Vinster:
- Att kunna urskilja var i UX-arbetsflödet (forskningssyntes, persona, wireframe, gränssnittstext, testanalys) artificiell intelligens sparar realtid, och var ansvar som att lyssna på användaren och det slutliga designbeslutet ligger kvar hos designern, enligt uppgiftens risknivå
- Förmåga att utveckla en reflex som kopplar varje AI-utgång till verklig användardata och bevis, och verifierar hallucinationer och fördomar genom sonderingssteg
- Möjlighet att anonymisera användarkonversationsposter och personuppgifter inom ramen för KVKK och överföra dem till artificiell intelligens inom gränserna för samtycke
Användarupplevelse (UX, det vill säga upplevelsen av personen som använder en produkt från början till slut) design har fortskridit med principen om "först förstå personen, sedan lös den" i flera år. När artificiell intelligens går in i denna cykel är de flesta människors första fråga: "Kommer artificiell intelligens att göra designen åt mig?" Kort svar: nej. Artificiell intelligens är en designassistent; Den producerar utkast, sammanfattar data, multiplicerar alternativ och snabbar upp repetitiva uppgifter. Men det tillkommer alltid designern att verkligen lyssna på användaren, bestämma vad som är rätt lösning och bära ansvaret för detta beslut. Denna första enhet klargör var du ska placera AI i UX-arbetsflödet, var du ska sluta och hur du flyttar användardata säkert.
Var kommer AI till nytta i UX-arbetsflödet?
Ett UX-projekt fortskrider genom ungefär fem stadier: upptäckt (forskning), definiera (persona och problem), producera (flöde, wireframe, prototyp), testa (användbarhet) och leverera (designsystem, dokumentation). Artificiell intelligens spelar en annan roll i vart och ett av dessa stadier.
- Upptäckt: Sammanfattar dussintals intervjuutskrifter (transkriberade inspelningar) på minuter istället för timmar, och extraherar inledande teman. Men det är upp till individen att avgöra vilket tema som är viktigt.
- Beskrivning: Producerar Persona (fiktiv profil som representerar en specifik användartyp) och resekartutkast. Men det är din uppgift att se till att dessa utkast är baserade på verkliga data.
- Generation: Wireframe (ramlinjeskelettet på en skärm), flödesschema och gränssnittstext återger variationer.
- Testning: Får resultat från testposter och rangordnar dem i ordningsföljd.
- Presentation: Skriver komponentdokumentation och användningsregler.
Den röda tråden är denna: AI genererar utkast och alternativ; Bedömning och godkännande förblir hos dig.
Tips: Använd artificiell intelligens för att inte "ge mig svaret" utan för att "ge mig alternativ snabbt och låt mig välja." Den största effektiviteten kommer när du delegerar förberedelsearbetet, inte beslutet.
Missionsrisknivå: var gratis, var försiktig?
Alla uppgifter har inte samma risk. En enkel tumregel: ju mer direkt resultatet påverkar en användare, desto högre är risken.
Quest
Risknivå
Den artificiella intelligensens roll
mänskligt godkännande
Sammanfattning av mötesanteckning
låg
Nästan helt överförd
lätt skumning
Genererar en wireframe-variation
låg-medel
Genererar utkast
Designer väljer och fixar
Skapa ett forskningstema
medium
Försyntes
Verifiering genom offert krävs
Gränssnittstext (felmeddelande, etc.)
medelhög
ger variation
Ton, noggrannhet, lagkontroll
Tillgänglighetsbekräftelse
hög
förskanning
Riktigt test obligatoriskt
Bestäm användarens verkliga behov
högst
kan inte hjälpa
Allt i designern
Det här diagrammet är en kompass: när du går uppåt minskar du ditt förtroende för AI och ökar din egen validering.
Hallucinationer och partiskhet: två grundläggande gränser
Du måste internalisera de två blinda fläckarna av artificiell intelligens från allra första början.
Hallucination (tillverkning): En stor språkmodell (möjligen ordgissande AI tränad på stora mängder text) kan producera flytande men faktiskt felaktig information. Det står till exempel "Användare bad om snabbhet i 20 konversationer", men i verkligheten finns det inget sådant citat. Oavsett hur säker utdatan verkar är den inte korrekt utan att länka till källan.
Bias: Modellen har fördomar som är inneboende i de data som den tränas på. Klichéer som "äldre användare är rädda för teknik" kan smyga sig in i personan eller manuset. Dessa meningar är ostödda generaliseringar och bör testas med riktiga data.
Varning: Flytande och noggrannhet för AI-utdata är inte samma sak. Den farligaste utgången är den som är skriven i fel men perfekta meningar.
Användardata, KVKK och samtycke
UX-forskning arbetar med personlig data: konversationsloggar, namn, arbetsplats, skärmdumpar, till och med ljud. Att ladda upp denna data till ett godtyckligt verktyg för artificiell intelligens kan vara ett brott mot KVKK (Personal Data Protection Law). Tumregeln är tre steg: anonymisera, håll dig inom samtycke, använd ett byrågodkänt verktyg.
- Maskera direkta identifierare som namn, telefon, e-post, företagsnamn (t.ex. "Deltagare 3").
- Överskrid inte omfattningen av samtycke som givits till deltagaren under forskningen; Om du inte sa "det kommer att bearbetas till artificiell intelligens", var försiktig.
