Kita semua pernah mengalami interaksi yang mengecewakan dengan AI atau mengenal orang yang “membenci chatbot”, sering kali karena pengalaman “standar” tidak berguna, bernilai, atau menyenangkan. Kekecewaan itu sering kali bukan disebabkan kemampuan model, melainkan pengalaman itu sendiri: interaksi antara manusia, agen AI, dan hasil yang diinginkan. Ini menjadi hambatan besar bagi adopsi, terutama di lingkungan perusahaan, tempat interaksi yang dirancang dengan buruk dapat membuat pengguna kewalahan, mengabaikan konteks waktu nyata, atau mengesampingkan maksud dan perilaku pengguna.
Dari sudut pandang ini, kami telah mengidentifikasi manfaat setiap pola, tantangan desainnya, dan panduan praktis untuk menerapkannya. Pola ini berlaku untuk beragam jenis dan modalitas interaksi, menciptakan peluang bagi pengalaman konsumen maupun solusi AI internal yang membantu pekerja pengetahuan mengambil keputusan lebih baik.
Kami ingin membagikan pola-pola baru yang kami amati—dari pengalaman membangun dan bereksperimen dengan berbagai solusi AI generatif—untuk membantu merancang hubungan manusia-AI yang lebih baik.
Banyak interaksi kita dengan teknologi, baik sebagai pekerja pengetahuan maupun konsumen, membuat tugas sehari-hari lebih sulit daripada semestinya. Interaksi tersebut membatasi produktivitas, efektivitas, dan nilai yang kita hasilkan.
Pekerja pengetahuan dan konsumen sama-sama dapat merasa kewalahan oleh banyaknya informasi, pilihan, dan alat yang tersedia. Banjir pesan yang sering bertentangan ini mempersulit pengambilan keputusan yang jelas dan upaya mempertahankan fokus. Riset menunjukkan bahwa karyawan menghabiskan hingga 40% dari hari kerja hanya untuk mencari informasi yang mereka perlukan (McKinsey). Beban informasi ini memengaruhi produktivitas dan kesejahteraan.
Kita juga menghadapi keterbatasan kapasitas perhatian. Bahkan ketika dapat menemukan informasi, kita tidak mampu memproses atau menganalisis semua yang diperlukan untuk mengambil keputusan berdasarkan informasi yang memadai. Pada satu waktu, kita hanya dapat berfokus pada sebagian kecil data yang tersedia, dan sering terpaku pada keyakinan atau gagasan lama yang membatasi kemampuan kita mempertimbangkan alternatif atau menemukan pola tak terduga.
Alat-alat itu sendiri sering gagal mengenali keterbatasan ini. Sebagian besar teknologi dirancang untuk “rata-rata”—solusi seragam yang tidak beradaptasi dengan konteks individu. Baik saat menggunakan perangkat lunak kerja maupun aplikasi konsumen, alat-alat ini jarang mempertimbangkan kebutuhan, kendala, atau keadaan unik kita. Akibatnya, teknologi dapat menjadi tidak efisien atau justru menghambat. AI generatif membuka peluang untuk menciptakan interaksi yang lebih adaptif dan personal.
Terakhir, banyak lingkungan kerja menimbulkan penderitaan yang tidak perlu. Meningkatnya volume “pekerjaan remeh”, tekanan untuk “selalu siap”, serta tugas berulang bernilai rendah turut menyebabkan hilangnya keterlibatan dan stres kronis. Meskipun AI generatif dan agen AI dapat mengurangi atau menghilangkan pengalaman tersebut, banyak orang masih tidak memercayai kemampuan AI untuk meningkatkan pekerjaan secara keseluruhan. Orang mungkin menolak gagasan “AI mengambil alih” karena takut tersingkir atau merasa memiliki pekerjaan mereka—bahkan tugas yang tidak mereka sukai.
Menerapkan AI saja bukanlah solusi. AI yang tidak terintegrasi dengan baik dapat menciptakan tugas dan kecemasan baru, terutama bagi pekerja pengetahuan. Tantangan ini menunjukkan perlunya interaksi manusia-AI yang bukan hanya efisien, tetapi juga selaras dengan kemampuan kognitif, keadaan individu, dan kendala dunia nyata. Enam pola berikut menguraikan pendekatan yang mengakui kebutuhan manusia serta mendukung hubungan dengan AI yang lebih adaptif, transparan, dan bermakna.
Hubungan antara pola desain baru dan prinsip pengalaman AI yang efektif dan berpusat pada manusia.
Kurasi: AI sebagai menu cerdas—AI mengurasi dan menata informasi, mengurangi beban dengan membantu orang menavigasi kumpulan data yang luas.
Memberikan umpan balik: AI sebagai rekan berpikir—AI memberikan umpan balik waktu nyata yang menggugah pikiran, menantang asumsi, dan menawarkan sudut pandang alternatif.
Kesadaran situasional: AI yang memahami keadaan saat ini—AI beradaptasi dengan konteks waktu nyata melalui pemrosesan berkelanjutan atas informasi lingkungan dan kebutuhan pengguna.
Penemuan berkelanjutan: mengubah setiap interaksi menjadi riset pengguna—AI memanfaatkan setiap interaksi pengguna untuk mengungkap wawasan dan menyempurnakan pemahamannya, sehingga terus belajar dan berkembang.
Amplifikasi: memperkaya masukan pengguna untuk hasil yang lebih baik—AI menyempurnakan masukan pengguna di balik layar sekaligus mempertahankan maksud awal mereka.
Menunjukkan proses kerja: penalaran AI yang transparan—AI menjadikan proses pengambilan keputusannya terlihat dan berguna, sehingga membangun kepercayaan dan membantu pengguna mengambil keputusan yang lebih tepat.
Keenam pola ini menunjukkan bahwa solusi AI yang efektif memerlukan lebih dari sekadar antarmuka pengguna yang dirancang dengan baik. Pola tersebut membentuk cara manusia dan agen AI berkoordinasi, mengambil keputusan, dan berinteraksi dalam sistem pengetahuan yang kompleks. Pola-pola tersebut meningkatkan interaksi manusia-AI dengan cara:
Mengutamakan pertukaran pengetahuan dua arah: Memungkinkan dialog tempat AI dan manusia menyumbangkan gagasan, konteks, dan wawasan. Ini mendukung sistem AI yang lebih mumpuni berkat pengetahuan dan intuisi pakar yang belum terdokumentasi.
Menciptakan pengalaman yang beradaptasi dengan berbagai keadaan: Alat AI dapat dengan cepat menjadi usang atau tidak relevan. Sistem yang mempertahankan kesadaran situasional, terus belajar, dan beradaptasi dengan keadaan setiap pengguna akan tetap berguna seiring waktu.
Meningkatkan kepercayaan dan keyakinan: Interaksi yang transparan dan kolaboratif mengurangi hambatan adopsi, meningkatkan keterlibatan, serta memperbaiki pengambilan keputusan manusia dan AI. Desain yang cermat membantu orang tetap yakin pada keputusan dan keluaran sistem seiring waktu.
Merancang pengalaman AI yang efektif bukanlah hal mudah, tetapi pendekatan yang telah teruji dapat membantu. Prinsip inti untuk memahami pengguna dan menciptakan pengalaman yang berguna tetap berlaku, disertai pertimbangan baru yang muncul dari sistem AI dengan kemampuan bertindak mandiri. Pengalaman yang mengurasi informasi secara efektif, memberikan umpan balik berguna, dan belajar secara transparan dapat mengurangi beban, memperbaiki pengambilan keputusan, dan membangun kepercayaan.
Pola-pola ini membantu mengatasi hambatan umum terhadap adopsi sehingga AI benar-benar bermanfaat, adaptif, dan lebih bernilai bagi semua pihak.
Panduan berikut membahas setiap pola secara lebih terperinci dan menjelaskan cara pola tersebut mendukung pengalaman AI yang lebih luas.
Apa itu: Alih-alih memilah sendiri begitu banyak hasil pencarian atau dokumen, pengguna dapat memanfaatkan agen AI untuk mengurasi informasi dari kumpulan data yang luas dan menyajikan wawasan paling relevan. Pada dasarnya, AI menjadi pustakawan yang menata pengetahuan sesuai konteks pengguna.
Manfaatnya: Mengurangi beban informasi. Rata-rata pekerja pengetahuan menghabiskan 1,8 jam per hari untuk mencari informasi, yang turut menyebabkan kelelahan kerja bagi banyak karyawan (McKinsey). Kurasi berbasis AI mengatasi masalah ini dengan mengindeks, menemukan, dan menggabungkan informasi dari beragam sumber, sehingga membantu pengguna menemukan informasi, pilihan, dan wawasan yang mungkin terlewat lewat pencarian biasa.
Tantangannya: Peralihan dari pencarian tradisional berbasis antarmuka ke pendekatan berbantuan agen mengharuskan pengguna menyesuaikan ekspektasi. Orang terbiasa meninjau daftar tautan atau menekan tombol untuk memfilter kumpulan data. Sebaliknya, kurator AI menyusun jawaban dari sumber yang mungkin tidak diketahui pengguna. Hal ini dapat mengurangi rasa kendali pengguna atas pemfilteran dan mengharuskan mereka memercayai pilihan agen. Mekanisme pencarian yang familier dapat membantu orang beradaptasi dengan kurasi berbasis AI tanpa kehilangan keyakinan atau kendali.
Cara OpenAI menggunakan pola interaksi yang familier untuk mendukung penemuan informasi terstruktur dan tidak terstruktur.
Sajikan mekanisme pencarian sebagai interaksi yang familier:
Untuk memudahkan peralihan dari pencarian tradisional, sajikan interaksi yang familier, bukan ruang kosong. Pengguna akan merasa lebih nyaman jika pengalaman tersebut memanfaatkan pilihan, kuesioner, dan saran kontekstual yang mereka kenali.
Gunakan tombol sebagai prompt, bukan mewajibkan masukan terbuka:
Masukan teks bebas dapat terasa menakutkan atau menyita waktu. Tombol prasetel atau yang dibuat otomatis membuat kurasi lebih mudah diakses. Misalnya, “Filter by most recent,” “Compare pricing,” dan “Include global sources” dapat membantu pengguna menyempurnakan hasil. Ini mempermudah partisipasi, mendorong eksplorasi, dan menyesuaikan rekomendasi AI dengan maksud pengguna.
Biarkan pengguna bercerita untuk menyempurnakan hasil pencarian:
Terkadang, cerita menyampaikan kebutuhan pengguna secara lebih efektif daripada kueri langsung atau filter. Dalam situasi rumit—seperti menavigasi dasbor yang padat atau mencari produk yang tepat—orang mungkin kewalahan oleh alat tradisional atau tidak yakin parameter mana yang harus disesuaikan.
Ketika pengguna dapat “menceritakan kisah mereka”—dengan menjelaskan masalah, tujuan pribadi, atau produk yang diinginkan—AI dapat mengubah narasi tersebut menjadi parameter pencarian terstruktur. Misalnya, seseorang yang berkata, “I just moved into a smaller home and need versatile, budget-friendly storage solutions,” dapat menerima saran produk terkurasi, kiat praktis, dan rekomendasi relevan.
Dengan memanfaatkan cerita, Anda tidak hanya mengurangi beban kognitif dalam menentukan filter, tetapi juga meningkatkan keyakinan dan kejelasan atas hasil kurasi akhir.
Gunakan meme dan referensi budaya untuk mempersonalisasi penemuan:
Meme dapat membantu kurasi AI dengan dua cara: memperkaya pemahaman agen tentang pengguna dan menghidupkan hasil pencarian agar terasa lebih manusiawi dan dekat. Pertama, dengan memilih atau merujuk meme yang menggambarkan tujuan, suasana hati, atau gaya mereka (“I’m feeling the ‘Treat Yo Self’ vibe today!”), pengguna secara efektif membagikan “teori pikiran” mereka kepada AI. Ini membantu agen menyempurnakan kurasinya dengan menyimpulkan konteks yang mungkin hilang dalam antarmuka grafis atau kueri teks biasa.
Kedua, agen dapat “menyajikan kembali” hasil dalam bentuk “paket pemula” bertema atau terinspirasi budaya populer sehingga rekomendasi terasa lebih relevan dan personal. Misalnya, jika seseorang sedang menata ulang ruang kerja di rumah, AI dapat membuat “paket pemula WFH” yang memadukan aksesori meja, teknologi, dan inspirasi.
Beri pengguna kejelasan melalui tindakan terbaik berikutnya:
Terlepas dari tepat atau tidaknya hasil agen AI, pengguna harus dapat menyempurnakan parameter dengan mudah. Misalnya, mereka dapat meminta, “Show me more like item 2,” atau “Exclude sources older than 2020.” Saran tindakan berikutnya dapat memandu pengguna baru tanpa membuat mereka kewalahan.
Apa itu: Agen AI sering dibahas sebagai sarana untuk mendelegasikan pekerjaan yang biasanya dilakukan manusia. Kemampuannya menjadi kolaborator waktu nyata kurang mendapat perhatian. Alih-alih sekadar mengikuti instruksi atau membuat konten, agen dapat mengajukan pertanyaan yang menggugah pikiran, menantang asumsi, dan menawarkan sudut pandang alternatif. Hal ini menjadikan AI rekan berpikir yang membantu pengguna memperbaiki pekerjaan mereka selama proses berlangsung.
Manfaatnya: Kita semua memperoleh manfaat dari umpan balik tepat waktu, tetapi tidak selalu mendapatkannya. Perbedaan pendapat maupun dukungan dapat membantu kita mengenali pola sebelum terlalu terikat pada suatu gagasan. Agen AI dapat menantang asumsi kita, menghasilkan gagasan, dan menyarankan penafsiran alternatif atas data tanpa menggantikan penilaian manusia. Kami mendapati bahwa orang sering menanggapi umpan balik berbasis agen seperti ini dengan baik.
Agen AI dapat menghasilkan argumen tandingan yang mengungkap kesenjangan dalam penalaran atau menyoroti sudut pandang alternatif.
Tantangannya: Umpan balik AI harus intuitif dan dapat ditindaklanjuti agar tidak menjadi gangguan. Orang tidak menyukai agen yang menyela dengan saran tidak relevan atau mempermasalahkan setiap detail kecil. AI harus melakukan intervensi pada saat yang tepat dan dengan nada yang sesuai. Jika terlalu pasif, peluang berguna akan terlewat; jika terlalu agresif, pengguna mungkin merasa penilaiannya diragukan.
Tantangannya terletak pada cara menampilkan umpan balik AI: sebagai petunjuk, tinjauan opsional, atau dialog dua arah? Interaksi yang tepat akan menentukan apakah pengguna menerima AI sebagai rekan atau sekadar menganggapnya Clippy 2.0.
Pastikan umpan balik proaktif, tetapi tidak mengganggu:
Biarkan AI menawarkan saran pada titik jeda yang alami. Dalam editor dokumen, misalnya, AI dapat menunggu hingga kalimat atau paragraf selesai sebelum menyarankan revisi. Kami juga telah mengeksplorasi opsi agar agen menunggu sejenak setelah bidang teks kosong dipilih sebelum menawarkan bantuan. Nada bicara itu penting: “Berikut gagasan yang dapat dipertimbangkan…” terasa lebih konstruktif daripada pernyataan yang lugas dan kaku.
Ubah umpan balik menjadi dialog eksploratif:
Jika umpan balik tidak jelas, mudahkan pengguna mengajukan pertanyaan seperti, “Why do you suggest changing this?” Persona AI yang penuh rasa ingin tahu dapat membuat percakapan terasa lebih konstruktif. Seperti terapis atau fasilitator yang bijaksana, agen dapat mengajukan pertanyaan relevan pada saat yang tepat, mengubah umpan balik menjadi percakapan yang membantu pengguna belajar.
Ini juga membantu AI mengumpulkan konteks sehingga pengguna dan agen dapat membangun pemahaman bersama yang lebih jelas.
Tawarkan beberapa pilihan, gagasan, atau alternatif:
Alih-alih menawarkan satu gagasan, solusi, atau tantangan, agen dapat menyajikan beberapa sudut pandang. Misalnya, agen desain dapat membuat tiga tata letak alternatif, sedangkan agen penulisan menyarankan beberapa versi kalimat untuk audiens berbeda. Memberikan pilihan menegaskan bahwa kendali tetap berada di tangan pengguna.
Pastikan umpan balik memahami konteks:
Agen harus menyesuaikan perannya sebagai “rekan berpikir” dengan konteks pengguna saat ini. Jika seseorang berhenti sejenak pada pertanyaan atau bidang teks, AI dapat mengajukan pertanyaan yang menggugah pikiran alih-alih langsung memberikan jawaban lengkap. Ketika pengguna hanya perlu mengubah susunan kalimat, saran ringkas yang dapat diterima atau ditolak membantu mempertahankan rasa kepemilikannya.
Yang terpenting, AI harus tahu kapan perlu mundur—interaksi bolak-balik yang berkepanjangan dapat memicu “lingkaran tanpa akhir” revisi dan merusak kepercayaan diri pengguna. Dengan tetap peka terhadap konteks dan tindakan pengguna, agen AI dapat menyesuaikan umpan baliknya agar benar-benar membantu tanpa melampaui batas.
Apa itu: Kesadaran situasional adalah kemampuan agen untuk menafsirkan informasi kontekstual secara waktu nyata dan menyesuaikan perilakunya. Alih-alih hanya mengandalkan masukan yang telah ditentukan, agen AI dapat terus memproses informasi tentang lingkungan, keadaan pengguna saat ini, dan kondisi relevan lainnya.
Hal ini dapat berarti menyesuaikan antarmuka dengan kebutuhan langsung pengguna atau menafsirkan kondisi pasar saat ini agar respons lebih relevan.
Manfaatnya: Dunia nyata tidak statis. Sistem AI yang memiliki kesadaran situasional dapat lebih berguna karena merespons kondisi terkini. Ketika agen memahami konteks yang relevan, interaksi terasa lebih alami, personal, dan membumi.
Tantangannya: Membangun AI yang benar-benar memiliki kesadaran situasional bukanlah hal mudah. Mengakses dan mengintegrasikan data yang diperlukan dapat menimbulkan kerumitan teknis yang signifikan.
Ada batas tipis antara kesadaran kontekstual yang membantu dan campur tangan berlebihan yang mengganggu. Pengguna menghargai agen yang “mengerti situasi”, tetapi mungkin merasa tidak nyaman jika agen meminta terlalu banyak informasi atau tampak terlalu gigih. Karena keadaan dapat berubah dengan cepat, keahlian dan penilaian manusia tetap penting.
Karena itu, sistem AI yang efektif memerlukan masukan pengguna untuk mempertahankan pemahaman yang berguna dan terkini tentang keadaan mereka.
Tunjukkan kepada pengguna seperti apa konteks yang baik:
Model penalaran seperti OpenAI o1 telah mengubah cara orang memberikan konteks kepada model bahasa besar. Apa pun modelnya, konteks yang terperinci mendukung respons yang lebih relevan. Contoh yang jelas, teks placeholder, dan kiat yang dapat diperluas dapat menunjukkan informasi yang perlu diberikan pengguna sekaligus menjelaskan pentingnya informasi tersebut.
Menunjukkan secara eksplisit seperti apa “konteks yang baik” dapat menghilangkan keraguan yang biasanya menghambat orang menyampaikan detail penting.
Permudah penetapan batasan agen:
Kebutuhan langsung pengguna penting, tetapi mungkin tidak terlihat jelas. Agen yang memiliki kesadaran situasional dapat bekerja bersama pengguna untuk menentukan topik, bidang, dan alat yang perlu dijelajahi. Riset mendalam di ChatGPT mendukung pendekatan ini dengan mengajukan pertanyaan klarifikasi sebelum memulai tugas riset.
Tampilkan konteks agar dapat diedit dan ditambahkan dengan cepat:
Pengguna mungkin memerlukan gambaran singkat tentang asumsi AI saat ini mengenai tujuan, fokus, dan sumber data mereka. Panel khusus dapat menjelaskan batas pengetahuan, asumsi saat ini, dan masukan relevan. Ikon dapat menunjukkan saat data lokasi digunakan, sedangkan ringkasan dapat menampilkan jumlah catatan yang berkontribusi pada suatu wawasan.
Pengguna memperoleh manfaat dengan melihat apa yang “diketahui” AI serta dapat menambahkan, menghapus, atau memperbarui konteks relevan dengan mudah.
Biarkan AI memilih fitur UI berdasarkan kegunaannya:
Agen AI dapat mengaktifkan atau menonaktifkan kemampuan tertentu secara selektif berdasarkan petunjuk situasional. Saat seseorang menyusun makalah teknis, agen dapat mengaktifkan alat sitasi lanjutan; saat mereka mengedit catatan pembicara, agen dapat menyoroti fitur penyuntingan. Ini mendukung pengalaman yang terfokus tanpa mengharuskan pengguna mengelola setiap pengaturan secara manual.
Apa itu: Desain pengalaman dan pengembangan produk sering memperlakukan riset pengguna sebagai tahap tersendiri pada awal proyek atau pada interval tertentu. Penemuan berkelanjutan menjadikan pemahaman atas perilaku, kebutuhan, dan preferensi pengguna sebagai proses yang terus berlangsung. AI dapat mengubah percakapan, klik, dan umpan balik menjadi peluang untuk mengungkap wawasan yang mungkin tidak disampaikan pengguna secara eksplisit.
Pada dasarnya, AI terus belajar dan beradaptasi dengan ruang masalah secara waktu nyata.
Manfaatnya: Mengumpulkan umpan balik yang berguna dari pakar, praktisi, dan pengguna umum tentang efektivitas atau kegunaan keluaran AI dapat menjadi hal yang sulit. Agen dapat membantu menangkap reaksi, wawasan, dan intuisi sesuai konteks selagi pengalaman masih segar.
Tantangannya: Umpan balik sering hanya merekam apa yang terjadi atau apakah pengguna menyukai hasilnya tanpa menjelaskan alasannya. Meminta orang mengingat dan mendokumentasikan setiap langkah pemikiran mereka dapat terasa membebani, meskipun wawasan tersebut dapat meningkatkan kemampuan sistem di masa depan.
Hal ini sangat penting dalam sistem AI yang dibatasi secara ketat, ketika percakapan terbuka mungkin tidak diinginkan ataupun memungkinkan.
Gunakan label deskriptif untuk menangkap reaksi:
Sekadar “jempol ke atas” atau “jempol ke bawah” jarang menjelaskan reaksi pengguna. Label deskriptif—seperti “membantu perencanaan anggaran” atau “informasi peraturan tidak tersedia”—memberikan konteks yang lebih berguna. Label ini dapat mencerminkan interaksi saat ini atau mengundang pengguna membagikan pandangan singkat, sehingga penilaian menjadi informasi yang dapat dipelajari AI.
Arahkan agen AI dengan “kartu kilas”:
Ketika AI melakukan kesalahan atau hanya berhasil sebagian, berikan cara sederhana bagi pengguna untuk mengoreksi atau “mengajarinya”. Misalnya, agen dapat bertanya, “How would you phrase it?” atau, “What detail did we miss?” Panduan yang dihasilkan dapat disimpan untuk interaksi saat ini atau digunakan kembali nanti.
Belajar dari iterasi dan variasi:
Terkadang, umpan balik terbaik muncul dengan mencoba kembali. Kontrol regenerasi sederhana memungkinkan pengguna membandingkan pilihan baru dan menentukan yang mereka sukai. Pilihan ini menghubungkan masukan awal dengan hasil yang lebih berguna dan menjadikan eksperimen bagian dari proses pembelajaran.
Amati interaksi:
Agen AI dapat bekerja sama untuk belajar dari berbagai interaksi. Misalnya, ketika satu agen membuat ringkasan riset, agen lain dapat menganalisis percakapan untuk mengevaluasi pengalaman. Dengan bertindak seperti etnografer, agen-agen ini dapat menemukan perbedaan antara maksud seseorang dan persepsinya atas kualitas keluaran.
Pengamatan ini dapat mendukung peningkatan berkelanjutan dengan menampilkan wawasan dan menyarankan perubahan pada sistem.
