Vi har alla haft nedslående interaktioner med AI eller känner någon som ”hatar chattbotar”, ofta för att standardupplevelsen varken är användbar, värdefull eller trevlig. Besvikelsen beror ofta mindre på en Modells förmåga än på själva upplevelsen: samspelet mellan människor, en AI-Agent och ett önskat resultat. Det är ett betydande hinder för införande, särskilt i företag där dåligt utformade interaktioner kan överväldiga användarna, förbise sammanhang i realtid eller ignorera deras avsikter och beteenden.
Utifrån detta perspektiv har vi identifierat nyttan med varje mönster, de tillhörande designutmaningarna och praktiska råd för tillämpningen. Mönstren kan användas för olika typer av interaktioner och modaliteter och skapar möjligheter både för konsumentupplevelser och interna AI-lösningar som hjälper kunskapsarbetare att fatta bättre beslut.
Vi vill dela de framväxande mönster vi ser – både genom att bygga och experimentera med många generativa AI-lösningar – för att bidra till bättre relationer mellan människor och AI.
Många av våra interaktioner med teknik, både som kunskapsarbetare och konsumenter, gör vardagliga uppgifter svårare än de borde vara. De begränsar vår produktivitet, effektivitet och vårt värdeskapande.
Både kunskapsarbetare och konsumenter kan känna sig överväldigade av den enorma mängden tillgänglig information, valmöjligheter och verktyg. Den ständiga strömmen av ofta motstridiga budskap gör det svårare att fatta tydliga beslut och behålla fokus. Forskning tyder på att medarbetare ägnar upp till 40 % av arbetsdagen enbart åt att söka efter informationen de behöver (McKinsey). Detta informationsöverflöd påverkar både produktiviteten och välbefinnandet.
Vi har också en begränsad uppmärksamhetsförmåga. Även när vi hittar information kan vi inte bearbeta eller analysera allt som krävs för att fatta ett välgrundat beslut. Vi kan bara fokusera på en liten del av tillgängliga data åt gången och håller ofta fast vid befintliga övertygelser eller idéer som begränsar vår förmåga att överväga alternativ eller upptäcka oväntade mönster.
Verktygen själva tar ofta inte hänsyn till dessa begränsningar. Merparten av all teknik är utformad för ”genomsnittet” – universallösningar som inte anpassas till individuella sammanhang. Oavsett om vi använder programvara på jobbet eller konsumentappar tar verktygen sällan hänsyn till våra behov, begränsningar eller unika omständigheter. Därför kan tekniken bli ineffektiv eller rentav motverka sitt syfte. Generativ AI ger möjlighet att skapa mer anpassningsbara och personliga interaktioner.
Slutligen skapar många arbetsmiljöer onödigt lidande. Allt mer ”låtsasarbete”, pressen att alltid vara tillgänglig och repetitiva uppgifter med lågt värde bidrar till bristande engagemang och kronisk stress. Även om generativ AI och AI-agenter kan minska eller eliminera dessa upplevelser misstror många fortfarande AI:ns förmåga att förbättra arbetet i stort. Människor kan motsätta sig tanken att ”AI tar över” eftersom de är rädda för att ersättas eller känner ägarskap över sitt arbete – även uppgifterna de ogillar.
Att bara införa AI är ingen lösning. Dåligt integrerad AI kan skapa nya uppgifter och ny oro, särskilt för kunskapsarbetare. Utmaningarna visar behovet av interaktioner mellan människor och AI som inte bara är effektiva utan också anpassade till vår kognitiva förmåga, våra individuella omständigheter och verklighetens begränsningar. De sex mönstren nedan beskriver metoder som tar hänsyn till människors behov och främjar en mer anpassningsbar, transparent och meningsfull relation till AI.
Sambandet mellan framväxande designmönster och principer för effektiva, människocentrerade AI-upplevelser.
Kuratering: AI som en intelligent meny – AI sammanställer och organiserar information och minskar överbelastningen genom att hjälpa människor att navigera i enorma datamängder.
