Yapay Zeka UX Sürecinde Neyi Hızlandırır, Neyi Hızlandırmaz
Yapay zeka araçları UX sürecinin bazı adımlarını gerçekten kısaltıyor, bazılarını hiç kısaltmıyor. Bu ikisi ayrılmadan alınan araç kararları, zaten ucuz olan işi daha da ucuzlatıp pahalı olanı olduğu yerde bırakıyor. Ayrım, çıktının doğru olduğunu kimin üstlendiği yerde geçiyor.
Hacim işi ucuzladı
Otuz oturumluk bir kullanıcı testinin dökümünü çıkarmak eskiden günlerdi. Şimdi saatler. Aynı şey ilk taslak arayüz metinleri, varyant üretimi, açık uçlu anket cevaplarının kabaca gruplanması ve bir bileşenin ilk kod iskeleti için de geçerli.
Bu işlerin ortak özelliği, hatanın ucuz ve görünür olması. Yanlış çıkan bir döküm satırını kayda geri dönüp düzeltirsiniz, maliyeti birkaç dakikadır.
Karar maliyeti aynı yerde duruyor
Model yirmi varyant üretebilir. Hangisinin doğru olduğunu söyleyemez, çünkü doğruluk ölçütü ürünün kendi kısıtlarından çıkar: yasal zorunluluk, veri modelinin ne tuttuğu, destek ekibine haftada kaç çağrı geldiği. Bunlar prompta sığmaz, sığdırılsa bile modelin doğrulayacağı şeyler değil.
Pratikte olan şu: üretim on kat hızlanınca değerlendirme kuyruğu on kat uzuyor. Ekip kendini daha hızlı hissediyor, teslim tarihi kaymaya devam ediyor. Darboğaz üretimde değildi.
Ucuzlayan analiz kaç katılımcıyı haklı çıkarır
Analiz ucuzlayınca akla gelen ilk şey katılımcı sayısını artırmak oluyor. Buna karar vermeden önce Nielsen ve Landauer'in kullanılabilirlik testi modeline bakmakta fayda var. Model şunu söylüyor: n katılımcıyla bulunan sorun oranı 1-(1-L)^n, burada L tek bir katılımcının ortalama olarak bulduğu sorun payı.
Çalışmalarda ortalama L değeri 0,31 çıkmıştı. Bu değerle beş katılımcı sorunların yaklaşık %84'ünü, on katılımcı %97'sini, yirmi katılımcı %99'undan fazlasını buluyor. Onu yirmiye çıkarmak, yani bütçeyi ikiye katlamak, iki puandan az kazandırıyor.
Buradan çıkan sonuç, dökümü ucuzlatan aracın aynı testte daha fazla katılımcıyı finanse etmesi değil. Aynı paraya ikinci bir segmenti ya da hiç bakılmamış ikinci bir görevi test edebilirsiniz; eğri orada sıfırdan başlıyor, doygunluğa gelmiş bir eğriye eklenen katılımcıdan çok daha fazlasını getiriyor.
Tek istisna L'nin düşük olduğu durumlar. Karmaşık, uzmanlık gerektiren arayüzlerde tek katılımcının yakaladığı sorun payı 0,10'a kadar inebiliyor; o zaman beş katılımcı ancak %41'i görüyor ve onuncu katılımcı hâlâ yeni şeyler getiriyor. Yani soru "kaç kişi yeter" değil, "bu üründe bir kişi ne kadarını görüyor".
Etiketlemeyi satın almadan önce
Oturum kayıtlarını otomatik etiketleyen bir araca abone olmadan önce elli satırlık bir betikle deneyin. Sebebi fiyat değil: hazır araç kendi etiket şemasını dayatır, sizin şemanız ise araştırma sorunuza bağlıdır ve proje ortasında değişir. Kendi betiğinizde şemayı değiştirmek bir satır, üründe ise ya destek talebi ya da hiç.
Model çıktısı taslaktır, kanıt değil
Bir modelin ürettiği kullanıcı özeti, gerçek kullanıcıdan gelen veri değildir. Sentetik persona ile yapılan "test", modelin metin dağılımını yansıtır, hedef kitlenizin davranışını değil. Bunları birbirinin yerine koyan ekiplerde araştırma raporu güzelleşiyor, karar kalitesi düşüyor.
Gizlilik tarafı da aynı yere bakıyor. Ham oturum kayıtları kişisel veri barındırır; hangi metnin hangi sağlayıcıya gittiğine dair yazılı bir kuralınız yoksa, o kuralı ilk ihlal eden kişi ekipteki en hızlı çalışan olur.
Şablon bilgisi ile derin bilgi arasındaki fark
Hazır çerçeveler ve kontrol listeleri modelin en iyi ürettiği içerik türü, çünkü zaten binlerce kopyası var. Ayırt edici olan kısım, çerçevenin elinizdeki üründe nerede kırıldığını görmek. Yukarıdaki katılımcı hesabı bunun küçük bir örneği: aynı formül, L değerine göre birbirinin tam tersi iki tavsiye veriyor. Formülü bilmek yetmiyor, hangi sayının sizin ürününüzde geçerli olduğunu bilmek gerekiyor. Araç bu boşluğu kapatmıyor, sadece boşluğa ulaşma süresini kısaltıyor.