Tots hem tingut interaccions decebedores amb la IA o coneixem persones que "odien els bots de conversa", sovint perquè l’experiència "bàsica" no és útil, valuosa ni agradable. Aquesta decepció sovint té menys a veure amb les capacitats d’un model que amb l’experiència mateixa: la interacció entre les persones, un agent d’IA i el resultat desitjat. Això representa una barrera important per a l’adopció, sobretot en entorns empresarials, on les interaccions mal dissenyades poden aclaparar, ignorar el context en temps real o desatendre la intenció i el comportament dels usuaris.
Des d’aquesta perspectiva, hem identificat els beneficis de cada patró, els reptes de disseny associats i orientacions pràctiques per aplicar-lo. Aquests patrons s’apliquen a diferents tipus i modalitats d’interacció i creen oportunitats tant per a experiències dirigides als consumidors com per a solucions internes d’IA que ajuden els treballadors del coneixement a prendre millors decisions.
Volem compartir els patrons emergents que observem —tant en crear com en experimentar amb moltes solucions d’IA generativa— per ajudar a dissenyar millors relacions entre persones i IA.
Moltes de les nostres interaccions amb la tecnologia, tant com a treballadors del coneixement com en qualitat de consumidors, dificulten més del compte les tasques quotidianes. Limiten la nostra productivitat, eficàcia i aportació de valor.
Tant els treballadors del coneixement com els consumidors poden sentir-se aclaparats pel gran volum d’informació, opcions i eines disponibles. Aquest bombardeig constant de missatges, sovint contradictoris, dificulta prendre decisions clares o mantenir la concentració. La recerca indica que els empleats dediquen fins a un 40% de la jornada laboral només a cercar la informació que necessiten (McKinsey). Aquesta sobrecàrrega d’informació afecta tant la productivitat com el benestar.
També tenim una capacitat d’atenció limitada. Fins i tot quan trobem informació, no podem processar ni analitzar tot el que cal per prendre una decisió fonamentada. En un moment donat només podem centrar-nos en una petita part de les dades disponibles, i sovint ens aferrem a creences o idees prèvies que limiten la nostra capacitat de considerar alternatives o identificar patrons inesperats.
Les eines mateixes sovint no reconeixen aquestes limitacions. La major part de la tecnologia està dissenyada per a la "mitjana": solucions universals que no s’adapten als contextos individuals. Tant si utilitzem programari per a la feina com aplicacions de consum, aquestes eines rarament tenen en compte les nostres necessitats, limitacions o circumstàncies particulars. Per això, la tecnologia pot esdevenir ineficient o contraproduent. La IA generativa ofereix l’oportunitat de crear interaccions més adaptables i personals.
Finalment, molts entorns laborals generen un malestar innecessari. L’augment de les tasques rutinàries, la pressió per estar "sempre disponibles" i les feines repetitives de poc valor contribueixen a la desconnexió i l’estrès crònic. Tot i que la IA generativa i els agents d’IA podrien reduir o eliminar aquestes experiències, moltes persones encara desconfien de la capacitat de la IA per millorar la feina en conjunt. La gent pot rebutjar la idea que "la IA prengui el control" perquè tem ser desplaçada o sent que la feina li pertany, fins i tot les tasques que no li agraden.
Aplicar IA, per si sol, no és una solució. Una IA mal integrada pot crear noves tasques i inquietuds, sobretot per als treballadors del coneixement. Aquests reptes demostren la necessitat d’unes interaccions entre persones i IA que no només siguin eficients, sinó que també s’ajustin a les nostres capacitats cognitives, circumstàncies individuals i limitacions del món real. Els sis patrons següents descriuen enfocaments que reconeixen les necessitats de les persones i afavoreixen una relació amb la IA més adaptable, transparent i significativa.
La relació entre els patrons de disseny emergents i els principis per crear experiències d’IA eficaces i centrades en les persones.
Curació: la IA com a menú intel·ligent—La IA selecciona i organitza informació i redueix la sobrecàrrega ajudant les persones a navegar per grans conjunts de dades.