Ge återkoppling: AI som tankepartner – AI ger tankeväckande återkoppling i realtid som utmanar antaganden och erbjuder alternativa perspektiv.
Situationsmedvetenhet: AI som förstår här och nu – AI anpassar sig till sammanhanget i realtid genom att kontinuerligt bearbeta information om omgivningen och användarnas behov.
Kontinuerlig upptäckt: gör varje interaktion till en användarstudie – AI använder varje användarinteraktion för att hitta insikter och förfina sin förståelse, vilket möjliggör kontinuerligt lärande och förbättring.
Förstärkning: komplettera användarinmatning för bättre resultat – AI förbättrar användarinmatningen bakom kulisserna utan att ändra användarnas ursprungliga avsikt.
Visa hur arbetet går till: transparent AI-Resonemang – AI synliggör beslutsprocessen på ett användbart sätt, bygger förtroende och hjälper användarna att fatta mer välgrundade beslut.
De sex mönstren visar att effektiva AI-lösningar kräver mer än ett väl utformat användargränssnitt. De formar hur människor och AI-agenter samordnar sig, fattar beslut och interagerar i komplexa kunskapssystem. Mönstren förbättrar samspelet mellan människor och AI genom att:
Prioritera ömsesidigt kunskapsutbyte: Skapa en dialog där AI och människor bidrar med idéer, sammanhang och insikter. Det bidrar till mer kapabla AI-system som bygger på expertkunskap och intuition som ännu inte har formaliserats.
Skapa upplevelser som anpassas och förändras efter omständigheterna: AI-verktyg kan snabbt bli föråldrade eller irrelevanta. System som behåller situationsmedvetenheten, lär sig kontinuerligt och anpassar sig till varje användares omständigheter förblir användbara över tid.
Stärka tillit och trygghet: Transparenta interaktioner präglade av samarbete sänker tröskeln för införande, ökar engagemanget och förbättrar både mänskligt och AI-baserat beslutsfattande. Genomtänkt design hjälper människor att behålla förtroendet för ett systems beslut och resultat över tid.
Det är svårt att utforma effektiva AI-upplevelser, men beprövade metoder kan hjälpa. De grundläggande principerna om att förstå användarna och skapa användbara upplevelser gäller fortfarande, tillsammans med nya aspekter som införs av AI-system med egen handlingsförmåga. Upplevelser som effektivt kuraterar information, ger användbar återkoppling och lär sig transparent kan minska överbelastningen, förbättra besluten och bygga förtroende.
Mönstren hjälper till att övervinna vanliga hinder för införande och gör AI genuint hjälpsam, anpassningsbar och mer värdefull för alla berörda.
Guiden nedan utforskar varje mönster mer ingående och förklarar hur det kan bidra till en bredare AI-upplevelse.
Vad det är: I stället för att användare själva ska gå igenom ändlösa sökresultat eller dokument kan AI-agenter sammanställa information från enorma datamängder och presentera de mest relevanta insikterna. I praktiken blir AI en bibliotekarie som organiserar kunskap utifrån användarens sammanhang.
Därför är det användbart: Det minskar informationsöverflödet. En genomsnittlig kunskapsarbetare ägnar 1,8 timmar om dagen åt att söka information, vilket bidrar till utbrändhet bland många medarbetare (McKinsey). AI-driven kuratering löser detta genom att indexera, hitta och kombinera information från många olika källor. Det hjälper användare att upptäcka information, alternativ och insikter som de annars hade kunnat missa med traditionell sökning.
Utmaningen: Att gå från traditionell, gränssnittsbaserad sökning till en Agent-assisterad metod kräver att användarna anpassar sina förväntningar. Människor är vana vid att granska en lista med länkar eller trycka på knappar för att filtrera en datamängd. En AI-kurator sammanställer däremot svar från källor som användarna kanske inte ens känner till. Det kan minska användarnas känsla av kontroll över filtreringen och kräva att de litar på Agentens val. Välbekanta sökfunktioner kan hjälpa människor att vänja sig vid AI-driven kuratering utan att förlora trygghet eller kontroll.
