Deseñar para axentes autónomos presenta unha frustración única. Entregámoslle unha tarefa complexa a unha IA, desaparece durante 30 segundos (ou 30 minutos) e despois volve cun resultado. Miramos para a pantalla. Funcionou? Alucinaba? Verificou a base de datos de conformidade ou omitiu ese paso? Normalmente respondemos a esta ansiedade cun dos dous extremos. Mantemos o sistema nunha caixa negra, ocultándoo todo para manter a sinxeleza, ou entramos en pánico e proporcionamos un volcado de datos, transmitindo cada liña de rexistro e chamada de API ao usuario. Ningún dos dous enfoques aborda directamente o matiz necesario para ofrecer aos usuarios o nivel ideal de transparencia. A caixa negra deixa aos usuarios sentirse impotentes. O volcado de datos crea cegueira de notificación, destruíndo a eficiencia que o axente prometeu proporcionar. Os usuarios ignoran o fluxo constante de información ata que algo se rompe, momento no que carecen do contexto para solucionalo. Necesitamos un xeito organizado para atopar o equilibrio. No meu artigo anterior, "Deseño para a IA axente", analizamos os elementos da interface que xeran confianza, como mostrar a acción prevista da IA de antemán (Intent Previews) e dar aos usuarios control sobre canto fai a IA por si mesma (Autonomy Dials). Pero saber que elementos usar é só parte do reto. A pregunta máis difícil para os deseñadores é saber cando usalos. Como sabes que momento específico nun fluxo de traballo de 30 segundos require unha vista previa de intención e cal se pode xestionar cunha simple entrada de rexistro? Este artigo ofrece un método para responder a esta pregunta. Percorreremos a auditoría do nodo de decisión. Este proceso pon aos deseñadores e enxeñeiros na mesma sala para mapear a lóxica do backend na interface de usuario. Aprenderás a identificar os momentos exactos nos que un usuario necesita unha actualización sobre o que está a facer a IA. Tamén cubriremos unha matriz de Impacto/Risco que axudará a priorizar os nodos de decisión que se mostrarán e calquera patrón de deseño asociado a vincular con esa decisión. Momentos de transparencia: un exemplo de estudo de caso Considere Meridian (non o nome real), unha compañía de seguros que usa unha IA axente para procesar as reclamacións iniciais de accidentes. O usuario carga fotos dos danos no vehículo e do informe policial. A continuación, o axente desaparece durante un minuto antes de regresar cunha avaliación de risco e un intervalo de pagamento proposto. Inicialmente, a interface de Meridian simplemente mostraba Calculando o estado da reclamación. Os usuarios frustraron. Presentaron varios documentos detallados e non estaban seguros de se a AI revisara o informe policial, que contiña circunstancias atenuantes. A Caixa Negra creou desconfianza. Para solucionar isto, o equipo de deseño realizou unha auditoría do nodo de decisión. Descubriron que a IA realizou tres pasos distintos, baseados na probabilidade, con numerosos pasos máis pequenos incorporados:
Análise de imaxes O axente comparou as fotos de danos cunha base de datos de escenarios típicos de accidentes de coche para estimar o custo da reparación. Isto implicaba unha puntuación de confianza. Revisión textual. Analizou o informe policial en busca de palabras clave que afectan á responsabilidade (por exemplo, culpa, condicións meteorolóxicas, sobriedade). Isto implicou unha avaliación da probabilidade da condición legal. Referencia cruzada de políticas. Coincidiu os detalles da reclamación cos termos específicos da política do usuario, buscando excepcións ou límites de cobertura. Isto tamén implicou a correspondencia probabilística.
O equipo converteu estes pasos en momentos de transparencia. A secuencia da interface actualizouse a:
Avaliación de fotos de danos: comparando con 500 perfís de impacto de vehículos. Revisión do informe policial: análise de palabras clave de responsabilidade e precedente legal. Verificación da cobertura da póliza: comprobación de exclusións específicas do seu plan.
O sistema aínda levou a mesma cantidade de tempo, pero a comunicación explícita sobre o funcionamento interno do axente restableceu a confianza dos usuarios. Os usuarios entenderon que a IA estaba a realizar a complexa tarefa para a que estaba deseñada e sabían exactamente onde centrar a súa atención se a avaliación final parecía inexacta. Esta elección de deseño transformou un momento de ansiedade nun momento de conexión co usuario. Aplicando a matriz de impacto/risco: o que escollemos ocultar A maioría das experiencias de IA non teñen escaseza de eventos e nodos de decisión que poderían mostrarse durante o procesamento. Un dos resultados máis críticos da auditoría foi decidir que manter invisible. No exemplo de Meridian, os rexistros de backend xeraron máis de 50 eventos por reclamación. Poderíamos ter por defecto mostrar cada evento a medida que se procesaban como parte da IU. Pola contra, aplicamos a matriz de risco para podalos:
Evento de rexistro: servidor de pingWest-2 para verificación de redundancia. Veredicto de filtro: Ocultar. (Baixa aposta, alta tecnica).
Evento de rexistro: comparando a estimación de reparación co valor de BlueBook. Veredicto do filtro: Mostrar. (Alta aposta, afecta o pago do usuario).
Ao eliminar os detalles innecesarios, a información importante, como a verificación da cobertura, tivo máis impacto. Creamos unha interface aberta e deseñamos unha experiencia aberta. Este enfoque utiliza a idea de que a xente se sente mellor cun servizo cando poden ver o traballo que se está a facer. Ao mostrar os pasos específicos (avaliar, revisar, verificar), cambiamos unha espera de 30 segundos dun momento de preocupación ("¿Está roto?") a un momento de sentir que se está creando algo valioso ("Está pensando"). Vexamos agora como podemos revisar o proceso de toma de decisións nos nosos produtos para identificar os momentos clave que requiren información clara. Auditoría do nó de decisión A transparencia falla cando a tratamos como unha opción de estilo máis que como un requisito funcional. Tendemos a preguntarnos: "Como debería ser a IU?" antes de preguntarnos: "Que está decidindo realmente o axente?" A auditoría do nodo de decisión é unha forma sinxela de facilitar a comprensión dos sistemas de IA. Funciona mapeando coidadosamente o proceso interno do sistema. O obxectivo principal é atopar e definir claramente os momentos exactos nos que o sistema deixa de seguir as regras establecidas e, no seu lugar, fai unha elección baseada no azar ou na estimación. Ao mapear esta estrutura, os creadores poden mostrar estes puntos de incerteza directamente ás persoas que usan o sistema. Isto cambia as actualizacións do sistema de ser declaracións vagas a informes específicos e fiables sobre como a IA chegou á súa conclusión. Ademais do estudo de caso de seguro anterior, traballei recentemente cun equipo de creación dun axente de contratación. O sistema revisou os contratos dos provedores e sinalou os riscos. Orixinalmente, a pantalla mostraba unha barra de progreso sinxela: "Revisando contratos". Os usuarios odiárono. A nosa investigación indicou que se sentían ansiosos polas implicacións legais dunha cláusula faltante. Resolvemos isto realizando unha auditoría do nó de decisión. Incluín unha lista de verificación paso a paso para realizar esta auditoría ao final deste artigo. Realizamos unha sesión cos enxeñeiros e explicamos como funciona o sistema. Identificamos "Puntos de decisión", momentos nos que a IA tivo que escoller entre dúas boas opcións. Nos programas informáticos estándar, o proceso é claro: se ocorre A, sempre sucederá B. Nos sistemas de IA, o proceso adoita basearse no azar. A IA pensa que A é probablemente a mellor opción, pero só pode estar seguro nun 65%. No sistema de contratos, atopamos un momento no que a IA comprobou as condicións de responsabilidade contra as regras da nosa empresa. Raramente foi un partido perfecto. A IA tivo que decidir se unha coincidencia do 90% era suficientemente boa. Este foi un punto de decisión clave.
Unha vez identificado este nodo, expoñémolo ao usuario. En lugar de "Revisar contratos", a interface actualizouse para dicir: "A cláusula de responsabilidade varía do modelo estándar. Analizando o nivel de risco". Esta actualización específica deu confianza aos usuarios. Sabían que o axente comprobou a cláusula de responsabilidade. Eles entenderon o motivo do atraso e gañaron a confianza de que a acción desexada estaba a ocorrer na parte traseira. Tamén sabían onde afondar unha vez que o axente xerou o contrato. Para comprobar como toma as decisións a IA, debes traballar en estreita colaboración cos teus enxeñeiros, xestores de produtos, analistas comerciais e persoas clave que están a tomar as opcións (a miúdo ocultas) que afectan o funcionamento da ferramenta de IA. Debuxa os pasos que fai a ferramenta. Marque cada punto onde o proceso cambie de dirección porque se cumpre unha probabilidade. Estes son os lugares nos que debes centrarte en ser máis transparente. Como se mostra na Figura 2 a continuación, a auditoría do nodo de decisión implica estes pasos:
Reúne o equipo: reúne aos propietarios de produtos, analistas empresariais, deseñadores, responsables clave de toma de decisións e enxeñeiros que crearon a IA. Por exemplo, Pensa nun equipo de produto que crea unha ferramenta de IA deseñada para revisar contratos legais desordenados. O equipo inclúe o deseñador de UX, o xestor de produto, o investigador de UX, un avogado en exercicio que actúa como experto na materia e o enxeñeiro de backend que escribiu o código de análise de texto.