Donar feedback: la IA com a companya de reflexió—La IA proporciona feedback en temps real que convida a pensar, qüestiona supòsits i ofereix perspectives alternatives.
Consciència situacional: una IA que entén l’aquí i l’ara—La IA s’adapta al context en temps real processant contínuament informació de l’entorn i les necessitats dels usuaris.
Descoberta contínua: convertir cada interacció en recerca d’usuaris—La IA aprofita cada interacció per descobrir idees i afinar la seva comprensió, garantint un aprenentatge i una millora continus.
Amplificació: augmentar l’entrada de l’usuari per obtenir millors resultats—La IA millora l’entrada entre bastidors tot preservant la intenció original dels usuaris.
Mostrar el procés: raonament transparent de la IA—La IA fa visible i útil el seu procés de presa de decisions, cosa que fomenta la confiança i ajuda els usuaris a prendre decisions més fonamentades.
Aquests sis patrons mostren que les solucions d’IA eficaces requereixen més que una interfície d’usuari ben dissenyada. Defineixen com les persones i els agents d’IA es coordinen, prenen decisions i interactuen dins de sistemes de coneixement complexos. Els patrons milloren la interacció entre persones i IA de les maneres següents:
Prioritzar l’intercanvi bidireccional de coneixement: Permeteu un diàleg en què la IA i les persones aportin idees, context i conclusions. Això afavoreix sistemes d’IA més capaços, nodrits de coneixement expert i intuïcions que encara no s’han formalitzat.
Crear experiències que s’adaptin i canviïn segons les circumstàncies: Les eines d’IA poden quedar obsoletes o perdre rellevància ràpidament. Els sistemes que mantenen la consciència situacional, aprenen contínuament i s’adapten a les circumstàncies de cada usuari continuen sent útils amb el temps.
Millorar la confiança i la seguretat: Les interaccions transparents i col·laboratives redueixen les barreres d’adopció, augmenten la participació i milloren la presa de decisions tant humana com de la IA. Un disseny atent ajuda les persones a mantenir la confiança en les decisions i els resultats d’un sistema amb el pas del temps.
Dissenyar experiències d’IA eficaces és difícil, però hi ha enfocaments contrastats que poden ajudar. Els principis fonamentals d’entendre els usuaris i crear experiències útils continuen vigents, juntament amb les noves consideracions que introdueixen els sistemes d’IA amb capacitat d’acció. Les experiències que seleccionen informació eficaçment, proporcionen feedback útil i aprenen amb transparència poden reduir la sobrecàrrega, millorar la presa de decisions i generar confiança.
Aquests patrons ajuden a superar obstacles habituals per a l’adopció i fan que la IA sigui realment útil, adaptable i més valuosa per a tothom.
La guia següent explora cada patró amb més detall i explica com pot contribuir a una experiència d’IA més àmplia.
Què és: En lloc d’haver de revisar manualment una infinitat de resultats de cerca o documents, els agents d’IA poden seleccionar informació de grans conjunts de dades i presentar-ne les idees més rellevants. En essència, la IA es converteix en una bibliotecària que organitza el coneixement segons el context de l’usuari.
Per què és útil: Perquè redueix la sobrecàrrega d’informació. Un treballador del coneixement dedica de mitjana 1,8 hores al dia a cercar informació, cosa que contribueix a l’esgotament de molts empleats (McKinsey). La curació impulsada per IA aborda aquest problema indexant, cercant i combinant informació de moltes fonts, cosa que ajuda els usuaris a trobar informació, opcions i idees que podrien passar per alt amb una cerca tradicional.
El repte: Passar de la cerca tradicional basada en interfícies a un enfocament assistit per un agent exigeix que els usuaris ajustin les seves expectatives. La gent està acostumada a revisar una llista d’enllaços o prémer botons per filtrar un conjunt de dades. En canvi, un curador d’IA sintetitza respostes a partir de fonts que potser els usuaris ni saben que existeixen. Això pot reduir la sensació de control dels usuaris sobre el filtratge i obligar-los a confiar en les decisions de l’agent. Uns mecanismes de cerca familiars poden ajudar a adaptar-se a la curació impulsada per IA sense perdre confiança ni control.