Så använder OpenAI välbekanta interaktionsmönster för att stödja upptäckten av strukturerad och ostrukturerad information.
Presentera sökfunktioner som välbekanta interaktioner:
Underlätta övergången från traditionell sökning genom att erbjuda välbekanta interaktioner i stället för tomma arbetsytor. Användarna känner sig tryggare när upplevelsen bygger på välkända alternativ, frågeformulär och situationsanpassade förslag.
Använd knappar som prompter i stället för att kräva öppna svar:
Fritextinmatning kan kännas krävande eller tidsödande. Förinställda eller automatiskt genererade knappar gör kuratering mer lättillgänglig. Exempelvis kan ”Filter by most recent”, ”Compare pricing” och ”Include global sources” hjälpa användarna att förfina resultaten. Det sänker tröskeln för deltagande, uppmuntrar utforskande och anpassar AI:ns rekommendationer efter användarens avsikt.
Låt användarna berätta en historia för att förfina sökresultaten:
Ibland förmedlar en berättelse användarens behov bättre än direkta frågor eller filter. I komplexa situationer – som när man navigerar i informationstäta kontrollpaneler eller söker efter rätt produkt – kan traditionella verktyg kännas överväldigande, och det kan vara oklart vilka parametrar som bör justeras.
När användarna får ”berätta sin historia” – beskriva ett problem, ett personligt mål eller en önskad produkt – kan AI omvandla berättelsen till strukturerade sökparametrar. Någon som säger ”I just moved into a smaller home and need versatile, budget-friendly storage solutions” kan exempelvis få utvalda produktförslag, praktiska tips och relevanta rekommendationer.
Genom att använda berättelser minskar du inte bara den kognitiva belastningen i att välja rätt filter, utan skapar också större trygghet och tydlighet kring de slutliga resultaten.
Använd memer och kulturella referenser för att göra upptäckten personlig:
Memer kan bidra till AI-kuratering på två sätt: de ger Agenten en bättre förståelse för användaren och gör sökresultaten mer levande, mänskliga och relaterbara. När användare väljer eller hänvisar till memer som visar deras mål, humör eller stil (”I’m feeling the ‘Treat Yo Self’ vibe today!”) delar de i praktiken sin förståelse av andras tankar och känslor med AI. Det hjälper Agenten att finjustera kurateringen genom att härleda sammanhang som annars kan gå förlorade i ett vanligt grafiskt gränssnitt eller en textsökning.
Agenten kan sedan ”spela upp” resultaten som tematiska eller populärkulturella ”startpaket”, så att rekommendationerna känns mer relevanta och personliga. Om någon exempelvis gör om sitt hemmakontor kan AI skapa ett ”WFH starter pack” som kombinerar skrivbordstillbehör, teknik och inspiration.
Skapa tydlighet för användaren med förslag på nästa bästa åtgärd:
Oavsett om en AI-Agents resultat träffar rätt eller inte ska användarna enkelt kunna förfina parametrarna. De kan exempelvis fråga ”Show me more like item 2” eller ”Exclude sources older than 2020”. Förslag på nästa åtgärd kan vägleda nya användare utan att överväldiga dem.
Vad det är: AI-agenter diskuteras ofta som ett sätt att delegera arbete som traditionellt har utförts av människor. Deras förmåga att samarbeta i realtid får mindre uppmärksamhet. I stället för att bara följa instruktioner eller generera innehåll kan en Agent ställa tankeväckande frågor, utmana antaganden och erbjuda alternativa perspektiv. Det gör AI till en tankepartner som hjälper användarna att förbättra sitt arbete medan det tar form.
Därför är det användbart: Vi har alla nytta av återkoppling i rätt tid, men får den inte alltid. Både invändningar och stöd kan hjälpa oss att upptäcka mönster innan vi blir alltför fästa vid en idé. AI-agenter kan utmana våra antaganden, generera idéer och föreslå alternativa tolkningar av data utan att ersätta mänskligt omdöme. Vi har sett att människor ofta reagerar positivt på den här typen av återkoppling från Agenter.
