Dacă echipele de produs ar înțelege cu adevărat utilizatorii, cercetarea în domeniul UX aproape că nu și-ar mai avea rostul. Nu am avea nevoie de interviuri cu utilizatorii, teste de utilizabilitate, journey mapping, analiză comportamentală, prototipare iterativă sau bucle continue de validare. Deciziile ar putea fi luate într-un mod firesc pe baza experienței, intuiției sau a unor convingeri proprii. Doar că realitatea ne arată, din nou și din nou, exact contrariul: echipe întregi construiesc funcționalități pe care nimeni nu le folosește, anumite interfețe sunt simplificate până în punctul în care anumite taskuri devin - paradoxal - mai greu de realizat, roadmapurile de produs se aglomerează cu presupuneri ambalate drept nevoi reale ale utilizatorilor. Iar distanța dintre ceea ce cred echipele că își doresc utilizatorii și ceea ce aceștia au nevoie, de fapt, este adesea mult mai mare decât am vrea să recunoaștem.
Tocmai din acest motiv există Human-Centered Design (HCD). HCD este, de obicei, definit ca fiind o metodologie de design centrată pe nevoile, comportamentele și experiențele utilizatorilor. Deși corectă din punct de vedere tehnic, această definiție nu surprinde pe deplin adevăratul său rol: în esență, HCD înseamnă mai puțin respectarea strictă a unui proces și mai degrabă construirea unor mecanisme de protecție împotriva deciziilor bazate exclusiv pe baza unor presupuneri. În esență, HCD obligă echipele să iasă din propria perspectivă: în loc să proiecteze experiențe pornind de la propria logică, preferințele stakeholderilor sau simple intuiții, echipele sunt încurajate să observe, să pună întrebări, să valideze și să itereze pornind de la comportamentul real al utilizatorilor. Iar această distincție contează, deoarece oamenii au o capacitate remarcabilă de a construi explicații coerente pentru propriile decizii, chiar și atunci când acestea sunt incomplete, influențate de biasuri sau formulate retrospectiv. Echipele de produs nu fac excepție. Este surprinzător de ușor să presupunem că, dacă ceva pare intuitiv în interiorul echipei, va fi la fel de intuitiv și pentru utilizatori. HCD există tocmai pentru a pune sub semnul întrebării acest reflex.
În practica UX, asta se traduce printr-un proces disciplinat de înlocuire a presupunerilor cu dovezi. Interviurile cu utilizatorii, spre exemplu, contestă acest fel de ipoteze proprii; usability testingul scoate la suprafață puncte de fricțiune invizibile pentru echipa care a construit produsul; datele comportamentale evidențiază punctele de abandon (momentele în care utilizatorii abandonează procesul) pe care nimeni nu le anticipase; iterația creează spațiul necesar pentru a greși devreme - mai degrabă decât târziu și cu costuri semnificativ mai mari.
Pe scurt, Human-Centered Design există pentru că, de una singură, intuiția nu este suficientă. Aici, lucrurile se complică și încep să devină interesante. Pentru prima dată, echipele de produs au acces la un instrument capabil să simuleze multe dintre livrabilele asociate în mod tradițional cu munca de UX - la o viteză remarcabilă. Profilurile de utilizator (user personas), punctele sensibile (pain points), parcursul utilizatorilor (journey maps), cercetarea UX (UX research) - toate pot fi generate la cerere, aproape instant. La prima vedere, acest lucru pare un salt major. Și, în multe privințe, chiar este. Inteligența Artificială poate accelera workflow-uri, poate reduce munca repetitivă și poate susține procesele de explorare de idei într-un mod care, până nu demult, păreau de domeniul viitorului. Însă tocmai această viteză aduce cu sine un risc aparte, deoarece IA este foarte bun la a produce rezultate care dau impresia de înțelegere. Dar știm deja că un user persona bine construit nu este același lucru cu un utilizator real, la fel cum un rezumat convingător nu echivalează cu dovezi concrete. IA nu face cercetare la fel ca oamenii, ci, mai degrabă, anticipează cum ar arăta anumite tipare, comportamente sau explicații plauzibile, pornind de la datele deja existente. Iar, atunci când aceste predicții sunt suficient de bine articulate și prezentate într-o formă atât de accesibilă precum în IA, începe să devină (prea) ușor să confundăm credibilitatea aparentă cu realitatea.
Acesta este punctul în care HCD și IA încep să tragă în direcții opuse. În timp ce HCD obligă în mod intenționat echipele să încetinească ritmul, să pună sub semnul întrebării presupunerile existente, să valideze ipotezele de lucru și să confrunte realități de multe ori incomode, IA reduce o mare parte din rezistența caracteristică procesului decizional. Tocmai acest lucru îi conferă putere IA-ului, dar și scoate la iveală, în același timp, un risc poate mai puțin evident: tendința către o uniformizare a modului de gândire. Echipele de produs rareori eșuează pentru că nu au suficiente idei - ele eșuează pentru că prea multe dintre acele idei pornesc din aceleași presupuneri, aceleași ipoteze sau aceeași interpretare despre ceea ce își doresc utilizatorii. Această tendință are chiar și un nume: homophily.
