Naranasan na nating lahat ang nakakadismayang pakikipag-ugnayan sa AI o may kilala tayong “ayaw sa mga chatbot,” madalas dahil hindi kapaki-pakinabang, mahalaga, o kasiya-siya ang “vanilla” na karanasan. Kadalasan, mas kaunti ang kinalaman ng pagkadismayang iyon sa mga kakayahan ng modelo kaysa sa mismong karanasan: ang interaksyon ng mga tao, isang AI agent, at ang gustong resulta. Malaking hadlang ito sa pagtanggap, lalo na sa mga enterprise setting, kung saan maaaring makalula ang hindi mahusay na idinisenyong interaksyon, balewalain ang real-time na konteksto, o hindi isaalang-alang ang layunin at gawi ng user.
Mula sa pananaw na ito, tinukoy namin ang mga pakinabang ng bawat pattern, ang mga hamon sa disenyo, at praktikal na gabay sa paggamit nito. Angkop ang mga pattern na ito sa iba’t ibang uri at modality ng interaksyon, kaya lumilikha ang mga ito ng pagkakataon para sa mga karanasang nakatuon sa consumer at internal na AI solution na tumutulong sa mga knowledge worker na gumawa ng mas mahusay na pasya.
Nais naming ibahagi ang mga umuusbong na pattern na nakikita namin—mula sa pagbuo at pagsubok sa maraming generative AI solution—upang makatulong sa pagdisenyo ng mas magandang ugnayan ng tao at AI.
Marami sa ating interaksyon sa teknolohiya, bilang mga knowledge worker man o consumer, ang nagpapahirap sa mga pang-araw-araw na gawain nang higit sa kinakailangan. Nililimitahan ng mga ito ang ating pagiging produktibo, pagiging epektibo, at halagang nalilikha.
Maaaring malula ang mga knowledge worker at consumer sa napakaraming magagamit na impormasyon, pagpipilian, at tool. Dahil sa tuloy-tuloy na pagdating ng madalas magkakasalungat na mensahe, mas mahirap gumawa ng malinaw na pasya o manatiling nakatuon. Ipinapahiwatig ng pananaliksik na gumugugol ang mga empleyado ng hanggang 40% ng araw ng trabaho sa paghahanap lamang ng impormasyong kailangan nila (McKinsey). Nakakaapekto ang labis na impormasyong ito sa pagiging produktibo at kapakanan.
Mayroon din tayong limitadong kakayahang magbigay-pansin. Kahit mahanap natin ang impormasyon, hindi natin kayang iproseso o suriin ang lahat ng kailangan upang makagawa ng pasyang may sapat na batayan. Maliit na bahagi lamang ng magagamit na data ang mapagtutuunan natin sa anumang sandali, at madalas tayong kumakapit sa mga kasalukuyang paniniwala o ideyang naglilimita sa pagtingin natin sa mga alternatibo o hindi inaasahang pattern.
Madalas hindi kinikilala ng mga tool mismo ang mga limitasyong ito. Karamihan ng teknolohiya ay idinisenyo para sa “karaniwan”—mga solusyong iisa para sa lahat at hindi umaangkop sa indibidwal na konteksto. Gumagamit man tayo ng software sa trabaho o mga app para sa consumer, bihirang isaalang-alang ng mga tool na ito ang ating mga pangangailangan, limitasyon, o natatanging kalagayan. Bilang resulta, maaaring maging hindi episyente o makasagabal ang teknolohiya. Nagbibigay ang generative AI ng pagkakataong lumikha ng mas umaangkop at personal na mga interaksyon.
Panghuli, maraming kapaligiran sa trabaho ang lumilikha ng hindi kinakailangang paghihirap. Ang dumaraming “busywork,” pressure na maging “always on,” at paulit-ulit na gawaing mababa ang halaga ay nagdudulot ng kawalan ng gana at pangmatagalang stress. Bagama’t maaaring bawasan o alisin ng generative AI at mga AI agent ang mga karanasang ito, marami pa ring tao ang walang tiwala sa kakayahan ng AI na pagandahin ang trabaho sa kabuuan. Maaaring tutulan ng mga tao ang ideya ng “pagkontrol ng AI” dahil natatakot silang mapalitan o ramdam nilang pag-aari nila ang kanilang trabaho—kahit ang mga gawaing ayaw nila.
Hindi solusyon ang basta paggamit lamang ng AI. Maaaring lumikha ang hindi maayos na pagsasama ng AI ng mga bagong gawain at pangamba, lalo na para sa mga knowledge worker. Ipinapakita ng mga hamong ito ang pangangailangan sa mga interaksyon ng tao at AI na hindi lamang episyente kundi nakaayon din sa ating kakayahang pangkaisipan, indibidwal na kalagayan, at mga limitasyon sa totoong mundo. Inilalarawan ng anim na pattern sa ibaba ang mga paraang kumikilala sa mga pangangailangan ng tao at sumusuporta sa mas umaangkop, malinaw, at makabuluhang ugnayan sa AI.
