UX-ul clasic se bazează pe o relație directă și deterministă între input și output. Apeși un buton și declanșezi o acțiune precisă. Interfața se comportă previzibil și poate fi verificată cu un checklist de principii sau euristici care asigură, în mare parte, un nivel optim de accesibilitate.
În cazul produselor IA, aceste certitudini dispar. Outputul este probabilistic și puternic influențat de context, aceeași acțiune nu mai garantează același rezultat. Utilizatorii nu mai sunt simpli operatori de comenzi; devin beneficiarii unor decizii complexe, luate automat în numele lor. Centrul de greutate al experienței se mută: interfața propriu-zisă contează mai puțin, pentru că valoarea produsului stă în output, iar outputul este determinat de model, nu de ecran. Cum modelul este reantrenat și ajustat constant, produsul pe care îl folosește utilizatorul se schimbă continuu. Apare astfel întrebarea: necesită această schimbare de paradigmă un vocabular de design diferit? Mai putem aplica aceleași reguli de UX, gândite pentru interfețe statice, pe sisteme AI autonome și imprevizibile?
Principiile de design care au stat ca reper până acum (e.g Gestalt, Nielsen's 10) se sprijină pe un fundament extrem de solid: interfața trebuie să-și comunice clar capabilitățile, să răspundă așteptărilor și să-i confere utilizatorului un sentiment de control. Toate acestea rămân esențiale și în designul pentru IA. Problema intervine atunci când le aplicăm mot à mot, fără să le adaptăm la un context pentru care nu au fost concepute inițial.
Într-o interfață tradițională, designul te ghidează vizual și te învață singur care sunt pașii următori. Un dropdown sugerează o listă predefinită. Un formular îți semnalează clar ce tip de date acceptă. Utilizatorul explorează, își construiește un model mental, iar acest model rămâne o constantă a interacțiunii. Pentru IA, deși obiectivul este identic, metoda este diferită. Un dialog text liber acceptă aproape orice tip de introducere, ceea ce pare să ofere o libertate absolută, dar, în realitate, înseamnă o lipsă de îndrumare pentru utilizator. Mai mult decât atât, acest model mental nu rămâne valabil pentru interacțiuni repetate, astfel încât sistemul își schimbă comportamentul între versiuni. Prin urmare, onboardingul încetează să mai fie un eveniment unic la startul primei interacțiuni, ci devine un proces care se reia ori de câte ori sistemul începe să se comporte diferit.
O altă problemă apare și atunci când vrem să comunicăm starea sistemului. În software-ul clasic este simplu: un spinner de încărcare ne arată că sistemul procesează, iar un mesaj de succes confirmă că acțiunea s-a terminat cu bine. Pentru IA, succesul tehnic nu mai este suficient. Întrebarea esențială devine: a înțeles modelul intenția reală sau pur și simplu a rulat cu succes o halucinație convingătoare, dar lipsită de sens? Analizând principalele lucrări și ghiduri din domeniu, am identificat patru distincții importante și direcții clare care pot servi drept puncte de plecare pentru designul produselor IA.
Până acum, UX era relativ ușor de măsurat. Găsește utilizatorul ceea ce caută? Își încheie acțiunea cu succes fără obstacole? Deși aceste întrebări rămân relevante, ele nu mai sunt suficiente.
Excesul de încredere este cel mai întâlnit risc și presupune că utilizatorul adoptă orbește recomandarea modelului, fără să o verifice, pentru că nimic din interfață nu i-a indicat că ar trebui să fie precaut. Problema nu constă neapărat în faptul că algoritmul a greșit, ci că deciziile de design nu i-au oferit utilizatorului niciun motiv să analizeze cu atenție sugestia primită. Lipsa de încredere este o problemă mult mai subtilă, dar prevalentă, și se traduce prin funcționalități complexe care rămân nefolosite.
Sugestii complet valide sunt respinse din pur reflex sau pentru că produsul nu a reușit să își câștige credibilitatea din primele interacțiuni.
Figura 1. În stânga, outputul e prezentat fără indicatori de încredere. În dreapta, fiecare afirmație este ancorată în sursă, iar acuratețea scăzută a transcrierii este semnalată explicit, cu o cale directă de verificare.
