We hebben allemaal weleens teleurstellende interacties met AI gehad of kennen mensen die "chatbots haten", vaak omdat de standaardervaring niet nuttig, waardevol of prettig is. Die teleurstelling heeft vaak minder te maken met de mogelijkheden van een model dan met de ervaring zelf: de interactie tussen mensen, een AI-agent en het gewenste resultaat. Dit vormt een grote drempel voor acceptatie, vooral binnen organisaties, waar slecht ontworpen interacties mensen kunnen overweldigen, realtime context kunnen negeren of voorbij kunnen gaan aan de intentie en het gedrag van gebruikers.
Vanuit dit perspectief hebben we per patroon de voordelen, ontwerpuitdagingen en praktische richtlijnen voor toepassing in kaart gebracht. Deze patronen gelden voor verschillende interactietypen en modaliteiten en bieden kansen voor zowel consumentenervaringen als interne AI-oplossingen waarmee kenniswerkers betere beslissingen kunnen nemen.
We delen de opkomende patronen die we zien bij het bouwen van en experimenteren met allerlei generatieve AI-oplossingen, om betere relaties tussen mens en AI te helpen ontwerpen.
Veel van onze interacties met technologie maken alledaagse taken moeilijker dan nodig, of we die technologie nu als kenniswerker of consument gebruiken. Ze beperken onze productiviteit, effectiviteit en toegevoegde waarde.
Zowel kenniswerkers als consumenten kunnen overweldigd raken door de enorme hoeveelheid beschikbare informatie, keuzes en hulpmiddelen. Deze constante stroom van vaak tegenstrijdige boodschappen maakt het moeilijker om heldere beslissingen te nemen of de aandacht erbij te houden. Onderzoek suggereert dat werknemers tot wel 40% van hun werkdag besteden aan het zoeken naar de informatie die ze nodig hebben (McKinsey). Deze informatieoverload raakt zowel de productiviteit als het welzijn.
Daarnaast is onze aandachtscapaciteit beperkt. Zelfs als we informatie kunnen vinden, kunnen we niet alles verwerken of analyseren wat nodig is voor een weloverwogen beslissing. We kunnen ons op elk moment maar op een klein deel van de beschikbare gegevens richten en houden vaak vast aan bestaande overtuigingen of ideeën, waardoor we alternatieven moeilijker overwegen of onverwachte patronen missen.
De hulpmiddelen zelf houden vaak geen rekening met deze beperkingen. De meeste technologie is ontworpen voor "gemiddelden": universele oplossingen die zich niet aanpassen aan de individuele context. Of we nu bedrijfssoftware of consumentenapps gebruiken, deze hulpmiddelen houden zelden rekening met onze behoeften, beperkingen of unieke omstandigheden. Daardoor kan technologie inefficiënt of contraproductief worden. Generatieve AI biedt een kans om flexibelere, persoonlijkere interacties te creëren.
Ten slotte veroorzaken veel werkomgevingen onnodige ellende. De groeiende hoeveelheid "bezigheidstherapie", de druk om "altijd aan" te staan en repetitieve taken met weinig toegevoegde waarde dragen bij aan afhaken en chronische stress. Hoewel generatieve AI en AI-agents deze ervaringen kunnen verminderen of wegnemen, vertrouwen veel mensen er nog steeds niet op dat AI het werk als geheel kan verbeteren. Mensen kunnen zich verzetten tegen het idee dat "AI het overneemt" omdat ze bang zijn te worden vervangen of zich eigenaar voelen van hun werk, zelfs van de taken die ze niet leuk vinden.
Alleen AI toepassen is geen oplossing. Slecht geïntegreerde AI kan nieuwe taken en zorgen veroorzaken, vooral voor kenniswerkers. Deze uitdagingen tonen de noodzaak aan van interacties tussen mens en AI die niet alleen efficiënt zijn, maar ook aansluiten bij onze cognitieve vermogens, individuele omstandigheden en praktische beperkingen. De zes onderstaande patronen beschrijven benaderingen die rekening houden met menselijke behoeften en een flexibelere, transparantere en betekenisvollere relatie met AI ondersteunen.