Apa itu: Amplifikasi menyesuaikan masukan, prompt, atau instruksi pengguna untuk menghasilkan keluaran yang lebih baik sekaligus mempertahankan maksud awal. AI melakukan pekerjaan tambahan di balik layar, melampaui permintaan eksplisit. Misalnya, “shadow prompting” dapat memperkaya kueri sebelum sistem menghasilkan respons.
Pengguna memberikan gagasan awal, lalu agen memperluas masukan tersebut jika hal itu dapat memperbaiki hasil.
Manfaatnya: Orang sering memberikan instruksi singkat atau umum, padahal respons terbaik mungkin memerlukan langkah tambahan. Agen AI dapat menjembatani kesenjangan tersebut tanpa mengharuskan pengguna menjelaskan semuanya. Misalnya, meminta AI untuk “brainstorm marketing ideas for my new coffee product” mungkin hanya menghasilkan daftar umum.
Pendekatan teramplifikasi dapat menjalankan beberapa sesi curah pendapat yang makin ambisius dan menggabungkan gagasan terbaik, sehingga menghasilkan keluaran yang lebih kaya dan beragam.
Tantangannya: Bekerja di balik layar dapat mengurangi rasa kepemilikan pengguna dan transparansi. Jika AI mengubah permintaan seseorang tanpa menjelaskan perubahan itu, hasilnya mungkin tidak sesuai keinginan pengguna. Desainer harus menyeimbangkan amplifikasi yang berguna dengan risiko manipulasi yang tidak diinginkan.
Tantangan desainnya adalah memungkinkan pengguna mengarahkan amplifikasi ketika mereka menginginkannya.
Pertahankan maksud pengguna dan kembangkan:
Amplifikasi harus memperkuat tujuan yang dinyatakan pengguna tanpa menambahkan tujuan baru. Setelah AI memperluas prompt atau menyelesaikan tugas latar belakang, AI atau validator terpisah harus membandingkan keluaran akhir dengan permintaan awal. Penambahan tak terduga harus disampaikan dengan jelas.
Gunakan amplifikasi untuk keamanan dan kreativitas:
Teknik seperti shadow prompting dapat menimbulkan kekhawatiran tentang perubahan diam-diam terhadap permintaan pengguna. Untuk menjaga kepercayaan, gunakan teknik tersebut guna meningkatkan kejelasan, keamanan, atau kelengkapan tanpa merusak maksud pengguna. Jika penyesuaian terkait keamanan diperlukan, jelaskan atau berikan umpan balik segera.
Pengguna mungkin melihat hasil moderasi tanpa mengetahui logika atau kriteria yang mendasarinya.
Gunakan teknik fasilitasi yang telah teruji:
Agen AI dapat menerapkan metode fasilitasi dan kolaborasi, seperti Liberating Structures, untuk membentuk interaksi yang produktif. Kerangka kerja sederhana ini membantu memaksimalkan potensi kreatif dan analitis seseorang.
Agen dapat memanfaatkan metode curah pendapat dan penyaringan ide yang familier selama percakapan. Perubahan kecil pada alur percakapan dapat menghasilkan gagasan dan wawasan yang lebih beragam.
Gunakan alur paralel untuk menampilkan konten yang berguna:
Alih-alih mengandalkan satu percakapan linear, agen dapat menjelajahi beberapa penafsiran, gagasan, atau solusi secara bersamaan. Ini menyerupai sekelompok pakar yang bertukar pikiran dari berbagai sudut pandang tanpa kehilangan wawasan berguna.
Proses koordinasi dapat menggabungkan berbagai jalur eksplorasi tersebut menjadi respons yang koheren dan dapat ditindaklanjuti.
Gunakan amplifikasi untuk mengedukasi pengguna:
Amplifikasi yang dirancang dengan baik juga dapat membantu orang belajar berinteraksi dengan AI secara lebih efektif. Jika agen menjelaskan, “I considered X and Y in my answer,” pengguna mungkin menyertakan faktor tersebut dalam permintaan berikutnya. Ini menciptakan peningkatan dua arah: respons yang lebih baik sekarang dan masukan yang lebih baik seiring waktu.
Apa itu: Pola ini membuat penalaran agen AI lebih mudah dipahami. Interaksi yang dirancang dengan cermat dapat menjelaskan alasan agen menghasilkan jawaban, menyoroti sumber pendukung, atau memperlihatkan langkah-langkah relevan dalam prosesnya. Tujuannya adalah mendukung pengambilan keputusan manusia yang efektif tanpa membuat pengguna kewalahan.
Penalaran yang relevan paling efektif jika pengguna dapat menjelajahinya secara bertahap dan memilih tingkat detail yang diperlukan.
Manfaatnya: Kepercayaan sangat penting bagi adopsi AI, khususnya di lingkungan perusahaan. Orang cenderung enggan mengandalkan sistem jika mereka tidak dapat memahami atau memverifikasi perilakunya. Keluaran yang transparan memudahkan diagnosis masalah, koreksi kesalahan, dan pengulangan pendekatan yang berguna.
Tantangannya: Menjelaskan keputusan AI dapat menjadi hal yang sulit. Terlalu banyak detail dapat membuat pengguna kewalahan, sedangkan probabilitas atau ringkasan penalaran yang panjang dapat sulit ditafsirkan. Transparansi saja juga tidak menjamin keakuratan.
Desainer harus mempertimbangkan kualitas penjelasan, kejelasan penyajiannya, serta cara menjadikan bukti pendukung sebagai bagian dari dialog yang berguna.
Biarkan agen berpikir luas, lalu ringkas hasilnya:
AI dapat menganalisis masalah secara mendalam sekaligus menyajikan hasilnya dalam format yang mudah dipahami. Ringkasan hierarkis dan pengungkapan bertahap memungkinkan pengguna memulai dari wawasan utama, lalu membuka detail pendukung hanya saat diperlukan.
Interaksi yang dirancang dengan baik dapat membuat informasi kompleks mudah dijelajahi tanpa mengorbankan kedalaman atau kejelasan.
Sediakan sitasi dan referensi yang dapat dijelajahi:
Jawaban buatan AI harus memberi pengguna cara yang jelas untuk memeriksa sumber pendukung. Ini dapat mencakup tautan, kutipan laporan internal, temuan riset relevan, atau tampilan data kuantitatif yang lebih mendalam.
Dalam sistem pembuatan konten yang ditingkatkan dengan pengambilan informasi, misalnya, pengguna harus dapat beralih dari ringkasan AI ke bukti yang mendasarinya. Ini mendukung verifikasi dan memungkinkan penyelidikan lebih mendalam yang membangun kepercayaan.
Sampaikan indikator kemajuan yang penting:
Alur kerja agen yang kompleks dapat melibatkan perubahan arah, peninjauan kembali langkah sebelumnya, atau penggabungan beberapa jalur penyelidikan. Pengguna lebih mudah menerima penundaan jika memahami apa yang sedang terjadi. Pembaruan kemajuan yang jelas dapat menjelaskan apa yang telah diselesaikan agen, apa yang sedang dikerjakan, dan apa langkah berikutnya.
Agen juga harus menjelaskan ketika mengalami kebuntuan atau ketika suatu keputusan memerlukan sudut pandang tambahan.
Ungkapkan keluaran AI langkah demi langkah:
Alih-alih menyajikan seluruh respons sekaligus, agen dapat mengungkapkan informasi secara bertahap. Misalnya, asisten investasi dapat menampilkan rekomendasi singkat dengan opsi untuk membuka alasannya: “Step 1: Assess the risk profile. Step 2: Review the current portfolio. Step 3: Identify diversification opportunities. Step 4: Formulate a recommendation.” Pengguna yang menginginkan lebih banyak detail dapat menjelajahi setiap langkah, sedangkan yang lain dapat tetap membaca ringkasan.
Gunakan penjelasan visual untuk penalaran AI:
Penjelasan harus semudah keluaran utama untuk dipahami. Jika penalaran melibatkan angka atau hubungan, bagan dan diagram dapat membantu. Visualisasi kueri, proses, penalaran, dan sumber agen juga dapat membantu pengguna mengoreksi arahnya, menjelaskan hasil kepada orang lain, atau mengulangi proses tersebut nanti.
Penjelasan visual yang jelas membantu pengguna memahami dan menindaklanjuti informasi dengan lebih cepat.