Agentic AI prest dago bezeroen esperientzia eta eraginkortasun operatiboa eraldatzeko, lidergoaren ikuspegi estrategiko berri bat behar du. Adimen artifizialaren bilakaera honek sistemei ahalmena ematen die zereginak planifikatzeko, exekutatzeko eta irauteko, gomendio soiletatik haratago ekintza proaktiboetara igaroz. UX taldeentzat, produktuen kudeatzaileentzat eta exekutiboentzat, aldaketa hau ulertzea funtsezkoa da berrikuntzan aukerak desblokeatzeko, lan-fluxuak arintzeko eta teknologiak jendeari nola balio dien birdefinitzeko. Erraza da Agentic AI eta Robotic Process Automation (RPA) nahastea, hau da, ordenagailuetan egiten diren arauetan oinarritutako zereginetan oinarritzen den teknologia. Bereizketa zurruntasunean datza. RPA bikaina da gidoi zorrotz bati jarraitzeko: X gertatzen bada, egin Y. Giza eskuak imitatzen ditu. AI agentikoak giza arrazoimena imitatzen du. Ez du gidoi lineal bat jarraitzen; bat sortzen du. Demagun kontratazio lan-fluxu bat. RPA bot batek curriculuma eskaneatu eta datu-base batera karga dezake. Lan errepikakorra primeran egiten du. Agentic sistema batek curriculuma aztertzen du, hautagaiak ziurtagiri zehatz bat zerrendatzen duela ohartzen da, bezeroen eskakizun berri batekin erreferentzia gurutzatua egiten duela eta bat-etortze hori nabarmenduz dibulgazio-mezu pertsonalizatu bat idaztea erabakitzen du. RPAk aurrez zehaztutako plan bat exekutatzen du; Agentic AI plana helburu batean oinarrituta formulatzen du. Autonomia horrek azken hamarkadan erabili ditugun aurreikuspen-tresnetatik bereizten ditu eragileak. Beste adibide bat bilera gatazkak kudeatzea da. Zure egutegian integratutako aurreikuspen-eredu batek zure bilera-egutegia eta zure lankideen ordutegiak azter ditzake. Orduan, balizko gatazkak iradoki ditzake, hala nola, aldi berean programatutako bi bilera garrantzitsu edo parte-hartzaile nagusi bat oporretan dagoenean programatutako bilera bat. Informazioa ematen dizu eta balizko arazoak markatzen ditu, baina neurriak hartzearen arduraduna zara. AI agente batek, eszenatoki berean, saihesteko gatazkak iradokitzeaz harago joango litzateke. Gatazka bat parte-hartzaile nagusi batekin identifikatuta, agenteak honela jardun dezake:
Beharrezko parte-hartzaile guztien erabilgarritasuna egiaztatzea. Guztiontzat balio duten ordu-tarte alternatiboak identifikatzea. Bilerarako gonbidapen berriak bidaltzea bertaratutako guztiei. Gatazka kanpoko parte-hartzaile batekin bada, agenteak mezu elektroniko bat idatzi eta bidal dezake, berriro programatu beharra azalduz eta ordu alternatiboak eskainiz. Zure egutegia eta zure lankideen egutegiak eguneratzea bileraren xehetasun berriekin behin baieztatuta.
AI agente honek helburua ulertzen du (bilera-gatazka konpontzea), urratsak planifikatzen ditu (eskuragarritasuna egiaztatzea, alternatibak aurkitzea, gonbidapenak bidaltzea), urrats horiek exekutatzen ditu eta gatazka konpondu arte iraungo du, eta hori guztia erabiltzaileen esku-hartze zuzena minimoarekin. Honek diferentzia "agentea" erakusten du: sistemak pauso proaktiboak hartzen ditu erabiltzailearentzat, erabiltzaileari informazioa eman beharrean. AI agentikoko sistemek helburu bat ulertzen dute, hori lortzeko pauso batzuk planifikatu, urrats horiek exekutatu eta gauzak gaizki ateratzen badira ere egokitu. Pentsa ezazu laguntzaile digital proaktibo bat bezala. Azpiko teknologiak askotan konbinatzen ditu hizkuntza-eredu handiak (LLM) ulertzeko eta arrazoitzeko, zeregin konplexuak ekintza kudeagarrietan banatzen dituzten plangintza-algoritmoekin. Agente hauek hainbat tresnarekin, APIekin eta beste AI eredu batzuekin elkarreragin dezakete beren helburuak lortzeko, eta, modu kritikoan, egoera iraunkorra mantendu dezakete, hau da, aurreko ekintzak gogoratzen dituzte eta denboran zehar helburu bat lortzeko lanean jarraitzen dute. Honek, funtsean, AI generatibo tipikoarekiko desberdinak bihurtzen ditu, normalean eskaera bakarra osatu eta gero berrezarri. Jokabide agenteen taxonomia sinplea Agenteen jokabidea lau autonomia-modu ezberdinetan sailka dezakegu. Hauek sarritan progresio baten itxura duten arren, funtzionamendu modu independente gisa funtzionatzen dute. Erabiltzaile batek agente batek fida dezake programaziorako modu autonomoan jarduteko, baina finantza-transakzioetarako "iradokizun moduan" mantendu. Maila horiek ibilgailu autonomoen industriako estandarrak (SAE mailak) erabiltzailearen esperientzia digitalaren testuinguruetara egokituz lortu ditugu. Behatu-eta-Iradoki Agenteak monitore gisa funtzionatzen du. Datu-korronteak aztertzen ditu eta anomaliak edo aukerak markatzen ditu, baina zero ekintza hartzen du. Diferentziazioa Hurrengo mailan ez bezala, agenteak ez du plan konplexurik sortzen. Arazo bat adierazten du. Adibidea DevOps agente batek zerbitzariaren PUZaren gorakada nabaritzen du eta deialdiko ingeniariari abisatzen dio. Ez daki nola konpondu edo saiatzen, baina badaki zerbait gaizki dagoela. Diseinurako eta gainbegiratzeko inplikazioak Maila honetan,diseinuak eta gainbegiratzeak jakinarazpen argiak eta ez-intrusiboak eta erabiltzaileek iradokizunen arabera jarduteko ondo zehaztutako prozesu bati lehentasuna eman behar diete. Erabiltzaileari informazio egokia eta egokia ematean datza arreta kontrolatu gabe. UX profesionalek iradokizunak argi eta erraz ulertzera bideratu behar dute, produktuen kudeatzaileek sistemak balioa ematen duela ziurtatu behar dute erabiltzailea larritu gabe. Planifikatu eta Proposatu Agenteak helburu bat identifikatzen du eta hori lortzeko urrats anitzeko estrategia sortzen du. Giza berrikuspenerako plan osoa aurkezten du. DiferentziazioaAgenteak estratega gisa jokatzen du. Ez da exekutatzen; planteamendu osoaren onespenaren zain dago. Adibidea DevOps agente berak PUZaren gorakada nabaritzen du, erregistroak aztertzen ditu eta konponketa-plan bat proposatzen du:
Biratu beste bi instantzia. Berrabiarazi karga-orekatzailea. Artxibatu erregistro zaharrak.
