ההנהלה הבכירה שלך מתלהבת מבינה מלאכותית. הם קראו את המאמרים, השתתפו בסמינרים המקוונים וראו את ההדגמות. הם משוכנעים שבינה מלאכותית תשנה את הארגון שלך, תגביר את הפרודוקטיביות ותיתן לך יתרון תחרותי. בינתיים, אתה יושב בתפקיד UX שלך ותוהה מה זה אומר עבור הצוות שלך, זרימת העבודה שלך והמשתמשים שלך. אתה יכול אפילו להיות מודאג לגבי הביטחון התעסוקתי שלך. הבעיה היא שהשיחה על איך מיושמת בינה מלאכותית מתרחשת עכשיו, ואם אתה לא חלק ממנה, מישהו אחר יחליט איך זה משפיע על העבודה שלך. שמישהו כנראה לא מבין את חווית המשתמש, שיטות המחקר או הדרכים העדינות שבהן יישום לקוי יכול לפגוע בתוצאות שההנהלה מקווה להשיג. יש לך בחירה. אתה יכול לחכות להנחיות שירדו מלמעלה, או שאתה יכול להשתלט על השיחה ולהוביל את אסטרטגיית ה-AI לתרגול שלך. מדוע אנשי UX חייבים להיות הבעלים של שיחת הבינה המלאכותית ההנהלה רואה בבינה מלאכותית רווחי יעילות, חיסכון בעלויות, יתרון תחרותי וחדשנות, הכל עטוף בחבילה אחת ידידותית למילות באזז. הם לא טועים להתרגש. הטכנולוגיה באמת מרשימה ויכולה לספק ערך אמיתי. אבל ללא קלט UX, יישומי AI לעתים קרובות מכשילים את המשתמשים בדרכים צפויות:
הם הופכים משימות לאוטומטיות מבלי להבין את קריאות השיפוט שהמשימות הללו דורשות. הם מייעלים למהירות תוך הרס האיכות שהפכה את העבודה שלך לבעלת ערך.
המומחיות שלך ממצבת אותך בצורה מושלמת להנחות את היישום. אתה מבין משתמשים, תהליכי עבודה, תקני איכות והפער בין מה שנראה מרשים בהדגמה לבין מה שעובד בפועל. השתמש במומנטום AI כדי לקדם את סדרי העדיפויות שלך ההתלהבות של ההנהלה מ-AI יוצרת הזדמנות לקדם סדרי עדיפויות שנלחמת עליהם ללא הצלחה. כאשר ההנהלה מוכנה להשקיע בבינה מלאכותית, אתה יכול לחבר את הצרכים ארוכי השנים הללו ליוזמת הבינה המלאכותית. הצב את מחקר המשתמשים כחיוני לאימון מערכות בינה מלאכותית על צרכי המשתמש האמיתיים. בדיקת שימושיות במסגרות כשיטת האימות המבטיחה שפתרונות שנוצרו בינה מלאכותית אכן פועלים. אופן יישום הבינה המלאכותית יעצב את תפקידי הצוות שלך, את חוויות המשתמשים שלך ואת היכולת של הארגון שלך לספק מוצרים דיגיטליים איכותיים. התפקיד שלך לא נעלם (זה מתפתח) כן, AI יהפוך חלק מהמשימות שאתה עושה כעת לאוטומטי. אבל מישהו צריך להחליט אילו משימות הופכות לאוטומטיות, איך הן הופכות לאוטומטיות, אילו מעקות בטיחות להציב, ואיך תהליכים אוטומטיים משתלבים סביב בני אדם אמיתיים שעושים עבודה מורכבת. שמישהו צריך להיות אתה. תחשוב על מה שאתה כבר עושה. כשאתה עורך מחקר משתמשים, AI עשוי לעזור לך לתמלל ראיונות או לזהות נושאים. אבל אתה זה שיודע איזה משתתף היסס לפני שענה, איזה משוב סותר את מה שראית בהתנהגות שלו, ואילו תובנות חשובות ביותר עבור המוצר והמשתמשים הספציפיים שלך. כאשר אתה מעצב ממשקים, AI עשוי ליצור וריאציות של פריסה או להציע רכיבים ממערכת העיצוב שלך. אבל אתה זה שמבין את האילוצים של הפלטפורמה הטכנית שלך, את המציאות הפוליטית של קבלת אישור עיצובים ואת מקרי הקצה שישברו פתרון חכם. הערך העתידי שלך מגיע מהעבודה שאתה כבר עושה:
לראות את התמונה המלאה. אתה מבין איך התכונה הזו מתחברת לזרימת העבודה הזו, במה פלח המשתמש הזה שונה מזה, ומדוע הפתרון הנכון מבחינה טכנית לא יעבוד במציאות של הארגון שלך. ביצוע קריאות שיפוט. אתה מחליט מתי לעקוב אחר מערכת העיצוב ומתי לשבור אותה, מתי משוב המשתמש משקף בעיה אמיתית לעומת בקשת תכונה ממשתמש קולני אחד, ומתי לדחות את בעלי העניין לעומת למצוא פשרה. חיבור הנקודות. אתה מתרגם בין אילוצים טכניים וצרכי משתמש, בין יעדים עסקיים ועקרונות עיצוב, בין מה שבעלי העניין מבקשים ומה יפתור בפועל את הבעיה שלהם.
בינה מלאכותית תמשיך להשתפר במשימות בודדות. אבל אתה האדם שמחליט איזה פתרון באמת עובד עבור ההקשר הספציפי שלך. האנשים שייאבקו הם אלה שעושים עבודה פשוטה שניתן לחזור עליה מבלי להבין מדוע. הערך שלך הוא בהבנת הקשר, ביצוע שיחות שיפוט וחיבור פתרונות לבעיות אמיתיות. שלב 1: הבן את מניעי הבינה המלאכותית של ההנהלה לפני שתוכל להוביל את השיחה, עליך להבין מה מניע אותה. ההנהלה מגיבה ללחצים אמיתיים: הפחתת עלויות, לחץ תחרותי,עליות פרודוקטיביות וציפיות הדירקטוריון. דברו בשפה שלהם. כשאתם מדברים עם ההנהלה על AI, מסגרת הכל במונחים של החזר ROI, הפחתת סיכונים ויתרון תחרותי. "גישה זו תגן על תקני האיכות שלנו" היא פחות משכנעת מ"גישה זו מפחיתה את הסיכון לפגיעה בשיעור ההמרה שלנו בזמן שאנו בודקים יכולות AI." הפרד את ההייפ מהמציאות. הקדש זמן כדי לחקור אילו יכולות AI קיימות בפועל לעומת מה זה הייפ. קרא תיאורי מקרה, נסה כלים בעצמך, ושוחח עם עמיתים על מה שעובד בפועל. זהה נקודות כאב אמיתיות. AI עשוי לטפל באופן לגיטימי בארגון שלך. אולי הצוות שלך משקיע שעות בעיצוב ממצאי מחקר, או שבדיקות נגישות יוצרות צווארי בקבוק. אלו הבעיות שכדאי לפתור. שלב 2: בדוק את המצב הנוכחי וההזדמנויות שלך מפה את עבודת הצוות שלך. לאן בעצם הולך הזמן? הסתכל על הרבעון האחרון וסווג כיצד הצוות שלך בילה את שעותיו. זהה משימות בנפח גבוה וניתן לחזור עליהן לעומת עבודה בעלת שיקול דעת גבוה. משימות הניתנות לחזרה הן מועמדות לאוטומציה. עבודה עם שיפוט גבוה היא המקום שבו אתה מוסיף ערך שאין לו תחליף. כמו כן, זהה מה רצית לעשות אך לא הצלחת לקבל אישור. זו רשימת ההזדמנויות שלך. אולי רצית בדיקות שמישות רבעוניות, אבל קבל תקציב רק מדי שנה. רשום את אלה בנפרד. בשלב הבא תחבר אותם לאסטרטגיית הבינה המלאכותית שלך. גלה הזדמנויות שבהן AI יכול לעזור באמת:
סינתזת מחקר: AI יכול לעזור לארגן ולסווג ממצאים. ניתוח נתוני התנהגות משתמשים: AI יכול לעבד ניתוחים והקלטות הפעלות כדי להציג דפוסים שאתה עלול לפספס. אב טיפוס מהיר: AI יכול ליצור במהירות אבות טיפוס הניתנים לבדיקה, ולהאיץ את מחזורי הבדיקה שלך.
שלב 3: הגדר עקרונות בינה מלאכותית עבור תרגול ה-UX שלך לפני שתתחיל לגבש את האסטרטגיה שלך, קבע עקרונות שינחו כל החלטה. הגדירו דברים שאינם ניתנים למשא ומתן. פרטיות המשתמש, נגישות ופיקוח אנושי על החלטות משמעותיות. רשום את אלה וקבל הסכמה מההנהגה לפני שאתה טייס משהו. הגדר קריטריונים לשימוש ב-AI.AI טוב בזיהוי תבניות, סיכום ויצירת וריאציות. בינה מלאכותית גרועה בהבנת הקשר, בביצוע שיפוטים אתיים ולדעת מתי יש לשבור כללים. הגדר מדדי הצלחה מעבר ליעילות. כן, אתה רוצה לחסוך זמן. אבל אתה צריך גם למדוד איכות, שביעות רצון משתמשים ויכולת צוות. בנו כרטיס ניקוד מאוזן שתועד את מה שחשוב באמת. צור מעקות בטיחות. אולי כל ממשק שנוצר בינה מלאכותית זקוק לבדיקה אנושית לפני שהוא נשלח. מעקות בטיחות אלה מונעים את האסונות הברורים ונותנים לך מקום ללמוד בבטחה. שלב 4: בנה את אסטרטגיית ה-AI-in-UX שלך עכשיו אתה מוכן לבנות את האסטרטגיה האמיתית שתציע למנהיגות. התחל בקטן עם פרויקטי פיילוט בעלי היקף ברור וקריטריונים להערכה. התחבר לתוצאות העסקיות שאכפת להנהלה. אל תציג "באמצעות AI לסינתזה מחקרית". Pitch "צמצום זמן ממחקר לתובנות ב-40%, מה שמאפשר החלטות מוצר מהירות יותר." חזור על סדר העדיפויות הקיים שלך בנושא מומנטום AI. זוכרים את רשימת ההזדמנויות הזו משלב 2? עכשיו אתה מחבר את הצרכים ארוכי השנים האלה לאסטרטגיית הבינה המלאכותית שלך. אם רציתם בדיקות שימושיות תכופות יותר, הסבירו שיישומי בינה מלאכותית זקוקים לאימות מתמשך כדי לתפוס בעיות לפני שהן מתרחבות. יישומי בינה מלאכותית נהנים באמת משיטות מחקר טובות. אתה פשוט משתמש בהתלהבות של ההנהלה מ-AI ככלי כדי להשיג סוף סוף משאבים לפרקטיקות שהיו צריכים להיות ממומנים כל הזמן. הגדירו תפקידים בצורה ברורה. לאן מובילים בני האדם? איפה AI מסייע? איפה לא תעשה אוטומציה? ההנהלה צריכה להבין שחלק מהעבודה דורשת שיקול דעת אנושי ולעולם לא אמורה להיות אוטומטית לחלוטין. תכנן לבניית יכולות. הצוות שלך יצטרך הכשרה וכישורים חדשים. תקציב זמן ומשאבים לכך. התייחסו לסיכונים בכנות. AI יכול ליצור המלצות מוטות, להחמיץ הקשר חשוב, או לייצר עבודה שנראית טוב אבל לא באמת מתפקדת. עבור כל סיכון, הסבר כיצד תזהה אותו ומה תעשה כדי להפחית אותו. שלב 5: הצג את האסטרטגיה למנהיגות הגדירו את האסטרטגיה שלכם כמסירת סיכונים בשאיפות הבינה המלאכותיות של ההנהלה, ולא חוסמים אותן. אתה מראה להם איך ליישם AI בהצלחה תוך הימנעות מהמלכודות הברורות. מוביל עם תוצאות והחזר ROI שאכפת להם מהם. שים את המקרה העסקי לפנים. צרף את רשימת המשאלות שלך לאסטרטגיית הבינה המלאכותית. כאשר אתה מציג את האסטרטגיה שלך, כלול את היכולות שרצית אבללא ניתן היה לקבל אישור לפני כן. אל