Keuntungan:
- Mampu membedakan mana dalam alur kerja UX (sintesis penelitian, persona, gambar rangka, teks antarmuka, analisis pengujian) kecerdasan buatan menghemat waktu nyata, dan di mana tanggung jawab seperti mendengarkan pengguna dan keputusan desain akhir tetap berada di tangan desainer, sesuai dengan tingkat risiko tugas
- Kemampuan untuk mengembangkan refleks yang menghubungkan setiap keluaran AI dengan data dan bukti pengguna sebenarnya, serta memverifikasi halusinasi dan bias melalui langkah-langkah penyelidikan
- Kemampuan untuk menganonimkan catatan percakapan pengguna dan data pribadi dalam lingkup KVKK dan mentransfernya ke kecerdasan buatan dalam batas persetujuan
Desain pengalaman pengguna (UX, yaitu pengalaman seseorang menggunakan suatu produk dari awal hingga akhir) telah berjalan dengan prinsip "pahami orangnya terlebih dahulu, lalu selesaikan" selama bertahun-tahun. Ketika kecerdasan buatan memasuki siklus ini, pertanyaan pertama kebanyakan orang adalah: "Akankah kecerdasan buatan melakukan desain untuk saya?" Jawaban singkatnya: tidak. Kecerdasan buatan adalah asisten desain; Ini menghasilkan konsep, merangkum data, mengalikan pilihan dan mempercepat tugas yang berulang. Namun desainer harus benar-benar mendengarkan pengguna, memutuskan solusi yang tepat, dan memikul tanggung jawab atas keputusan tersebut. Unit pertama ini menjelaskan di mana harus menempatkan AI dalam alur kerja UX, di mana Anda harus berhenti, dan bagaimana memindahkan data pengguna dengan aman.
Di manakah AI berguna dalam alur kerja UX?
Sebuah proyek UX berkembang melalui sekitar lima tahap: penemuan (penelitian), pendefinisian (persona dan masalah), produksi (aliran, wireframe, prototipe), pengujian (kegunaan), dan penyampaian (sistem desain, dokumentasi). Kecerdasan buatan memainkan peran berbeda di setiap tahapan ini.
- Penemuan: Meringkas lusinan transkrip wawancara (rekaman yang ditranskripsikan) dalam hitungan menit, bukan jam, mengekstraksi tema awal. Namun terserah pada individu untuk memutuskan tema mana yang penting.
- Deskripsi: Menghasilkan Persona (profil fiksi yang mewakili tipe pengguna tertentu) dan draf peta perjalanan. Namun tugas Anda adalah memastikan bahwa draf tersebut didasarkan pada data nyata.
- Pembuatan: Wireframe (kerangka garis kotak pada layar), diagram alur, dan teks antarmuka mereproduksi variasi.
- Pengujian: Memperoleh temuan dari catatan pengujian dan mengurutkannya berdasarkan kepentingannya.
- Presentasi: Menulis dokumentasi komponen dan aturan penggunaan.
Benang merahnya adalah ini: AI menghasilkan konsep dan opsi; Penilaian dan persetujuan tetap ada pada Anda.
Tip: Gunakan kecerdasan buatan bukan untuk "memberi saya jawabannya" tetapi untuk "memberi saya pilihan dengan cepat dan biarkan saya memilih". Efisiensi terbesar terjadi ketika Anda mendelegasikan pekerjaan persiapan, bukan pengambilan keputusan.
Tingkat risiko misi: mana yang bebas, mana yang hati-hati?
Tidak setiap tugas memiliki risiko yang sama. Aturan praktisnya sederhana: semakin langsung output mempengaruhi pengguna, semakin tinggi risikonya.
Pencarian
Tingkat risiko
Peran kecerdasan buatan
persetujuan manusia
Ringkasan catatan rapat
rendah
Hampir sepenuhnya ditransfer
skimming ringan
Menghasilkan variasi wireframe
rendah-sedang
Menghasilkan draf
Desainer memilih dan memperbaikinya
Membuat tema penelitian
sedang
Pra-sintesis
Verifikasi dengan kutipan diperlukan
Teks antarmuka (pesan kesalahan, dll.)
sedang-tinggi
menghasilkan variasi
Nada, akurasi, pemeriksaan hukum
Konfirmasi aksesibilitas
tinggi
pra-pemindaian
Wajib tes nyata
Tentukan kebutuhan nyata pengguna
tertinggi
tidak bisa membantu
Semua ada di desainer
Bagan ini adalah sebuah kompas: saat Anda naik, Anda menurunkan kepercayaan Anda pada AI dan meningkatkan validasi Anda sendiri.