Gizakiak logika berrikusten du eta "Onartu plana" sakatzen du. Diseinurako eta gainbegirako inplikazioak Planifikatzen eta proposatzen duten agenteentzat, diseinuak proposatutako planak erraz ulergarriak direla eta erabiltzaileek aldatzeko edo baztertzeko modu intuitiboak dituztela ziurtatu behar du. Gainbegiratzea funtsezkoa da proposamenen kalitatea eta agentearen plangintza-logikaren jarraipena egiteko. UX praktikatzaileek proposatutako planen bistaratze argiak diseinatu behar dituzte, eta produktu-kudeatzaileek berrikuspen eta onarpen lan-fluxu argiak ezarri behar dituzte. Ekin-Berrespenarekin Agenteak prestaketa lan guztiak amaitzen ditu eta azken ekintza egoera etapa batean jartzen du. Atea zabalik mantentzen du eraginkortasunez, keinu baten zain. BereizpenaHau "Plan-eta-Proposatu"-tik ezberdintzen da, lana dagoeneko egina eta eszenaratua dagoelako. Marruskadura murrizten du. Erabiltzaileak emaitza berresten du, ez estrategia. Adibidea Kontratazio-agente batek bost elkarrizketa-gonbidapen zirriborroak egiten ditu, ordutegi irekiak aurkitzen ditu egutegietan eta egutegiko gertaerak sortzen ditu. "Bidali guztiak" botoia aurkezten du. Erabiltzaileak kanpoko ekintza abiarazteko azken baimena ematen du. Diseinurako eta gainbegiratzeko inplikazioak Agenteek baieztapenarekin jarduten dutenean, diseinuak aurreikusitako ekintzaren laburpen gardenak eta zehatzak eman behar ditu, ondorio potentzialak argi eta garbi azalduz. Gainbegiratzeak egiaztatu behar du berrespen-prozesua sendoa dela eta erabiltzaileei ez zaiela eskatzen ekintzak itsu-itsuan onartzeko. UX profesionalek argiak eta beharrezko informazio guztia emango duten berrespen-aurreikuspenak diseinatu behar dituzte, eta produktu-kudeatzaileek egiaztatutako ekintza guztietarako ikuskaritza-bide sendoa lehenetsi behar dute. Ekin-Autonomoki Agenteak modu independentean exekutatzen ditu zereginak zehaztutako mugen barruan. BereizketaErabiltzaileak ekintzen historia berrikusten du, ez ekintzak berak. Adibidea Kontratazio-agenteak gatazka bat ikusten du, elkarrizketa babeskopiko zirrikitu batera eramaten du, hautagaia eguneratzen du eta kontratazio-kudeatzaileari jakinarazten dio. Gizakiak jakinarazpen bat besterik ez du ikusten: Elkarrizketa astearterako berriro antolatu da. Diseinurako eta gainbegiratzeko inplikazioak Agente autonomoentzat, diseinuak aurrez onartutako muga argiak ezarri behar ditu eta jarraipen-tresna sendoak eskaini behar ditu. Gainbegiratzeak muga hauen barruan agentearen errendimenduaren etengabeko ebaluazioa eskatzen du, erregistro sendoaren beharra kritikoa, baliogabetzeko mekanismo argiak eta erabiltzaileak definitutako hiltzeko etengailuak erabiltzaileen kontrola eta konfiantza mantentzeko. UX profesionalek agente autonomoen portaera kontrolatzeko aginte-panel eraginkorrak diseinatzera bideratu behar dute, eta produktu-kudeatzaileek gobernantza eta jarraibide etiko argiak daudela ziurtatu behar dute.
Ikus dezagun mundu errealeko aplikazio bat HR teknologian modu horiek martxan ikusteko. Demagun "Elkarrizketen Koordinazio Agente" bat kontratazioaren logistika kudeatzeko diseinatuta.
Iradokizun moduan Agentea ohartzen da elkarrizketatzaile bat erreserba bikoitza duela. Kontratatzailearen panelean gatazka nabarmentzen du: "Abisua: Sarah bikoitza du 14:00etako elkarrizketarako". Plan moduan agenteak Sarahren egutegia eta hautagaiaren erabilgarritasuna aztertzen ditu. Irtenbide bat aurkezten du: "Elkarrizketa ostegunera 10:00etan mugitzea gomendatzen dut. Horretarako Sarah-ren 1:1 bere arduradunarekin mugitu behar da". Kontratatzaileak logika hau berrikusten du. Berrespen moduan Agenteak hautagaiari eta kudeatzaileari mezu elektronikoak zirriborroa egiten dizkio. Egutegiko gonbidapenak betetzen ditu. Kontratatzaileak laburpen bat ikusten du: "Ostegunera berriro programatzeko prest. Eguneratzeak bidali?" Kontratatzaileak "Berretsi" egiten du. Modu Autonomoan Agenteak gatazka berehala kudeatzen du. Aurrez ezarritako arau bat errespetatzen du: "Beti lehenetsi hautagaien elkarrizketak barneko 1:1en gainetik". Bilera mugitzen du eta jakinarazpenak bidaltzen ditu. Kontratatzaileak erregistroko sarrera bat ikusten du: "EbatzitaB hautagaiaren ordutegi gatazka”.
Research Primer: Zer ikertu eta nola AI agentiko eraginkorra garatzeak ikerketa-ikuspegi ezberdin bat eskatzen du software tradizionalarekin edo baita sormenezko AIarekin alderatuta. AI eragileen izaera autonomoak, erabakiak hartzeko duten gaitasunak eta ekintza proaktiborako duten ahalmenak metodologia espezializatuak behar ditu erabiltzaileen itxaropenak ulertzeko, agenteen jokabide konplexuak mapatzeko eta balizko porrotak aurreikusteko. Ondorengo ikerketa-lanak AI agentikoaren alderdi berezi horiek neurtzeko eta ebaluatzeko funtsezko metodoak zehazten ditu. Eredu Mentaleko Elkarrizketak Elkarrizketa hauek erabiltzaileek AIko agente batek nola jokatu behar duenari buruzko aurreiritziak azaltzen ditu. Erabiltzaileek zer nahi duten galdetu beharrean, eragilearen gaitasun eta mugen barne-ereduak ulertzea da arreta. Saihestu beharko genuke parte-hartzaileekin "agente" hitza erabiltzea. Zientzia-fikziozko ekipajea darama edo laguntza edo zerbitzuak eskaintzen dituen giza agente batekin errazegi nahasten den terminoa da. Horren ordez, egituratu eztabaida "laguntzaileak" edo "sistema". Erabiltzaileek automatizazio lagungarriaren eta kontrol intrusiboaren arteko muga non dagoen aurkitu behar dugu.
Metodoa: Eskatu erabiltzaileei agentearekin espero diren elkarrekintzak deskribatzeko, marrazteko edo kontatzeko hainbat eszenatoki hipotetikotan. Funtsezko zundaketak (askotariko industriak islatzen dituztenak): Automatizazioaren mugak eta gehiegizko automatizazioaren inguruko antsietate potentzialak ulertzeko, galdetu: Zure hegaldia bertan behera uzten bada, zer nahi zenuke sistemak automatikoki egitea? Zer kezkatuko zinateke hori zure instrukzio espliziturik gabe egingo balu?
Erabiltzaileak agentearen barne-prozesuen eta beharrezko komunikazioaren ulermena aztertzeko, galdetu: Imajinatu laguntzaile digital bat zure etxe adimenduna kudeatzen ari dela. Pakete bat entregatzen bazaizu, zer pauso ematen dituzula uste duzu eta zer informazio jasoko zenuke?
Urrats anitzeko prozesu baten barruan kontrolaren eta baimenaren inguruko itxaropenak ezagutzeko, galdetu: Zure laguntzaile digitalari bilera bat antolatzeko eskatzen badiozu, zein urrats egitea aurreikusten duzu? Zein puntutan kontsultatu nahi zenuke edo aukerak ematea?
Metodoaren onurak: hipotesi inplizituak agerian uzten ditu, agenteak aurreikusitako jokabidea erabiltzailearen itxaropenetatik aldendu daitekeen eremuak nabarmentzen ditu eta kontrol eta feedback mekanismo egokien diseinuaren berri ematen du.
Agentearen bidaia-mapaketa: Erabiltzaileen bidaien mapa tradizionalaren antzera, agenteen bidaien mapak bereziki AI agentearen beraren aurreikusitako ekintzetan eta erabaki puntuetan zentratzen da, erabiltzailearen elkarrekintzarekin batera. Horrek balizko akatsak modu proaktiboan identifikatzen laguntzen du.
Metodoa: Sortu mapa bisual bat, agente baten funtzionamenduaren etapa desberdinak azaltzen dituena, hasieratik amaitzeraino, kanpoko sistema edo erabiltzaileekin balizko ekintza, erabaki eta elkarrekintza guztiak barne. Maparako funtsezko elementuak: Agentearen ekintzak: zein zeregin edo erabaki zehatz egiten ditu agenteak? Informazio-sarrerak/irteerak: zer datu behar ditu agenteak, eta zer informazio sortzen edo komunikatzen du? Erabaki-puntuak: non egiten ditu aukerak agenteak, eta zein dira aukera horiek egiteko irizpideak? Erabiltzaileen interakzio-puntuak: non ematen ditu erabiltzaileak sarrera, berrikuspena edo ekintzak onartzen? Porrot-puntuak: funtsezkoa, identifikatu agenteak argibideak gaizki interpreta ditzakeen kasu zehatzak, erabaki okerrak har ditzakeen edo okerreko entitatearekin elkarreragiteko. Adibideak: Hartzaile okerra (adibidez, informazio sentikorra pertsona okerrera bidaltzea), zorra (adibidez, erabilgarri dauden fondoak gainditzen dituen ordainketa automatizatu bat), asmoaren interpretazio okerra (adibidez, hegaldi bat data okerrera erreserbatzea hizkuntza anbiguoagatik).
