تصور کنید ابزاری ساخته‌اید که دقیقاً برای یک کار خاص طراحی شده، اما کاربر آن را برای کاری کاملاً متفاوت به کار می‌برد و حتی از این بابت خوشحال است. این تضاد میان «نقشه مهندس» و «مسیر کاربر»، نقطه شکست بسیاری از محصولات هوش مصنوعی است.
به گزارش وب‌سایت dev.to در ۱۲ اکتبر ۲۰۲۶، یک توسعه‌دهنده موتور پردازش متن متوجه شد که کاربران برای دسترسی به قدرت خام مدل زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — عمداً از محدودیت‌های رابط کاربری عبور می‌کنند. او در این روایت توصیف می‌کند که چگونه یک مشتری از یک جعبه ترجمه ساده برای انجام دسته‌بندی‌های پیچیده داده‌ها استفاده کرده است؛ در حالی که توسعه‌دهنده دقیقاً برای همین هدف، یک ابزار استخراج داده مجزا ساخته بود و کاربر عمداً آن را دور زده بود.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی تجربه کاربری در ابزارهای AI اشاره کردیم، اصطکاک میان ساختار فنی و نیاز کاربر همواره یک چالش است. توسعه‌دهنده در ابتدا یک ویژگی ساخته بود که متن را به متنی دیگر تبدیل می‌کرد. این ابزار در ابتدا به عنوان یک ابزار ترجمه تحت‌اللفظی شروع شد، اما چون موتور زیربنایی آن دستورات دلخواه را می‌پذیرفت، نویسنده دامنه آن را گسترش داد. این رویکرد ساده در مقابل سیستم‌های پیچیده‌تر قرار می‌گیرد؛ برای مثال، تفاوت‌های ساختاری میان مدل‌های مسیریاب‌محور و ترجمه‌های ساده نشان می‌دهد که چگونه تعادل میان دقت و تأخیر می‌تواند بر تجربه نهایی کاربر اثر بگذارد. او یک «نقشه مرتب» از قابلیت‌ها طراحی کرده بود:
- ترجمه: تبدیل متن از یک زبان به زبان دیگر.
- انتقال سبک (Style Transfer): تغییر «آب و هوای» نثر؛ مثلاً تبدیل یک سند خشک و اداری به سبک یک رمان‌نویس ادبی مانند هاروکی موراکامی.
- استخراج: ابزاری مجزا که در «اتاق» خاص خود قرار داشت و برای بیرون کشیدن ساختار از دل متن‌های نامنظم طراحی شده بود.
این مشکل به این دلیل رخ می‌دهد که مهندسان برای ایجاد یک محصول مرتب، دور قابلیت‌های AI «دیوار» می‌کشند. در حالی که توسعه‌دهنده موتور را به اتاق‌های مجزای ترجمه، انتقال سبک و استخراج تقسیم کرده بود، خودِ مدل تقسیم‌بندی نشده بود. برای مدل، هر درخواست صرفاً یک متن و یک دستور است، فارغ از اینکه توسعه‌دهنده چه برچسبی روی رابط کاربری زده باشد یا آن را در کدام اتاق قرار داده باشد.
بر اساس مستندات این تجربه، چند نقطه شکست کلیدی در طراحی سنتی محصولات AI شناسایی شد:
- توهم دسته‌بندی: توسعه‌دهنده ابزاری مجزا برای استخراج ساخته بود، اما کاربران دریافتند که استفاده از جعبه ترجمه برای برچسب‌گذاری هزاران ردیف صفحه گسترده (Spreadsheet) بهینه‌تر است. یک مشتری هزاران ردیف را در جعبه ترجمه کپی کرد و به مدل دستور داد هر ردیف را دسته‌بندی کند؛ در نتیجه، مدل به جای تولید نثر، تگ‌ها و کدهای دسته‌بندی را بازگرداند.
- اصطکاک گردش کار: وقتی توسعه‌دهنده یک API «تمیز» را برای جایگزینی گردش کار نامنظمِ کپی-پیست پیشنهاد داد، مشتری آن را رد کرد. کاربر ترجیح می‌داد در محیط اکسل و صفحه گسترده‌ای که در آن «زندگی می‌کرد» بماند، تا اینکه یک ادغام فنی برتر را بپذیرد. پاسخ مشتری در واقع این بود: «مرا مجبور نکن محیط صفحه گسترده‌ای را که در آن هستم ترک کنم.»
- قابلیت در برابر ساختار: محدودیت، توانایی AI نبود، بلکه ساختار تحمیل شده بر آن بود. کاربر فقط یک جعبه می‌دید که دستور می‌گیرد و از آن به عنوان یک موتور همه‌منظوره استفاده کرد. توسعه‌دهنده متوجه شد که او خطوط بین ترجمه و استخراج را «رنگ» کرده است، اما مشتری اصلاً این رنگ‌ها و مرزها را نمی‌دید.
این تغییر دیدگاه نشان می‌دهد که برای بسیاری از کاربران، «راه درست» استفاده از ابزار، همان مسیری است که فاصله بین داده و نتیجه را به حداقل برساند. وقتی کاربر یک API را دور می‌زند یا از یک ویژگی به شکلی «اشتباه» استفاده می‌کند، در حال ارتکاب خطا نیست؛ بلکه در حال ترسیم نقشه واقعی توانمندی مدل بدون محدودیت‌های مصنوعی مهندس است.
برای صاحبان کسب‌وکار و مدیران محصول، این یعنی مرزهای صلب رابط کاربری (UI) می‌تواند مانع پذیرش محصول شود. اگر کاربر را مجبور کنید برای استفاده از یک ابزار تخصصی، محیط اصلی کارش (مثل اکسل) را ترک کند، دیواری ساخته‌اید که کاربر در نهایت سعی می‌کند از آن عبور کند. توسعه‌دهنده اشاره کرد که «بهتر بودن» وقتی با ساختار مهندسی سنجیده شود، اغلب در برابر روزمرگی‌های واقعی کاربر «بدتر» است.
در نهایت، موفق‌ترین طراحی‌های AI آن‌هایی هستند که پلیس مرزی نباشند. با تبدیل «سوءاستفاده کاربر» به نقشه‌ای برای طراحی بهتر، می‌توان ابزارهایی ساخت که با رفتار واقعی انسان همسو باشند، نه با یک نقشه ایده‌آل مهندسی. استفاده از جعبه ترجمه برای طبقه‌بندی، یک خطای قابل رفع نبود، بلکه واقعی‌ترین نقشه از توانایی مدل بود.
برای اجتناب از این تله، مشاهده کنید که کاربران قدرتمند (Power Users) شما امروز چگونه رابط کاربری شما را «هک» می‌کنند. گردش کارهای غیرمتعارف آن‌ها، اغلب صادقانه‌ترین نقشه از ارزش واقعی محصول شماست.
گام بعدی شما
- رفتار کاربران قدرتمند (Power Users) را زیر نظر بگیرید تا ببینید چگونه رابط شما را «هک» می‌کنند.
- به جای اجبار کاربر به مهاجرت به ابزار جدید، قابلیت‌های AI را به محیط فعلی داده‌های کاربر ببرید.
- مرزهای سخت بین قابلیت‌های مدل را حذف کرده و اجازه دهید کاربر دستورات ترکیبی بدهد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو