Vi har alle haft skuffende oplevelser med AI eller kender nogen, der “hader chatbots” – ofte fordi standardoplevelsen hverken er nyttig, værdifuld eller behagelig. Skuffelsen handler ofte mindre om en models evner end om selve oplevelsen: samspillet mellem mennesker, en AI-agent og et ønsket resultat. Det er en væsentlig hindring for udbredelsen, især i virksomheder, hvor dårligt udformede interaktioner kan virke overvældende, overse realtidskontekst eller ignorere brugerens hensigt og adfærd.
Ud fra dette perspektiv har vi identificeret fordelene ved hvert mønster, de tilhørende designudfordringer og praktiske råd til anvendelsen. Mønstrene kan bruges på tværs af interaktionstyper og modaliteter og skaber muligheder for både forbrugerrettede oplevelser og interne AI-løsninger, der hjælper vidensarbejdere med at træffe bedre beslutninger.
Vi vil dele de nye mønstre, vi ser – både når vi bygger og eksperimenterer med mange generative AI-løsninger – for at bidrage til bedre relationer mellem mennesker og AI.
Mange af vores interaktioner med teknologi, både som vidensarbejdere og forbrugere, gør hverdagens opgaver mere besværlige, end de behøver at være. De begrænser vores produktivitet, effektivitet og værdiskabelse.
Både vidensarbejdere og forbrugere kan føle sig overvældet af den enorme mængde tilgængelig information, valgmuligheder og værktøjer. Denne konstante strøm af ofte modstridende budskaber gør det sværere at træffe klare beslutninger og bevare fokus. Undersøgelser tyder på, at medarbejdere bruger op til 40 % af arbejdsdagen alene på at søge efter de oplysninger, de har brug for (McKinsey). Denne informationsoverbelastning påvirker både produktiviteten og trivslen.
Vi har også en begrænset opmærksomhedskapacitet. Selv når vi kan finde information, kan vi ikke behandle eller analysere alt det, der kræves for at træffe en velunderbygget beslutning. Vi kan kun fokusere på en lille del af de tilgængelige data ad gangen og holder ofte fast i eksisterende overbevisninger eller idéer, som begrænser vores evne til at overveje alternativer eller opdage uventede mønstre.
Værktøjerne tager ofte ikke højde for disse begrænsninger. Det meste teknologi er designet til “gennemsnittet” – standardløsninger, der ikke tilpasser sig den enkeltes kontekst. Uanset om vi bruger software på arbejdspladsen eller forbrugerapps, tager værktøjerne sjældent højde for vores behov, begrænsninger eller særlige omstændigheder. Derfor kan teknologien blive ineffektiv eller direkte modarbejde formålet. Generativ AI giver mulighed for at skabe mere adaptive og personlige interaktioner.
Endelig skaber mange arbejdsmiljøer unødig mistrivsel. Stigende mængder af “pseudoarbejde”, presset for altid at være tilgængelig og gentagne opgaver med lav værdi bidrager til manglende engagement og kronisk stress. Selvom generativ AI og AI-agenter kan mindske eller fjerne disse oplevelser, har mange stadig ikke tillid til AI's evne til samlet set at forbedre arbejdet. Folk kan modsætte sig tanken om, at “AI overtager”, fordi de frygter at blive overflødige eller føler ejerskab over deres arbejde – selv de opgaver, de ikke bryder sig om.
AI er ikke i sig selv en løsning. Dårligt integreret AI kan skabe nye opgaver og bekymringer, især for vidensarbejdere. Disse udfordringer viser behovet for interaktioner mellem mennesker og AI, der ikke blot er effektive, men også afstemt efter vores kognitive evner, individuelle omstændigheder og virkelighedens begrænsninger. De seks mønstre nedenfor beskriver tilgange, der tager højde for menneskers behov og understøtter et mere adaptivt, gennemsigtigt og meningsfuldt forhold til AI.
Forholdet mellem nye designmønstre og principper for effektive, menneskecentrerede AI-oplevelser.
Kuratering: AI som en intelligent menu – AI kuraterer og organiserer information og mindsker overbelastning ved at hjælpe folk med at navigere i enorme datasæt.
Feedback: AI som sparringspartner – AI giver tankevækkende feedback i realtid, som udfordrer antagelser og tilbyder alternative perspektiver.
Situationsbevidsthed: AI, der forstår øjeblikket og omgivelserne – AI tilpasser sig realtidskonteksten ved løbende at behandle oplysninger om omgivelserne og brugerens behov.
Kontinuerlig opdagelse: Gør hver interaktion til brugerundersøgelse – AI bruger hver brugerinteraktion til at afdække indsigter og finjustere sin forståelse, så læring og forbedring fortsætter.
Forstærkning: Udbygning af brugerinput for bedre resultater – AI forbedrer brugerinput bag kulisserne og bevarer samtidig brugerens oprindelige hensigt.
Vis mellemregningerne: Gennemsigtig AI-ræsonnering – AI gør sin beslutningsproces synlig og nyttig, skaber tillid og hjælper brugerne med at træffe mere velunderbyggede beslutninger.
De seks mønstre viser, at effektive AI-løsninger kræver mere end en veludformet brugergrænseflade. De former, hvordan mennesker og AI-agenter koordinerer, træffer beslutninger og interagerer i komplekse videnssystemer. Mønstrene forbedrer interaktionen mellem mennesker og AI ved at:
Prioritere tovejsudveksling af viden: Skab en dialog, hvor AI og mennesker bidrager med idéer, kontekst og indsigter. Det understøtter mere kompetente AI-systemer, der bygger på ekspertviden og intuition, som endnu ikke er formaliseret.
Skabe oplevelser, der tilpasser og ændrer sig efter omstændighederne: AI-værktøjer kan hurtigt blive forældede eller irrelevante. Systemer, der bevarer situationsbevidsthed, lærer løbende og tilpasser sig den enkelte brugers omstændigheder, forbliver nyttige over tid.
Styrke tillid og tryghed: Gennemsigtige og samarbejdsorienterede interaktioner mindsker hindringer for udbredelse, øger engagementet og forbedrer både menneskers og AI's beslutningstagning. Gennemtænkt design hjælper folk med over tid at bevare tilliden til et systems beslutninger og output.
Det er udfordrende at designe effektive AI-oplevelser, men velafprøvede tilgange kan hjælpe. Kerneprincipperne om at forstå brugerne og skabe nyttige oplevelser gælder stadig, side om side med de nye hensyn, som handlekraftige AI-systemer medfører. Oplevelser, der kuraterer information effektivt, giver nyttig feedback og lærer gennemsigtigt, kan mindske overbelastning, forbedre beslutninger og skabe tillid.
Mønstrene hjælper med at overvinde almindelige hindringer for udbredelse og gør AI reelt nyttig, tilpasningsdygtig og mere værdifuld for alle involverede.
Vejledningen nedenfor udforsker hvert mønster nærmere og forklarer, hvordan det kan understøtte en bredere AI-oplevelse.
Hvad det er: I stedet for at brugerne manuelt skal gennemgå endeløse søgeresultater eller dokumenter, kan AI-agenter kuratere information fra enorme datasæt og præsentere den mest relevante indsigt. I bund og grund bliver AI'en en bibliotekar, der organiserer viden, så den passer til brugerens kontekst.
Hvorfor det er nyttigt: Det mindsker informationsoverbelastning. Den gennemsnitlige vidensarbejder bruger 1,8 timer om dagen på at søge efter information, hvilket bidrager til udbrændthed blandt mange medarbejdere (McKinsey). AI-drevet kuratering løser dette ved at indeksere, finde og kombinere information fra mange forskellige kilder. Det hjælper brugerne med at finde information, muligheder og indsigter, som de måske ville overse med traditionel søgning.
Udfordringen: Skiftet fra traditionel, grænsefladebaseret søgning til en agentunderstøttet tilgang kræver, at brugerne tilpasser deres forventninger. Folk er vant til at gennemgå en liste med links eller trykke på knapper for at filtrere et datasæt. En AI-kurator sammenfatter derimod svar fra kilder, som brugerne måske ikke ved findes. Det kan mindske brugernes oplevelse af kontrol over filtreringen og kræve, at de har tillid til agentens valg. Velkendte søgemekanismer kan hjælpe folk med at vænne sig til AI-drevet kuratering uden at miste tillid eller kontrol.