Ang ugnayan ng mga umuusbong na pattern sa disenyo at mga prinsipyo para sa epektibo at human-centered na karanasan sa AI.
Pag-curate: AI bilang matalinong menu—Kino-curate at inaayos ng AI ang impormasyon, kaya nababawasan ang pagkalula habang tinutulungan ang mga tao na mag-navigate sa malalawak na dataset.
Pagbibigay ng feedback: AI bilang katuwang sa pag-iisip—Nagbibigay ang AI ng real-time at nakakapagpaisip na feedback na kumukuwestiyon sa mga palagay at nag-aalok ng ibang pananaw.
Situational awareness: AI na nauunawaan ang narito at ngayon—Umaangkop ang AI sa real-time na konteksto sa patuloy na pagproseso ng impormasyon sa kapaligiran at mga pangangailangan ng user.
Tuloy-tuloy na pagtuklas: gawing user research ang bawat interaksyon—Ginagamit ng AI ang bawat interaksyon ng user upang tumuklas ng mga insight at pinuhin ang pag-unawa nito, kaya tuloy-tuloy ang pagkatuto at pagpapahusay.
Pagpapalawak: pagpapahusay sa input ng user para sa mas magandang resulta—Pinapahusay ng AI ang input ng user sa likod ng eksena habang pinapanatili ang orihinal na layunin ng mga user.
Pagpapakita ng proseso: malinaw na pangangatwiran ng AI—Ginagawang nakikita at kapaki-pakinabang ng AI ang proseso nito sa pagpapasya, kaya napapalakas ang tiwala at natutulungan ang mga user na gumawa ng pasyang may sapat na batayan.
Ipinapakita ng anim na pattern na ito na higit pa sa mahusay na idinisenyong user interface ang kailangan ng mga epektibong AI solution. Hinuhubog ng mga ito kung paano nag-uugnayan, nagpapasya, at nakikipag-ugnayan ang mga tao at AI agent sa loob ng mga komplikadong knowledge system. Pinapahusay ng mga pattern ang interaksyon ng tao at AI sa pamamagitan ng:
Pagbibigay-priyoridad sa palitan ng kaalaman sa magkabilang panig: Magbigay-daan sa diyalogo kung saan nag-aambag ang AI at mga tao ng mga ideya, konteksto, at insight. Sinusuportahan nito ang mas may kakayahang mga AI system na ginagabayan ng kaalaman at kutob ng mga ekspertong hindi pa naisasalin sa mga pormal na tuntunin.
Paglikha ng mga karanasang umaangkop at nagbabago ayon sa kalagayan: Maaaring mabilis na maluma o mawalan ng saysay ang mga AI tool. Nananatiling kapaki-pakinabang sa paglipas ng panahon ang mga system na may situational awareness, patuloy na natututo, at umaangkop sa kalagayan ng bawat user.
Pagpapalakas ng tiwala at kumpiyansa: Binabawasan ng malinaw at magkatuwang na interaksyon ang mga hadlang sa pagtanggap, pinapataas ang pakikilahok, at pinapahusay ang pagpapasya ng tao at AI. Tinutulungan ng maingat na disenyo ang mga tao na patuloy na magtiwala sa mga pasya at output ng system.
Mahirap magdisenyo ng epektibong karanasan sa AI, ngunit makakatulong ang mga subok nang paraan. Naaangkop pa rin ang mga pangunahing prinsipyo ng pag-unawa sa mga user at paglikha ng kapaki-pakinabang na karanasan, kasabay ng mga bagong pagsasaalang-alang na dulot ng mga AI system na may kakayahang kumilos. Maaaring bawasan ng mga karanasang mahusay mag-curate ng impormasyon, nagbibigay ng kapaki-pakinabang na feedback, at malinaw na natututo ang labis na impormasyon, pahusayin ang pagpapasya, at bumuo ng tiwala.
Tumutulong ang mga pattern na ito na malampasan ang mga karaniwang hadlang sa pagtanggap, kaya nagiging tunay na kapaki-pakinabang, adaptive, at mas mahalaga ang AI para sa lahat ng kasangkot.
Mas detalyadong tinatalakay ng gabay sa ibaba ang bawat pattern at ipinapaliwanag kung paano nito masusuportahan ang mas malawak na karanasan sa AI.
Ano ito: Sa halip na mano-manong salain ng mga user ang napakaraming resulta ng paghahanap o dokumento, maaaring mag-curate ang mga AI agent ng impormasyon mula sa malalawak na dataset at ilahad ang pinakamahahalagang insight. Sa madaling salita, nagiging librarian ang AI na nag-aayos ng kaalaman ayon sa konteksto ng user.