Com OpenAI utilitza patrons d’interacció familiars per facilitar la descoberta d’informació estructurada i no estructurada.
Presenteu els mecanismes de cerca com a interaccions familiars:
Per facilitar la transició des de la cerca tradicional, oferiu interaccions familiars en lloc d’un llenç en blanc. Els usuaris se sentiran més còmodes si l’experiència es basa en opcions, qüestionaris i suggeriments contextuals recognoscibles.
Feu servir botons com a indicacions en lloc d’exigir una entrada oberta:
Introduir text lliure pot resultar intimidatori o requerir massa temps. Els botons predefinits o generats automàticament fan que la curació sigui més accessible. Per exemple, "Filter by most recent", "Compare pricing" i "Include global sources" poden ajudar els usuaris a afinar els resultats. Això redueix les barreres de participació, fomenta l’exploració i adapta les recomanacions de la IA a la intenció de l’usuari.
Deixeu que els usuaris expliquin una història per afinar els resultats de cerca:
De vegades, explicar una història comunica les necessitats de l’usuari amb més eficàcia que les consultes directes o els filtres. En situacions complexes —com navegar per taulers densos o cercar el producte adequat—, les eines tradicionals poden aclaparar les persones o fer que no sàpiguen quins paràmetres han d’ajustar.
Quan els usuaris poden "explicar la seva història" —descrivint un problema, un objectiu personal o el producte que volen—, la IA pot convertir aquest relat en paràmetres de cerca estructurats. Per exemple, algú que digui "I just moved into a smaller home and need versatile, budget-friendly storage solutions" podria rebre una selecció de productes, consells pràctics i recomanacions rellevants.
Adoptar la narració no només redueix la càrrega cognitiva de saber quins filtres cal aplicar, sinó que també aporta més confiança i claredat als resultats finals seleccionats.
Utilitzeu mems i referències culturals per personalitzar la descoberta:
Els mems poden afavorir la curació amb IA de dues maneres: enriqueixen la comprensió que l’agent té de l’usuari i donen vida als resultats de cerca d’una manera més humana i propera. En primer lloc, quan seleccionen o esmenten mems que il·lustren els seus objectius, estat d’ànim o estil ("I’m feeling the ‘Treat Yo Self’ vibe today!"), els usuaris comparteixen de fet la seva "teoria de la ment" amb la IA. Això ajuda l’agent a afinar la selecció inferint un context que es podria perdre en una interfície gràfica convencional o una consulta de text.
En segon lloc, l’agent pot "reproduir" els resultats en "paquets d’inici" temàtics o inspirats en la cultura popular, fent que les recomanacions semblin més rellevants i personalitzades. Per exemple, si algú està redissenyant un despatx domèstic, la IA podria crear un "WFH starter pack" que combinés accessoris d’escriptori, tecnologia i inspiració.
Aporteu claredat a l’usuari mitjançant les millors accions següents:
Tant si els resultats d’un agent d’IA l’encerten com si no, els usuaris han de poder afinar els paràmetres fàcilment. Per exemple, podrien demanar "Show me more like item 2" o "Exclude sources older than 2020". Les accions següents suggerides poden orientar els usuaris nous sense aclaparar-los.
Què és: Sovint es parla dels agents d’IA com una manera de delegar tasques que tradicionalment feien les persones. La seva capacitat d’actuar com a col·laboradors en temps real rep menys atenció. En lloc de limitar-se a seguir instruccions o generar contingut, un agent pot plantejar preguntes que convidin a reflexionar, qüestionar supòsits i oferir perspectives alternatives. Això converteix la IA en una companya de reflexió que ajuda els usuaris a millorar la feina a mesura que avança.
Per què és útil: Tots ens beneficiem de rebre feedback a temps, però no sempre en rebem. Tant la discrepància com el suport ens poden ajudar a identificar patrons abans d’aferrar-nos massa a una idea. Els agents d’IA poden qüestionar els nostres supòsits, generar idees i suggerir interpretacions alternatives de les dades sense substituir el criteri humà. Hem observat que les persones solen respondre bé a aquesta mena de feedback dels agents.