Debuxa todo o proceso: documenta cada paso que fai a IA, desde a primeira acción do usuario ata o resultado final. O equipo está ante unha pizarra e esboza toda a secuencia para un fluxo de traballo clave que implica a IA buscando unha cláusula de responsabilidade nun contrato complexo. O avogado cargaun PDF de cincuenta páxinas → O sistema converte o documento en texto lexible. → A IA explora as páxinas en busca de cláusulas de responsabilidade. → O usuario agarda. → Momentos ou minutos despois, a ferramenta destaca os parágrafos atopados en amarelo na interface de usuario. Eles fan isto para moitos outros fluxos de traballo que a ferramenta acomoda tamén.
Busca onde non están claras as cousas: mira o mapa do proceso para calquera lugar onde a IA compare opcións ou entradas que non teñan unha coincidencia perfecta. O equipo mira a pizarra para detectar os pasos ambiguos. Converter unha imaxe en texto segue regras estritas. Atopar unha cláusula de responsabilidade específica implica conxecturas. Cada empresa escribe estas cláusulas de forma diferente, polo que a IA ten que sopesar varias opcións e facer unha predición en lugar de atopar unha coincidencia de palabras exacta.
Identifique os pasos da "mellor suposición": para cada punto pouco claro, comprobe se o sistema utiliza unha puntuación de confianza (por exemplo, é o 85 % seguro?). Estes son os puntos nos que a IA fai a elección final. O sistema ten que adiviñar (dar unha probabilidade) que parágrafo(s) se parecen moito a unha cláusula de responsabilidade estándar. Atribúe unha puntuación de confianza á súa mellor estimación. Esa suposición é un nó de decisión. A interface debe dicirlle ao avogado que está a destacar unha posible coincidencia, en lugar de indicar que atopou a cláusula definitiva.
Examine a elección: para cada punto de elección, descubra as matemáticas internas específicas ou a comparación que se está a facer (por exemplo, relacionar unha parte dun contrato cunha póliza ou comparar unha imaxe dun coche avariado cunha biblioteca de fotos de coches danadas). O enxeñeiro explica que o sistema compara os distintos parágrafos cunha base de datos de cláusulas de responsabilidade estándar de casos anteriores de empresas. Calcula unha puntuación de semellanza de texto para decidir unha coincidencia en función das probabilidades.
Escribe explicacións claras: crea mensaxes para o usuario que describan claramente a acción interna específica que ocorre cando a IA elixe. O deseñador de contido escribe unha mensaxe específica para este momento exacto. O texto di: Comparando o texto do documento coas cláusulas firmes estándar para identificar os posibles riscos de responsabilidade.
Actualiza a pantalla: pon estas explicacións novas e claras na interface de usuario, substituíndo mensaxes vagas como "Revisando contratos". O equipo de deseño elimina o xiro de carga xenérico Procesando PDF. Insire a nova explicación nunha barra de estado situada xusto enriba do visor de documentos mentres a IA pensa.
Comproba a confianza: asegúrate de que as novas mensaxes da pantalla dan aos usuarios unha razón sinxela para calquera tempo de espera ou resultado, o que debería facerlles sentir máis seguros e confiados.
A Matriz Impacto/Risco Unha vez que mire atentamente o proceso da IA, é probable que atope moitos puntos nos que elixe. Unha IA pode facer ducias de pequenas opcións para unha única tarefa complexa. Mostralos todos crea demasiada información innecesaria. Debes agrupar estas opcións. Podes usar unha Matriz de Impacto/Risco para ordenar estas opcións en función dos tipos de accións que estea a realizar a IA. Estes son exemplos de matrices de impacto/risco: En primeiro lugar, busque decisións de baixo impacto e de baixo impacto. Baixa aposta / Baixo impacto
Exemplo: organizar unha estrutura de ficheiros ou renomear un documento. Necesidade de transparencia: mínima. Unha notificación de brinde sutil ou unha entrada de rexistro é suficiente. Os usuarios poden desfacer estas accións facilmente.
Despois identifica as decisións de alto impacto e de alto risco. Altas apostas / Alto impacto
Exemplo: rexeitar unha solicitude de préstamo ou realizar unha negociación de accións. Necesidade de transparencia: alta. Estas accións requiren unha proba de traballo. O sistema debe demostrar a razón antes ou inmediatamente mentres actúa.
Considere un bot de negociación financeira que trate todas as ordes de compra/venda do mesmo xeito. Realiza un intercambio de 5 dólares coa mesma opacidade que un intercambio de 50.000 dólares. Os usuarios poden cuestionar se a ferramenta recoñece o impacto potencial da transparencia na negociación dunha gran cantidade de dólares. Necesitan que o sistema se deteña e mostre o seu traballo para as operacións de alta aposta. A solución é introducir un estado de revisión da lóxica para calquera transacción que exceda un importe específico en dólares, permitindo ao usuario ver os factores que impulsan a decisión antes da execución. Asignación de nodos a patróns: unha rúbrica de selección de patróns de deseño Unha vez que teñas identificado os nodos de decisión clave da túa experiencia, debes decidir que padrón de IU se aplica a cada un que amosarás. En Designing For Agentic AI, introducimos patróns como o Intent Preview (para un control de alto risco) e a Action Audit (para a seguridade retrospectiva). O factor decisivo para escoller entre eles é a reversibilidade. Filtramos cadanodo de decisión a través da matriz de impacto para asignar o patrón correcto: Stakes altos e irreversibles: estes nodos requiren unha vista previa da intención. Dado que o usuario non pode desfacer facilmente a acción (por exemplo, eliminar permanentemente unha base de datos), o momento de transparencia debe ocorrer antes da execución. O sistema debe facer unha pausa, explicar a súa intención e esixir confirmación. High Stakes & Reversible: estes nodos poden confiar no patrón Action Audit & Desdo. Se o axente de vendas alimentado por intelixencia artificial move un cliente potencial a unha canalización diferente, pode facelo de forma autónoma sempre que o notifique ao usuario e ofreza un botón Desfacer inmediato. Ao categorizar estrictamente os nós deste xeito, evitamos a "fatiga de alerta". Reservamos a vista previa de intención de alta fricción só para os momentos verdadeiramente irreversibles, mentres confiamos na Auditoría de acción para manter a velocidade para todo o demais.
Reversible Irreversible Baixo Impacto Tipo: Auto-ExecuteUI: Toast pasivo / LogEx: Cambiar o nome dun ficheiro Tipo: ConfirmUI: Opción Desfacer simpleEx: Arquivar un correo electrónico Alto Impacto Tipo: ReviewUI: Notificación + Revisión TrailEx: Envío dun borrador a un cliente Tipo: Vista previa da intenciónUI: Permiso modal / explícitoEx: Eliminación dun servidor
Táboa 1: a matriz de impacto e reversibilidade pódese usar para mapear os teus momentos de transparencia aos patróns de deseño. Validación cualitativa: "A espera, por que?" Proba Podes identificar nodos potenciais nun encerado, pero debes validalos co comportamento humano. Debes verificar se o teu mapa coincide co modelo mental do usuario. Eu uso un protocolo chamado "Espera, por que?" Proba. Pídalle a un usuario que vexa como o axente completa unha tarefa. Pídalles que falen en voz alta. Sempre que fan unha pregunta: "Espera, por que fixo iso?" ou "Está atascado?" ou "Escoitoume?" - marcas unha marca de tempo. Estas preguntas indican a confusión do usuario. O usuario sente que se lle escapa o control. Por exemplo, nun estudo para un asistente de programación sanitaria, os usuarios viron como o axente reservaba unha cita. A pantalla quedou estática durante catro segundos. Os participantes preguntaron constantemente: "Está comprobando o meu calendario ou o do médico?"
Esa pregunta revelou un momento de transparencia que faltaba. O sistema necesitaba dividir esa espera de catro segundos en dous pasos distintos: "Comprobar a súa dispoñibilidade" seguido de "Sincronizar coa programación do provedor". Este pequeno cambio reduciu os niveis de ansiedade expresados polos usuarios. A transparencia falla cando só describe unha acción do sistema. A interface debe conectar o proceso técnico co obxectivo específico do usuario. Unha pantalla que mostra "Comprobando a túa dispoñibilidade" falla porque carece de contexto. O usuario entende que a IA está mirando un calendario, pero non sabe por que. Debemos emparellar a acción co resultado. O sistema debe dividir esa espera de catro segundos en dous pasos distintos. En primeiro lugar, a interface mostra "Comprobando o teu calendario para atopar horarios abertos". Despois actualízase a "Sincronización coa programación do provedor para garantir a súa cita". Isto fundamenta o proceso técnico na vida real do usuario. Considere unha IA para xestionar o inventario dunha cafetería local. O sistema atopa unha escaseza de subministración. Unha interface que indica "contactar co vendedor" ou "opcións de revisión" crea ansiedade. O xestor pregúntase se o sistema está a cancelar o pedido ou a mercar unha alternativa cara. Un mellor enfoque é explicar o resultado desexado: "Avaliar provedores alternativos para manter o horario de entrega dos venres". Isto indica ao usuario exactamente o que a IA está intentando conseguir. Operacionalización da Auditoría Completaches a auditoría do nodo de decisión e filtraches a túa lista a través da Matriz de impacto e risco. Agora tes unha lista de momentos imprescindibles para ser transparente. A continuación, debes crealos na IU. Este paso require traballo en equipo en diferentes departamentos. Non podes deseñar a transparencia por ti mesmo usando unha ferramenta de deseño. Debes entender como funciona o sistema entre bastidores. Comeza cunha revisión lóxica. Reúnete co teu deseñador principal do sistema. Trae o teu mapa de nós de decisión. Debes confirmar que o sistema pode compartir estes estados. Moitas veces atopo que o sistema técnico non revela o estado exacto que quero mostrar. O enxeñeiro pode dicir que o sistema só devolve un estado xeral de "funcionamento". Debes presionar para obter unha actualización detallada. Necesitas que o sistema envíe un aviso específicocando pasa de ler texto a verificar regras. Sen esa conexión técnica, o seu deseño é imposible de construír. A continuación, implica ao equipo de deseño de contidos. Tes a razón técnica da acción da IA, pero necesitas unha explicación clara e amigable para as persoas. Os enxeñeiros proporcionan o proceso subxacente, pero os deseñadores de contido proporcionan a forma en que se comunica. Non escribas estas mensaxes só. Un desenvolvedor pode escribir "Executar a función 402", que é tecnicamente correcta pero carece de sentido para o usuario. Un deseñador pode escribir "Pensando", que é amigable pero demasiado vago. Un estratega de contidos atopa o punto medio correcto. Crean frases específicas, como "Buscando riscos de responsabilidade", que mostran que a IA funciona sen confundir ao usuario. Finalmente, proba a transparencia das túas mensaxes. Non espere ata que se constrúa o produto final para ver se o texto funciona. Realizo probas de comparación en prototipos sinxelos onde o único que cambia é a mensaxe de estado. Por exemplo, mostro a un grupo (Grupo A) unha mensaxe que di "Verificando a identidade" e a outro grupo (Grupo B) unha mensaxe que di "Comprobando bases de datos do goberno" (estes son exemplos inventados, pero entendes o punto). Entón pregúntolles que IA se sente máis segura. Moitas veces descubrirás que certas palabras causan preocupación, mentres que outras xeran confianza. Debes tratar a redacción como algo que debes probar e demostrar ser efectivo. Como isto cambia o proceso de deseño A realización destas auditorías ten o potencial de reforzar a forma en que un equipo traballa en conxunto. Deixamos de entregar ficheiros de deseño pulido. Comezamos a usar prototipos desordenados e follas de cálculo compartidas. A ferramenta principal convértese nunha matriz de transparencia. Os enxeñeiros e os deseñadores de contido editan esta folla de cálculo xuntos. Mapean os códigos técnicos exactos coas palabras que lerá o usuario. Os equipos experimentarán friccións durante a revisión da lóxica. Imaxina un deseñador que lle pregunta ao enxeñeiro como decide a IA rexeitar unha transacción presentada nun informe de gastos. O enxeñeiro pode dicir que o backend só emite un código de estado xenérico como "Erro: faltan datos". O deseñador afirma que esta non é información accionable na pantalla. O deseñador negocia co enxeñeiro para crear un gancho técnico específico. O enxeñeiro escribe unha nova regra para que o sistema informe exactamente do que falta, como unha imaxe de recibo que falta. Os deseñadores de contidos actúan como tradutores durante esta fase. Un desenvolvedor pode escribir unha cadea tecnicamente precisa como "Calculo do limiar de confianza para a correspondencia de provedores". Un deseñador de contido traduce esa cadea nunha frase que xera confianza para un resultado específico. O estratega reescribío como "Comparando os prezos dos provedores locais para garantir a entrega do venres". O usuario entende a acción e o resultado. Todo o equipo multifuncional participa nas sesións de proba de usuarios. Ven como unha persoa real reacciona ante diferentes mensaxes de estado. Ver un usuario entrar en pánico porque a pantalla di "Executar comercio" obriga ao equipo a repensar o seu enfoque. Os enxeñeiros e deseñadores aliñan unha mellor redacción. Cambian o texto a "Verificando fondos suficientes" antes de comprar accións. As probas en conxunto garanten que a interface final serve tanto para a lóxica do sistema como para a tranquilidade do usuario. Require tempo para incorporar estas actividades adicionais ao calendario do equipo. Non obstante, o resultado final debería ser un equipo que se comunique de forma máis aberta e usuarios que teñan unha mellor comprensión do que están facendo as súas ferramentas impulsadas por IA no seu nome (e por que). Este enfoque integrado é unha pedra angular para deseñar experiencias de IA verdadeiramente fiables. A confianza é unha opción de deseño Moitas veces vemos a confianza como un subproduto emocional dunha boa experiencia de usuario. É máis fácil ver a confianza como un resultado mecánico dunha comunicación previsible. Creamos confianza mostrando a información correcta no momento adecuado. Destrúímolo desbordando ao usuario ou ocultando a maquinaria por completo. Comeza coa auditoría do nodo de decisión, especialmente para ferramentas e produtos de IA axente. Busca os momentos nos que o sistema fai un xuízo. Mapea eses momentos na Matriz de Risco. Se a aposta é alta, abra a caixa. Mostra o traballo. No seguinte artigo, veremos como deseñar estes momentos: como escribir a copia, estruturar a IU e xestionar os erros inevitables cando o axente se equivoca. Apéndice: Lista de verificación da auditoría do nó de decisión Fase 1: Configuración e Mapeo ✅ Reúne o equipo: trae aos propietarios de produtos, analistas de negocios, deseñadores,os principais tomadores de decisións e os enxeñeiros que construíron a IA. Consello: Necesitas que os enxeñeiros expliquen a lóxica do backend real. Non intentes este paso só. ✅ Debuxa todo o proceso: documenta cada paso que fai a IA, desde a primeira acción do usuario ata o resultado final. Consello: unha sesión de encerado físico a miúdo funciona mellor para debuxar estes pasos iniciais. Fase 2: Localización da lóxica oculta ✅ Busca onde as cousas non están claras: mira o mapa do proceso de calquera lugar onde a IA compare opcións ou entradas que non teñan unha coincidencia perfecta. ✅ Identifique os mellores pasos para adiviñar: para cada punto pouco claro, comprobe se o sistema utiliza unha puntuación de confianza. Por exemplo, pregunta se o sistema está seguro ao 85 por cento. Estes son os puntos nos que a IA fai a elección final. ✅ Examine a elección: para cada punto de elección, descubra as matemáticas internas específicas ou a comparación que se está a facer. Un exemplo é facer coincidir unha parte dun contrato cunha póliza. Outro exemplo consiste en comparar unha imaxe dun coche avariado cunha biblioteca de fotos de coches danados. Fase 3: Creación da experiencia de usuario ✅ Escribe explicacións claras: crea mensaxes para o usuario que describan claramente a acción interna específica que ocorre cando a IA elixe. Consello: fundamenta as túas mensaxes na realidade concreta. Se unha IA reserva unha reunión cun cliente nunha cafetería local, dille ao usuario que o sistema está comprobando o sistema de reserva de cafeterías. ✅ Actualiza a pantalla: pon estas novas e claras explicacións na interface de usuario. Substitúe mensaxes vagas como Revisar contratos coas túas explicacións específicas. ✅ Comproba a confianza: asegúrate de que as novas mensaxes da pantalla dan aos usuarios unha razón sinxela para calquera tempo de espera ou resultado. Isto debería facerlles sentirse seguros e confiados. Consello: proba estas mensaxes con usuarios reais para verificar que entenden o resultado específico que se está a conseguir.