Berreskuratzeko bideak: nola berreskura ditzake agenteak edo erabiltzaileak hutsegite horietatik? Zein mekanismo daude zuzentzeko edo esku hartzeko?
Metodoaren onurak: agentearen fluxu operatiboaren ikuspegi holistikoa eskaintzen du, ezkutuko menpekotasunak deskubritzen ditu eta babesen, akatsen kudeaketaren eta erabiltzaileen esku-hartze puntuen diseinu proaktiboa ahalbidetzen du, emaitza negatiboak prebenitzeko edo arintzeko.
Simulatutako portaera okerraren proba: Ikuspegi hau sistema estresa probatzeko eta erabiltzaileen erreakzioak behatzeko diseinatuta dago AI agenteak huts egiten duenean edo itxaropenetatik desbideratzen denean. Egoera kaltegarrietan konfiantzaren konponketa eta erantzun emozionalak ulertzea da.
Metodoa: Kontrolatutako laborategiko azterketetan, nahita sartu agenteak akatsen bat egiten duen, agindu bat gaizki interpretatzen duen edo ustekabean jokatzen duen eszenatokiak. Simulatzeko "portaera okerra" motak: AginduaInterpretazio okerra: Erabiltzaileak nahi zuenarekin alderatuta apur bat desberdina den ekintza bat burutzen du agenteak (adibidez, bi elementu ordenatzea bakarraren ordez). Informazioaren gainkarga/azpikarga: agenteak garrantzirik gabeko informazio gehiegi edo xehetasun kritiko nahikorik ez du ematen. Eskatu gabeko ekintza: Agenteak erabiltzaileak esplizituki nahi edo espero ez zuen ekintza bat egiten du (adibidez, akzioak onarpenik gabe erostea). Sistemaren hutsegitea: agenteak huts egiten du, ez du erantzuten edo errore-mezu bat ematen du. Dilema etikoak: agenteak inplikazio etikoak dituen erabakia hartzen du (adibidez, ezusteko metrika batean oinarrituta zeregin bati lehentasuna ematea).
Behaketa fokua: Erabiltzaileen erreakzioak: nola erreakzionatzen dute erabiltzaileek emozionalki (frustrazioa, haserrea, nahasmena, konfiantza galtzea)? Berreskuratzeko saiakerak: zer urrats hartzen dituzte erabiltzaileek agentearen portaera zuzentzeko edo bere ekintzak desegiteko? Konfiantza konpontzeko mekanismoak: sistemaren berreskurapen edo feedback mekanismoek konfiantza berreskuratzen laguntzen al dute? Nola nahi dute erabiltzaileek akatsen berri izatea? Eredu Mentaleko Aldaketa: Portaera okerrak eragilearen gaitasun edo mugak erabiltzailearen ulermena aldatzen al du?
Metodoaren onurak: Erroreen berreskurapenarekin, feedbackarekin eta erabiltzaileen kontrolarekin lotutako diseinu-hutsuneak identifikatzeko funtsezkoa. Erabiltzaileak agenteen hutsegiteen aurrean zenbaterainoko erresistentzia duten eta konfiantza mantentzeko edo berregiteko behar den informazioa ematen du, sistema agente sendoagoak eta barkagarriagoak lortzeko.