Bakit ito kapaki-pakinabang: Nababawasan nito ang labis na impormasyon. Ang karaniwang knowledge worker ay gumugugol ng 1.8 oras bawat araw sa paghahanap ng impormasyon, na nagdudulot ng burnout sa maraming empleyado (McKinsey). Tinutugunan ito ng AI-driven na pag-curate sa pamamagitan ng pag-index, paghahanap, at pagsasama-sama ng impormasyon mula sa maraming source, kaya natutuklasan ng mga user ang impormasyon, opsyon, at insight na maaaring hindi nila makita sa tradisyonal na paghahanap.
Ang hamon: Kailangang baguhin ng mga user ang kanilang mga inaasahan sa paglipat mula sa tradisyonal na interface-based na paghahanap patungo sa paraang tinutulungan ng agent. Sanay ang mga tao na suriin ang listahan ng mga link o pindutin ang mga button para salain ang isang dataset. Sa kabilang banda, pinagsasama-sama ng AI curator ang mga sagot mula sa mga source na maaaring hindi alam ng mga user na umiiral. Maaari nitong bawasan ang pakiramdam ng mga user na kontrolado nila ang pagsala at kailangan nilang magtiwala sa mga pinili ng agent. Makakatulong ang mga pamilyar na paraan ng paghahanap upang makibagay ang mga tao sa AI-driven na pag-curate nang hindi nawawala ang tiwala o kontrol.
Paano gumagamit ang OpenAI ng mga pamilyar na pattern ng interaksyon upang suportahan ang pagtuklas ng structured at unstructured na impormasyon.
Ipakita ang mga paraan ng paghahanap bilang mga pamilyar na interaksyon:
Para mapadali ang paglipat mula sa tradisyonal na paghahanap, magpakita ng mga pamilyar na interaksyon sa halip na blangkong canvas. Mas magiging komportable ang mga user kapag nakabatay ang karanasan sa mga pamilyar na opsyon, questionnaire, at mungkahing ayon sa konteksto.
Gumamit ng mga button bilang mga prompt sa halip na humingi ng open-ended na input:
Maaaring nakakatakot o matrabaho ang free-text na input. Ginagawang mas madaling gamitin ang pag-curate ng mga preset o awtomatikong ginawang button. Halimbawa, makakatulong ang “Filter by most recent,” “Compare pricing,” at “Include global sources” upang pinuhin ng mga user ang mga resulta. Pinapadali nito ang pakikilahok, hinihikayat ang paggalugad, at inaayon ang mga rekomendasyon ng AI sa layunin ng user.
Hayaang magkuwento ang mga user upang pinuhin ang mga resulta ng paghahanap:
Kung minsan, mas epektibong naipapahayag sa pagkukuwento ang mga pangangailangan ng user kaysa sa mga direktang query o filter. Sa mga komplikadong sitwasyon—gaya ng paggamit ng masisikip na dashboard o paghahanap ng tamang produkto—maaaring malula ang mga tao sa mga tradisyonal na tool o hindi malaman kung aling parameter ang babaguhin.
Kapag maaaring “magkuwento” ang mga user—sa paglalarawan ng problema, personal na layunin, o gustong produkto—maaaring gawing structured na mga parameter sa paghahanap ng AI ang salaysay na iyon. Halimbawa, ang isang taong nagsabing, “I just moved into a smaller home and need versatile, budget-friendly storage solutions,” ay maaaring makatanggap ng mga piniling mungkahi sa produkto, praktikal na tip, at nauugnay na rekomendasyon.
Sa paggamit ng pagkukuwento, hindi lamang nababawasan ang hirap ng pag-alam kung aling mga filter ang gagamitin, kundi tumataas din ang tiwala at linaw sa mga huling na-curate na resulta.
Gumamit ng mga meme at sangguniang pangkultura upang gawing personal ang pagtuklas:
Makakatulong ang mga meme sa pag-curate ng AI sa dalawang paraan: pinapalalim ng mga ito ang pag-unawa ng agent sa user at ginagawang mas buhay, makatao, at madaling makaugnayan ang mga resulta ng paghahanap. Una, sa pagpili o pagbanggit ng mga meme na kumakatawan sa kanilang layunin, mood, o istilo (“I’m feeling the ‘Treat Yo Self’ vibe today!”), epektibong ibinabahagi ng mga user sa AI ang kanilang “theory of mind.” Tinutulungan nito ang agent na pinuhin ang pag-curate nito sa pamamagitan ng paghinuha sa kontekstong maaaring mawala sa karaniwang graphical interface o text query.