Controlul real înseamnă să permiți utilizatorului să intervină în raționamentul IA-ului exact atunci când contează. Există câteva patternuri funcționale care conferă un sentiment de control autentic:
Efficient correction: capacitatea de a remedia eroarea IA-ului cu ușurință, exact în punctul în care s-a greșit. Utilizatorul nu trebuie să părăsească procesul curent ori să-l reia de la început.
Efficient dismissal: utilizatorul trebuie să poată ignora rapid o sugestie, fără bătăi de cap și fără consecințe nedorite. Dacă procesul de a refuza o recomandare consumă mai mult efort decât acceptarea ei, înseamnă că i-ai anulat utilizatorului libertatea de a alege. Acceptarea devine opțiunea implicită din pură inerție.
Global controls: setări tangibile la care utilizatorul are acces, care dictează ce învață și ce reține IA-ul. Utilizatorii ar trebui să aibă puterea de a controla ce date istorice folosește sistemul și ce alege să memoreze de la o sesiune la alta.
Experimentare fără consecințe: Pentru că sistemul învață din comportamentul de utilizare, fiecare acțiune a utilizatorului este și un semnal de antrenare, ceea ce face explorarea riscantă. Dacă utilizatorul simte că un semnal greșit va modifica permanent ce îi recomandă sistemul de acum înainte, va înceta să mai exploreze. Reversibilitatea nu ține doar de acțiunea curentă, ci și de urmarea pe care aceasta o lasă.
Figura 2. În stânga, sistemul livrează o singură rută ca output final, fără cale de respingere. În dreapta, aceeași recomandare, dar prezentată împreună cu alternative. Alegerea preselectată poate fi schimbată cu ușurință.
În software-ul clasic, erorile sunt clare și binare. O acțiune fie a funcționat, fie nu. Mesajul de eroare îți explică explicit ce s-a întâmplat și te lasă fie să repari problema, fie să o escaladezi.
Erorile sistemelor IA sunt mult mai nuanțate. Sistemul a oferit un răspuns, dar acel răspuns poate fi tehnic greșit, poate fi greșit și livrat cu o siguranță absolută, poate fi corect, dar irelevant pentru contextul utilizatorului, sau poate fi folositor într-un mod la care utilizatorul nu se aștepta deloc.
Ghidurile oficiale de la Apple, Google și Microsoft acordă multă atenție acestei zone importante. Ele explică cum să anticipezi erori și să comunici vizual gradul de incertitudine, iar sistemul trebuie să învețe din corecțiile aplicate.
Un alt principiu important aici este surprinderea intenției, nu doar a inputului. Ceea ce scrie sau dictează un utilizator nu reflectă întotdeauna perfect intenția sa reală. Interfața trebuie proiectată astfel încât să extragă obiectivul dintr-un input care poate fi extrem de ambiguu, ceea ce înseamnă că sistemul trebuie să memoreze rezultatul ideal, nu doar formularea strictă a promptului. Astfel, gestionarea erorilor se mută de la întrebarea "ce ai greșit?" la "ce încercai, de fapt, să realizezi?". Momentul erorii este, în plus, una dintre puținele situații în care utilizatorul este dispus să ofere informații suplimentare, pentru că are un motiv imediat să o facă.
Figura 3. Sus, o singură eroare anulează toată comanda și utilizatorul reia procesul de la zero. Jos, sistemul explică ce nu a înțeles și cere doar informația care lipsește.
Cea mai subestimată abilitate a unei interfețe cu IA nu este inteligența modelului, ci eficiența cu care sistemul preia contextul și modul în care este readus la suprafață atunci când contează.
Istoricul conversației curente. Tiparele de comportament observate în interacțiunile anterioare. Relevanța într-un moment-cheie. Toate acestea sunt semnale vitale pe care IA-ul le asimilează pentru a oferi răspunsuri pertinente, provocarea de design constând în a ilustra vizual faptul că aceste procese au loc. Dacă algoritmul oferă un răspuns influențat de ultimele cinci conversații, utilizatorul trebuie informat vizual că acest lucru stă la baza outputului. Ce se obține astfel este o relație cauză-efect vizibilă: utilizatorul înțelege ce anume din comportamentul lui a produs rezultatul de pe ecran și, implicit, ce ar trebui să schimbe dacă rezultatul nu îl mulțumește. Fără această legătură, personalizarea rămâne un proces opac.