AI-agenter kan skapa motargument som avslöjar luckor i Resonemang eller lyfter fram alternativa perspektiv.
Utmaningen: Återkoppling från AI måste vara intuitiv och möjlig att agera på, annars blir den en distraktion. Ingen uppskattar en Agent som avbryter med irrelevanta förslag eller märker ord i varje detalj. AI bör ingripa vid rätt tillfällen och med rätt ton. Är den för passiv missas värdefulla möjligheter. Är den för påstridig kan användarna känna sig ifrågasatta.
Utmaningen är hur AI:ns återkoppling ska visas: som tips, som en valfri granskning eller som en ömsesidig dialog? Hur väl interaktionen fungerar avgör om användarna välkomnar AI som partner eller bara ser den som Clippy 2.0.
Se till att återkopplingen är proaktiv men inte irriterande:
Låt AI ge förslag vid naturliga pauser. I en dokumentredigerare kan den exempelvis vänta tills en mening eller ett stycke är klart innan den föreslår en ändring. Vi har också undersökt möjligheten att låta en Agent vänta en kort stund efter att ett tomt textfält har markerats innan den erbjuder hjälp. Tonen spelar roll: ”Here’s an idea to consider…” känns mer konstruktivt än ett tvärsäkert påstående.
Gör återkopplingen till en utforskande dialog:
Om återkopplingen är oklar ska det vara enkelt att ställa frågor som “Why do you suggest changing this?” En nyfiken AI-persona kan göra utbytet mer konstruktivt. Som en eftertänksam terapeut eller facilitator kan Agenten ställa relevanta frågor vid rätt tillfälle och göra återkopplingen till ett lärande samtal.
Det hjälper också AI att samla in sammanhang, så att användaren och Agenten kan utveckla en tydligare gemensam förståelse.
Erbjud flera alternativ, idéer eller lösningar:
I stället för en enda idé, lösning eller utmaning kan en Agent presentera flera perspektiv. En design-Agent kan exempelvis skapa tre alternativa layouter, medan en skriv-Agent föreslår olika versioner av en mening för olika målgrupper. Flera alternativ understryker att användaren behåller kontrollen.
Se till att återkopplingen tar hänsyn till sammanhanget:
Agenten bör anpassa sin roll som ”tankepartner” efter användarens aktuella sammanhang. Om någon stannar upp vid en fråga eller ett textfält kan AI ställa en tankeväckande fråga i stället för att genast ge ett fullständigt svar. När användaren bara behöver formulera om en mening bidrar ett kort förslag som kan godtas eller avvisas till att bevara känslan av ägarskap.
Det är avgörande att AI vet när den ska backa. Ett utdraget utbyte kan skapa en ”domedagsloop” av ändlösa redigeringar som undergräver användarens självförtroende. Genom att vara lyhörd för sammanhanget och användarens handlingar kan AI-Agenten anpassa återkopplingen så att den verkligen hjälper utan att gå för långt.
Vad det är: Situationsmedvetenhet är en Agents förmåga att tolka kontextuell information i realtid och anpassa sitt beteende därefter. I stället för att enbart förlita sig på förutbestämd inmatning kan AI-agenter kontinuerligt bearbeta information om omgivningen, användarens aktuella tillstånd och andra relevanta förhållanden.
Det kan innebära att anpassa ett gränssnitt efter användarens omedelbara behov eller att tolka rådande marknadsförhållanden för att göra svaren mer relevanta.
Därför är det användbart: Verkligheten är inte statisk. Situationsmedvetna AI-system kan vara mer användbara eftersom de reagerar på aktuella förhållanden. När en Agent förstår det relevanta sammanhanget känns interaktionerna naturligare, mer personliga och bättre förankrade i verkligheten.
Utmaningen: Det är svårt att bygga AI som verkligen är situationsmedveten. Att få tillgång till och integrera nödvändiga data kan medföra betydande teknisk komplexitet.
Gränsen är hårfin mellan hjälpsam förståelse av sammanhanget och påträngande övertramp. Användarna uppskattar en Agent som ”fattar”, men kan känna obehag om den begär för mycket information eller verkar alltför envis. Eftersom omständigheterna kan ändras snabbt är mänsklig expertis och bedömning fortfarande avgörande.
Ett effektivt AI-system behöver därför användarnas synpunkter för att behålla en användbar och aktuell förståelse av deras situation.
Visa användarna hur ett bra sammanhang ser ut:
Resonemangsmodeller som OpenAI o1 har förändrat hur människor ger stora språkmodeller sammanhang. Oavsett Modell ger ett detaljerat sammanhang mer relevanta svar. Tydliga exempel, platshållartext och expanderbara tips kan visa vilken information användarna bör lämna och förklara varför den är viktig.
Genom att tydligt visa hur ett ”bra sammanhang” ser ut slipper användarna gissa och kan lättare ange meningsfulla detaljer.
Gör det enkelt att ange Agentens gränser:
Användarens omedelbara behov är viktiga men kanske inte uppenbara. En situationsmedveten Agent kan tillsammans med användaren ange vilka ämnen, områden och verktyg den ska utforska. Djup forskning i ChatGPT stöder denna metod genom att ställa klargörande frågor innan en forskningsuppgift påbörjas.
Visa sammanhanget så att det snabbt kan ändras och kompletteras:
Användarna kan behöva en ögonblicksbild av AI:ns aktuella antaganden om deras mål, fokus och datakällor. En särskild panel kan förklara kunskapens brytdatum, aktuella antaganden och relevanta indata. En ikon kan visa när platsdata används, medan en sammanfattning kan ange hur många poster som bidrog till en insikt.
Det hjälper människor att se vad AI ”vet” och att enkelt kunna lägga till, ta bort eller uppdatera relevant sammanhang.
Låt AI välja gränssnittsfunktioner efter hur användbara de är:
AI-agenter kan selektivt aktivera eller inaktivera funktioner utifrån situationssignaler. När någon skriver en vitbok kan en Agent aktivera avancerade citeringsverktyg. När personen redigerar talaranteckningar kan den framhäva redigeringsfunktioner. Det skapar fokuserade upplevelser utan att användarna själva måste hantera varje inställning.
Vad det är: Inom upplevelsedesign och produktutveckling behandlas användarstudier ofta som en separat fas i början av ett projekt eller vid bestämda intervall. Kontinuerlig upptäckt innebär att förståelsen av användarnas beteenden, behov och preferenser ses som en pågående process. AI kan göra samtal, klick och återkoppling till möjligheter att hitta insikter som användarna kanske inte uttrycker direkt.
I praktiken fortsätter AI att lära sig och anpassa sig till problemområdet i realtid.
Därför är det användbart: Det kan vara svårt att få användbar återkoppling från experter, yrkesverksamma och allmänna användare om hur effektivt eller användbart ett AI-resultat är. Agenter kan fånga upp reaktioner, insikter och intuition i sitt sammanhang medan upplevelsen fortfarande är färsk.
Utmaningen: Återkoppling beskriver ofta vad som hände eller om användaren tyckte om resultatet, men inte varför. Att be människor minnas och dokumentera varje steg i sitt tänkande kan kännas betungande, även när insikterna skulle förbättra systemets framtida förmåga.
Detta är särskilt viktigt i strikt avgränsade AI-system, där ett öppet samtal varken är önskvärt eller möjligt.
Använd beskrivande etiketter för att fånga reaktioner:
En enkel tumme upp eller tumme ned förklarar sällan användarens reaktion. Beskrivande etiketter – som ”användbart för budgetplanering” eller ”information om regelverk saknas” – ger ett mer användbart sammanhang. Etiketterna kan spegla den aktuella interaktionen eller bjuda in användarna att kort dela sitt perspektiv, så att ett omdöme blir information som AI kan lära sig av.