Ikalawa, maaaring “ipakita muli” ng agent ang mga resulta bilang mga “starter pack” na may tema o inspirasyon mula sa pop culture, kaya mas nauugnay at personal ang mga rekomendasyon. Halimbawa, kung muling dinidisenyo ng isang tao ang home office niya, maaaring gumawa ang AI ng “WFH starter pack” na pinagsasama ang mga accessory sa mesa, teknolohiya, at inspirasyon.
Bigyan ng linaw ang user sa pamamagitan ng mga susunod na pinakamainam na hakbang:
Tumama man o hindi ang mga resulta ng isang AI agent, dapat madaling mapino ng mga user ang mga parameter. Halimbawa, maaari nilang sabihing, “Show me more like item 2,” o “Exclude sources older than 2020.” Maaaring gabayan ng mga iminumungkahing susunod na hakbang ang mga bagong user nang hindi sila nalulula.
Ano ito: Madalas talakayin ang mga AI agent bilang paraan upang italaga sa iba ang gawaing tradisyonal na ginagawa ng tao. Hindi gaanong napapansin ang kakayahan nilang maging mga real-time na katuwang. Sa halip na sumunod lamang sa mga tagubilin o gumawa ng content, maaaring magtanong ang isang agent ng mga tanong na nakakapagpaisip, kuwestiyunin ang mga palagay, at magbigay ng ibang pananaw. Dahil dito, nagiging katuwang sa pag-iisip ang AI na tumutulong sa mga user na pahusayin ang kanilang trabaho habang umuunlad ito.
Bakit ito kapaki-pakinabang: Nakikinabang tayong lahat sa napapanahong feedback, ngunit hindi natin ito laging natatanggap. Makakatulong ang pagsalungat at pagsuporta upang matukoy natin ang mga pattern bago tayo labis na kumapit sa isang ideya. Maaaring kuwestiyunin ng mga AI agent ang ating mga palagay, bumuo ng mga ideya, at magmungkahi ng ibang interpretasyon ng data nang hindi pinapalitan ang pagpapasya ng tao. Napag-alaman naming madalas positibo ang tugon ng mga tao sa ganitong uri ng feedback mula sa agent.
Maaaring gumawa ang mga AI agent ng mga kontraargumentong naglalantad ng mga puwang sa pangangatwiran o nagbibigay-diin sa ibang pananaw.
Ang hamon: Dapat madaling maunawaan at maisagawa ang feedback ng AI, kung hindi ay magiging sagabal ito. Hindi gusto ng mga tao ang agent na sumisingit ng mga walang-kaugnayang mungkahi o pumupuna sa bawat detalye. Dapat makialam ang AI sa tamang sandali at tamang tono. Kung masyado itong tahimik, masasayang ang mahahalagang pagkakataon; kung masyadong mapilit, maaaring maramdaman ng mga user na lagi silang pinagdududahan.
Ang hamon ay kung paano ilalahad ang feedback ng AI: dapat ba itong lumitaw bilang mga pahiwatig, opsyonal na pagsusuri, o usapang may palitan? Ang tamang interaksyon ang magtatakda kung tatanggapin ng mga user ang AI bilang katuwang o ituturing lamang itong Clippy 2.0.
Tiyaking maagap ngunit hindi nakakainis ang feedback:
Hayaang magbigay ang AI ng mga mungkahi sa mga natural na pahinga. Halimbawa, sa isang document editor, maaari itong maghintay na matapos ang pangungusap o talata bago magmungkahi ng pagbabago. Sinubukan din naming hayaang maghintay sandali ang agent matapos piliin ang blangkong text field bago mag-alok ng tulong. Mahalaga ang tono: mas nakakatulong pakinggan ang “Here’s an idea to consider…” kaysa sa isang tahasang pahayag.
Gawing mapag-usisang diyalogo ang feedback:
Kung hindi malinaw ang feedback, gawing madali para sa mga user na magtanong gaya ng, “Why do you suggest changing this?” Maaaring gawing mas nakakatulong ng isang mapag-usisang AI persona ang pag-uusap. Tulad ng maunawaing therapist o facilitator, maaaring magtanong ang agent ng mga nauugnay na tanong sa tamang sandali, kaya nagiging usapang nakakatulong sa pagkatuto ng user ang feedback.
Tinutulungan din nito ang AI na makakuha ng konteksto upang magkaroon ang user at agent ng mas malinaw at magkatuwang na pag-unawa.
Magbigay ng maraming opsyon, ideya, o alternatibo:
Sa halip na isang ideya, solusyon, o hamon lamang, maaaring maglahad ang agent ng ilang pananaw. Halimbawa, maaaring gumawa ang isang design agent ng tatlong alternatibong layout, habang nagmumungkahi ang writing agent ng iba’t ibang bersiyon ng isang pangungusap para sa iba’t ibang audience. Pinagtitibay ng pagbibigay ng mga opsyon na nananatili sa user ang kontrol.