De relatie tussen opkomende ontwerppatronen en principes voor effectieve, mensgerichte AI-ervaringen.
Curatie: AI als intelligent menu — AI selecteert en ordent informatie en vermindert zo de overload door mensen door enorme datasets te helpen navigeren.
Feedback geven: AI als denkpartner — AI geeft in realtime prikkelende feedback die aannames ter discussie stelt en alternatieve perspectieven biedt.
Situationeel bewustzijn: AI die het hier en nu begrijpt — AI past zich aan de realtime context aan door voortdurend informatie over de omgeving en gebruikersbehoeften te verwerken.
Continue ontdekking: van elke interactie gebruikersonderzoek maken — AI gebruikt elke gebruikersinteractie om inzichten te ontdekken en het begrip te verfijnen, zodat het voortdurend leert en verbetert.
Versterking: gebruikersinvoer aanvullen voor betere resultaten — AI verbetert gebruikersinvoer achter de schermen met behoud van de oorspronkelijke intentie van gebruikers.
De uitwerking tonen: transparante AI-redenering — AI maakt het besluitvormingsproces zichtbaar en nuttig, wat vertrouwen bevordert en gebruikers helpt beter geïnformeerde beslissingen te nemen.
Deze zes patronen laten zien dat voor effectieve AI-oplossingen meer nodig is dan een goed ontworpen gebruikersinterface. Ze bepalen hoe mensen en AI-agents binnen complexe kennissystemen samenwerken, beslissingen nemen en met elkaar omgaan. De patronen verbeteren de interactie tussen mens en AI door:
Tweerichtingsverkeer van kennis voorop te stellen: Maak een dialoog mogelijk waarin AI en mensen ideeën, context en inzichten bijdragen. Dit ondersteunt krachtigere AI-systemen die worden gevoed door nog niet vastgelegde vakkennis en intuïtie.
Ervaringen te creëren die zich aan verschillende omstandigheden aanpassen: AI-tools kunnen snel verouderd of irrelevant raken. Systemen die situationeel bewust blijven, voortdurend leren en zich aan de omstandigheden van elke gebruiker aanpassen, blijven ook op termijn nuttig.
Vertrouwen en zekerheid te vergroten: Transparante, collaboratieve interacties verlagen acceptatiedrempels, verhogen de betrokkenheid en verbeteren de besluitvorming van zowel mensen als AI. Doordacht ontwerp helpt mensen ook op termijn vertrouwen te houden in de beslissingen en uitvoer van een systeem.
Effectieve AI-ervaringen ontwerpen is uitdagend, maar beproefde benaderingen kunnen helpen. De kernprincipes van gebruikers begrijpen en nuttige ervaringen creëren blijven gelden, naast nieuwe aandachtspunten die voortkomen uit AI-systemen met handelingsvermogen. Ervaringen die informatie effectief selecteren, nuttige feedback bieden en transparant leren, kunnen overload verminderen, besluitvorming verbeteren en vertrouwen opbouwen.
Deze patronen helpen gangbare acceptatiedrempels te overwinnen en maken AI echt nuttig, flexibel en waardevoller voor alle betrokkenen.
De onderstaande gids behandelt elk patroon uitvoeriger en legt uit hoe het een bredere AI-ervaring kan ondersteunen.
Wat het is: In plaats van gebruikers zelf eindeloze zoekresultaten of documenten te laten doorzoeken, kunnen AI-agents informatie uit enorme datasets selecteren en de relevantste inzichten presenteren. In feite wordt AI een bibliothecaris die kennis ordent op basis van de context van de gebruiker.