Styr AI-agenter med ”minneskort”:
När AI gör ett misstag eller bara lyckas delvis bör användarna få ett enkelt sätt att korrigera eller ”lära” den. En Agent kan exempelvis fråga: “How would you phrase it?” eller “What detail did we miss?” Vägledningen kan sparas för den aktuella interaktionen eller återanvändas senare.
Lär av upprepning och variation:
Ibland får man den bästa återkopplingen genom att försöka igen. Enkla reglage för ny generering låter användarna jämföra nya alternativ och välja dem de föredrar. Valen kopplar den ursprungliga inmatningen till ett mer användbart resultat och gör experimenterandet till en del av lärandet.
Observera interaktioner:
AI-agenter kan samarbeta för att lära sig från flera interaktioner. Medan en Agent skapar en forskningssammanfattning kan en annan exempelvis analysera utbytet för att utvärdera upplevelsen. Genom att agera som etnografer kan Agenterna identifiera skillnader mellan en persons avsikt och personens uppfattning om resultatets kvalitet.
Observationerna kan stödja kontinuerliga förbättringar genom att lyfta fram insikter och föreslå ändringar i systemet.
Vad det är: Förstärkning anpassar användarens inmatning, Prompt eller instruktion för att skapa ett bättre resultat utan att ändra den ursprungliga avsikten. AI utför mer arbete bakom kulisserna än vad den uttryckliga begäran anger. Exempelvis kan ”skuggpromptning” berika en fråga innan systemet genererar ett svar.
Användaren ger en första idé, och Agenten utvecklar inmatningen när det kan förbättra resultatet.
Därför är det användbart: Människor ger ofta korta eller övergripande instruktioner, medan det bästa svaret kan kräva fler steg. AI-agenter kan överbrygga den luckan utan att användarna behöver förklara allt. Att be AI att ”brainstorm marketing ideas for my new coffee product” kan annars ge en allmänt hållen lista.
En förstärkt metod kan genomföra flera allt djärvare idésessioner och kombinera de starkaste idéerna till ett rikare och mer varierat resultat.
Utmaningen: Arbete bakom kulisserna kan minska användarens känsla av delaktighet och insyn. Om AI ändrar någons begäran utan att förklara ändringen kan resultatet bli något som användaren inte ville ha. Designers måste balansera nyttig förstärkning mot risken för oönskad påverkan.
Designutmaningen är att låta användarna styra förstärkningen när de vill.
Bevara användarens avsikt och bygg vidare på den:
Förstärkningen ska främja användarens uttalade mål utan att lägga till nya. När AI har utvecklat en Prompt eller utfört bakgrundsuppgifter bör den, eller en separat validerare, jämföra slutresultatet med den ursprungliga begäran. Oväntade tillägg ska kommuniceras tydligt.
Använd förstärkning för säkerhet och kreativitet:
Tekniker som skuggpromptning kan väcka oro för att användarnas önskemål omformas i det fördolda. För att bevara förtroendet bör teknikerna förbättra tydlighet, säkerhet eller fullständighet utan att motverka användarens avsikt. Om en säkerhetsrelaterad justering krävs bör den förklaras eller följas av omedelbar återkoppling.
Användarna kan se resultatet av modereringen utan att få se den bakomliggande logiken eller kriterierna.
Låna beprövade faciliteringstekniker:
AI-agenter kan använda metoder för facilitering och samarbete, som Liberating Structures, för att skapa produktiva interaktioner. Dessa lättviktiga ramverk hjälper människor att maximera sin kreativa och analytiska potential.
Under ett samtal kan Agenten använda välbekanta metoder för idéskapande och idésållning. Små förändringar i hur utbytet utvecklas kan skapa fler slags idéer och insikter.
Använd parallella spår för att lyfta fram användbart innehåll:
I stället för ett enda linjärt utbyte kan en Agent utforska flera tolkningar, idéer eller lösningar samtidigt. Det liknar en grupp experter som utvecklar idéer ur olika perspektiv utan att användbara insikter går förlorade.