Tiyaking isinasaalang-alang ng feedback ang konteksto:
Dapat iangkop ng agent ang papel nito bilang “katuwang sa pag-iisip” sa kasalukuyang konteksto ng user. Kung huminto ang isang tao sa isang tanong o text field, maaaring magtanong ang AI ng tanong na nakakapagpaisip sa halip na agad magbigay ng buong sagot. Kapag kailangan lang ng user na baguhin ang pagkakasulat ng pangungusap, nakakatulong ang maikling mungkahing maaari niyang tanggapin o tanggihan upang manatili sa kanya ang pagmamay-ari.
Higit sa lahat, dapat malaman ng AI kung kailan aatras—maaaring humantong ang mahabang palitan sa “doom loop” ng walang katapusang pag-edit at pahinain ang tiwala ng user. Sa patuloy na pagsasaalang-alang sa konteksto at mga kilos ng user, maaaring iangkop ng AI agent ang feedback nito upang tunay na makatulong nang hindi lumalampas sa hangganan.
Ano ito: Ang situational awareness ay kakayahan ng agent na bigyang-kahulugan ang impormasyong ayon sa konteksto nang real time at iangkop ang gawi nito. Sa halip na umasa lamang sa mga paunang itinakdang input, maaaring patuloy na iproseso ng mga AI agent ang impormasyon tungkol sa kapaligiran, kasalukuyang kalagayan ng user, at iba pang nauugnay na kondisyon.
Maaaring mangahulugan ito ng pag-angkop ng interface sa agarang pangangailangan ng user o pagbibigay-kahulugan sa kasalukuyang kondisyon ng merkado upang gawing mas nauugnay ang mga tugon.
Bakit ito kapaki-pakinabang: Hindi permanente ang kalagayan ng totoong mundo. Maaaring mas kapaki-pakinabang ang mga AI system na may situational awareness dahil tumutugon ang mga ito sa kasalukuyang kondisyon. Kapag nauunawaan ng agent ang nauugnay na konteksto, nagiging mas natural, personal, at makatotohanan ang mga interaksyon.
Ang hamon: Mahirap bumuo ng AI na may tunay na situational awareness. Maaaring magdulot ng malaking teknikal na komplikasyon ang pag-access at pagsasama ng kinakailangang data.
Manipis ang hangganan sa pagitan ng kapaki-pakinabang na kaalaman sa konteksto at mapanghimasok na paglampas. Pinahahalagahan ng mga user ang agent na “nakakaunawa,” ngunit maaaring hindi sila maging komportable kung masyado itong maraming hinihinging impormasyon o tila labis na mapilit. Dahil maaaring mabilis magbago ang mga kalagayan, nananatiling mahalaga ang kadalubhasaan at pagpapasya ng tao.
Kaya kailangan ng isang epektibong AI system ang input ng mga user upang mapanatili ang kapaki-pakinabang at napapanahong pag-unawa sa kanilang kalagayan.
Ipakita sa mga user kung ano ang magandang konteksto:
Binago ng mga modelo ng pangangatwiran gaya ng OpenAI o1 kung paano nagbibigay ng konteksto ang mga tao sa malalaking language model. Anuman ang modelo, nakakatulong ang detalyadong konteksto upang makagawa ng mas nauugnay na mga tugon. Maipapakita ng malinaw na mga halimbawa, placeholder text, at napapalawak na tip kung anong impormasyon ang dapat ibigay ng mga user at kung bakit ito mahalaga.
Sa tahasang pagpapakita sa user kung ano ang “magandang konteksto,” nawawala ang panghuhulang pumipigil sa mga tao na magbigay ng mahahalagang detalye.
Gawing madaling tukuyin ang mga hangganan ng agent:
Mahalaga ang agarang pangangailangan ng user, ngunit maaaring hindi ito halata. Maaaring makipagtulungan sa user ang agent na may situational awareness upang tukuyin ang mga paksa, domain, at tool na dapat nitong galugarin. Sinusuportahan ng malalimang pananaliksik sa ChatGPT ang paraang ito sa pamamagitan ng pagtatanong ng mga paglilinaw bago simulan ang isang gawaing pananaliksik.
Magbigay ng nakikitang konteksto para sa mabilis na pag-edit at pagdaragdag:
Maaaring kailanganin ng mga user ang isang snapshot ng kasalukuyang mga palagay ng AI tungkol sa kanilang layunin, pokus, at mga source ng data. Maaaring ipaliwanag sa isang nakalaang panel ang knowledge cutoff, mga kasalukuyang palagay, at nauugnay na input nito. Maaaring ipahiwatig ng icon kung ginagamit ang data ng lokasyon, habang maaaring ipakita ng buod kung ilang record ang ginamit sa isang insight.
