تصور کنید محصولی را طراحی می‌کنید که در ظاهر بی‌نقص است، اما هیچ روحی در آن نیست و شبیه به هزاران ابزار دیگر در بازار است. این همان تله‌ای است که بسیاری از تیم‌های محصول با تکیه بر سرعت خیره‌کننده هوش مصنوعی در آن می‌افتند.
کتی دیل (Katie Dill)، مدیر طراحی در شرکت Stripe، این پدیده را «رابط کاربری زامبی» (Zombie UI) می‌نامد؛ رابط‌هایی که تمیز و صیقل‌خورده‌اند اما سرد، عمومی و تهی از شخصیت هستند. طبق اعلام دیل، در حالی که اکنون یک تیم سه نفره می‌تواند کاری را انجام دهد که پیش‌تر به ۳۰ مهندس نیاز داشت، این بهره‌وری اغلب بر پایه محتمل‌ترین الگوهای آماری استوار است. نتیجه این است که نرم‌افزارهایی خلق می‌شوند که فاقد «قصد» (Intentionality) و شخصیت برند هستند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی استانداردهای طراحی در عصر مدل‌های مولد اشاره کردیم، سرعت اجرا نباید با کیفیت اشتباه گرفته شود. دیل این وضعیت را به رونق ساخت‌وساز پس از جنگ جهانی دوم تشبیه می‌کند؛ در آن دوران، روش‌های جدید ساخت‌وساز اجازه می‌دادند ساختمان‌ها با سرعت بسیار زیاد برپا شوند. با این حال، سبک‌های مدرنیستی بدون تفکر عمیق و صرفاً به صورت انبوه کپی شدند. این امر منجر به ایجاد «ساختمان‌های زامبی» شد؛ سازه‌هایی که محیط اطراف و بستر محلی خود را کاملاً نادیده می‌گرفتند.
بر اساس مستندات ارائه شده توسط دیل در جلسه‌ای با عنوان «چگونه قصد، کیفیت و هنر را با هوش مصنوعی مقیاس کنیم»، ما در حال حاضر در یک «رونق ساخت‌وساز AI» مشابه هستیم. در این محیط، سرعت اجرا اغلب به اشتباه به عنوان کیفیت تلقی می‌شود و منجر به تولید نرم‌افزارهایی می‌شود که در سطح رویی صیقل‌خورده به نظر می‌رسند، اما به دلیل فقدان دقت و توجه، درونی تهی دارند. این چالش‌ها در ابزارهای سریع ساخت اپلیکیشن نیز مشهود است؛ چنان‌که برخی مطالعات موردی محدودیت‌های ابزارهایی مانند Lovable را در تبدیل پرامپت به اپلیکیشن‌های کاربردی برجسته کرده‌اند.
استفاده از مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — سه ریسک اصلی برای طراحی ایجاد می‌کند:
- تله احتمالات: مدل‌های زبانی بزرگ به‌گونه‌ای طراحی شده‌اند که رایج‌ترین یا محبوب‌ترین الگوهای گذشته را حدس بزنند. این ویژگی آن‌ها را در ارائه «محتمل‌ترین پاسخ» بسیار ماهر می‌کند، اما در عین حال آن‌ها را ناتوان می‌سازد تا ایده‌هایی بدیع، منحصر‌به‌فرد یا مختص به یک برند خاص خلق کنند.
- تضاد بوریتوهای مایکروویوی: از آنجا که هوش مصنوعی در عرض چند ثانیه ظاهری «اتمام‌شده» و نهایی تولید می‌کند، تیم‌ها اغلب در تله‌ی «پایان زودرس» می‌افتند. آن‌ها تکرار و بازبینی (Iteration) را خیلی زود متوقف می‌کنند و نادیده می‌گیرند که آیا محصول واقعاً مشکل اصلی کاربر را حل می‌کند یا دارای هرگونه تمایز رقابتی است یا خیر.
- کارهای یک‌بارمصرف: ماهیت اجرای آنی باعث می‌شود خالقان اثر نسبت به نگهداری بلندمدت و مسئولیت اخلاقی و فنی پشت تصمیمات طراحی خاص، بی‌تفاوت شوند.