Halusinasi dan bias: dua batasan mendasar
Anda harus menginternalisasi dua titik buta kecerdasan buatan sejak awal.
Halusinasi (fabrikasi): Model bahasa berukuran besar (mungkin AI menebak kata yang dilatih pada teks dalam jumlah besar) dapat menghasilkan informasi yang lancar namun sebenarnya tidak akurat. Misalnya, dikatakan "Pengguna meminta kecepatan dalam 20 percakapan", namun kenyataannya tidak ada kutipan seperti itu. Betapapun yakinnya keluaran yang dihasilkan, hasil tersebut tidak akan akurat tanpa adanya tautan ke sumbernya.
Bias: Model membawa bias yang melekat pada data yang dilatihnya. Klise seperti "pengguna yang lebih tua takut dengan teknologi" dapat menyusup ke dalam persona atau skrip. Kalimat-kalimat ini merupakan generalisasi yang tidak didukung dan harus diuji dengan data nyata.
Perhatian: Kefasihan dan keakuratan keluaran AI bukanlah hal yang sama. Keluaran yang paling berbahaya adalah yang ditulis dengan kalimat yang salah namun sempurna.
Data pengguna, KVKK dan persetujuan
Riset UX bekerja dengan data pribadi: log percakapan, nama, tempat kerja, tangkapan layar, bahkan audio. Mengunggah data ini ke alat kecerdasan buatan secara sewenang-wenang mungkin merupakan pelanggaran terhadap KVKK (UU Perlindungan Data Pribadi). Aturan praktisnya adalah tiga langkah: anonimkan, tetap dalam persetujuan, gunakan alat yang disetujui lembaga.
- Menyamarkan pengenal langsung seperti nama, telepon, email, nama perusahaan (misalnya “Peserta 3”).
- Tidak melebihi cakupan persetujuan yang diberikan kepada partisipan selama penelitian; Jika Anda tidak mengatakan "itu akan diproses menjadi kecerdasan buatan", berhati-hatilah.
- Di lingkungan perusahaan, pilih alat yang jelas di mana data disimpan dan apakah data digunakan untuk pelatihan model.
tiga kasus mini
Kasus 1 — Penghemat waktu, di tempat yang tepat. Seorang desainer meminta AI merangkum 18 transkrip wawancara (total 62 halaman). Pra-membaca, yang seharusnya memakan waktu 2 hari dengan tangan, dikurangi menjadi 40 menit. Namun perancang mencocokkan setiap tema dalam keluaran dengan kutipan sebenarnya dan menemukan bahwa 3 tema tidak memiliki dasar. Hasil: kecepatan + keandalan.
Kasus 2 — Output yang belum diverifikasi memasuki presentasi. Tim lain memasukkan kalimat "70% pengguna lebih memilih seluler" yang dihasilkan oleh kecerdasan buatan dalam laporannya. Saat ditanya sumbernya, terungkap bahwa data tersebut tidak ada; model telah membuat nomornya. Kepercayaan pemangku kepentingan telah rusak. Pelajaran: angka dan klaim tidak akan menyebar tanpa bukti.
Kasus 3 — Risiko kebocoran data pribadi. Seorang pekerja magang mengunggah rekaman audio, bersama dengan nama peserta, ke situs gratis yang secara otomatis menyalinnya. Tim keamanan institusi menandai hal ini sebagai risiko KVKK dan prosesnya dihentikan. Pelajaran: pemilihan alat dan anonimisasi dilakukan dari awal.