Nakakatulong sa mga tao na makita kung ano ang “alam” ng AI at madaling makapagdagdag, makapag-alis, o makapag-update ng nauugnay na konteksto.
Hayaang pumili ang AI ng mga feature ng UI batay sa pakinabang:
Maaaring piliing i-enable o i-disable ng mga AI agent ang mga kakayahan batay sa mga palatandaan ng sitwasyon. Kapag gumagawa ng white paper ang isang tao, maaaring i-activate ng agent ang mga advanced na tool sa citation; kapag nag-e-edit siya ng speaker notes, maaari nitong bigyang-diin ang mga feature sa pag-edit. Sinusuportahan nito ang mga nakatuong karanasan nang hindi kailangang mano-manong pamahalaan ng mga user ang bawat setting.
Ano ito: Madalas ituring sa experience design at product development ang user research bilang hiwalay na yugto sa simula ng proyekto o sa mga itinakdang panahon. Sa tuloy-tuloy na pagtuklas, patuloy na proseso ang pag-unawa sa gawi, pangangailangan, at kagustuhan ng user. Maaaring gawing pagkakataon ng AI ang mga pag-uusap, pag-click, at feedback upang matuklasan ang mga insight na hindi tahasang naipapahayag ng mga user.
Sa madaling salita, patuloy na natututo at umaangkop ang AI sa saklaw ng problema nang real time.
Bakit ito kapaki-pakinabang: Maaaring mahirap mangalap ng makabuluhang feedback mula sa mga eksperto, practitioner, at pangkalahatang user tungkol sa pagiging epektibo o madaling paggamit ng output ng AI. Makakatulong ang mga agent na makuha sa mismong konteksto ang mga reaksiyon, insight, at kutob habang sariwa pa ang karanasan.
Ang hamon: Madalas na itinatala ng feedback kung ano ang nangyari o kung nagustuhan ng user ang resulta, ngunit hindi kung bakit. Maaaring maging pabigat ang paghiling sa mga tao na alalahanin at idokumento ang bawat hakbang ng kanilang pag-iisip, kahit makakatulong ang mga insight na iyon sa mga kakayahan ng system sa hinaharap.
Mahalaga ito lalo na sa mga AI system na maraming limitasyon, kung saan maaaring hindi kanais-nais o posible ang isang open-ended na pag-uusap.
Gumamit ng mga mapaglarawang flag upang makuha ang mga reaksiyon:
Bihirang maipaliwanag ng simpleng “thumbs up” o “thumbs down” ang reaksiyon ng user. Nagbibigay ng mas kapaki-pakinabang na konteksto ang mga mapaglarawang flag—gaya ng “helpful for budget planning” o “missing regulatory information.” Maaaring ipakita ng mga flag na ito ang kasalukuyang interaksyon o anyayahan ang mga user na magbahagi ng maikling pananaw, kaya nagiging impormasyong matututuhan ng AI ang isang rating.
Gabayan ang mga AI agent gamit ang mga “flashcard”:
Kapag nagkamali o bahagya lamang na nagtagumpay ang AI, bigyan ang mga user ng simpleng paraan upang itama o “turuan” ito. Halimbawa, maaaring itanong ng isang agent, “How would you phrase it?” o, “What detail did we miss?” Maaaring i-save ang nagresultang gabay para sa kasalukuyang interaksyon o gamitin muli sa hinaharap.
Matuto mula sa pag-uulit at pagkakaiba-iba:
Kung minsan, nagmumula sa muling pagsubok ang pinakamahusay na feedback. Sa simpleng mga kontrol para sa regeneration, maaaring maghambing ang mga user ng mga bagong opsyon at tukuyin ang gusto nila. Iniuugnay ng mga pagpiling ito ang orihinal na input sa mas kapaki-pakinabang na resulta at ginagawang bahagi ng proseso ng pagkatuto ang pag-eeksperimento.
Obserbahan ang mga interaksyon:
Maaaring magtulungan ang mga AI agent upang matuto mula sa maraming interaksyon. Halimbawa, habang gumagawa ang isang agent ng buod ng pananaliksik, maaaring suriin ng isa pa ang pag-uusap upang tasahin ang karanasan. Tulad ng mga ethnographer, matutukoy ng mga agent na ito ang mga pagkakaiba sa layunin ng isang tao at sa pananaw niya sa kalidad ng output.
Makakasuporta ang mga obserbasyong ito sa tuloy-tuloy na pagpapahusay sa pamamagitan ng paglalantad ng mga insight at pagmumungkahi ng mga pagbabago sa system.
Ano ito: Inaangkop ng pagpapalawak ang input, prompt, o tagubilin ng user upang makagawa ng mas magandang resulta habang pinapanatili ang orihinal na layunin. Gumagawa ang AI ng mga karagdagang hakbang sa likod ng eksena, lampas sa tahasang kahilingan. Halimbawa, maaaring pagyamanin ng “shadow prompting” ang isang query bago gumawa ng tugon ang system.
Nagbibigay ang user ng paunang ideya, at pinalalawak ng agent ang input na iyon kung mapapaganda nito ang resulta.
Bakit ito kapaki-pakinabang: Madalas magbigay ang mga tao ng maikli o pangkalahatang tagubilin, samantalang maaaring mangailangan ng mga karagdagang hakbang ang pinakamagandang tugon. Maaaring punan ng mga AI agent ang puwang na iyon nang hindi kailangang ipaliwanag ng mga user ang lahat. Halimbawa, maaaring makagawa lamang ng karaniwang listahan ang paghiling sa AI na “brainstorm marketing ideas for my new coffee product.”
Sa pinalawak na paraan, maaaring magsagawa ng ilang brainstorming session na unti-unting nagiging mas ambisyoso at pagsamahin ang pinakamahuhusay na ideya upang makagawa ng mas mayaman at sari-saring resulta.
Ang hamon: Maaaring mabawasan ng trabahong ginagawa sa likod ng eksena ang pakiramdam ng user na pag-aari niya ang resulta at malinaw ang proseso. Kung babaguhin ng AI ang kahilingan ng isang tao nang hindi ipinapaliwanag ang pagbabago, maaaring hindi iyon ang resultang gusto ng user. Dapat balansehin ng mga designer ang kapaki-pakinabang na pagpapalawak at ang panganib ng hindi gustong manipulasyon.
Ang hamon sa disenyo ay bigyan ang mga user ng kakayahang gabayan ang pagpapalawak kapag gusto nila.
Panatilihin ang layunin ng user at paghusayin ito:
Dapat paghusayin ng pagpapalawak ang mga ipinahayag na layunin ng user nang hindi nagdaragdag ng bago. Pagkatapos palawakin ng AI ang isang prompt o tapusin ang mga gawain sa background, dapat nitong ihambing—o ng isang hiwalay na validator—ang huling output sa orihinal na kahilingan. Dapat malinaw na ipaalam ang mga hindi inaasahang karagdagan.
Gamitin ang pagpapalawak para sa kaligtasan at pagkamalikhain:
Maaaring magdulot ng pangamba ang mga teknik gaya ng shadow prompting dahil palihim nitong nahuhubog muli ang mga kahilingan ng user. Upang mapanatili ang tiwala, gamitin ang mga ito upang pahusayin ang linaw, kaligtasan, o pagiging kumpleto nang hindi sinisira ang layunin ng user. Kung kailangan ang pagbabagong nauugnay sa kaligtasan, ipaliwanag ito o agad na magbigay ng feedback.
Maaaring makita ng mga user ang resulta ng moderation nang hindi nakikita ang batayang lohika o pamantayan.
Gumamit ng mga subok nang teknik sa facilitation:
Maaaring gamitin ng mga AI agent ang mga paraan ng facilitation at pakikipagtulungan, gaya ng Liberating Structures, upang bumuo ng produktibong interaksyon. Tinutulungan ng magagaang framework na ito na lubos na magamit ang malikhain at analitikal na potensiyal ng isang tao.
Maaaring gumamit ang agent ng mga pamilyar na paraan ng brainstorming at pagsala ng ideya habang nag-uusap. Ang maliliit na pagbabago sa daloy ng pag-uusap ay maaaring lumikha ng mas malawak na hanay ng mga ideya at insight.
Gumamit ng magkakasabay na thread upang ilantad ang kapaki-pakinabang na content:
Sa halip na umasa sa iisang tuwid na pag-uusap, maaaring sabay-sabay na tuklasin ng agent ang ilang interpretasyon, ideya, o solusyon. Katulad ito ng brainstorming ng grupo ng mga eksperto mula sa iba’t ibang pananaw nang hindi nawawala ang mahahalagang insight.
Maaaring pagsamahin ng isang prosesong nag-uugnay sa gawain ang iba’t ibang linya ng paggalugad sa isang magkakaugnay at maisasagawang tugon.
Gamitin ang pagpapalawak upang turuan ang mga user:
Makakatulong din ang mahusay na idinisenyong pagpapalawak upang matutuhan ng mga tao kung paano mas epektibong makipag-ugnayan sa AI. Kung ipapaliwanag ng agent na, “I considered X and Y in my answer,” maaaring isama ng mga user ang mga salik na iyon sa mga susunod na kahilingan. Lumilikha ito ng pagpapahusay sa magkabilang panig: mas magagandang tugon ngayon at mas magagandang input sa paglipas ng panahon.
Ano ito: Ginagawang mas madaling maunawaan ng pattern na ito ang pangangatwiran ng mga AI agent. Maaaring ipaliwanag ng maingat na idinisenyong interaksyon kung bakit gumawa ng sagot ang agent, bigyang-diin ang mga sumusuportang source, o ipakita ang mahahalagang hakbang sa proseso nito. Layunin nitong suportahan ang epektibong pagpapasya ng tao nang hindi nilulunod sa impormasyon ang user.
Pinakamabisa ang pagpapakita ng nauugnay na pangangatwiran kapag unti-unti itong nagagalugad ng mga user at napipili nila ang antas ng detalyeng kailangan nila.
Bakit ito kapaki-pakinabang: Mahalaga ang tiwala sa pagtanggap sa AI, lalo na sa mga enterprise setting. Mas malamang na hindi umasa ang mga tao sa isang system kung hindi nila maunawaan o masuri ang gawi nito. Pinapadali ng malinaw na mga output ang pagsusuri ng mga problema, pagwawasto ng mga pagkakamali, at pag-uulit ng mga kapaki-pakinabang na paraan.
Ang hamon: Maaaring mahirap ipaliwanag ang mga pasya ng AI. Maaaring malula ang mga user sa sobrang detalye, habang maaaring mahirap bigyang-kahulugan ang mga probability o mahahabang buod ng pangangatwiran. Hindi rin ginagarantiya ng transparency lamang ang katumpakan.
Dapat isaalang-alang ng mga designer ang kalidad ng paliwanag, linaw ng paglalahad nito, at kung paano magiging bahagi ng kapaki-pakinabang na diyalogo ang sumusuportang ebidensiya.
Hayaang mag-isip nang malawak ang mga agent, saka paikliin ang mga resulta:
Maaaring suriin nang malalim ng AI ang isang problema habang inilalahad ang mga resulta sa madaling maunawaang format. Sa hierarchical na mga buod at progressive disclosure, maaaring magsimula ang mga user sa pangunahing insight at palawakin lamang ang mga sumusuportang detalye kapag kailangan.
Maaaring gawing madaling galugarin ng mahusay na idinisenyong interaksyon ang komplikadong impormasyon nang hindi isinasakripisyo ang lalim o linaw.
Magbigay ng mga citation at reference na maaaring galugarin:
Dapat bigyan ng mga sagot na ginawa ng AI ang mga user ng malinaw na paraan upang siyasatin ang mga sumusuportang source. Maaaring kabilang dito ang mga link, sipi mula sa mga internal na ulat, nauugnay na natuklasan sa pananaliksik, o mas malalim na pagtingin sa quantitative data.
Halimbawa, sa mga retrieval-augmented generation system, dapat makapunta ang mga user mula sa buod ng AI patungo sa ebidensiyang pinagbabatayan nito. Sinusuportahan nito ang pag-verify at ang mas malalim na pagsusuring bumubuo ng tiwala.
Ipabatid ang mahahalagang palatandaan ng pag-usad:
Maaaring kasama sa komplikadong workflow ng agent ang pagbabago ng direksiyon, pagbabalik sa mga naunang hakbang, o pagsasama ng maraming linya ng pagsisiyasat. Mas madaling tanggapin ng mga user ang pagkaantala kapag nauunawaan nila ang nangyayari. Maaaring ipaliwanag ng malinaw na update sa pag-usad kung ano ang natapos ng agent, ano ang ginagawa nito, at ano ang susunod.
Dapat ding ipaliwanag ng agent kapag hindi ito makausad o kapag nangangailangan ng karagdagang pananaw ang isang pasya.
Ipakita ang mga output ng AI nang paisa-isang hakbang:
Sa halip na ilahad nang sabay-sabay ang buong tugon, maaaring ipakita ng agent ang impormasyon nang paunti-unti. Halimbawa, maaaring magpakita ang investment assistant ng maikling rekomendasyon na may opsyong palawakin ang paliwanag nito: “Step 1: Assess the risk profile. Step 2: Review the current portfolio. Step 3: Identify diversification opportunities. Step 4: Formulate a recommendation.” Maaaring galugarin ng mga user na gusto ng higit pang detalye ang bawat hakbang, habang maaaring manatili sa buod ang iba.
Gumamit ng mga biswal na paliwanag sa pangangatwiran ng AI:
Dapat kasing-daling maunawaan ng pangunahing output ang mga paliwanag. Kapag may mga numero o ugnayan ang pangangatwiran, makakatulong ang mga chart at diagram. Makakatulong din ang pag-visualize sa mga query, proseso, pangangatwiran, at source ng agent upang maitama ng mga user ang direksiyon nito, maipaliwanag ang resulta sa iba, o maulit ang proseso sa hinaharap.
Tinutulungan ng malinaw na mga biswal na paliwanag ang mga user na mas mabilis na maunawaan at magamit ang impormasyon.