برای مقابله با این روند و مقیاس‌بندی هنر و قصد در طراحی، Stripe چهار استراتژی مشخص را اجرا می‌کند:
۱. داشتن یک دیدگاه مشخص: اگر یک برند استانداردهای خاص خود را تعریف نکند، هوش مصنوعی به‌طور خودکار استانداردهای عمومی را جایگزین می‌کند و خروجی‌ها را یکنواخت می‌سازد. استرایپ برای مثال، مفهوم «خوش‌بینی» را در المان‌های محصول خود جای داده است. آن‌ها روی جزئیاتی دقت می‌کنند که یک سطح عمیق‌تر از ظاهر هستند؛ مانند شبیه‌سازی دقیق «حباب‌های ریز در نوشابه پپسی» برای رسیدن به واقع‌گرایی.
۲. کدگذاری استانداردها در ماشین: سیستم‌های طراحی مدرن نباید فقط سازگاری اجزا (Consistency) را مقیاس کنند، بلکه باید «قصد» طراح را مقیاس کنند. دیل به گوتنبرگ اشاره می‌کند؛ گوتنبرگ برای اینکه چاپ ماشینی به زیبایی دست‌خط باشد، تنها ۵۲ حرف لاتین نساخت، بلکه ۲۹۰ کاراکتر منحصر‌به‌فرد (شامل ترکیبات حروف یا Ligatures) خلق کرد. استرایپ نیز سیستم خود را از مستندات ساده به یک ابزار CLI تبدیل کرده که شامل جریان‌های کامل محصول و قالب‌هاست تا هوش مصنوعی را منضبط نگه دارد.
۳. تمایز بین «تمام‌شده» و «خوب»: فیلتر کیفیت تغییر کرده است. در گذشته، فیلتر کردن و بررسی کیفیت پیش از ساخت محصول انجام می‌شد، اما اکنون این فیلتر باید «پس از ساخت» رخ دهد. اینکه محصولی سریعاً تمام شده است، به هیچ وجه به معنای خوب بودن آن نیست.
۴. آزادسازی خلاقیت و هنر: هوش مصنوعی نباید صرفاً ابزاری برای سرعت بخشیدن به رابط‌های کاربری قدیمی باشد، بلکه باید کاتالیزوری برای خلق فرم‌های تعاملی و زیبایی‌شناسی کاملاً جدید باشد. در این مسیر، توسعه‌ی مدل‌هایی که توانایی تخیل بصری داخلی برای حل گره‌های استدلال فضایی دارند، می‌تواند افق‌های جدیدی را در طراحی باز کند.
در این چرخش، نقش انسان به یک «ویراستار» (Editor) تبدیل می‌شود. ویراستار انسانی اکنون مسئولیت‌های زیر را بر عهده دارد:
- ارزیابی سرتاسری: اطمینان از اینکه کل جریان محصول یک کل منسجم و یکپارچه را تشکیل می‌دهد.
- دیدگاه کاربر: تجربه مستقیم محصول دقیقاً همان‌طور که یک کاربر واقعی آن را تجربه می‌کند.
- جزئیات در سطح پیکسل: پذیرفتن مسئولیت تک‌تک پیکسل‌ها و افزودن جزئیات غیرمنتظره و غافلگیرکننده.
- تکرار سخت‌گیرانه: فشار آوردن به کیفیت تا زمانی که محصول کاملاً بالغ شود. برای مثال، طراحان استرایپ یک انیمیشن سه‌بعدی مبتنی بر هوش مصنوعی را ۵۶ بار بازبینی و اصلاح کردند تا در نهایت به حرکتی طبیعی و زنده دست یابند.
برای جلوگیری از خروجی‌های تکراری و عمومی، دیل پیشنهاد می‌کند ورودی‌های هوش مصنوعی را بهینه کنید. به‌جای استفاده از پرامپت‌های کوتاه، فلسفه برند و منابع داخلی را به مدل بدهید. خالقان باید قالب‌های کامل، جریان‌های کاری (Flows) و یک دیدگاه مشخص که توسط انسان تعریف شده است را ارائه کنند. با مبنی‌سازی (Grounding) هوش مصنوعی بر این استانداردها، می‌توان از آن برای بالا بردن سقف کیفیت استفاده کرد، نه اینکه صرفاً از آن برای کاهش هزینه تولید استفاده شود.
گام بعدی شما
- در بررسی رابط‌های کاربری محصولتان، بپرسید: «اگر نام برند ما نبود، آیا این طراحی در هر محصول دیگری هم می‌گنجید؟»
- به‌جای تکیه بر خروجی اول هوش مصنوعی، یک چرخه بازبینی (Iteration) اجباری برای جزئیات بصری تعریف کنید.
- استانداردهای بصری برند خود را در قالب الگوهای دقیق و داده‌های ساختاریافته به مدل‌ها معرفی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو