Vi har alle hatt skuffende møter med KI eller kjenner noen som «hater chatboter», ofte fordi standardopplevelsen verken er nyttig, verdifull eller god. Denne skuffelsen handler ofte mindre om hva en modell kan gjøre, og mer om selve opplevelsen: samhandlingen mellom mennesker, en KI-agent og et ønsket resultat. Dette er en betydelig terskel for å ta i bruk KI, særlig i virksomheter, der dårlig utformede samhandlinger kan virke overveldende, overse sanntidskontekst eller ignorere brukerens hensikt og atferd.
Med dette perspektivet har vi identifisert fordelene ved hvert mønster, designutfordringene og praktiske råd om hvordan mønsteret kan brukes. Mønstrene kan brukes på tvers av samhandlingstyper og modaliteter og skaper muligheter for både forbrukeropplevelser og interne KI-løsninger som hjelper kunnskapsarbeidere med å ta bedre beslutninger.
Vi vil dele mønstrene vi ser ta form – etter å ha utviklet og eksperimentert med mange generative KI-løsninger – for å bidra til bedre relasjoner mellom mennesker og KI.
Mye av samhandlingen vår med teknologi, enten vi er kunnskapsarbeidere eller forbrukere, gjør hverdagsoppgaver vanskeligere enn de trenger å være. Det begrenser produktiviteten, effektiviteten og verdiskapingen vår.
Både kunnskapsarbeidere og forbrukere kan føle seg overveldet av den enorme mengden tilgjengelig informasjon, valgmuligheter og verktøy. Den konstante strømmen av ofte motstridende budskap gjør det vanskeligere å ta tydelige beslutninger eller holde fokus. Forskning tyder på at ansatte bruker opptil 40 % av arbeidsdagen bare på å lete etter informasjonen de trenger (McKinsey). Denne informasjonsoverbelastningen påvirker både produktivitet og trivsel.
Vi har også begrenset oppmerksomhetskapasitet. Selv når vi finner informasjon, klarer vi ikke å behandle eller analysere alt som kreves for å ta en velinformert beslutning. Vi kan bare konsentrere oss om en liten del av de tilgjengelige dataene om gangen, og holder ofte fast ved oppfatninger eller ideer som begrenser evnen til å vurdere alternativer eller oppdage uventede mønstre.
Verktøyene selv tar ofte ikke hensyn til disse begrensningene. Det meste av teknologien er utviklet for «gjennomsnittet» – universalløsninger som ikke tilpasser seg den enkeltes kontekst. Enten vi bruker programvare på jobb eller forbrukerrettede apper, tar verktøyene sjelden hensyn til behovene, begrensningene eller de unike omstendighetene våre. Dermed kan teknologien bli ineffektiv eller virke mot sin hensikt. Generativ KI gir mulighet til å skape mer tilpasningsdyktige og personlige samhandlinger.
Mange arbeidsmiljøer skaper dessuten unødvendig mistrivsel. Økende mengder «unødvendig arbeid», presset om å være «alltid på» og gjentakende oppgaver med lav verdi bidrar til manglende engasjement og kronisk stress. Selv om generativ KI og KI-agenter kan redusere eller fjerne disse opplevelsene, stoler mange fortsatt ikke på at KI kan forbedre arbeidslivet som helhet. Folk kan motsette seg tanken om at «KI tar over», fordi de frykter å bli erstattet eller føler eierskap til arbeidet sitt – selv oppgavene de misliker.
KI alene er ingen løsning. Dårlig integrert KI kan skape nye oppgaver og bekymringer, særlig for kunnskapsarbeidere. Disse utfordringene viser behovet for samhandling mellom mennesker og KI som ikke bare er effektiv, men også tilpasset våre kognitive evner, individuelle omstendigheter og praktiske begrensninger. De seks mønstrene nedenfor beskriver tilnærminger som tar hensyn til menneskers behov og støtter en mer tilpasningsdyktig, transparent og meningsfull relasjon til KI.
Forholdet mellom nye designmønstre og prinsipper for effektive, menneskesentrerte KI-opplevelser.
Kuratering: KI som en intelligent meny – KI kuraterer og organiserer informasjon og reduserer overbelastning ved å hjelpe folk med å navigere i enorme datasett.
Gi tilbakemeldinger: KI som sparringspartner – KI gir tankevekkende tilbakemeldinger i sanntid som utfordrer antakelser og tilbyr alternative perspektiver.
Situasjonsforståelse: KI som forstår her og nå – KI tilpasser seg sanntidskonteksten ved kontinuerlig å behandle informasjon om omgivelsene og brukerens behov.
Kontinuerlig utforsking: gjør hver samhandling til en brukerundersøkelse – KI bruker hver samhandling til å avdekke innsikt og finjustere forståelsen, slik at læring og forbedring skjer kontinuerlig.
Forsterkning: utvidelse av brukerinndata for bedre resultater – KI forbedrer brukerinndata i bakgrunnen uten å endre brukerens opprinnelige hensikt.
Vis fremgangsmåten: transparent KI-resonnering – KI gjør beslutningsprosessen synlig og nyttig, bygger tillit og hjelper brukerne med å ta mer velinformerte beslutninger.
Disse seks mønstrene viser at effektive KI-løsninger krever mer enn et godt utformet brukergrensesnitt. De former hvordan mennesker og KI-agenter koordinerer, tar beslutninger og samhandler i komplekse kunnskapssystemer. Mønstrene forbedrer samhandlingen mellom mennesker og KI ved å:
Prioritere toveis kunnskapsutveksling: Legg til rette for en dialog der KI og mennesker bidrar med ideer, kontekst og innsikt. Dette støtter mer kompetente KI-systemer basert på ekspertkunnskap og intuisjon som ennå ikke er formalisert.
Skape opplevelser som tilpasser og endrer seg etter omstendighetene: KI-verktøy kan raskt bli utdaterte eller irrelevante. Systemer som opprettholder situasjonsforståelse, lærer kontinuerlig og tilpasser seg hver brukers omstendigheter, forblir nyttige over tid.
Styrke tillit og trygghet: Transparente og samarbeidsorienterte samhandlinger senker terskelen for å ta i bruk KI, øker engasjementet og forbedrer både menneskelige og KI-baserte beslutninger. Gjennomtenkt design hjelper folk med å bevare tilliten til systemets beslutninger og resultater over tid.
Det er krevende å utforme effektive KI-opplevelser, men velprøvde tilnærminger kan hjelpe. Kjerneprinsippene om å forstå brukerne og skape nyttige opplevelser gjelder fortsatt, sammen med nye hensyn som følger av handlekraftige KI-systemer. Opplevelser som kuraterer informasjon effektivt, gir nyttige tilbakemeldinger og lærer transparent, kan redusere overbelastning, forbedre beslutninger og bygge tillit.
Disse mønstrene bidrar til å overvinne vanlige hindringer for bruk og gjør KI virkelig nyttig, tilpasningsdyktig og mer verdifull for alle involverte.
Veiledningen nedenfor utforsker hvert mønster grundigere og forklarer hvordan det kan støtte en bredere KI-opplevelse.
Hva det er: I stedet for at brukerne må gå gjennom endeløse søkeresultater eller dokumenter manuelt, kan KI-agenter kuratere informasjon fra enorme datasett og presentere den mest relevante innsikten. KI-en blir i praksis en bibliotekar som organiserer kunnskap ut fra brukerens kontekst.
Hvorfor det er nyttig: Det reduserer informasjonsoverbelastningen. En gjennomsnittlig kunnskapsarbeider bruker 1,8 timer per dag på å lete etter informasjon, noe som bidrar til utbrenthet blant mange ansatte (McKinsey). KI-drevet kuratering løser dette ved å indeksere, finne og kombinere informasjon fra en rekke kilder. Det hjelper brukerne med å finne informasjon, alternativer og innsikt de kunne ha gått glipp av med tradisjonelle søk.
Utfordringen: Overgangen fra tradisjonelle, grensesnittbaserte søk til en agentassistert tilnærming krever at brukerne justerer forventningene sine. Folk er vant til å gå gjennom en liste med lenker eller trykke på knapper for å filtrere et datasett. En KI-kurator sammenfatter derimot svar fra kilder brukerne kanskje ikke vet finnes. Dette kan svekke brukernes opplevelse av kontroll over filtreringen og kreve at de stoler på agentens valg. Velkjente søkemekanismer kan gjøre det enklere å venne seg til KI-drevet kuratering uten å miste trygghet eller kontroll.
Slik bruker OpenAI velkjente samhandlingsmønstre for å støtte strukturert og ustrukturert informasjonssøk.
Presenter søkemekanismer som velkjente handlinger:
Gjør overgangen fra tradisjonelle søk enklere ved å tilby velkjente handlinger i stedet for tomme flater. Brukerne vil føle seg tryggere når opplevelsen bygger på gjenkjennelige alternativer, spørreskjemaer og kontekstuelle forslag.
Bruk knapper som prompter i stedet for å kreve åpne svar:
Fritekst kan virke skremmende eller tidkrevende. Forhåndsinnstilte eller automatisk genererte knapper gjør kuratering mer tilgjengelig. For eksempel kan «Filtrer etter nyeste», «Sammenlign priser» og «Ta med globale kilder» hjelpe brukerne med å finjustere resultatene. Dette senker terskelen for å delta, oppmuntrer til utforsking og tilpasser KI-ens anbefalinger til brukerens hensikt.
La brukerne fortelle en historie for å finjustere søkeresultatene:
Noen ganger formidler en fortelling brukerens behov bedre enn direkte spørsmål eller filtre. I komplekse situasjoner – som å navigere i tettpakkede kontrollpaneler eller lete etter riktig produkt – kan tradisjonelle verktøy virke overveldende, og det kan være uklart hvilke parametere som bør justeres.
Når brukerne kan «fortelle historien sin» – beskrive et problem, et personlig mål eller et ønsket produkt – kan KI-en oversette fortellingen til strukturerte søkeparametere. En person som sier «I just moved into a smaller home and need versatile, budget-friendly storage solutions», kan for eksempel få kuraterte produktforslag, praktiske tips og relevante anbefalinger.
Ved å legge til rette for historiefortelling reduserer du ikke bare den kognitive belastningen ved å velge filtre, men gir også større trygghet og tydelighet i de endelige kuraterte resultatene.
Bruk memer og kulturelle referanser til å gjøre utforskingen personlig:
Memer kan støtte KI-kuratering på to måter: De gir agenten en bedre forståelse av brukeren og gjør søkeresultatene mer levende, menneskelige og gjenkjennelige. Når brukerne velger eller viser til memer som illustrerer mål, humør eller stil («I’m feeling the ‘Treat Yo Self’ vibe today!»), deler de i praksis sin «theory of mind» med KI-en. Det hjelper agenten med å finjustere kurateringen ved å utlede kontekst som kan gå tapt i et vanlig grafisk grensesnitt eller tekstsøk.
Agenten kan dessuten «spille av» resultatene som tematiske eller popkulturelle «startpakker», slik at anbefalingene oppleves som mer relevante og personlige. Hvis noen skal innrede hjemmekontoret på nytt, kan KI-en for eksempel lage en «WFH-startpakke» som kombinerer skrivebordstilbehør, teknologi og inspirasjon.
Skap tydelighet for brukeren med anbefalte neste handlinger:
Uansett om resultatene fra en KI-agent treffer eller ikke, bør brukerne enkelt kunne finjustere parameterne. De kan for eksempel spørre «Show me more like item 2» eller «Exclude sources older than 2020». Foreslåtte neste handlinger kan veilede nye brukere uten å overvelde dem.
Hva det er: KI-agenter omtales ofte som en måte å delegere arbeid som tradisjonelt har vært utført av mennesker. Evnen deres til å fungere som samarbeidspartnere i sanntid får mindre oppmerksomhet. I stedet for bare å følge instruksjoner eller generere innhold kan en agent stille tankevekkende spørsmål, utfordre antakelser og tilby alternative perspektiver. Det gjør KI til en sparringspartner som hjelper brukerne med å forbedre arbeidet underveis.
Hvorfor det er nyttig: Vi har alle nytte av tilbakemeldinger til rett tid, men får dem ikke alltid. Både motforestillinger og støtte kan hjelpe oss med å se mønstre før vi blir for knyttet til en idé. KI-agenter kan utfordre antakelsene våre, generere ideer og foreslå alternative tolkninger av data uten å erstatte menneskelig skjønn. Vi har erfart at folk ofte responderer godt på denne typen tilbakemeldinger fra agenter.
KI-agenter kan generere motargumenter som avdekker svakheter i resonneringen eller fremhever alternative perspektiver.
Utfordringen: Tilbakemeldinger fra KI må være intuitive og kunne omsettes i handling, ellers blir de en distraksjon. Ingen ønsker en agent som avbryter med irrelevante forslag eller pirker på hver minste detalj. KI-en bør gripe inn på passende tidspunkter og med riktig tone. Er den for passiv, går nyttige muligheter tapt. Er den for pågående, kan brukerne føle at vurderingene deres betviles.
Utfordringen er hvordan tilbakemeldingene fra KI-en skal vises: som hint, en valgfri gjennomgang eller en dialog? Utformingen av samhandlingen avgjør om brukerne omfavner KI-en som en partner eller bare ser Clippy 2.0.
Sørg for at tilbakemeldingene er proaktive uten å være irriterende:
La KI-en komme med forslag ved naturlige stoppunkter. I et tekstredigeringsprogram kan den for eksempel vente til en setning eller et avsnitt er ferdig før den foreslår en omskriving. Vi har også utforsket å la en agent vente litt etter at et tomt tekstfelt er valgt, før den tilbyr hjelp. Tonen er viktig: «Her er en idé du kan vurdere …» virker mer konstruktivt enn en kategorisk påstand.
Gjør tilbakemeldinger til en utforskende dialog:
Hvis en tilbakemelding er uklar, bør brukerne enkelt kunne stille spørsmål som «Why do you suggest changing this?» En nysgjerrig KI-personlighet kan gjøre utvekslingen mer konstruktiv. Som en innsiktsfull terapeut eller fasilitator kan agenten stille relevante spørsmål til rett tid og gjøre tilbakemeldingen til en lærerik samtale.
Dette hjelper også KI-en med å samle kontekst, slik at brukeren og agenten kan utvikle en tydeligere felles forståelse.
Tilby flere valg, ideer eller alternativer:
I stedet for å tilby én idé, løsning eller utfordring kan en agent presentere flere perspektiver. En designagent kan for eksempel generere tre alternative oppsett, mens en skriveagent foreslår ulike versjoner av en setning for forskjellige målgrupper. Flere alternativer understreker at brukeren fortsatt har kontrollen.
Sørg for at tilbakemeldingene tar hensyn til konteksten:
Agenten bør tilpasse rollen som «sparringspartner» til brukerens aktuelle kontekst. Hvis noen stopper opp ved et spørsmål eller tekstfelt, kan KI-en stille et tankevekkende spørsmål i stedet for å hoppe rett til et fullstendig svar. Når brukeren bare trenger å omformulere en setning, bidrar et kort forslag som kan godtas eller avvises, til å bevare eierskapet.
Det er avgjørende at KI-en vet når den skal trekke seg tilbake – langvarig frem og tilbake kan skape en «ond sirkel» av endeløse redigeringer og svekke brukerens selvtillit. Ved å være oppmerksom på konteksten og brukerens handlinger kan KI-agenten tilpasse tilbakemeldingene slik at de virkelig hjelper uten å gå over streken.
Hva det er: Situasjonsforståelse er agentens evne til å tolke kontekstuell informasjon i sanntid og tilpasse atferden deretter. I stedet for bare å bruke forhåndsdefinerte inndata kan KI-agenter kontinuerlig behandle informasjon om omgivelsene, brukerens aktuelle tilstand og andre relevante forhold.
Det kan bety å tilpasse et grensesnitt til brukerens umiddelbare behov eller tolke gjeldende markedsforhold for å gjøre svarene mer relevante.
Hvorfor det er nyttig: Virkeligheten er ikke statisk. KI-systemer med situasjonsforståelse kan være mer nyttige fordi de reagerer på de aktuelle forholdene. Når en agent forstår relevant kontekst, føles samhandlingen mer naturlig, personlig og virkelighetsnær.
Utfordringen: Det er krevende å utvikle KI med reell situasjonsforståelse. Tilgang til og integrering av nødvendige data kan gi betydelig teknisk kompleksitet.
Det går en hårfin grense mellom nyttig kontekstforståelse og påtrengende overtramp. Brukerne setter pris på en agent som «skjønner det», men kan bli ukomfortable hvis den ber om for mye informasjon eller virker for pågående. Fordi omstendighetene kan endre seg raskt, er menneskelig ekspertise og skjønn fortsatt avgjørende.
Et effektivt KI-system trenger derfor innspill fra brukerne for å bevare en nyttig og oppdatert forståelse av omstendighetene deres.
Vis brukerne hvordan god kontekst ser ut:
Resonneringsmodeller som OpenAI o1 har endret hvordan folk gir kontekst til store språkmodeller. Uansett modell bidrar detaljert kontekst til mer relevante svar. Tydelige eksempler, plassholdertekst og tips som kan utvides, kan vise brukerne hvilken informasjon de bør oppgi, og forklare hvorfor den er viktig.
Ved å vise brukeren uttrykkelig hvordan «god kontekst» ser ut, fjerner man usikkerheten som ellers hindrer folk i å oppgi relevante detaljer.
Gjør det enkelt å definere agentens grenser:
Brukerens umiddelbare behov er viktige, men ikke alltid åpenbare. En agent med situasjonsforståelse kan samarbeide med brukeren om å definere hvilke temaer, fagområder og verktøy den skal utforske. Dyp forskning i ChatGPT støtter denne tilnærmingen ved å stille oppklarende spørsmål før en forskningsoppgave påbegynnes.
Vis konteksten slik at den raskt kan redigeres og utvides:
Brukerne kan trenge et øyeblikksbilde av hva KI-en for øyeblikket antar om målene, fokuset og datakildene deres. Et eget panel kan forklare kunnskapsgrensen, gjeldende antakelser og relevante inndata. Et ikon kan vise når posisjonsdata brukes, mens et sammendrag kan vise hvor mange oppføringer som bidro til en innsikt.
Det er nyttig å se hva KI-en «vet» og enkelt kunne legge til, fjerne eller oppdatere relevant kontekst.
La KI-en velge grensesnittfunksjoner ut fra nytteverdi:
KI-agenter kan aktivere eller deaktivere funksjoner selektivt ut fra situasjonelle signaler. Når noen skriver et fagnotat, kan en agent aktivere avanserte siteringsverktøy. Når de redigerer presentasjonsnotater, kan den fremheve redigeringsfunksjoner. Dette gir en fokusert opplevelse uten at brukerne må administrere alle innstillinger manuelt.
Hva det er: Opplevelsesdesign og produktutvikling behandler ofte brukerundersøkelser som en egen fase i starten av et prosjekt eller med faste intervaller. Kontinuerlig utforsking innebærer at forståelsen av brukernes atferd, behov og preferanser utvikles løpende. KI kan gjøre samtaler, klikk og tilbakemeldinger til muligheter for å avdekke innsikt som brukerne ikke nødvendigvis uttrykker direkte.
KI-en fortsetter i praksis å lære om og tilpasse seg problemområdet i sanntid.
Hvorfor det er nyttig: Det kan være vanskelig å få nyttige tilbakemeldinger fra eksperter, fagfolk og vanlige brukere om hvor effektivt eller brukervennlig et KI-resultat er. Agenter kan bidra til å fange opp reaksjoner, innsikt og intuisjon i kontekst mens opplevelsen fortsatt er fersk.
Utfordringen: Tilbakemeldinger forteller ofte hva som skjedde, eller om brukeren likte resultatet, uten å forklare hvorfor. Det kan være krevende å be folk huske og dokumentere hvert trinn i tankeprosessen, selv når denne innsikten kan forbedre systemets fremtidige funksjoner.
Dette er særlig viktig i stramt avgrensede KI-systemer, der en åpen samtale verken er ønskelig eller mulig.
Bruk beskrivende merkelapper for å fange opp reaksjoner:
En enkel «tommel opp» eller «tommel ned» forklarer sjelden brukerens reaksjon. Beskrivende merkelapper – som «nyttig for budsjettplanlegging» eller «mangler informasjon om regelverk» – gir mer nyttig kontekst. Merkelappene kan gjenspeile den aktuelle samhandlingen eller oppfordre brukerne til å dele et kort perspektiv, slik at en vurdering blir til informasjon KI-en kan lære av.
Styr KI-agenter med «spørrekort»:
Når KI-en gjør en feil eller bare lykkes delvis, bør brukerne få en enkel måte å korrigere eller «lære den opp» på. En agent kan for eksempel spørre: «How would you phrase it?» eller «What detail did we miss?» Veiledningen som følger, kan lagres for den aktuelle samhandlingen eller brukes igjen senere.
Lær av gjentakelser og variasjon:
Noen ganger får man de beste tilbakemeldingene ved å prøve på nytt. Enkle kontroller for ny generering lar brukerne sammenligne nye alternativer og finne dem de foretrekker. Disse valgene knytter det opprinnelige innspillet til et mer nyttig resultat og gjør eksperimentering til en del av læringsprosessen.
Observer samhandlinger:
KI-agenter kan samarbeide om å lære på tvers av flere samhandlinger. Mens én agent lager et forskningssammendrag, kan en annen for eksempel analysere utvekslingen for å evaluere opplevelsen. Som etnografer kan disse agentene identifisere forskjeller mellom en persons hensikt og oppfatning av kvaliteten på resultatet.
Observasjonene kan støtte kontinuerlig forbedring ved å avdekke innsikt og foreslå endringer i systemet.
Hva det er: Forsterkning tilpasser brukerens inndata, prompt eller instruksjon for å gi et bedre resultat uten å endre den opprinnelige hensikten. KI-en utfører ekstra arbeid i bakgrunnen utover det brukeren uttrykkelig ber om. «Skyggeprompting» kan for eksempel berike en forespørsel før systemet genererer et svar.
Brukeren gir en innledende idé, og agenten utvider innspillet når det kan forbedre resultatet.
Hvorfor det er nyttig: Folk gir ofte korte eller overordnede instruksjoner, mens det beste svaret kan kreve flere trinn. KI-agenter kan bygge bro over dette gapet uten at brukerne må forklare alt. Å be en KI om å «brainstorm marketing ideas for my new coffee product» kan for eksempel ellers gi en generell liste.
En forsterket tilnærming kan gjennomføre flere stadig mer ambisiøse idédugnader og kombinere de beste ideene til et rikere og mer variert resultat.
Utfordringen: Arbeid i bakgrunnen kan svekke brukerens opplevelse av eierskap og åpenhet. Hvis en KI endrer en forespørsel uten å forklare endringen, kan resultatet bli noe brukeren ikke ønsket. Designere må balansere nyttig forsterkning mot risikoen for uønsket påvirkning.
Designutfordringen er å la brukerne styre forsterkningen når de ønsker det.
Bevar og bygg videre på brukerens hensikt:
Forsterkning bør fremme brukerens uttalte mål uten å introdusere nye. Når KI-en har utvidet en prompt eller utført bakgrunnsoppgaver, bør den eller en separat validator sammenligne sluttresultatet med den opprinnelige forespørselen. Uventede tillegg bør formidles tydelig.
Bruk forsterkning til sikkerhet og kreativitet:
Teknikker som skyggeprompting kan skape bekymring for at brukerens forespørsler omformes i det skjulte. Bevar tilliten ved å bruke dem til å forbedre tydelighet, sikkerhet eller fullstendighet uten å undergrave brukerens hensikt. Hvis en sikkerhetsrelatert justering er nødvendig, bør den forklares eller følges av umiddelbar tilbakemelding.
Brukerne kan se resultatet av modereringen uten å få innsyn i logikken eller kriteriene bak.
Bruk velprøvde fasiliteringsteknikker:
KI-agenter kan bruke metoder for fasilitering og samarbeid, som Liberating Structures, til å skape produktive samhandlinger. Disse enkle rammeverkene bidrar til å utnytte en persons kreative og analytiske potensial best mulig.
Agenten kan bruke velkjente metoder for idédugnad og idéfiltrering under en samtale. Små endringer i hvordan utvekslingen forløper, kan gi et bredere spekter av ideer og innsikt.
Bruk parallelle spor for å avdekke nyttig innhold:
I stedet for å basere seg på én lineær utveksling kan en agent utforske flere tolkninger, ideer eller løsninger samtidig. Dette minner om en gruppe eksperter som har idédugnad fra ulike perspektiver uten at nyttig innsikt går tapt.
En koordinerende prosess kan samle de ulike utforskingssporene i et helhetlig svar som kan omsettes i handling.
Bruk forsterkning til å lære opp brukerne:
Godt utformet forsterkning kan også hjelpe folk med å lære å samhandle mer effektivt med KI. Hvis en agent forklarer «I considered X and Y in my answer», kan brukerne ta med disse faktorene i fremtidige forespørsler. Det gir forbedring i begge retninger: bedre svar nå og bedre inndata over tid.
Hva det er: Dette mønsteret gjør resonneringen til KI-agenter lettere å forstå. Gjennomtenkte samhandlinger kan forklare hvorfor en agent ga et svar, fremheve underbyggende kilder eller synliggjøre relevante trinn i prosessen. Målet er å støtte gode menneskelige beslutninger uten å overvelde brukeren.
Relevant resonnering fungerer best når brukerne kan utforske den trinnvis og velge detaljnivået de trenger.
Hvorfor det er nyttig: Tillit er avgjørende for å ta i bruk KI, særlig i virksomheter. Folk er mindre tilbøyelige til å stole på et system hvis de ikke kan forstå eller kontrollere hvordan det oppfører seg. Transparente resultater gjør det enklere å diagnostisere problemer, rette feil og gjenta nyttige fremgangsmåter.
Utfordringen: Det kan være vanskelig å forklare KI-beslutninger. For mange detaljer kan overvelde brukerne, mens sannsynligheter eller lange sammendrag av resonneringen kan være vanskelige å tolke. Transparens alene garanterer heller ikke nøyaktighet.
Designere må vurdere kvaliteten på forklaringen, hvor tydelig den presenteres, og hvordan underbyggende dokumentasjon kan bli en del av en nyttig dialog.
La agenter tenke bredt, og komprimer deretter resultatene:
KI kan analysere et problem grundig og samtidig presentere resultatene i et lettfattelig format. Hierarkiske sammendrag og gradvis fremvisning lar brukerne starte med hovedinnsikten og bare åpne underbyggende detaljer ved behov.
En godt utformet samhandling kan gjøre kompleks informasjon enkel å utforske uten å gå på bekostning av dybde eller tydelighet.
Tilby utforskbare sitater og referanser:
KI-genererte svar bør gi brukerne en tydelig måte å undersøke de underbyggende kildene på. Det kan omfatte lenker, utdrag fra interne rapporter, relevante forskningsfunn eller en mer detaljert visning av kvantitative data.
I systemer med gjenfinningsforsterket generering bør brukerne for eksempel kunne gå fra et KI-sammendrag til dokumentasjonen bak. Dette støtter kontroll og muliggjør grundigere undersøkelser som bygger tillit.
Formidle viktige fremdriftssignaler:
Komplekse arbeidsflyter for agenter kan innebære å skifte retning, gå tilbake til tidligere trinn eller kombinere flere undersøkelsesspor. Brukerne aksepterer lettere forsinkelser når de forstår hva som skjer. Tydelige fremdriftsoppdateringer kan forklare hva agenten har fullført, hva den gjør nå, og hva som skjer videre.
Agenten bør også forklare når den står fast, eller når en beslutning krever flere perspektiver.
Vis KI-resultater trinn for trinn:
I stedet for å presentere hele svaret på én gang kan en agent vise informasjonen trinnvis. En investeringsassistent kan for eksempel vise en kort anbefaling med mulighet for å utvide begrunnelsen: «Trinn 1: Vurder risikoprofilen. Trinn 2: Gå gjennom den nåværende porteføljen. Trinn 3: Finn muligheter for diversifisering. Trinn 4: Utform en anbefaling.» Brukere som vil ha flere detaljer, kan utforske hvert trinn, mens andre kan holde seg til sammendraget.
Bruk visuelle forklaringer av KI-resonnering:
Forklaringene bør være like forståelige som hovedresultatet. Når resonneringen omfatter tall eller sammenhenger, kan diagrammer og illustrasjoner være til hjelp. Visualisering av agentens forespørsler, prosess, resonnering og kilder kan også hjelpe brukerne med å korrigere kursen, forklare resultatet til andre eller gjenta prosessen senere.
Tydelige visuelle forklaringer hjelper brukerne med å forstå og handle ut fra informasjonen raskere.