Ikerketa-metodologia hauek integratuz, UX-ko profesionalek sistema eragileak erabilgarri izateaz haratago joan daitezke fidagarriak, kontrolagarriak eta erantzule bihurtzeko, erabiltzaileen eta haien AI agenteen arteko harreman positiboa eta emankorra sustatuz. Kontuan izan hauek ez direla AI agentikoa modu eraginkorrean esploratzeko garrantzitsuak diren metodo bakarrak. Beste metodo asko existitzen dira, baina hauek dira epe laburrean praktikatzaileentzat eskuragarrienak. Aurretik Wizard of Oz metodoa landu dut, kontzeptuen probak egiteko metodo apur bat aurreratuagoa, AI agentikoaren kontzeptuak aztertzeko tresna baliotsua ere bai. Gogoeta Etikoak Ikerketa Metodologian AI agentikoa ikertzean, batez ere portaera okerrak edo akatsak simulatzean, kontuan hartu beharreko kontu etikoak dira gakoak. Argitalpen asko daude UX ikerketa etikoan oinarritzen direnak, besteak beste, Smashing Magazine-rako idatzi nuen artikulu bat, UX Design Institute-ren jarraibide hauek eta Inclusive Design Toolkit-eko orrialde hau. AI agentikoaren funtsezko neurketak Funtsezko neurketa multzo osoa beharko duzu AI sistema eragileen errendimendua eta fidagarritasuna eraginkortasunez ebaluatzeko. Neurri hauek erabiltzailearen konfiantzari, sistemaren zehaztasunari eta erabiltzailearen esperientzia orokorrari buruzko xehetasunak ematen dituzte. Adierazle horien jarraipena eginez, garatzaileek eta diseinatzaileek hobetu beharreko arloak identifikatu ditzakete eta AIko agenteek segurtasunez eta eraginkortasunez funtzionatzen dutela ziurtatu. 1. Esku-hartze tasa Eragile autonomoentzat, arrakasta isiltasunaren arabera neurtzen dugu. Agente batek zeregin bat exekutatzen badu eta erabiltzaileak ez badu ekintzarik esku hartzen edo atzera egiten ez badu ezarritako leiho batean (adibidez, 24 ordu), hori onarpen gisa hartzen dugu. Esku-hartze tasaren jarraipena egiten dugu: zenbat aldiz egiten du salto gizaki batek agentea gelditzeko edo zuzentzeko? Esku-hartze tasa altu batek konfiantzaren edo logikaren desegokitasuna adierazten du. 2. Nahi gabeko ekintzen maiztasuna 1.000 zeregin bakoitzeko. Metriko kritiko honek erabiltzaileak nahi edo espero ez zituen AI agenteak egindako ekintza kopurua zenbatzen du, amaitutako 1.000 zeregin bakoitzeko normalizatuta. Nahi gabeko ekintzen maiztasun baxuak erabiltzailearen asmoa zehatz-mehatz interpretatzen duen eta zehaztutako mugen barruan funtzionatzen duen ongi lerrokatuta dagoen IA adierazten du. Neurri hau estuki lotuta dago AIk testuinguruaren ulermenarekin, komandoak desanbiguatzeko duen gaitasunarekin eta segurtasun-protokoloen sendotasunarekin. 3. Atzera edo desegin tasak Neurri honek erabiltzaileek AI-ak egindako ekintza bat atzera bota edo desegin behar duten maiztasuna kontrolatzen du. Atzerapen-tasa altuak iradokitzen du AIak maiz akatsak egiten dituela, argibideak gaizki interpretatzen dituela edo erabiltzaileen itxaropenekin bat ez datozen moduetan ari dela jokatzen. Atzerapen hauen atzean dauden arrazoiak aztertzeak AIren algoritmoak hobetzeko, erabiltzaileen hobespenak ulertzeko eta emaitza desiragarriak aurreikusteko duen gaitasuna hobetzeko iritzi baliotsua eman dezake. Zergatik ulertzeko, desegin ekintzaren mikroinkesta bat ezarri behar duzu. Adibidez, erabiltzaile batek programazio aldaketa bat atzera botatzen duenean, galdeketa sinple batek hauxe galdetu dezake: "Okerra? Pertsona okerra? Edo zuk zeuk egin nahi zenuen?" Erabiltzaileari bere arrazoibideari ondoen egokitzen zaion aukeran klik egiteko aukera ematea. 4. Errore baten ondoren ebazteko denbora metrika hauerabiltzaile batek AIak egindako akats bat zuzentzeko edo AI sistemak berak egoera oker batetik berreskuratzeko behar duen iraupena neurtzen du. Ebazteko denbora laburrak erroreak berreskuratzeko prozesu eraginkorra eta erabilerraza dela adierazten du, eta horrek erabiltzaileen frustrazioa arin dezake eta produktibitatea mantendu dezake. Horrek errorea identifikatzeko erraztasuna, desegin edo zuzentzeko mekanismoen irisgarritasuna eta AIak emandako errore-mezuen argitasuna barne hartzen ditu.