Els agents d’IA poden generar contraarguments que revelin mancances en el raonament o destaquin perspectives alternatives.
El repte: El feedback de la IA ha de ser intuïtiu i aplicable; si no, es converteix en una distracció. Ningú no vol un agent que interrompi amb suggeriments irrellevants o posi pegues a cada detall. La IA ha d’intervenir en els moments adequats i amb el to correcte. Si és massa passiva, es perden oportunitats útils; si és massa agressiva, els usuaris poden sentir que se’ls qüestiona constantment.
El repte és decidir com mostrar el feedback de la IA: ha d’aparèixer com a pistes, com una revisió opcional o com un diàleg bidireccional? Encertar la interacció determinarà si els usuaris adopten la IA com a companya o si només hi veuen Clippy 2.0.
Assegureu-vos que el feedback sigui proactiu, però no molest:
Deixeu que la IA ofereixi suggeriments en punts de pausa naturals. En un editor de documents, per exemple, podria esperar que s’acabés una frase o un paràgraf abans de suggerir-ne una revisió. També hem explorat la possibilitat que un agent esperi breument després que se seleccioni un camp de text buit abans d’oferir ajuda. El to és important: "Aquí tens una idea que pots tenir en compte..." sona més constructiu que una afirmació contundent.
Convertiu el feedback en un diàleg exploratori:
Si el feedback no és clar, faciliteu que els usuaris puguin fer preguntes com ara "Why do you suggest changing this?". Una personalitat d’IA curiosa pot fer que l’intercanvi sembli més constructiu. Com un terapeuta o facilitador atent, l’agent pot formular preguntes rellevants en el moment adequat i convertir el feedback en una conversa que ajudi l’usuari a aprendre.
Això també ajuda la IA a obtenir context i permet que l’usuari i l’agent desenvolupin una comprensió compartida més clara.
Oferiu diverses opcions, idees o alternatives:
En lloc d’oferir una única idea, solució o objecció, un agent pot presentar diverses perspectives. Per exemple, un agent de disseny podria generar tres disposicions alternatives, mentre que un agent de redacció suggeriria versions diferents d’una frase per a públics diversos. Oferir opcions reforça la idea que l’usuari manté el control.
Assegureu-vos que el feedback tingui en compte el context:
L’agent ha d’adaptar el seu paper de "company de reflexió" al context actual de l’usuari. Si algú s’atura davant d’una pregunta o un camp de text, la IA podria plantejar una pregunta que convidi a reflexionar en lloc de donar directament una resposta completa. Quan un usuari només necessita reformular una frase, un suggeriment breu que pugui acceptar o rebutjar ajuda a preservar-ne l’autoria.
Sobretot, la IA ha de saber quan retirar-se: un intercanvi prolongat pot provocar un "bucle fatal" de canvis interminables i minar la confiança de l’usuari. Si es manté atenta al context i a les accions de l’usuari, l’agent d’IA pot adaptar el feedback perquè sigui realment útil sense extralimitar-se.
Què és: La consciència situacional és la capacitat d’un agent d’interpretar informació contextual en temps real i adaptar-hi el seu comportament. En lloc de dependre només d’entrades predeterminades, els agents d’IA poden processar contínuament informació sobre l’entorn, l’estat actual de l’usuari i altres condicions rellevants.
Això pot implicar adaptar una interfície a les necessitats immediates de l’usuari o interpretar les condicions actuals del mercat per oferir respostes més rellevants.
Per què és útil: El món real no és estàtic. Els sistemes d’IA amb consciència situacional poden ser més útils perquè responen a les condicions actuals. Quan un agent entén el context rellevant, les interaccions semblen més naturals, personalitzades i fonamentades.
El repte: Crear una IA amb una consciència situacional real és difícil. Accedir a les dades necessàries i integrar-les pot comportar una complexitat tècnica considerable.
Hi ha una línia molt fina entre una consciència contextual útil i una intromissió invasiva. Els usuaris valoren un agent que "ho capta", però poden sentir-se incòmodes si demana massa informació o sembla excessivament insistent. Com que les circumstàncies poden canviar ràpidament, l’experiència i el criteri humans continuen sent essencials.
Per tant, un sistema d’IA eficaç necessita les aportacions dels usuaris per mantenir una comprensió útil i actualitzada de les seves circumstàncies.
Mostreu als usuaris què és un bon context:
Els models de raonament com OpenAI o1 han canviat la manera com les persones proporcionen context als grans models de llenguatge. Independentment del model, un context detallat afavoreix respostes més rellevants. Uns exemples clars, el text de mostra i els consells desplegables poden mostrar als usuaris quina informació han d’aportar i explicar per què és important.
Mostrar explícitament a l’usuari què és un "bon context" pot eliminar els dubtes que altrament impedeixen especificar detalls significatius.
Faciliteu la definició dels límits de l’agent:
Les necessitats immediates d’un usuari són importants, però poden no ser evidents. Un agent amb consciència situacional pot col·laborar amb l’usuari per definir els temes, àmbits i eines que ha d’explorar. La recerca profunda de ChatGPT aplica aquest enfocament formulant preguntes aclaridores abans d’iniciar una tasca de recerca.
Oferiu un context visible que es pugui editar i ampliar ràpidament:
Els usuaris poden necessitar una instantània del que la IA pressuposa actualment sobre els seus objectius, prioritats i fonts de dades. Un tauler específic pot explicar el límit temporal del seu coneixement, els supòsits actuals i les entrades rellevants. Una icona podria indicar quan s’utilitzen dades d’ubicació, mentre que un resum podria mostrar quants registres han contribuït a una conclusió.
És útil que les persones vegin què "sap" la IA i puguin afegir, eliminar o actualitzar el context rellevant amb el mínim esforç.
Deixeu que la IA seleccioni funcions de la interfície segons la seva utilitat:
Els agents d’IA poden activar o desactivar capacitats selectivament segons els indicis situacionals. Quan algú redacta un llibre blanc, un agent podria activar eines avançades de citació; quan edita notes per a una presentació, podria destacar les funcions d’edició. Això permet oferir experiències més enfocades sense exigir als usuaris que gestionin manualment cada configuració.
Què és: El disseny d’experiències i el desenvolupament de productes solen tractar la recerca d’usuaris com una fase diferenciada a l’inici d’un projecte o en intervals establerts. La descoberta contínua entén la comprensió del comportament, les necessitats i les preferències dels usuaris com un procés constant. La IA pot convertir converses, clics i comentaris en oportunitats per descobrir idees que els usuaris potser no expressen explícitament.
En essència, la IA continua aprenent i adaptant-se en temps real a l’àmbit del problema.
Per què és útil: Pot ser difícil obtenir comentaris útils d’experts, professionals i usuaris generals sobre l’eficàcia o la usabilitat d’un resultat d’IA. Els agents poden ajudar a captar reaccions, idees i intuïcions en el seu context, mentre l’experiència encara és recent.
El repte: Els comentaris sovint recullen què ha passat o si a l’usuari li ha agradat un resultat, però no n’expliquen el perquè. Demanar a les persones que recordin i documentin cada pas del seu raonament pot resultar feixuc, encara que aquestes idees milloressin les capacitats futures d’un sistema.
Això és especialment important en sistemes d’IA molt restringits, on un intercanvi conversacional obert pot no ser desitjable ni possible.
Utilitzeu indicadors descriptius per captar reaccions:
Un simple polze amunt o polze avall rarament explica la reacció d’un usuari. Els indicadors descriptius —com "útil per planificar el pressupost" o "falta informació normativa"— aporten un context més útil. Aquests indicadors poden reflectir la interacció actual o convidar els usuaris a compartir breument la seva perspectiva, convertint una valoració en informació de la qual la IA pot aprendre.
Orienteu els agents d’IA amb "targetes didàctiques":
Quan la IA s’equivoqui o només ho faci parcialment bé, oferiu als usuaris una manera senzilla de corregir-la o "ensenyar-li". Per exemple, un agent podria preguntar: "How would you phrase it?" o "What detail did we miss?". Les indicacions resultants es poden desar per a la interacció actual o reutilitzar més endavant.