Waarom het nuttig is: Het vermindert de informatieoverload. De gemiddelde kenniswerker besteedt 1,8 uur per dag aan het zoeken naar informatie. Voor veel werknemers draagt dit bij aan een burn-out (McKinsey). AI-gestuurde curatie pakt dit aan door informatie uit uiteenlopende bronnen te indexeren, vinden en combineren. Zo ontdekken gebruikers informatie, opties en inzichten die ze met traditioneel zoeken mogelijk zouden missen.
De uitdaging: De overstap van traditioneel zoeken via een interface naar een aanpak met hulp van een agent vraagt gebruikers hun verwachtingen bij te stellen. Mensen zijn eraan gewend een lijst met links te bekijken of met knoppen een dataset te filteren. Een AI-curator combineert daarentegen antwoorden uit bronnen waarvan gebruikers het bestaan mogelijk niet kennen. Hierdoor kunnen gebruikers minder controle over het filteren ervaren en moeten ze vertrouwen op de keuzes van de agent. Vertrouwde zoekmechanismen kunnen mensen helpen wennen aan AI-gestuurde curatie zonder vertrouwen of controle te verliezen.
Hoe OpenAI vertrouwde interactiepatronen gebruikt om het vinden van gestructureerde en ongestructureerde informatie te ondersteunen.
Presenteer zoekmechanismen als vertrouwde interacties:
Maak de overgang vanuit traditioneel zoeken eenvoudiger door vertrouwde interacties aan te bieden in plaats van een leeg canvas. Gebruikers voelen zich meer op hun gemak wanneer de ervaring voortbouwt op herkenbare opties, vragenlijsten en contextuele suggesties.
Gebruik knoppen als prompts in plaats van open invoer te vereisen:
Vrije tekstinvoer kan intimiderend of tijdrovend aanvoelen. Vooraf ingestelde of automatisch gegenereerde knoppen maken curatie toegankelijker. Zo kunnen "Filter by most recent", "Compare pricing" en "Include global sources" gebruikers helpen de resultaten te verfijnen. Dit verlaagt de drempel om mee te doen, stimuleert verkenning en stemt de aanbevelingen van AI af op de intentie van de gebruiker.
Laat gebruikers hun verhaal vertellen om zoekresultaten te verfijnen:
Soms brengt een verhaal de behoeften van een gebruiker beter over dan directe zoekopdrachten of filters. In complexe situaties, zoals werken met overvolle dashboards of zoeken naar het juiste product, kunnen traditionele hulpmiddelen overweldigend zijn of weten mensen niet welke parameters ze moeten aanpassen.
Wanneer gebruikers "hun verhaal kunnen vertellen" door een knelpunt, persoonlijk doel of gewenst product te beschrijven, kan AI dat verhaal omzetten in gestructureerde zoekparameters. Iemand die bijvoorbeeld zegt: "I just moved into a smaller home and need versatile, budget-friendly storage solutions", kan geselecteerde productsuggesties, praktische tips en relevante aanbevelingen krijgen.
Met storytelling verlaag je niet alleen de cognitieve belasting van het bepalen van de juiste filters, maar vergroot je ook het vertrouwen in en de helderheid van de uiteindelijke resultaten.
Gebruik memes en culturele verwijzingen om ontdekking te personaliseren:
Memes kunnen AI-curatie op twee manieren ondersteunen: ze geven de agent meer inzicht in de gebruiker en brengen zoekresultaten op een menselijkere, herkenbaardere manier tot leven. Ten eerste delen gebruikers als het ware hun "theory of mind" met AI door memes te kiezen of aan te halen die hun doelen, stemming of stijl illustreren, zoals "I’m feeling the ‘Treat Yo Self’ vibe today!" Dit helpt de agent zijn curatie te verfijnen door context af te leiden die in een standaard grafische interface of tekstuele zoekopdracht verloren kan gaan.
Ten tweede kan de agent resultaten "terugspelen" in thematische of door popcultuur geïnspireerde "starterspakketten", waardoor aanbevelingen relevanter en persoonlijker aanvoelen. Als iemand bijvoorbeeld een thuiskantoor opnieuw inricht, kan AI een "WFH-starterspakket" samenstellen met bureauaccessoires, technologie en inspiratie.
Bied gebruikers duidelijkheid met de beste vervolgstappen:
Of de resultaten van een AI-agent nu wel of niet in de roos zijn, gebruikers moeten de parameters eenvoudig kunnen verfijnen. Ze kunnen bijvoorbeeld vragen: "Show me more like item 2" of "Exclude sources older than 2020." Voorgestelde vervolgstappen kunnen nieuwe gebruikers begeleiden zonder hen te overweldigen.
Wat het is: AI-agents worden vaak besproken als middel om werk dat van oudsher door mensen wordt gedaan, te delegeren. Hun vermogen om in realtime samen te werken krijgt minder aandacht. Een agent kan meer doen dan instructies volgen of inhoud genereren: prikkelende vragen stellen, aannames ter discussie stellen en alternatieve perspectieven bieden. Zo wordt AI een denkpartner die gebruikers helpt hun werk gaandeweg te verbeteren.
Waarom het nuttig is: We hebben allemaal baat bij tijdige feedback, maar krijgen die niet altijd. Zowel tegenspraak als steun kan ons helpen patronen te herkennen voordat we te sterk aan een idee gehecht raken. AI-agents kunnen onze aannames ter discussie stellen, ideeën genereren en alternatieve interpretaties van gegevens voorstellen zonder het menselijke oordeel te vervangen. We merken dat mensen vaak goed reageren op dit soort feedback van agents.
AI-agents kunnen tegenargumenten genereren die hiaten in een redenering blootleggen of alternatieve perspectieven belichten.
De uitdaging: AI-feedback moet intuïtief en bruikbaar zijn, anders leidt die alleen maar af. Mensen zitten niet te wachten op een agent die hen onderbreekt met irrelevante suggesties of op elk detail commentaar geeft. AI moet op de juiste momenten en met de juiste toon tussenbeide komen. Als AI te passief is, blijven nuttige kansen liggen; als AI te agressief is, kunnen gebruikers zich voortdurend in twijfel getrokken voelen.
De uitdaging is hoe je de feedback van AI presenteert: als hints, als optionele beoordeling of als dialoog? De juiste interactie bepaalt of gebruikers AI als partner omarmen of alleen Clippy 2.0 zien.
Zorg dat feedback proactief is, maar niet irritant:
Laat AI op natuurlijke onderbrekingsmomenten suggesties doen. In een documenteditor kan AI bijvoorbeeld wachten tot een zin of alinea af is voordat een herziening wordt voorgesteld. We hebben ook onderzocht of een agent na selectie van een leeg tekstveld kort kan wachten voordat die hulp aanbiedt. De toon is belangrijk: "Here’s an idea to consider…" klinkt constructiever dan een botte bewering.
Maak van feedback een verkennende dialoog:
Als feedback onduidelijk is, moeten gebruikers eenvoudig vragen kunnen stellen zoals: "Why do you suggest changing this?"Een nieuwsgierige AI-persoonlijkheid kan de uitwisseling constructiever laten aanvoelen. Net als een bedachtzame therapeut of facilitator kan de agent op het juiste moment relevante vragen stellen en van feedback een leerzaam gesprek maken.
Dit helpt AI ook om context te verzamelen, zodat de gebruiker en de agent samen een duidelijker begrip kunnen ontwikkelen.
Bied meerdere opties, ideeën of alternatieven:
In plaats van één idee, oplossing of uitdaging kan een agent verschillende perspectieven presenteren. Een ontwerpagent kan bijvoorbeeld drie alternatieve lay-outs genereren, terwijl een schrijfassistent versies van een zin voor verschillende doelgroepen voorstelt. Opties aanbieden benadrukt dat de gebruiker de controle houdt.
Zorg dat feedback rekening houdt met de context:
De agent moet zijn rol als "denkpartner" aanpassen aan de huidige context van de gebruiker. Als iemand bij een vraag of tekstveld aarzelt, kan AI een prikkelende vraag stellen in plaats van meteen een volledig antwoord te geven. Wanneer een gebruiker alleen een zin anders wil formuleren, helpt een beknopte suggestie die kan worden geaccepteerd of afgewezen het eigenaarschap te behouden.
Cruciaal is dat AI weet wanneer het afstand moet nemen. Langdurig heen-en-weer kan leiden tot een "doomloop" van eindeloze aanpassingen en het vertrouwen van de gebruiker ondermijnen. Door de context en acties van de gebruiker goed aan te voelen, kan de AI-agent zijn feedback zo afstemmen dat die echt helpt zonder grenzen te overschrijden.
Wat het is: Situationeel bewustzijn is het vermogen van een agent om contextuele informatie in realtime te interpreteren en zijn gedrag daarop af te stemmen. AI-agents kunnen voortdurend informatie verwerken over de omgeving, de huidige toestand van de gebruiker en andere relevante omstandigheden, in plaats van alleen vooraf bepaalde invoer te gebruiken.
Dit kan betekenen dat een interface zich aanpast aan de onmiddellijke behoeften van een gebruiker of dat actuele marktomstandigheden worden geïnterpreteerd om antwoorden relevanter te maken.
Waarom het nuttig is: De echte wereld is niet statisch. AI-systemen met situationeel bewustzijn kunnen nuttiger zijn doordat ze op actuele omstandigheden reageren. Wanneer een agent de relevante context begrijpt, voelen interacties natuurlijker, persoonlijker en beter onderbouwd aan.
De uitdaging: Het is moeilijk om AI te ontwikkelen die echt situationeel bewust is. Het verkrijgen en integreren van de benodigde gegevens kan aanzienlijke technische complexiteit opleveren.
Er is een dunne scheidslijn tussen nuttig contextbewustzijn en opdringerige bemoeienis. Gebruikers waarderen een agent die "het snapt", maar kunnen zich ongemakkelijk voelen als die te veel informatie vraagt of te vasthoudend lijkt. Omdat omstandigheden snel kunnen veranderen, blijven menselijke expertise en oordeelsvorming essentieel.
Een effectief AI-systeem heeft daarom input van gebruikers nodig om een actueel en bruikbaar beeld van hun omstandigheden te behouden.
Laat gebruikers zien wat goede context is:
Redeneringsmodellen zoals OpenAI o1 hebben veranderd hoe mensen context aan grote taalmodellen geven. Ongeacht het model zorgt gedetailleerde context voor relevantere antwoorden. Duidelijke voorbeelden, tijdelijke aanduidingen en uitklapbare tips kunnen gebruikers laten zien welke informatie ze moeten geven en waarom die ertoe doet.
Door expliciet te laten zien wat "goede context" is, hoeven gebruikers niet te raden en zullen ze eerder relevante details opgeven.
Maak het eenvoudig om de grenzen van de agent te bepalen:
De onmiddellijke behoeften van een gebruiker zijn belangrijk, maar niet altijd duidelijk. Een situationeel bewuste agent kan samen met de gebruiker bepalen welke onderwerpen, domeinen en tools moeten worden verkend. Diepgaand onderzoek in ChatGPT ondersteunt deze aanpak door verduidelijkende vragen te stellen voordat een onderzoekstaak begint.
Maak context zichtbaar voor snelle wijzigingen en aanvullingen:
Gebruikers hebben mogelijk een momentopname nodig van wat AI op dat moment aanneemt over hun doelen, focus en gegevensbronnen. Een speciaal paneel kan uitleg geven over de kennisgrens, huidige aannames en relevante invoer. Een pictogram kan aangeven wanneer locatiegegevens worden gebruikt, terwijl een samenvatting kan tonen hoeveel records aan een inzicht hebben bijgedragen.
Mensen hebben er baat bij te zien wat AI "weet" en relevante context moeiteloos te kunnen toevoegen, verwijderen of bijwerken.
Laat AI UI-functies selecteren op basis van hun nut:
AI-agents kunnen op basis van situationele aanwijzingen selectief functies in- of uitschakelen. Bij het opstellen van een whitepaper kan een agent bijvoorbeeld geavanceerde citatietools activeren; bij het bewerken van sprekersnotities kan die bewerkingsfuncties uitlichten. Dit biedt een gerichte ervaring zonder dat gebruikers elke instelling handmatig hoeven te beheren.
Wat het is: Bij ervaringsontwerp en productontwikkeling wordt gebruikersonderzoek vaak beschouwd als een afzonderlijke fase aan het begin van een project of op vaste momenten. Bij continue ontdekking is inzicht in het gedrag, de behoeften en de voorkeuren van gebruikers een doorlopend proces. AI kan gesprekken, klikken en feedback benutten om inzichten te ontdekken die gebruikers mogelijk niet expliciet verwoorden.
In feite blijft AI in realtime leren en zich aanpassen aan het probleemdomein.
Waarom het nuttig is: Het kan lastig zijn om van experts, professionals en algemene gebruikers nuttige feedback te verzamelen over de effectiviteit of bruikbaarheid van AI-uitvoer. Agents kunnen reacties, inzichten en intuïtie in hun context vastleggen terwijl de ervaring nog vers is.
De uitdaging: Feedback legt vaak vast wat er gebeurde of of een gebruiker tevreden was met het resultaat, maar niet waarom. Mensen vragen elke stap in hun denkproces te onthouden en vast te leggen kan belastend zijn, zelfs als die inzichten de toekomstige mogelijkheden van een systeem verbeteren.
Dit is vooral belangrijk bij sterk begrensde AI-systemen, waar een open gesprek niet wenselijk of mogelijk is.
Gebruik beschrijvende labels om reacties vast te leggen:
Een simpele duim omhoog of omlaag verklaart zelden de reactie van een gebruiker. Beschrijvende labels zoals "helpful for budget planning" of "missing regulatory information" bieden nuttigere context. Deze labels kunnen de huidige interactie beschrijven of gebruikers uitnodigen kort hun perspectief te delen. Zo wordt een beoordeling informatie waarvan AI kan leren.
Stuur AI-agents bij met "flashcards":
Geef gebruikers een eenvoudige manier om AI te corrigeren of iets te "leren" wanneer die een fout maakt of slechts gedeeltelijk slaagt. Een agent kan bijvoorbeeld vragen: "How would you phrase it?"Of: "What detail did we miss?"De resulterende aanwijzingen kunnen voor de huidige interactie worden opgeslagen of later opnieuw worden gebruikt.
Leer van iteratie en variatie:
Soms ontstaat de beste feedback door het opnieuw te proberen. Met eenvoudige knoppen voor regeneratie kunnen gebruikers nieuwe opties vergelijken en aangeven waaraan ze de voorkeur geven. Deze keuzes koppelen de oorspronkelijke invoer aan een nuttiger resultaat en maken experimenteren onderdeel van het leerproces.
Observeer interacties:
AI-agents kunnen samenwerken om van meerdere interacties te leren. Terwijl één agent bijvoorbeeld een onderzoekssamenvatting maakt, kan een andere de uitwisseling analyseren om de ervaring te beoordelen. Deze agents kunnen als etnografen verschillen herkennen tussen iemands intentie en diens perceptie van de kwaliteit van de uitvoer.
Deze observaties kunnen voortdurende verbetering ondersteunen door inzichten bloot te leggen en systeemwijzigingen voor te stellen.
Wat het is: Versterking past de invoer, prompt of instructie van een gebruiker aan om een beter resultaat te leveren, met behoud van de oorspronkelijke intentie. AI verricht achter de schermen extra werk dat verder gaat dan het expliciete verzoek. Zo kan "shadow prompting" een zoekopdracht verrijken voordat het systeem een antwoord genereert.