Perintah yang dapat disalin
Peran Anda: asisten peneliti senior UX. Tugas: Ekstrak hingga 6 tema dari transkrip wawancara anonim di bawah. Aturan: Tambahkan SETIDAKNYA satu kutipan kata demi kata di samping tiap tema, dengan tag [Peserta X]. Jangan membuat tema yang kutipannya tidak dapat Anda temukan. Jika ragu, tulislah "dukungan lemah". Transkrip: <<teks>>
Periksa keluaran AI ini: Periksa dasar faktual dalam teks untuk setiap item dalam daftar tema di bawah. Tandai yang tidak memiliki dasar sebagai "TIDAK DIVERIFIKASI" dan tulis alasan Anda curiga. Daftar: <<tema>> Teks sumber: <<transkrip>>
Temukan semua data pribadi/identifikasi (nama, telepon, email, perusahaan, alamat) dari teks di bawah ini dan ganti dengan [MASKED]. Berikan juga daftar perubahan sebagai tabel. Jangan hapus informasi apa pun, tutupi saja. Teks: <<dump>>
Klasifikasikan tugas desain: Tentukan tingkat risiko (rendah/sedang/tinggi) untuk "<<tugas>>", tulis peran AI dan persetujuan manusia yang diperlukan dalam satu kalimat. Jelaskan alasan Anda.
Perintah lemah / Perintah kuat
Lemah: "Ringkaslah percakapan ini."
Hasil: Teks yang tidak bersumber, umum, dan tidak dapat diverifikasi; Tidak jelas kalimat mana yang berasal dari mana.
Kuat: "Ekstrak hingga 6 tema dari transkrip anonim ini; tambahkan setidaknya satu kutipan kata demi kata yang diberi tag [Peserta X] ke setiap tema; jangan membuat tema yang kutipannya tidak dapat Anda temukan."
Hasil: Hasil yang berbasis bukti, dapat diaudit, dan ramah pengambilan keputusan.
Perbedaannya ada pada satu kalimat: perintah kuat memberikan konteks + aturan + persyaratan bukti.
Kesalahan umum
- Memindahkan output dari validasi ke keputusan. Kesalahan paling umum dan paling mahal; Satu tema yang dibuat-buat dapat merusak keseluruhan arah desain.
- Mengunggah data pribadi tanpa menganonimkannya. Pelanggaran KVKK dan hilangnya kepercayaan perusahaan.
- Menjadikan kecerdasan buatan “memutuskan”. “Desain mana yang lebih baik?” Jawaban atas pertanyaan tersebut terletak pada produk, pengguna, dan data; tidak ada dalam modelnya.
- Tidak membaca kebijakan data kendaraan. Memasukkan data penting tanpa mengetahui apakah data Anda masuk ke pelatihan model atau tidak.
- Salah mengira kefasihan sebagai akurasi. Kalimat yang ditulis dengan baik belum tentu merupakan kalimat yang benar.
Singkatnya
AI adalah mitra akselerator dan cetak biru dalam alur kerja UX; Ia melakukan pekerjaan persiapan di setiap tahap, mulai dari penemuan hingga presentasi. Namun penilaian, keputusan dan tanggung jawab tetap berada di tangan desainer. “Seberapa besar pengaruh risiko tugas terhadap pengguna?” Ukur dengan pertanyaan; tingkatkan verifikasi Anda seiring dengan meningkatnya risiko. Halusinasi dan bias adalah dua batasan permanen: dukung setiap klaim dengan bukti, uji setiap klise dengan data. Transportasi data pengguna dengan menganonimkannya dalam kerangka KVKK dan persetujuan. Refleks-refleks ini adalah dasar yang aman untuk setiap teknik dalam modul ini.
Tugas aplikasi
- Sebutkan 5 tugas desain dari proyek Anda saat ini (atau proyek fiksi).
- Tempatkan setiap tugas pada tabel risiko di atas: rendah, sedang, tinggi.
- Untuk setiap tugas, tulis satu kalimat “peran AI” dan “perlu persetujuan manusia”.
- Jika Anda memiliki transkrip wawancara, anonimkan dengan perintah ketiga dan tinjau tabel penyembunyian.
- Plot hasilnya dalam tabel dan jelaskan dalam paragraf mengapa tugas dengan risiko tertinggi memerlukan persetujuan manusia.
daftar periksa
- [ ] Saya memposisikan AI sebagai pembuat rancangan, bukan sebagai pengambil keputusan.
- [ ] Saya menentukan tingkat risiko setiap misi.
- [ ] Saya telah mengadopsi kebiasaan menghubungkan keluaran dengan bukti.
- [ ] Saya belum mengunggah data pribadi ke alat apa pun tanpa menganonimkannya.
- [ ] Saya telah memeriksa kebijakan data kendaraan yang saya gunakan.
- [] Saya menambahkan halusinasi dan pemeriksaan bias ke alur kerja saya.