Sådan bruger OpenAI velkendte interaktionsmønstre til at understøtte struktureret og ustruktureret informationssøgning.
Præsenter søgemekanismer som velkendte interaktioner:
Gør overgangen fra traditionel søgning lettere ved at tilbyde velkendte interaktioner frem for tomme lærreder. Brugerne føler sig mere trygge, når oplevelsen bygger på genkendelige valgmuligheder, spørgeskemaer og kontekstuelle forslag.
Brug knapper som prompts i stedet for at kræve åbne svar:
Fritekst kan virke uoverskuelig eller tidskrævende. Forudindstillede eller automatisk genererede knapper gør kuratering mere tilgængelig. Eksempelvis kan “Filter by most recent,” “Compare pricing,” og “Include global sources” hjælpe brugerne med at finjustere resultaterne. Det sænker adgangstærsklen, tilskynder til udforskning og former AI'ens anbefalinger efter brugerens hensigt.
Lad brugerne fortælle en historie for at finjustere søgeresultaterne:
Nogle gange formidler en fortælling brugerens behov mere effektivt end direkte forespørgsler eller filtre. I komplekse situationer – såsom at finde rundt i omfattende dashboards eller søge efter det rette produkt – kan traditionelle værktøjer virke overvældende, og det kan være uklart, hvilke parametre der skal justeres.
Når brugerne kan “fortælle deres historie” – beskrive et problem, et personligt mål eller et ønsket produkt – kan AI'en omsætte fortællingen til strukturerede søgeparametre. En person, der siger: “I just moved into a smaller home and need versatile, budget-friendly storage solutions,” kan eksempelvis få kuraterede produktforslag, praktiske tips og relevante anbefalinger.
Ved at give plads til fortællinger mindsker du ikke blot den mentale belastning ved at skulle vælge filtre, men skaber også større tillid til og klarhed i de endelige kuraterede resultater.
Brug memes og kulturelle referencer til at gøre opdagelsen personlig:
Memes kan gavne AI-kuratering på to måder: De giver agenten en bedre forståelse af brugeren og gør søgeresultaterne mere levende, menneskelige og relaterbare. Når brugerne vælger eller henviser til memes, der illustrerer deres mål, humør eller stil (“I’m feeling the ‘Treat Yo Self’ vibe today!”), deler de i praksis deres “mentalisering” med AI'en. Det hjælper agenten med at finjustere kurateringen ved at udlede kontekst, som kunne gå tabt i en almindelig grafisk grænseflade eller tekstforespørgsel.
Dernæst kan agenten “afspille” resultaterne som tematiske eller popkulturinspirerede “startpakker”, så anbefalingerne føles mere relevante og personlige. Hvis nogen eksempelvis indretter et hjemmekontor på ny, kan AI'en skabe en “WFH-startpakke”, der kombinerer skrivebordstilbehør, teknologi og inspiration.
Skab klarhed for brugeren med de bedste næste handlinger:
Uanset om en AI-agents resultater rammer plet eller ej, skal brugerne nemt kunne finjustere parametrene. De kan eksempelvis spørge: “Show me more like item 2,” eller “Exclude sources older than 2020.” Forslag til næste handling kan vejlede nye brugere uden at overvælde dem.
Hvad det er: AI-agenter omtales ofte som en måde at uddelegere arbejde, der traditionelt er udført af mennesker. Deres evne til at fungere som samarbejdspartnere i realtid får mindre opmærksomhed. I stedet for blot at følge instruktioner eller generere indhold kan en agent stille tankevækkende spørgsmål, udfordre antagelser og tilbyde alternative perspektiver. Det gør AI til en sparringspartner, der hjælper brugerne med at forbedre deres arbejde undervejs.
Hvorfor det er nyttigt: Vi har alle gavn af rettidig feedback, men vi får den ikke altid. Både modspil og opbakning kan hjælpe os med at se mønstre, før vi bliver for knyttet til en idé. AI-agenter kan udfordre vores antagelser, generere idéer og foreslå alternative fortolkninger af data uden at erstatte menneskelig dømmekraft. Vi har erfaret, at folk ofte reagerer positivt på denne form for feedback fra agenter.
AI-agenter kan generere modargumenter, der afdækker huller i ræsonneringen eller fremhæver alternative perspektiver.
Udfordringen: AI-feedback skal være intuitiv og kunne omsættes til handling, ellers bliver den en distraktion. Folk bryder sig ikke om en agent, der afbryder med irrelevante forslag eller hænger sig i hver eneste detalje. AI'en skal gribe ind på de rette tidspunkter og med den rette tone. Er den for passiv, går nyttige muligheder tabt. Er den for aggressiv, kan brugerne føle sig draget i tvivl.
Udfordringen er, hvordan AI'ens feedback skal præsenteres: som tips, en valgfri gennemgang eller en tovejssamtale? Den rette interaktion afgør, om brugerne tager imod AI'en som partner eller blot ser Clippy 2.0.
Sørg for, at feedback er proaktiv uden at være irriterende:
Lad AI'en komme med forslag ved naturlige pauser. I et dokumentredigeringsprogram kan den eksempelvis vente, til en sætning eller et afsnit er færdigt, før den foreslår en ændring. Vi har også undersøgt muligheden for at lade en agent vente et øjeblik, efter at et tomt tekstfelt er valgt, før den tilbyder hjælp. Tonen betyder noget: “Her er en idé, du kan overveje …” virker mere konstruktivt end en kategorisk påstand.
Gør feedback til en udforskende dialog:
Hvis feedbacken er uklar, skal det være nemt for brugerne at stille spørgsmål som: “Why do you suggest changing this?” En nysgerrig AI-persona kan få udvekslingen til at virke mere konstruktiv. Som en eftertænksom terapeut eller facilitator kan agenten stille relevante spørgsmål på det rette tidspunkt og gøre feedback til en samtale, der hjælper brugeren med at lære.
Det hjælper også AI'en med at indsamle kontekst, så både brugeren og agenten kan udvikle en klarere fælles forståelse.
Tilbyd flere muligheder, idéer eller alternativer:
I stedet for at tilbyde én idé, løsning eller udfordring kan en agent præsentere flere perspektiver. En designagent kan eksempelvis generere tre alternative layouts, mens en skriveagent foreslår forskellige versioner af en sætning til forskellige målgrupper. Flere valgmuligheder understreger, at brugeren fortsat har kontrollen.
Sørg for, at feedbacken tager højde for konteksten:
Agenten skal tilpasse sin rolle som “sparringspartner” til brugerens aktuelle kontekst. Hvis nogen tøver ved et spørgsmål eller tekstfelt, kan AI'en stille et tankevækkende spørgsmål i stedet for straks at komme med et færdigt svar. Når en bruger blot skal have omformuleret en sætning, hjælper et kort forslag, der kan accepteres eller afvises, med at bevare brugerens ejerskab.
Det er afgørende, at AI'en ved, hvornår den skal træde tilbage – langvarig pingpong kan føre til en “dommedagsløkke” af endeløse rettelser, som undergraver brugerens selvtillid. Ved at være opmærksom på konteksten og brugerens handlinger kan AI-agenten tilpasse sin feedback, så den reelt hjælper uden at overskride grænser.
Hvad det er: Situationsbevidsthed er en agents evne til at fortolke kontekstuelle oplysninger i realtid og tilpasse sin adfærd derefter. I stedet for kun at benytte forudbestemte input kan AI-agenter løbende behandle oplysninger om omgivelserne, brugerens aktuelle tilstand og andre relevante forhold.
Det kan betyde, at en grænseflade tilpasses brugerens umiddelbare behov, eller at de aktuelle markedsforhold fortolkes for at gøre svarene mere relevante.
Hvorfor det er nyttigt: Den virkelige verden er ikke statisk. Situationsbevidste AI-systemer kan være mere nyttige, fordi de reagerer på de aktuelle forhold. Når en agent forstår den relevante kontekst, føles interaktionerne mere naturlige, personlige og virkelighedsnære.
Udfordringen: Det er svært at udvikle AI, som reelt er situationsbevidst. Adgang til og integration af de nødvendige data kan medføre betydelig teknisk kompleksitet.
Der er en hårfin grænse mellem nyttig kontekstbevidsthed og påtrængende overgreb. Brugerne sætter pris på en agent, der “forstår det”, men kan blive utilpasse, hvis den beder om for mange oplysninger eller virker for pågående. Fordi omstændighederne hurtigt kan ændre sig, er menneskelig ekspertise og dømmekraft fortsat afgørende.
Et effektivt AI-system har derfor brug for input fra brugerne for at bevare en nyttig og aktuel forståelse af deres situation.
Vis brugerne, hvordan god kontekst ser ud:
Ræsonneringsmodeller som OpenAI o1 har ændret den måde, folk giver kontekst til store sprogmodeller på. Uanset modellen giver detaljeret kontekst mere relevante svar. Tydelige eksempler, pladsholdertekst og tips, der kan foldes ud, kan vise brugerne, hvilke oplysninger de skal give, og forklare, hvorfor de er vigtige.
Ved direkte at vise brugeren, hvordan “god kontekst” ser ud, fjernes det gættearbejde, der ellers afholder folk fra at angive relevante detaljer.
Gør det nemt at definere agentens grænser:
Brugerens umiddelbare behov er vigtige, men ikke altid indlysende. En situationsbevidst agent kan samarbejde med brugeren om at definere de emner, domæner og værktøjer, den skal udforske. Dybdegående research i ChatGPT understøtter denne tilgang ved at stille afklarende spørgsmål, før en researchopgave påbegyndes.
Gør konteksten synlig, så den hurtigt kan redigeres og udbygges:
Brugerne kan have brug for et øjebliksbillede af, hvad AI'en aktuelt antager om deres mål, fokus og datakilder. Et særskilt panel kan forklare dens vidensgrænse, aktuelle antagelser og relevante input. Et ikon kan angive, når lokalitetsdata bruges, mens et resumé kan vise, hvor mange poster der har bidraget til en indsigt.
Det gavner folk at se, hvad AI'en “ved”, og nemt kunne tilføje, fjerne eller opdatere relevant kontekst.
Lad AI'en vælge UI-funktioner efter deres nytte:
AI-agenter kan selektivt aktivere eller deaktivere funktioner ud fra signaler i situationen. Når nogen skriver et whitepaper, kan en agent aktivere avancerede værktøjer til kildehenvisninger. Når de redigerer talernoter, kan den fremhæve redigeringsfunktioner. Det giver fokuserede oplevelser, uden at brugerne manuelt skal administrere hver eneste indstilling.
Hvad det er: Oplevelsesdesign og produktudvikling behandler ofte brugerundersøgelser som en særskilt fase i begyndelsen af et projekt eller med faste intervaller. Kontinuerlig opdagelse betragter forståelsen af brugeradfærd, behov og præferencer som en løbende proces. AI kan gøre samtaler, klik og feedback til muligheder for at afdække indsigter, som brugerne måske ikke udtrykker direkte.
I bund og grund fortsætter AI'en med at lære og tilpasse sig problemområdet i realtid.
Hvorfor det er nyttigt: Det kan være svært at indsamle brugbar feedback fra eksperter, praktikere og almindelige brugere om effektiviteten eller brugervenligheden af et AI-output. Agenter kan hjælpe med at indfange reaktioner, indsigter og intuition i konteksten, mens oplevelsen stadig står frisk i hukommelsen.
Udfordringen: Feedback registrerer ofte, hvad der skete, eller om brugeren kunne lide resultatet, uden at forklare hvorfor. Det kan føles belastende at bede folk om at huske og dokumentere hvert trin i deres tankegang, selv når indsigterne kunne forbedre et systems fremtidige funktioner.
Det er især vigtigt i stærkt afgrænsede AI-systemer, hvor en åben samtale hverken er ønskelig eller mulig.
Brug beskrivende markeringer til at indfange reaktioner:
En enkel “tommelfinger op” eller “tommelfinger ned” forklarer sjældent brugerens reaktion. Beskrivende markeringer – såsom “nyttig til budgetplanlægning” eller “mangler oplysninger om lovgivning” – giver en mere brugbar kontekst. Markeringerne kan afspejle den aktuelle interaktion eller opfordre brugerne til kort at dele deres perspektiv, så en vurdering bliver til information, AI'en kan lære af.
Styr AI-agenter med “flashcards”:
Når AI'en begår en fejl eller kun delvist lykkes, skal brugerne have en enkel måde at rette eller “undervise” den på. En agent kan eksempelvis spørge: “How would you phrase it?” eller “What detail did we miss?” Den efterfølgende vejledning kan gemmes til den aktuelle interaktion eller genbruges senere.
Lær af gentagelser og variation:
Nogle gange kommer den bedste feedback af at prøve igen. Enkle funktioner til ny generering lader brugerne sammenligne nye muligheder og finde dem, de foretrækker. Disse valg forbinder det oprindelige input med et mere brugbart resultat og gør eksperimenter til en del af læringsprocessen.
Observer interaktioner:
AI-agenter kan samarbejde om at lære på tværs af flere interaktioner. Mens én agent udarbejder et forskningsresumé, kan en anden eksempelvis analysere udvekslingen for at evaluere oplevelsen. Som etnografer kan disse agenter identificere forskelle mellem en persons hensigt og vedkommendes opfattelse af outputtets kvalitet.
Observationerne kan understøtte løbende forbedringer ved at afdække indsigter og foreslå ændringer af systemet.
Hvad det er: Forstærkning tilpasser brugerens input, prompt eller instruktion for at skabe et bedre resultat, samtidig med at den oprindelige hensigt bevares. AI'en udfører yderligere arbejde bag kulisserne ud over den udtrykkelige anmodning. Eksempelvis kan “skyggeprompting” berige en forespørgsel, før systemet genererer et svar.
Brugeren kommer med en indledende idé, og agenten udbygger inputtet, når det kan forbedre resultatet.
Hvorfor det er nyttigt: Folk giver ofte korte eller overordnede instruktioner, selvom det bedste svar kan kræve flere trin. AI-agenter kan bygge bro over dette hul, uden at brugerne behøver forklare alt. Hvis man eksempelvis beder en AI om at “brainstorm marketing ideas for my new coffee product”, kan resultatet ellers blive en generisk liste.
En forstærket tilgang kan gennemføre flere stadig mere ambitiøse brainstorms og kombinere de stærkeste idéer, så resultatet bliver rigere og mere varieret.
Udfordringen: Arbejde bag kulisserne kan mindske brugerens oplevelse af ejerskab og gennemsigtighed. Hvis en AI ændrer en persons anmodning uden at forklare ændringen, kan den skabe et resultat, som brugeren ikke ønskede. Designere skal afveje nyttig forstærkning mod risikoen for uønsket manipulation.
Designudfordringen er at lade brugerne styre forstærkningen, når de ønsker det.
Bevar brugerens hensigt, og byg videre på den:
Forstærkning skal understøtte brugerens erklærede mål uden at indføre nye. Når AI'en har udbygget en prompt eller udført baggrundsopgaver, bør den eller en særskilt validator sammenligne det endelige output med den oprindelige anmodning. Uventede tilføjelser skal kommunikeres tydeligt.
Brug forstærkning til sikkerhed og kreativitet:
Teknikker som skyggeprompting kan vække bekymring for, at brugeranmodninger omformes i det skjulte. Bevar tilliden ved at bruge dem til at forbedre klarhed, sikkerhed eller fuldstændighed uden at underminere brugerens hensigt. Hvis en sikkerhedsrelateret tilpasning er nødvendig, skal den forklares, eller der skal gives feedback med det samme.
Brugerne kan se resultatet af en moderering uden at se den bagvedliggende logik eller kriterierne.
Lån velafprøvede faciliteringsteknikker:
AI-agenter kan bruge metoder til facilitering og samarbejde, såsom Liberating Structures, til at forme produktive interaktioner. Disse enkle rammer hjælper med at udfolde en persons kreative og analytiske potentiale.
Agenten kan trække på velkendte metoder til brainstorming og idéudvælgelse under en samtale. Små ændringer i udvekslingens forløb kan skabe et bredere udvalg af idéer og indsigter.
Brug parallelle spor til at afdække nyttigt indhold:
I stedet for at være afhængig af én lineær udveksling kan en agent udforske flere fortolkninger, idéer eller løsninger samtidig. Det minder om en gruppe eksperter, der brainstormer fra forskellige perspektiver uden at miste nyttige indsigter.
