل-سپس-خنثی کردن تنظیم کنید، نه پرسیدن-سپس-عمل کردن، و سطح خنثی‌سازی را همراه با عمل ارسال کنید. برای هر خروجی مدل، یک سطح شفاف اضافه کنید. جزئیات مدل را از سطح مصرف‌کننده پنهان کنید. هر تعاملی را با تأخیر واقعی مدل طراحی کنید، نه تأخیر ساختگی، و هر زمان که اولین توکن بیش از یک ثانیه طول می‌کشد تا برسد، از حالت‌های جریان یا اسکلت استفاده کنید. همین وضعیت در مورد تغییر گسترده‌تر روندهای طراحی وب در سال ۲۰۲۶ به سمت طرح‌بندی‌هایی که با مدل سازگار می‌شوند به جای اینکه آن را احاطه کنند، صدق می‌کند.

تغییر محصولات بومی هوش مصنوعی در واقع قفل را باز می‌کند

یک محصول بومی هوش مصنوعی یک برنامه SaaS با یک پنجره چت چسبیده به گوشه نیست، بلکه شکل جدیدی از محصول است که در آن مدل رسانه اصلی و رابط کاربری غشای آن است.

برندهایی که بومی هوش مصنوعی ارائه می‌دهند (Linear روی سطوح جدیدتر خود، مکان‌نما در همه جا، گرانولا در لایه تقویت خود، Perplexity سر به سر، Arc جستجو به عنوان یک مدل تعاملی کامل) همگی این را درونی کرده‌اند. آنها هوش مصنوعی را به یک محصول اضافه نکردند، بلکه محصولی را پیرامون هوش مصنوعی ساختند. تصمیم معماری در هر انتخاب طراحی، در بالادست قرار دارد و در همه چیز، از مدل ورودی گرفته تا ریتم تأخیر و سطح بازیابی، خود را نشان می‌دهد. محصولاتی که سعی در مقاوم‌سازی هوش مصنوعی در یک سطح موجود دارند، در نهایت با یک نوار کناری چت که هیچ‌کس آن را باز نمی‌کند و یک دکمه درخشان که هیچ‌کس کلیک نمی‌کند، مواجه می‌شوند، مهم نیست که سایت بازاریابی چقدر اصرار داشته باشد که آنها هوش مصنوعی را در اولویت قرار می‌دهند.

فرصت تیم‌های طراحی در سال ۲۰۲۶ این است که تست حذف را در هر محصولی که عرضه می‌کنند، جدی بگیرند. اگر محصول از این تست جان سالم به در ببرد، تیم در حال ارائه یک ویژگی است، نه یک محصول. اگر محصول در این تست شکست بخورد (به روش صحیح، با تبدیل شدن به یک پوسته توخالی بدون مدل)، تیم این شانس را دارد که چیزی واقعاً بومی هوش مصنوعی بسازد و اصول فوق، داربست کاری برای درست انجام دادن آن هستند. همین داربست در زیر نظم گسترده‌تر سلسله مراتب بصری قرار دارد، جایی که مدل اکنون به جای چرخش به دور رابط کاربری اصلی، بیشترین رتبه بصری را در صفحه دارد.

تغییر عمیق‌تر این است که مدل ذهنی کاربر از نرم‌افزار در حال تغییر است. آنها دیگر انتظار ندارند که ابزاری را یاد بگیرند، بلکه انتظار دارند که یک هدف را بیان کنند و ابزار پاسخ دهد. محصولاتی که برای مدل ذهنی قدیمی (فرم‌ها، داشبوردها، ویزاردهای چند مرحله‌ای) ساخته شده‌اند، ظرف دو سال کند، تشریفاتی و قدیمی به نظر می‌رسند. محصولاتی که برای مدل ذهنی جدید (درخواست، پاسخ، اقدام، لغو) ساخته شده‌اند، حال و هوای زمان حال را خواهند داشت. تیم‌هایی که ابتدا حرکت می‌کنند، تعریف می‌کنند که هوش مصنوعی بومی در دسته خود به چه معناست و تیم‌هایی که یک نوار کناری چت را به یک سطح موجود متصل می‌کنند، بقیه دهه را صرف توضیح این می‌کنند که چرا معیار تعامل هوش مصنوعی آنها بسیار پایین است.

اگر تیم شما در حال ساخت یک ویژگی هوش مصنوعی، ساخت یک محصول هوش مصنوعی یا تلاش برای فهمیدن اینکه کدام یک را واقعاً عرضه می‌کنید، اصول موجود در این صفحه، دفترچه راهنمای عملیاتی هستند. اگر برای اعمال آنها در محصول خاص خود به کمک نیاز دارید، استخدام ⟦برند ۰⟧ را انتخاب کنید. UXBrainy استراتژی محصول مبتنی بر هوش مصنوعی و ممیزی‌های کامل طراحی را در این چارچوب ارائه می‌دهد. AppBrainy رابط کاربری محصول مبتنی بر هوش مصنوعی را برای تیم‌هایی که ابزارهایی را می‌سازند که می‌خواهند کاربرانشان واقعاً از آنها استفاده کنند، ارائه می‌دهد. ClaudeBrainy مهارت‌ها و یک کتابخانه سریع برای تیم‌هایی که می‌خواهند ویژگی‌های هوش مصنوعی مانند Cursor ساخته شوند و نه مانند نوار کناری چت ۲۰۲۴، ارائه می‌دهد. چارچوب موجود در این صفحه چیزی است که ما قبل از ارسال هر چیزی، در هر پروژه، روی هر صفحه نمایش اجرا می‌کنیم.