De gebruiker geeft een eerste idee en de agent breidt die invoer uit wanneer dat het resultaat kan verbeteren.
Waarom het nuttig is: Mensen geven vaak korte of globale instructies, terwijl voor het beste antwoord extra stappen nodig kunnen zijn. AI-agents kunnen die kloof overbruggen zonder dat gebruikers alles hoeven uit te leggen. AI vragen om "brainstorm marketing ideas for my new coffee product" kan anders bijvoorbeeld een algemene lijst opleveren.
Een versterkte aanpak kan meerdere, steeds ambitieuzere brainstormsessies uitvoeren en de sterkste ideeën combineren tot een rijker en gevarieerder resultaat.
De uitdaging: Werk achter de schermen kan het gevoel van eigenaarschap en transparantie verminderen. Als AI iemands verzoek wijzigt zonder de verandering uit te leggen, kan dat een resultaat opleveren dat de gebruiker niet wilde. Ontwerpers moeten nuttige versterking afwegen tegen het risico op ongewenste beïnvloeding.
De ontwerpuitdaging is gebruikers de versterking te laten sturen wanneer ze dat willen.
Behoud de intentie van de gebruiker en bouw daarop voort:
Versterking moet de uitgesproken doelen van een gebruiker ondersteunen zonder nieuwe doelen toe te voegen. Nadat AI een prompt heeft uitgebreid of achtergrondtaken heeft voltooid, moet AI zelf of een afzonderlijke validator de uiteindelijke uitvoer met het oorspronkelijke verzoek vergelijken. Onverwachte toevoegingen moeten duidelijk worden gemeld.
Gebruik versterking voor veiligheid en creativiteit:
Technieken zoals shadow prompting kunnen zorgen oproepen over het heimelijk aanpassen van gebruikersverzoeken. Gebruik ze om de helderheid, veiligheid of volledigheid te verbeteren zonder de intentie van de gebruiker te ondermijnen. Zo behoud je het vertrouwen. Als een aanpassing voor de veiligheid nodig is, leg die dan uit of geef onmiddellijk feedback.
Gebruikers kunnen een moderatieresultaat zien zonder inzicht te krijgen in de onderliggende logica of criteria.
Gebruik beproefde facilitatietechnieken:
AI-agents kunnen facilitatie- en samenwerkingsmethoden zoals Liberating Structures inzetten om productieve interacties vorm te geven. Deze lichte raamwerken helpen het creatieve en analytische potentieel van een persoon optimaal te benutten.
De agent kan tijdens een gesprek gebruikmaken van vertrouwde methoden voor brainstormen en het selecteren van ideeën. Kleine veranderingen in het verloop van de uitwisseling kunnen een breder scala aan ideeën en inzichten opleveren.
Gebruik parallelle sporen om nuttige inhoud naar boven te halen:
In plaats van één lineaire uitwisseling te volgen, kan een agent meerdere interpretaties, ideeën of oplossingen tegelijk verkennen. Dit lijkt op een groep experts die vanuit verschillende perspectieven brainstormt zonder nuttige inzichten te verliezen.
Een coördinerend proces kan die verschillende verkenningssporen combineren tot een samenhangend, bruikbaar antwoord.
Gebruik versterking om gebruikers iets te leren:
Goed ontworpen versterking kan mensen ook helpen effectiever met AI om te gaan. Als een agent uitlegt: "I considered X and Y in my answer", nemen gebruikers die factoren mogelijk op in toekomstige verzoeken. Dit levert verbetering in twee richtingen op: nu betere antwoorden en na verloop van tijd betere invoer.
Wat het is: Dit patroon maakt de redenering van AI-agents begrijpelijker. Doordachte interacties kunnen uitleggen waarom een agent een antwoord gaf, ondersteunende bronnen uitlichten of relevante processtappen zichtbaar maken. Het doel is effectieve menselijke besluitvorming te ondersteunen zonder de gebruiker te overweldigen.
Relevante redeneringen tonen werkt het beste wanneer gebruikers die stapsgewijs kunnen verkennen en zelf het gewenste detailniveau kunnen kiezen.
Waarom het nuttig is: Vertrouwen is essentieel voor de acceptatie van AI, vooral binnen organisaties. Mensen zullen minder snel op een systeem vertrouwen als ze het gedrag ervan niet kunnen begrijpen of controleren. Transparante uitvoer maakt het eenvoudiger problemen vast te stellen, fouten te corrigeren en nuttige benaderingen te herhalen.
De uitdaging: Het kan moeilijk zijn om AI-beslissingen uit te leggen. Te veel details kunnen gebruikers overweldigen, terwijl kansen of lange samenvattingen van redeneringen moeilijk te interpreteren kunnen zijn. Transparantie alleen garandeert bovendien geen nauwkeurigheid.
Ontwerpers moeten rekening houden met de kwaliteit van de uitleg, de helderheid van de presentatie en de manier waarop ondersteunend bewijs onderdeel kan worden van een nuttige dialoog.
Laat agents breed denken en vat de resultaten daarna samen:
AI kan een probleem diepgaand analyseren en de resultaten toch in een behapbare vorm presenteren. Met hiërarchische samenvattingen en stapsgewijze onthulling kunnen gebruikers met het belangrijkste inzicht beginnen en ondersteunende details alleen uitklappen wanneer dat nodig is.
Een goed ontworpen interactie maakt complexe informatie eenvoudig te verkennen zonder aan diepgang of helderheid in te boeten.
Bied verkenbare citaten en verwijzingen:
Door AI gegenereerde antwoorden moeten gebruikers een duidelijke manier bieden om ondersteunende bronnen te bekijken. Dit kunnen links, fragmenten uit interne rapporten, relevante onderzoeksresultaten of een diepgaander overzicht van kwantitatieve gegevens zijn.
In systemen met retrieval-augmented generation moeten gebruikers bijvoorbeeld vanuit een AI-samenvatting naar het achterliggende bewijs kunnen gaan. Dit ondersteunt verificatie en maakt het diepgaandere onderzoek mogelijk dat vertrouwen opbouwt.
Communiceer belangrijke voortgangssignalen:
Complexe workflows van agents kunnen bestaan uit koerswijzigingen, het opnieuw bekijken van eerdere stappen of het combineren van meerdere onderzoekslijnen. Gebruikers accepteren vertragingen makkelijker wanneer ze begrijpen wat er gebeurt. Duidelijke voortgangsupdates kunnen uitleggen wat de agent heeft voltooid, waar die mee bezig is en wat hierna komt.
De agent moet ook uitleggen wanneer die vastloopt of wanneer voor een beslissing aanvullende perspectieven nodig zijn.
Toon AI-uitvoer stap voor stap:
In plaats van meteen een volledig antwoord te presenteren, kan een agent informatie gefaseerd onthullen. Een beleggingsassistent kan bijvoorbeeld een korte aanbeveling tonen met de optie om de onderbouwing uit te klappen: "Step 1: Assess the risk profile." "Step 2: Review the current portfolio." "Step 3: Identify diversification opportunities." "Step 4: Formulate a recommendation." Gebruikers die meer details willen, kunnen elke stap verkennen; anderen kunnen bij de samenvatting blijven.
Gebruik visuele uitleg van AI-redeneringen:
Uitleg moet net zo begrijpelijk zijn als de primaire uitvoer. Wanneer een redenering cijfers of relaties bevat, kunnen grafieken en diagrammen helpen. Door de zoekopdrachten, het proces, de redenering en de bronnen van een agent te visualiseren, kunnen gebruikers bovendien de koers bijsturen, het resultaat aan anderen uitleggen of het proces later herhalen.
Duidelijke visuele uitleg helpt gebruikers informatie sneller te begrijpen en ernaar te handelen.