En koordinerende proces kan samle de forskellige udforskningsspor i et sammenhængende svar, der kan omsættes til handling.
Brug forstærkning til at lære brugerne noget:
Veludformet forstærkning kan også hjælpe folk med at lære at interagere mere effektivt med AI. Hvis en agent forklarer: “Jeg tog højde for X og Y i mit svar,” kan brugerne medtage disse faktorer i fremtidige anmodninger. Det skaber en forbedring i begge retninger: bedre svar nu og bedre input med tiden.
Hvad det er: Dette mønster gør AI-agenters ræsonnering lettere at forstå. Gennemtænkte interaktioner kan forklare, hvorfor en agent gav et svar, fremhæve underbyggende kilder eller synliggøre relevante trin i processen. Målet er at understøtte effektiv menneskelig beslutningstagning uden at overvælde brugeren.
Det fungerer bedst at vise relevant ræsonnering, når brugerne kan udforske den trinvis og vælge det detaljeniveau, de har brug for.
Hvorfor det er nyttigt: Tillid er afgørende for brugen af AI, især i virksomheder. Folk er mindre tilbøjelige til at stole på et system, hvis de ikke kan forstå eller kontrollere dets adfærd. Gennemsigtige output gør det lettere at diagnosticere problemer, rette fejl og gentage nyttige tilgange.
Udfordringen: Det kan være svært at forklare AI-beslutninger. For mange detaljer kan overvælde brugerne, mens sandsynligheder eller lange resuméer af ræsonneringen kan være svære at fortolke. Gennemsigtighed alene garanterer heller ikke nøjagtighed.
Designere skal overveje forklaringens kvalitet, hvor klart den præsenteres, og hvordan underbyggende dokumentation kan indgå i en nyttig dialog.
Lad agenter tænke bredt, og komprimer derefter resultaterne:
AI kan analysere et problem i dybden og samtidig præsentere resultaterne i et overskueligt format. Hierarkiske resuméer og trinvis visning lader brugerne begynde med hovedpointen og kun folde de underbyggende detaljer ud efter behov.
En veludformet interaktion kan gøre komplekse oplysninger nemme at udforske uden at gå på kompromis med dybde eller klarhed.
Tilbyd kildehenvisninger og referencer, der kan udforskes:
AI-genererede svar skal give brugerne en tydelig måde at undersøge de underbyggende kilder på. Det kan omfatte links, uddrag fra interne rapporter, relevante forskningsresultater eller en mere detaljeret visning af kvantitative data.
I systemer med retrieval-augmented generation skal brugerne eksempelvis kunne gå fra et AI-resumé til den bagvedliggende dokumentation. Det understøtter verificering og muliggør den dybere undersøgelse, der skaber tillid.
Kommuniker vigtige signaler om fremdrift:
Komplekse agentarbejdsgange kan indebære retningsskift, genbesøg af tidligere trin eller kombination af flere undersøgelsesspor. Brugerne accepterer lettere ventetid, når de forstår, hvad der sker. Tydelige statusopdateringer kan forklare, hvad agenten har udført, hvad den er i gang med, og hvad der sker bagefter.
Agenten skal også forklare, når den sidder fast, eller når en beslutning kræver flere perspektiver.
Vis AI-output trin for trin:
I stedet for at præsentere hele svaret på én gang kan en agent vise oplysningerne i etaper. En investeringsassistent kan eksempelvis vise en kort anbefaling med mulighed for at folde begrundelsen ud: “Trin 1: Vurder risikoprofilen. Trin 2: Gennemgå den aktuelle portefølje. Trin 3: Find muligheder for diversificering. Trin 4: Formuler en anbefaling.” Brugere, der ønsker flere detaljer, kan udforske hvert trin, mens andre kan nøjes med resuméet.
Brug visuelle forklaringer af AI-ræsonnering:
Forklaringer skal være lige så forståelige som det primære output. Når ræsonneringen omfatter tal eller relationer, kan diagrammer og illustrationer hjælpe. Visualisering af en agents forespørgsler, proces, ræsonnering og kilder kan også hjælpe brugerne med at korrigere kursen, forklare resultatet til andre eller gentage processen senere.
Tydelige visuelle forklaringer hjælper brugerne med hurtigere at forstå og handle på oplysninger.