En samordnande process kan förena de olika utforskningsspåren till ett sammanhängande och handlingsinriktat svar.
Använd förstärkning för att utbilda användarna:
Väl utformad förstärkning kan också lära människor att interagera effektivare med AI. Om en Agent förklarar ”I considered X and Y in my answer” kan användarna ta med dessa faktorer i framtida begäranden. Det skapar en ömsesidig förbättring: bättre svar nu och bättre inmatning över tid.
Vad det är: Detta mönster gör AI-agenters Resonemang lättare att förstå. Genomtänkta interaktioner kan förklara varför en Agent gav ett visst svar, lyfta fram stödjande källor eller synliggöra relevanta steg i processen. Målet är att stödja effektiva mänskliga beslut utan att överväldiga användaren.
Att visa relevanta Resonemang fungerar bäst när användarna kan utforska dem stegvis och välja önskad detaljnivå.
Därför är det användbart: Förtroende är avgörande för att AI ska införas, särskilt i företag. Människor är mindre benägna att förlita sig på ett system om de inte kan förstå eller verifiera dess beteende. Transparenta resultat gör det enklare att diagnostisera problem, rätta fel och upprepa användbara metoder.
Utmaningen: Det kan vara svårt att förklara AI-beslut. För mycket information kan överväldiga användarna, medan sannolikheter eller långa sammanfattningar av Resonemang kan vara svåra att tolka. Enbart transparens garanterar inte heller korrekthet.
Designers måste ta hänsyn till förklaringens kvalitet, hur tydligt den presenteras och hur stödjande belägg kan bli en del av en användbar dialog.
Låt Agenter tänka brett och komprimera sedan resultaten:
AI kan analysera ett problem på djupet och samtidigt presentera resultaten i ett lättillgängligt format. Hierarkiska sammanfattningar och progressiv visning låter användarna börja med huvudinsikten och öppna stödjande detaljer först när de behövs.
En väl utformad interaktion kan göra komplex information lätt att utforska utan att offra djup eller tydlighet.
Erbjud citeringar och referenser som går att utforska:
AI-genererade svar bör ge användarna ett tydligt sätt att granska stödjande källor. Det kan vara länkar, utdrag ur interna rapporter, relevanta forskningsresultat eller en djupare vy över kvantitativa data.
I system med hämtningsförstärkt generering bör användarna exempelvis kunna gå från en AI-sammanfattning till de bakomliggande beläggen. Det underlättar verifiering och möjliggör den fördjupning som bygger förtroende.
Kommunicera viktiga förloppssignaler:
Komplexa arbetsflöden för Agenter kan innebära att byta riktning, gå tillbaka till tidigare steg eller kombinera flera undersökningsspår. Användarna accepterar lättare fördröjningar när de förstår vad som händer. Tydliga lägesuppdateringar kan förklara vad Agenten har slutfört, vad den gör och vad som händer härnäst.
Agenten bör också förklara när den har kört fast eller när ett beslut kräver ytterligare perspektiv.
Visa AI-resultat steg för steg:
I stället för att presentera hela svaret på en gång kan en Agent visa informationen i etapper. En investeringsassistent kan exempelvis visa en kort rekommendation med möjlighet att öppna motiveringen: “Step 1: Assess the risk profile. Step 2: Review the current portfolio. Step 3: Identify diversification opportunities. Step 4: Formulate a recommendation.” Användare som vill veta mer kan utforska varje steg, medan andra kan nöja sig med sammanfattningen.
Använd visuella förklaringar av AI-Resonemang:
Förklaringarna ska vara lika begripliga som huvudresultatet. När Resonemanget omfattar siffror eller relationer kan diagram och illustrationer hjälpa. Att visualisera en Agents frågor, process, Resonemang och källor kan också hjälpa användarna att korrigera dess kurs, förklara resultatet för andra eller upprepa processen senare.
Tydliga visuella förklaringar hjälper användarna att snabbare förstå och agera på information.