תציג אותם כבקשות נפרדות. שלב אותם כמרכיבים חיוניים. "כדי לאמת תכנונים שנוצרו בינה מלאכותית, נצטרך להגדיל את תדירות הבדיקות שלנו משנתית לרבעונית" נשמע הגיוני הרבה יותר מ"האם נוכל בבקשה לעשות יותר בדיקות?" אתה מסביר מה נדרש כדי שההשקעה ב-AI שלהם תצליח. הצג ניצחונות מהירים לצד חזון לטווח ארוך יותר. זהה טייס אחד או שניים שיכולים להראות ערך תוך 30-60 יום. לאחר מכן הראה להם כיצד הטייסים הללו מתקדמים לקראת שינויים גדולים יותר במהלך השנה הבאה. בקש מה שאתה צריך. תהיה ספציפי. אתה צריך תקציב לכלים, זמן לטייסים, גישה לנתונים ותמיכה בהכשרת צוות. שלב 6: יישם והצג ערך הפעל את הטייסים שלך עם מדדי לפני ואחרי ברורים. מדוד הכל: זמן שחסך, איכות נשמרת, שביעות רצון המשתמש, אמון בצוות. מסמך מנצח ולמידה. כשלים מועילים מדי. אם פיילוט לא מצליח, תיעד למה ומה למדת. שתף את ההתקדמות בשפת ההנהלה. עדכונים חודשיים צריכים להתמקד בתוצאות העסקיות, לא בפרטים טכניים. "הורדנו את זמן סינתזת המחקר ב-35% תוך שמירה על ציוני איכות" היא רמת הפירוט הנכונה. בנה תומכים פנימיים על ידי פתרון בעיות אמיתיות. כאשר טייסי הבינה המלאכותית שלך הופכים את העבודה של מישהו לקלה יותר, אתה יוצר תומכים שיתמכו באימוץ רחב יותר. איטרציה על סמך מה שעובד בהקשר הספציפי שלך. לא כל יישום AI יתאים לארגון שלך. שים לב למה שבאמת עובד והכפיל את זה. לוקח יוזמה פעימות מחכה אימוץ AI מתרחש. השאלה היא לא אם הארגון שלך ישתמש בבינה מלאכותית, אלא אם תעצב את אופן היישום שלו. מומחיות ה-UX שלך היא בדיוק מה שנדרש כדי ליישם AI בהצלחה. אתה מבין את המשתמשים, האיכות והפער בין הדגמות מרשימות למציאות שימושית. קח צעד ראשון מעשי אחד השבוע. תזמן 30 דקות למיפוי הזדמנות אחת של AI בתרגול שלך. בחר תחום אחד שבו בינה מלאכותית עשויה לעזור, חשבו כיצד תפעילו אותו בבטחה, ושרטטו כיצד תיראה הצלחה. לאחר מכן התחל את השיחה עם המנהל שלך. אתה עשוי להיות מופתע עד כמה הם פתוחים למישהו שעולה להוביל את זה. אתה יודע להבין את צרכי המשתמש, לבדוק פתרונות, למדוד תוצאות ולחזור על סמך ראיות. הכישורים האלה לא משתנים רק בגלל ש-AI מעורב. אתה מיישם את המומחיות הקיימת שלך על כלי חדש. התפקיד שלך לא נעלם. זה מתפתח למשהו אסטרטגי יותר, בעל ערך ובטוח יותר. אבל רק אם אתה לוקח יוזמה לעצב את האבולוציה בעצמך. קריאה נוספת על SmashingMag
"עיצוב עם AI, לא מסביבו: טכניקות מתקדמות מעשיות למקרי שימוש בעיצוב מוצר", איליה קנאזין ומרינה צ'רנישובה "מעבר להייפ: מה בינה מלאכותית באמת יכולה לעשות לעיצוב מוצר", ניקיטה סמוטין "שבוע בחייו של מעצב מוגבר בינה מלאכותית", לינדון סרג'ו "פרסונות פונקציונליות עם AI: זרימת עבודה רזה ומעשית", פול בוג
