Bagaimana menentang penelitian ai-firf – Beragampengetahuan

Dengan AI kami, perusahaan telah mengalihkan perhatian mereka Tes pengguna “sintetis” – Penelitian yang digerakkan AI menggantikan penelitian UX. Di sana, “pelanggan” yang dihasilkan AI, agen AI “mengeksekusi” tugas manusia menjawab pertanyaan itu.

Tetapi tidak hanya digunakan untuk penelitian atau penemuan desktop, tetapi juga untuk penggunaan AI; Sebenarnya Gunakan “Peran AI” untuk pengujian kegunaan Meniru perilaku manusia Pelanggan aktual dalam produk aktual. Sama seperti UX Research … yah, tidak ada pengguna.

Jika itu terdengar mengkhawatirkan, membingungkan dan unik, itu saja – tetapi itu tidak menghentikan perusahaan dari mengadopsi “penelitian” AI untuk mendorong keputusan bisnis. Meskipun tidak mengherankan, pekerjaan ini mungkin Bahaya, berisikoDan mahal, biasanya mengurangi nilai pengguna.

Artikel ini adalah Bagian dari seri kami yang sedang berlangsung Di ux. Anda dapat menemukan lebih banyak tentang Pola desain dan strategi UX Dalam Mode Desain Antarmuka Cerdas – dengan pelatihan UX real -time segera hadir. Pratinjau gratis.

Cepat, murah, mudah… dan fiksi

Erika Hall terkenal menyatakan bahwa “Desain hanya seperti” berorientasi pada orang “yang diizinkan oleh model bisnis.” Jika perusahaan sangat didorong Premonisi, asumsi dan pendapat yang kuatPertama, ada sedikit minat dalam penelitian UX tentang tubuh dan pikiran yang benar.

Tetapi tidak seperti penelitian UX, penelitian AI (dipanggil dengan mudah Pengujian sintetis) Ya Cepat, Murah dan Mudah Memutarkan lagi. Itu tidak menyebabkan masalah yang tidak nyaman, juga tidak membuat asumsi yang salah. Tidak memerlukan perekrutan pengguna, banyak waktu atau debat panjang.

dan: itu bisa dikelola Ribuan karakter AI langsung. Dengan mempelajari output yang dihasilkan oleh AI, kita dapat menemukan perjalanan umum, pola navigasi, dan harapan umum. Kita dapat meramalkan apa yang dilakukan orang dan apa yang akan mereka lakukan.

Oke, itu saja Harapan Besar. Di sinilah kita mulai memiliki masalah besar.

LLM adalah kegembiraan orang

Penelitian UX yang baik berasal dari Apa yang sebenarnya terjadibukan sesuatu mungkin Apa yang terjadi atau mungkin Itu terjadi di masa depan.

Pada dasarnya, LLM dilatih untuk memberikan yang paling “Wajar”Atau kemungkinan besar berdasarkan output pola yang ditangkap dalam data pelatihan mereka. Namun, pola -pola ini menunjukkan perilaku yang diharapkan melalui profil” rata -rata “yang diekstraksi dari konten di jaringan. Tetapi orang -orang ini tidak ada, mereka tidak pernah melakukannya.

Secara default, segmen pengguna adalah Tidak terdefinisi dan tidak direncanakan. Mereka tidak mewakili basis pelanggan dari produk apa pun. Jadi untuk menjadi berguna, kita harus dengan fasih meminta AI dengan menjelaskan siapa itu siapa, apa yang mereka kerjakan, dan bagaimana mereka berperilaku. Kalau tidak, output tidak akan memenuhi kebutuhan pengguna dan tidak akan berlaku untuk pengguna kami.

Ketika “memproduksi” wawasan pengguna, LLMS tidak dapat menghasilkan hal -hal yang tidak terduga, bukan apa yang telah kami tanyakan.

Sebaliknya, para peneliti hanya dapat mendefinisikan konten yang relevan dalam proses tersebut. Wawasan dapat membantu dalam pengujian pengguna yang sebenarnya Prioritas transfer Atau secara fundamental menata kembali masalah yang kami coba selesaikan dan hasil bisnis yang potensial.

Wawasan sebenarnya berasal Perilaku yang tidak terdugaDari membaca petunjuk dan emosi perilaku, dari mengamati seseorang yang merupakan kebalikan dari apa yang mereka katakan. Kami tidak dapat menyalinnya dengan LLM.

Penelitian pengguna AI lebih baik daripada tidak sama sekali

Pavel Samsonov menerangi apa yang terdengar seperti pelanggan mungkin Katakan mereka Neran. Tapi barang pelanggan nyatanya Telah dikatakan bahwa nilai yang melekat diselesaikan atau dialami (meskipun mungkin dibesar -besarkan). Kami hanya perlu menjelaskannya dengan benar.

Penelitian pengguna AI tidak “selalu lebih baik daripada tidak” atau “lebih efektif”. Itu menciptakan a Fantasi Pengalaman Pelanggan Ini tidak pernah terjadi, dan paling tidak adalah tebakan yang baik, tetapi yang paling menyesatkan dan tidak dapat diterapkan. “Wawasan” yang dihasilkan hanya dengan mengandalkan AI tidak jauh berbeda dengan membaca teh.

Biaya pengambilan keputusan mekanis

Kami sering mendengar terobosan dengan otomatisasi AI dan generasi pengetahuan. Namun, kita sering lupa bahwa otomatisasi biasanya dikenakan biaya: biaya keputusan mekanis adalah Tidak bisa dibedakanlebih suka keseragaman dan kualitas erosi.

Seperti yang ditulis Maria Rosala dan Kate Moran, masalah dengan penelitian AI adalah bahwa ini pasti akan Pernyataan palsutanpa penelitian nyata, Anda tidak akan menangkap dan memperbaiki ketidakakuratan ini. Membuat keputusan tanpa berbicara dengan pelanggan sungguhan itu berbahaya, berbahaya dan mahal.

Di luar itu, pengujian sintetis mengasumsikan bahwa orang cocok untuk kotak yang terdefinisi dengan baik, yang jarang benar. Perilaku manusia dibentuk oleh pengalaman, situasi, dan tidak dapat dibentuk oleh kebiasaan generasi teks dan menyalin sendiri. Ai Tingkatkan bias dan intuisi dukunganDan memperkuat stereotip.

Wawasan segitiga daripada memvalidasinya

Tentu saja AI dapat menyediakan Titik awal yang berguna Eksplorasi awal proses ini. Tetapi dilahirkan untuk menyebabkan kesan palsu dan kesimpulan yang belum diuji dan disajikan dengan keyakinan dan kepastian yang luar biasa.

Mulailah dengan penelitian manusia Lebih andal menggunakan produk nyata dengan pelanggan nyata. Setelah melakukan ini, kami masih dapat menerapkan AI untuk melihat apakah kami mungkin melewatkan konten penting dalam wawancara pengguna. AI dapat meningkatkan tetapi tidak menggantikan penelitian UX.

Juga, saat kami menggunakan AI untuk penelitian desktop, mungkin mudah untuk dicobaMengonfirmasi“AI” Insights “melakukan pengujian pengguna yang sebenarnya. Tetapi begitu kita menanam wawasan dalam pikiran kita, bahkan jika itu benar -benar tidak ada, mudah untuk mengidentifikasi tanda -tanda itu.

Sebaliknya, kami mempelajari klien yang sebenarnya Data segitiga: Lacak kelompok produk atau bagian yang paling diperdagangkan. Mungkin Analytics dan AI Table Research mengkonfirmasi hipotesis Anda. Ini akan membuat Anda datang dengan posisi yang lebih kuat dalam prosesnya.

Meringkaskan

Saya mungkin terdengar seperti rekaman yang rusak, tetapi saya bertanya -tanya mengapa kami merasakan urgensi mengganti pekerjaan UX dengan alat AI otomatis. Desain yang bagus membutuhkan banyak Pemikiran kritisamati dan rencanakan.

Bagi saya secara pribadi, pembersihan post-output AI yang dihasilkan membutuhkan lebih banyak waktu daripada pekerjaan yang sebenarnya. ada satu Nilai yang luar biasa Bicaralah dengan orang yang benar -benar menggunakan produk Anda.

Saya selalu memilih satu hari dengan klien nyata, bukan satu jam dengan 1.000 pengguna sintetis yang berpura -pura menjadi manusia.

Sumber Daya yang Berguna Baru: Cara Mengukur Dampak UX dan Desain

Temui UX & Design Impact (8H), panduan praktis baru untuk desainer, UX mengarah pada pengukuran dan menampilkan dampak Anda pada bisnis Anda. Gunakan kode 🎟 IMPACT Untuk menghemat diskon 20%. Lewati detailnya.

Dapatkan $ 200 seminggu
Dari artikel di Smashing Magazine – untuk desainer dan pengembang web