Biasul de homofilie (homophily bias) descrie tendința noastră de a gravita în jurul a ceea ce ne este familiar: oameni care gândesc ca noi, perspective care ne confirmă propriul mod de a vedea lucrurile, informații care se aliniază cu ceea ce noi credem deja. Este vorba, în esență, de o scurtătură de ordin cognitiv care poate trece neobservată în viața de zi cu zi, dar care poate avea un impact semnificativ în UX și munca de produs. Această tendință îngustează perspectiva și apare atunci când echipele proiectează pentru utilizatori care le seamănă, sau atunci când presupunerile sunt tratate drept adevăruri despre comportamentul utilizatorilor, sau atunci când feedbackul care confirmă o ipoteză existentă pare să fie mai credibil decât semnalele care contrazic respectiva ipoteză, sau când propria intuiție se confundă cu validarea externă.
Există o tendință firească de a privi IA-ul ca pe o perspectivă externă, obiectivă, un fel de colaborator neutru, capabil să aducă idei proaspete în proces. În realitate, însă, IA funcționează foarte diferit, deoarece, de cele mai multe ori, operează în interiorul cadrului pe care chiar noi îl definim. Cu alte cuvinte, problema nu este neapărat că răspunsurile pe care le oferă sunt greșite, ci faptul că ele sunt adesea limitate de presupunerile deja incluse în întrebarea inițială. Atunci când acest cadru este acceptat fără a fi pus sub semnul întrebării, IA-ul încetează să mai fie un challenger și devine, mai degrabă, o oglindă. Așadar, aici intervine realul risc: nu este vorba doar despre posibilitatea de a primi răspunsuri incorecte, ci despre consolidarea unor idei care devin din ce în ce mai credibile, tocmai pentru că sunt formulate atât de clar, coerent și convingător, în mod repetat. Iar, atunci când un sistem poate confirma, aproape instant, o versiune plauzibilă a ceea ce presupunem deja, tentația de a confunda viteza cu certitudinea devine foarte reală.
Dacă toate cele menționate mai sus par excesiv de precaute, merită luat în calcul un contraargument cât se poate de previzibil: IA poate genera, totuși, perspective multiple. La urma urmei, putem cere zece profiluri de utilizator în loc de unul, sau douăzeci de idei de funcționalități în loc de cinci, sau oricâte ipoteze alternative vrem, sau scenarii contrare, sau așa-numite edge cases și nu numai. La prima vedere, toate acestea par să evidențieze întocmai ideea de diversitate. Dar oare chiar așa este?
Acum mai bine de o sută de ani, statisticianul Francis Galton a participat la un târg agricol în cadrul căruia participanții au fost rugați să estimeze greutatea unui animal. Galton se aștepta ca fermierii experimentați, măcelarii sau alți specialiști familiarizați cu astfel de estimări să depășească performanța mulțimii. Cu toate acestea, nu s-a întâmplat asta, iar, când s-a calculat media tuturor estimărilor, răspunsul colectiv s-a apropiat surprinzător de mult de greutatea reală a animalului. Acest rezultat a generat ideea conform căreia perspectivele diverse și independente pot depăși expertiza individuală. Puterea mulțimii nu a venit, în acest caz, din consens, ci din variație: experiențe diferite, credințe diferite, modele mentale diferite, erori de gândire diferite. Acum, să comparăm cu generarea de idei ca proces asistat de inteligența artificială. Desigur, o listă lungă de idei aparent diferite poate crea impresia de diversitate și amplitudine a gândirii. Însă, dacă toate aceste idei provin din același model probabilistic, antrenat pe seturi de date care se suprapun, operând în interiorul aceluiași cadru definit de utilizator, atunci ceea ce vedem nu este diversitate autentică, ci, mai degrabă, o variație în interiorul aceluiași sistem.
Bineînțeles, această aparență de pluralitate poate fi înșelătoare. A cere aceluiași model zece perspective diferite nu este echivalent cu a asculta zece puncte de vedere cu adevărat diferite, venind de la zece oameni diferiți. Pluralitatea sintetică pe care ne-o poate oferi IA are, fără îndoială, utilitatea ei în explorare, deoarece poate accelera brainstormingul, poate deschide direcții noi de reflecție sau poate ajuta echipele să reformuleze probleme mai rapid. Cu toate acestea, nu trebuie confundată cu acel tip de diversitate reală care face inteligența colectivă atât de valoroasă. În UX, această distincție este esențială.