Apreneu de la iteració i la variació:
De vegades, els millors comentaris s’obtenen tornant-ho a provar. Uns controls senzills de regeneració permeten als usuaris comparar opcions noves i identificar les que prefereixen. Aquestes tries connecten l’entrada original amb un resultat més útil i converteixen l’experimentació en part del procés d’aprenentatge.
Observeu les interaccions:
Els agents d’IA poden treballar plegats per aprendre de múltiples interaccions. Per exemple, mentre un agent crea un resum de recerca, un altre podria analitzar l’intercanvi per avaluar l’experiència. Actuant com a etnògrafs, aquests agents poden identificar diferències entre la intenció d’una persona i la seva percepció de la qualitat del resultat.
Aquestes observacions poden impulsar la millora contínua fent aflorar idees i suggerint canvis en el sistema.
Què és: L’amplificació adapta l’entrada, la indicació o la instrucció d’un usuari per obtenir un resultat millor tot preservant la intenció original. La IA duu a terme tasques addicionals entre bastidors, més enllà de la petició explícita. Per exemple, les "indicacions a l’ombra" poden enriquir una consulta abans que el sistema generi una resposta.
L’usuari aporta una idea inicial i l’agent amplia aquesta entrada quan això pot millorar el resultat.
Per què és útil: Les persones sovint donen instruccions breus o generals, però la millor resposta pot requerir passos addicionals. Els agents d’IA poden salvar aquesta distància sense exigir als usuaris que ho expliquin tot. Per exemple, demanar a una IA "brainstorm marketing ideas for my new coffee product" podria generar simplement una llista genèrica.
Un enfocament amplificat podria executar diverses sessions de pluja d’idees cada vegada més ambicioses i combinar-ne les millors propostes per crear un resultat més ric i variat.
El repte: Treballar entre bastidors pot reduir la sensació d’autoria i transparència de l’usuari. Si una IA modifica la petició d’algú sense explicar-ne el canvi, pot produir un resultat que l’usuari no volia. Els dissenyadors han d’equilibrar una amplificació útil amb el risc d’una manipulació no desitjada.
El repte de disseny és permetre que els usuaris guiïn l’amplificació quan vulguin.
Preserveu la intenció de l’usuari i desenvolupeu-la:
L’amplificació ha de potenciar els objectius expressats per l’usuari sense introduir-ne de nous. Després que la IA ampliï una indicació o completi tasques en segon pla, ella mateixa o un validador independent hauria de comparar el resultat final amb la petició original. Les incorporacions inesperades s’han de comunicar amb claredat.
Utilitzeu l’amplificació per millorar la seguretat i la creativitat:
Tècniques com les indicacions a l’ombra poden suscitar preocupació perquè reformulen d’amagat les peticions dels usuaris. Per mantenir la confiança, feu-les servir per millorar la claredat, la seguretat o la completesa sense desvirtuar la intenció de l’usuari. Si cal un ajust relacionat amb la seguretat, expliqueu-lo o proporcioneu informació immediata.
Els usuaris poden veure el resultat d’una moderació sense conèixer-ne la lògica ni els criteris subjacents.
Adopteu tècniques de facilitació contrastades:
Els agents d’IA poden aplicar mètodes de facilitació i col·laboració, com ara Liberating Structures, per fomentar interaccions productives. Aquests marcs lleugers ajuden a maximitzar el potencial creatiu i analític d’una persona.
Durant una conversa, l’agent pot recórrer a mètodes familiars de pluja d’idees i filtratge de propostes. Petits canvis en el desenvolupament de l’intercanvi poden generar una gamma més àmplia d’idees i conclusions.
Utilitzeu fils paral·lels per fer aflorar contingut útil:
En lloc de dependre d’un únic intercanvi lineal, un agent pot explorar simultàniament diverses interpretacions, idees o solucions. Això s’assembla a un grup d’experts que fan una pluja d’idees des de perspectives diferents sense perdre aportacions útils.