- I en företagsmiljö väljer du verktyg som är tydliga var data lagras och om den används för modellträning.
tre minifodral
Fall 1 — Tidsbesparing, på rätt plats. En designer lät AI:en sammanfatta 18 intervjuutskrifter (totalt 62 sidor). Förläsningen, som skulle ha tagit 2 dagar för hand, reducerades till 40 minuter. Men designern matchade varje tema i resultatet till det faktiska citatet och fann att 3 teman inte hade någon grund. Resultat: hastighet + tillförlitlighet.
Fall 2 — Overifierad utdata kom in i presentationen. Ett annat team inkluderade meningen "70 % av användarna föredrar mobil" producerad av artificiell intelligens i rapporten. På frågan om källan avslöjades det att det inte fanns några sådana uppgifter; modellen hade gjort upp numret. Intressenternas förtroende har skadats. Lärdom: siffror och påståenden sprids inte utan bevis.
Fall 3 – Risk för läckage av personuppgifter. En praktikant laddade upp ljudinspelningen, tillsammans med deltagarnas namn, till en gratis sida som automatiskt transkriberar den. Institutionens säkerhetsteam markerade detta som en KVKK-risk och processen stoppades. Lektion: verktygsval och anonymisering görs från början.
Kopieringsbara uppmaningar
Din roll: senior UX forskningsassistent. Uppgift: Extrahera upp till 6 teman från den anonymiserade intervjuutskriften nedan. Regler: Lägg till MINST ett ordagrant citat bredvid varje tema, med taggen [Deltagare X]. Ta inte fram ett tema som du inte kan hitta ett citat för. Vid tveksamhet, skriv "svagt stöd". Avskrift: <<text>>
Kontrollera denna AI-utgång: Kontrollera om det finns faktaunderlag i texten för varje objekt i temalistan nedan. Markera de som inte har någon grund som "INTE VERIFIERADE" och skriv varför du är misstänksam. Lista: <<teman>> Källtext: <<transcript>>
Hitta alla personliga/identifierande data (namn, telefon, e-post, företag, adress) från texten nedan och ersätt med [MASKED]. Ange även ändringslistan som en tabell. Ta inte bort någon information, bara maskera den. Text: <<dump>>
Klassificera en designuppgift: Bestäm risknivån (låg/medel/hög) för "<<uppgift>>", skriv rollen för AI och det mänskliga godkännandet som krävs i en mening. Förklara ditt resonemang.
Svag prompt / Stark prompt
Svag: "Sammanfatta dessa konversationer."
Resultat: En generisk och overifierbar text utan källa; Det är oklart vilken dom som kom ifrån var.
Stark: "Extrahera upp till 6 teman från detta anonymiserade transkript; lägg till minst ett ordagrant citat taggat [Deltagare X] till varje tema; skapa inte ett tema som du inte kan hitta ett citat för."
Resultat: Ett evidensbaserat, revisionsbart, beslutsvänligt resultat.
Skillnaden ligger i en mening: stark prompt ger sammanhang + regel + beviskrav.
Vanliga misstag
- Flytta resultatet från validering till beslut. Det vanligaste och dyraste misstaget; Ett konstruerat tema kan förvränga hela designriktningen.
- Ladda upp personlig information utan att anonymisera den. KVKK-kränkning och förlust av företagens förtroende.
- Att få artificiell intelligens att "bestämma". "Vilken design är bättre?" Svaret på frågan ligger i produkten, användaren och data; inte i modellen.
- Läser inte fordonets datapolicy. Mata in kritisk data utan att veta om din data går till modellutbildning eller inte.
- Misstag flytande för noggrannhet. En välskriven mening betyder inte en korrekt mening.
Sammanfattningsvis
AI är en accelerator och blueprint-partner i UX-arbetsflödet; Den åtar sig förberedelsearbetet i varje steg, från upptäckt till presentation. Men omdöme, beslut och ansvar ligger kvar hos designern. "Hur mycket påverkar risken för uppgiften användaren?" Mät med frågan; öka din verifiering när risken ökar. Hallucinationer och partiskhet är två permanenta gränser: backa varje påstående med bevis, testa varje kliché med data. Transportera användardata genom att anonymisera den inom ramen för KVKK och samtycke. Dessa reflexer är den säkra grunden för varje teknik i resten av modulen.
Applikationsuppgift
- Lista 5 designuppgifter från ditt eget nuvarande projekt (eller ett fiktivt projekt).
- Placera varje uppgift på risktabellen ovan: låg, medel, hög.
- För varje uppgift, skriv en mening "roll av AI" och "mänskligt godkännande krävs."
- Om du har en intervjuutskrift, anonymisera den med den tredje uppmaningen och granska maskeringstabellen.
- Rita in resultatet i en tabell och förklara i ett stycke varför den högsta riskuppgiften kräver mänskligt godkännande.
checklista
- [ ] Jag placerade AI:n som en draftgenerator, inte som en beslutsfattare.
- [ ] Jag bestämde risknivån för varje uppdrag.
- [ ] Jag har anammat vanan att koppla utdata till bevis.
- [ ] Jag har inte laddat upp personlig information till något verktyg utan att anonymisera det.
- [ ] Jag kontrollerade datapolicyn för fordonet jag använder.
- [ ] Jag lade till hallucinations- och partiskhetskontroll i mitt arbetsflöde.