Există, însă, un unghi mort și mai important: ceea ce IA nu poate vedea în mod natural (pun intended). În timpul celui de-al Doilea Război Mondial, analiștii militari studiau avioanele care se întorceau din misiune pentru a decide unde ar trebui adăugat blindaj suplimentar. Aeronavele revenite prezentau urme vizibile de gloanțe, concentrate în anumite zone. Concluzia părea evidentă: exact acele zone trebuiau consolidate. Statisticianul Abraham Wald, însă, a observat imediat problema acestei abordări. Avioanele analizate supraviețuiseră. Cu alte cuvinte, zonele în care se vedeau perforațiile erau tocmai acele zone în care un avion putea fi lovit și, totuși, să revină la bază. Prin urmare, zonele cu adevărat vulnerabile erau cele care nu prezentau deloc urme de impact, pentru că aeronavele lovite în acele locuri erau cele care nu se mai întorceau.
Această poveste a devenit, în timp, unul dintre cele mai cunoscute exemple de bias de supraviețuire (survivorship bias), atrăgând atenția asupra pericolului de a trage concluzii bazându-ne exclusiv pe ceea ce este vizibil și disponibil pentru analiză. Paralela cu UX este... inconfortabilă. IA este extrem de eficient în identificarea patternurilor existente, poate sintetiza teme recurente, poate detecta comportamente repetitive, poate semnala o potențială problemă - și poate face toate aceste lucruri pornind de la datele disponibile. Fără îndoială, o funcționalitate utilă. Însă UX depinde mai puțin de ceea ce se vede imediat și mai mult de ceea ce lipsește: barierele de accesibilitate pe care nimeni nu le raportează explicit, edge cases excluse din eșantion de la bun început, nevoile pe care utilizatorii nu reușesc să le articuleze clar, clienții care nu convertesc și nici nu oferă feedback, utilizatorii care abandonează parcursul înainte chiar de a-și crea un cont, toți acei potențiali utilizatori la care produsul nici măcar nu ajunge.
Dar de ce sunt aceste absențe atât de relevante în UX și cum pot explica potențiale eșecuri? Răspunsul ține, în mare parte, de un lucru simplu: eșecurile nu apar întotdeauna din interpretarea greșită a semnalelor vizibile, ci din incapacitatea de a observa ceea ce lipsește. Acesta este punctul în care inteligența artificială atinge o limită aproape naturală (pun intended). IA lucrează cu semnale deja vizibile și ușor de procesat: patternuri, limbaj, comportamente observabile, exemple existente, repetiție. Rareori se explorează absența unor date. Astfel, de exemplu, un utilizator care abandonează flow-ul de înregistrare generează semnale mai puțin evidente decât unul care formulează explicit o nemulțumire legată de experiența de utilizare. Mai departe, acest lucru duce cu gândul la una dintre cele mai importante responsabilități profund umane din UX: să trecem dincolo de ceea ce ne spun utilizatorii în mod direct și să ne întrebăm ce nu ni se spune.
Un lucru trebuie să ne fie clar: nimic din cele de mai sus nu reprezintă un argument împotriva IA. Folosită inteligent (pun intended) și cu discernământ, Inteligența Artificială poate fi foarte valoroasă în munca de UX: poate accelera sinteza informației, reduce efortul repetitiv, susține generarea de idei, ajuta la reformularea problemelor, scoate la suprafață ipoteze plauzibile și, în general, poate face munca exploratorie mult mai rapidă. Ar fi absurd să ignorăm aceste beneficii. Alta este ideea, însă: eficiența nu este același lucru cu înțelegerea.
Este important să înțelegem și să ne asumăm acest lucru, pentru că UX nu a fost construit în jurul vitezei, ci în jurul observației, al incertitudinii și, uneori, chiar al fricțiunii de tip productiv. Human-Centered Design există tocmai pentru că presupunerile sunt seducătoare, dar adesea greșite. IA pare să schimbe această ecuație, făcând munca bazată pe presupuneri să pară productivă, oferind rapid răspunsuri impecabile și raționamente convingătoare, dar și reducând sau eliminând din proces chiar acea rezistență care s-ar putea dovedi benefică. Dar merită să ne amintim un lucru esențial: în UX, fricțiunea nu este mereu un lucru rău. Dimpotrivă, în multe situații, tocmai ea protejează experții de tentația de a proiecta produse în jurul propriilor convingeri sau presupuneri. Ceea ce înseamnă, de fapt, că cel mai mare risc al unei dependențe excesive de IA în UX nu este lipsa de eficiență, ci posibilitatea de a promova sau accelera tocmai anumite idei nepotrivite, precum: presupuneri fragile, biasuri interne sau concluzii trase prematur. Cu IA, toate acestea devin mai ușor de formulat, de susținut și, uneori, de perpetuat. Iar, când se întâmplă acest lucru, adevăratul pericol nu este că IA înlocuiește profesioniștii din UX, ci că îi ajută să greșească... cu încredere, mai rapid.
Fără îndoială, IA poate susține Human-Centered Design, dar nu ar trebui să înlocuiască acea doză sănătoasă de scepticism, disconfort, observație și - poate cel mai important - curiozitate umană care fac HCD necesar. IA poate răspunde foarte bine la întrebarea pe care i-o adresăm, însă UX începe, adesea, exact în momentul în care descoperim că am pus întrebarea greșită.