Un procés de coordinació pot combinar aquestes línies d’exploració diferents en una resposta coherent i aplicable.
Utilitzeu l’amplificació per formar els usuaris:
Una amplificació ben dissenyada també pot ajudar les persones a aprendre a interactuar amb la IA de manera més eficaç. Si un agent explica "I considered X and Y in my answer", els usuaris poden incloure aquests factors en peticions futures. Això genera una millora en dues direccions: respostes millors ara i entrades millors amb el temps.
Què és: Aquest patró facilita la comprensió del raonament dels agents d’IA. Unes interaccions ben dissenyades poden explicar per què un agent ha produït una resposta, destacar-ne les fonts o fer visibles els passos rellevants del procés. L’objectiu és afavorir una presa de decisions humana eficaç sense aclaparar l’usuari.
Mostrar el raonament rellevant funciona millor quan els usuaris poden explorar-lo gradualment i triar el nivell de detall que necessiten.
Per què és útil: La confiança és essencial per adoptar la IA, sobretot en entorns empresarials. És menys probable que les persones confiïn en un sistema si no poden entendre ni verificar-ne el comportament. Uns resultats transparents faciliten diagnosticar problemes, corregir errors i repetir els enfocaments útils.
El repte: Explicar les decisions de la IA pot ser difícil. Un excés de detalls pot aclaparar els usuaris, mentre que les probabilitats o els resums extensos del raonament poden ser difícils d’interpretar. La transparència per si sola tampoc no garanteix la precisió.
Els dissenyadors han de considerar la qualitat de l’explicació, la claredat amb què es presenta i com les proves de suport poden formar part d’un diàleg útil.
Permeteu que els agents pensin de manera expansiva i després condensin els resultats:
La IA pot analitzar un problema en profunditat i presentar-ne els resultats en un format fàcil d’assimilar. Els resums jeràrquics i la divulgació progressiva permeten començar per la idea principal i ampliar els detalls de suport només quan cal.
Una interacció ben dissenyada pot facilitar l’exploració d’informació complexa sense sacrificar profunditat ni claredat.
Proporcioneu citacions i referències explorables:
Les respostes generades per IA han d’oferir als usuaris una manera clara de consultar les fonts que les sustenten. Això pot incloure enllaços, fragments d’informes interns, conclusions de recerques rellevants o una vista més detallada de dades quantitatives.
En els sistemes de generació augmentada per recuperació, per exemple, els usuaris haurien de poder passar d’un resum d’IA a les proves que el sustenten. Això facilita la verificació i permet aprofundir en la investigació que genera confiança.
Comuniqueu els senyals de progrés importants:
Els fluxos de treball complexos dels agents poden implicar canviar de direcció, reprendre passos anteriors o combinar diverses línies d’investigació. Els usuaris toleren més fàcilment les esperes quan entenen què està passant. Les actualitzacions clares de progrés poden explicar què ha completat l’agent, què està fent i què farà després.
L’agent també ha d’explicar quan està encallat o quan una decisió requereix perspectives addicionals.
Reveleu els resultats de la IA pas a pas:
En lloc de presentar tota la resposta de cop, un agent pot revelar la informació per etapes. Per exemple, un assistent d’inversions podria mostrar una recomanació breu amb l’opció d’ampliar-ne la justificació: "Step 1: Assess the risk profile. Step 2: Review the current portfolio. Step 3: Identify diversification opportunities. Step 4: Formulate a recommendation." Els usuaris que vulguin més detalls poden explorar cada pas, mentre que els altres poden quedar-se amb el resum.
Utilitzeu explicacions visuals del raonament de la IA:
Les explicacions han de ser tan entenedores com el resultat principal. Quan el raonament implica xifres o relacions, els gràfics i diagrames poden ser útils. Visualitzar les consultes, el procés, el raonament i les fonts d’un agent també pot ajudar els usuaris a corregir-ne el rumb, explicar el resultat a altres persones o repetir el procés més endavant.
Unes explicacions visuals clares ajuden els usuaris a entendre la informació i actuar-hi més ràpidament.