Sistemul trebuie să fie dinamic și să se adapteze organic la etapa în care se află utilizatorul în desfășurarea unui task. Algoritmul ține cont de acțiunile deja finalizate și anticipează instrumentele de care utilizatorul ar putea avea nevoie pe parcurs. Arhitectura fluxurilor și a secvențelor de input-output, sau conversation mapping, rămâne un document-cheie în proiectarea acestui tip de interacțiune.
Figura 4. În stânga, recomandarea apare din senin: utilizatorul nu are cum să știe pe ce s-a bazat. În dreapta, sistemul arată exact ce informații din conversațiile anterioare a folosit și data.
Rolul designerului în era IA nu mai este să livreze un set de ecrane fixe, ci să proiecteze reguli de comportament pentru sisteme dinamice. Interfața contează mai puțin decât contextul pe care se bazează modelul, ce reține între sesiuni, când decide singur și când cere confirmare. Designul nu are un punct final, astfel încât modelul se schimbă între versiuni, chiar dacă interfața rămâne identică. Accentul se mută de pe butoane și meniuri pe anticiparea intenției pe care modelul o poate folosi ca reper. De aici derivă restul: stări proiectate explicit pentru momentele în care sistemul halucinează sau răspunde incomplet, mecanisme prin care utilizatorul poate corecta și aproba deciziile fără să iasă din flux sau răspunsuri care se adaptează în timp real la nevoia din acel moment. Pentru rezultate eficiente, este utilă o abordare pragmatică. Aici sunt câteva concluzii practice pe baza a celor discutate mai sus:
Limitele IA-ului trebuie expuse exact când contează, nu ascunse în documentație. Este nevoie de claritate despre ce poate și ce nu poate face sistemul, dar și despre nivelul de performanță pentru fiecare task. Setarea așteptărilor se face înainte de acțiune, iar opțiunile IA-ului trebuie prezentate atât vizual, cât și descriptiv.
Încrederea se calibrează din design. Explicațiile trebuie să fie proporționale cu impactul deciziei, simple pentru taskuri banale și detaliate pentru decizii critice. Trade-offurile și riscurile trebuie făcute vizibile, iar confuziile anticipate și abordate preventiv.
Controlul trebuie să fie la punctul de interacțiune: corectare și dismissal în timp real, fără efort. Preferințele generale trebuie să fie accesibile, cu opțiuni de resetare disponibile oricând, iar sistemul trebuie să inspire reversibilitate și siguranță în explorare.
Conversațiile pe termen lung trebuie susținute prin memorarea interacțiunilor relevante din trecut. Contextul trebuie expus clar, iar dependențele de context trebuie să fie ușor de înțeles și de contestat. Consecințele acțiunilor și deciziilor IA trebuie comunicate clar, cu confirmare înainte de pașii cu impact major. Sistemul învață din corecții fără a face ca procesul să pară punitiv.
Amershi, S., Weld, D., Vorvoreanu, M., et al. (2019). Guidelines for Human-AI Interaction. CHI Conference on Human Factors in Computing Systems.
Costa, A., Silva, F., & Moreira, J. J. (2024). Towards an AI-Driven User Interface Design for Web Applications. Procedia Computer Science, 237, 179-188.
Corbett, E., Saul, N., & Pirrung, M. Interactive Machine Learning Heuristics.
Kore, A. (2022). Designing Human-Centric AI Experiences: Applied UX Design for Artificial Intelligence. Apress.
Laato, S., Tiainen, M., Islam, N., & Mäntymäki, M. (2022). How to explain AI systems to end users: a systematic literature review and research agenda.
Mohseni, S., Zarei, N., & Ragan, E. D. A (2020). Multidisciplinary Survey and Framework for Design and Evaluation of Explainable AI Systems. ACM Transactions on Interactive Intelligent Systems.
de Mihai Matei
de Horatiu Marc
de Crina Boitor