Neurri hauek biltzeko, zure sistema tresnatu behar da Agenteen Ekintzen IDen jarraipena egiteko. Agenteak egiten dituen ekintza bakoitzak, hala nola, ordutegia proposatzea edo hegaldi bat erreserbatzea, erregistroetan mantentzen den ID esklusibo bat sortu behar du. Esku-hartze tasa neurtzeko, ez dugu erabiltzailearen berehalako erreakziorik bilatzen. Definitutako leiho baten barruan kontra-ekintzarik ez egotea bilatzen dugu. Ekintza-ID bat 09:00etan sortzen bada eta giza erabiltzailerik ez badu aldatzen edo itzultzen ID zehatz hori hurrengo eguneko 9:00etarako, sistemak logikoki etiketatzen du Onartuta gisa. Honek arrakasta kuantifikatzeko aukera ematen digu erabiltzaileen isiltasunean oinarrituta, baieztapen aktiboan baino. Atzeratze tasetarako, zenbaketa gordinak ez dira nahikoak testuingururik ez dutelako. Azpiko arrazoia atzemateko, atzemate-logika ezarri behar duzu zure aplikazioaren Desegin edo Berrezarri funtzioetan. Erabiltzaile batek agenteak hasitako ekintza bat atzera botatzen duenean, abiarazi mikroinkesta arin bat. Hau hiru aukerako modal soil bat izan daiteke, erabiltzaileari errorea egiazko okerra, testuingururik gabekoa edo ataza eskuz kudeatzeko hobespen sinple gisa sailkatzeko eskatuz. Honek telemetria kuantitatiboa eta ikuspegi kualitatiboa konbinatzen ditu. Ingeniaritza-taldeei hautsitako algoritmo bat eta erabiltzailearen hobespenen bat ez datozenak bereizteko aukera ematen die. Neurri hauek, koherentziaz jarraituz gero eta modu holistiko batean aztertzen direnean, AI sistema eragileen errendimendua ebaluatzeko esparru sendoa eskaintzen dute, kontrola, adostasuna eta erantzukizuna etengabe hobetzea ahalbidetuz. Engainuaren Aurkako Diseinua Agenteak gero eta gaitasun handiagoak direnez, arrisku berri bati aurre egiten diogu: Lohi Agentikoak. Lohi tradizionalak harpidetza bertan behera uztea edo kontu bat ezabatzea zaila egiten duen marruskadura sortzen du. Lohi agenteak alderantziz jokatzen du. Matxura baten marruskadura kentzen du, erabiltzaileari errazegi egiten zaio negozioari mesede egiten dion ekintza bat onartzea bere interesei baino. Demagun bidaia-erreserban laguntzen duen agente bat. Baranda argirik gabe, sistemak bazkide-hegazkin-konpainia bati edo marjina handiagoko hotel bati lehentasuna eman diezaioke. Aukera hau bide optimo gisa aurkezten du. Erabiltzaileak, sistemaren agintean konfiantzaz, gomendioa onartzen du azterketarik gabe. Honek eredu engainagarria sortzen du, non sistemak diru-sarrerak optimizatzen dituen erosotasunaren itxurapean. Faltsuki Imajinatutako Gaitasunaren Arriskua Baliteke iruzurra ez asmo maltzur batetik sortu. Askotan AIan Irudikaturiko Gaitasun gisa agertzen da. Hizkuntz Eredu Handiek maiz okerrak izan arren autoritatezkoak dira. Erreserbaren berrespen faltsu bat edo laburpen okerra aurkezten dute egiaztatutako egitate baten konfiantza berarekin. Erabiltzaileak berez fida daitezke konfiantzazko tonu honekin. Bat ez datozenak sistemaren gaitasunen eta erabiltzaileen itxaropenen artean hutsune arriskutsua sortzen du. Hutsune hori gainditzeko bereziki diseinatu behar dugu. Agente batek zeregin bat betetzen ez badu, interfazeak hutsegite hori argi adierazi behar du. Sistema ziur ez badago, ziurgabetasuna adierazi behar du prosa leunduz estali beharrean. Gardentasuna Primitiboen bidez Lohiaren eta aluzinazioaren aurkako antidotoa jatorria da. Ekintza autonomo bakoitzak erabakiaren jatorria azaltzen duen metadatu etiketa zehatz bat behar du. Erabiltzaileek emaitzaren atzean dagoen kate logikoa ikuskatzeko gaitasuna behar dute. Hori lortzeko, primitiboak erantzun praktikoetara itzuli behar ditugu. Softwarearen ingeniaritzan, primitiboak agente batek egiten dituen informazio edo ekintzen oinarrizko unitateei esaten zaie. Ingeniariarentzat, honek API dei bat edo ate logiko bat dirudi. Erabiltzaileari, azalpen argi gisa agertu behar zaio. Diseinuaren erronka urrats tekniko hauek gizakiak irakur daitezkeen arrazoiekin mapatzean datza. Agente batek hegaldi zehatz bat gomendatzen badu, erabiltzaileak jakin behar du zergatik. Interfazea ezin da iradokizun generiko baten atzean ezkutatu. Azpiko primitiboa agerian utzi behar du: Logic: Cheapest_Direct_Flight edo Logika: Partner_Airline_Priority. 4. irudiak itzulpen-fluxu hori erakusten du. Sistema gordinaren primitiboa hartzen dugu - benetako kode logika - eta erabiltzaileari begira dagoen kate batera mapatzen dugu. Esate baterako, egutegiaren programazioa egiaztatzea bilera bat adierazpen argi bihurtzen da: 4 PM bat proposatu dut.bilera. Gardentasun maila honek agentearen ekintzak logikoak eta onuragarriak direla ziurtatzen du. Erabiltzaileak agenteak bere onerako jokatu zuela egiaztatzeko aukera ematen dio. Primitiboak agerian utziz, kutxa beltz bat kristalezko kutxa bihurtzen dugu, erabiltzaileek beren bizitza digitalean azken agintaria izaten jarraitzen dutela ziurtatuz.
Diseinurako eszenatokia ezartzea Sistema agente bat eraikitzeak ulermen psikologiko eta jokabide maila berri bat eskatzen du. Erabilgarritasun-proba konbentzionaletatik haratago eta konfiantzaren, adostasunaren eta erantzukizunaren esparrura egitera behartzen gaitu. Aztertu ditugun ikerketa-metodoek, eredu mentalak aztertzen hasi eta portaera okerrak simulatzera eta metrika berriak ezartzera, beharrezko oinarria eskaintzen dute. Praktika hauek ezinbesteko tresnak dira sistema autonomo batek non huts egin dezakeen modu proaktiboan identifikatzeko eta, are garrantzitsuagoa dena, erabiltzaile-agente harremana nola konpondu egiten duenean. AI agentikoaren aldaketa erabiltzaile-sistema harremanaren birdefinizioa da. Jada ez dugu aginduei erantzuten dieten tresnak diseinatzen; gure izenean jarduten duten bazkideentzat diseinatzen ari gara. Honek diseinuaren ezinbestekoa eraginkortasunetik eta erabiltzeko erraztasunetik gardentasunera, aurreikusgarritasunera eta kontrolera aldatzen du. AI batek hegaldi bat erreserbatu edo akzio bat negoziatu dezakeenean azken klik egin gabe, bere "arrapalen" eta "kanpoen" diseinua funtsezkoa bihurtzen da. Gure ardura da erabiltzaileak gidariaren eserlekuan daudela ziurtatzea, nahiz eta gurpila lagatzen dutenean. Errealitate berri honek UX ikertzailearen papera ere goratzen du. Erabiltzaileen konfiantzaren zaindari bihurtzen gara, ingeniariekin eta produktu-kudeatzaileekin elkarlanean aritzen gara agente baten autonomiaren babesak definitzeko eta probatzeko. Ikertzaileak izatetik haratago, garapen prozesuaren barruan erabiltzaileen kontrolaren, gardentasunaren eta babes etikoen defendatzaile bihurtzen gara. Primitiboak galdera praktikoetara itzuliz eta kasurik txarrenak simulatuz, indartsuak eta seguruak diren sistema sendoak eraiki ditzakegu. Artikulu honek AI agentikoa ikertzearen "zer" eta "zergatik" zehaztu ditu. Gure tresna tradizionalak nahikoak ez direla eta aurrera begirako metodologia berriak hartu behar ditugula erakutsi du. Hurrengo artikulua oinarri honetan oinarrituko da, agente baten erabilgarritasuna erabiltzaileentzat gardena bihurtzen duten diseinu eredu eta antolakuntza-jardun espezifikoak eskainiz, AI agentikoaren boterea konfiantzaz eta kontrolarekin aprobetxa dezaketela ziurtatuz. UXren etorkizuna sistemak fidagarriak izatea da. AI agentikoaren ulermen gehiago lortzeko, baliabide hauek araka ditzakezu:
Google AI bloga Agentic AI-ri buruz Microsoft-ek AI Agenteei buruzko ikerketa
