UX'te Yapay Zeka: Hangi İşi Hızlandırır, Nerede Durur

Yapay zeka UX işinin bir bölümünü gerçekten hızlandırıyor. Hangi bölümünü sorusunun cevabı ise çoğu yazıda bulanık kalıyor, çünkü ortaya atılan kullanım oranları meslekleri değil görevleri sayıyor. Bu ayrım gözden kaçınca elde kolayca yanlış bir sonuç kalıyor.

Kullanım oranı verileri neyi sayar

Bu tür veriler kişilere değil konuşmalara bakılarak üretilir. Bir sohbet, içeriğine göre etiketlenir: web sitesi metnini düzenleyen bir istek arayüz metni kategorisine düşer, bir akış şeması isteği tasarım kategorisine düşer.

Etiketlenen şey görev. İsteği yazan kişi UX tasarımcısı olabilir, ama pazarlamacı, yazılımcı ya da kendi sitesini kuran işletme sahibi de olabilir. Dolayısıyla yüksek bir oran şunu söyler: yapay zekaya sorulan işlerin kayda değer bir kısmı UX'in görev tanımına giriyor. Şunu söylemez: UX profesyonelleri diğer mesleklerden daha çok yapay zeka kullanıyor.

İki cümle birbirine benziyor, aynı şeyi iddia etmiyorlar. Aradaki farkı atlayan yazılar, görev dağılımından meslek geleceği çıkarımı yapıyor. Bir mesleğin ne kadar otomatikleştiğini anlamak istiyorsan bakman gereken veri, o mesleği yapan kişilerin iş akışı; konuşma etiketleri değil.

Modelin gerçekten hızlandırdığı işler

Yapay zekanın en net katkı verdiği yer, çok sayıda varyantın ucuza üretilmesi gereken işler. Hata mesajının beş farklı yazımı, buton etiketinin kısa ve uzun hali, üç ekranlık bir akışın metinlerinin aynı sesle yeniden yazılması. Bunlar tek tek zor değil, toplu halde yorucu.

İkinci alan düzenleme. Elinde iki yüz sayfalık bir içerik envanteri varsa, başlıkları normalleştirmek ve tekrarları gruplamak insan saatiyle yapıldığında günler alır. Araştırma notlarının ilk tur kodlamasında da işe yarar, ama çıkan temaları kendin doğrulamadan rapora koyma; model, verinde olmayan bir kalıbı fazlasıyla ikna edici biçimde adlandırabiliyor.

Mutlu yolun dışında kalan ekranlar

Üretilen bir arayüz taslağı neredeyse her zaman işlerin yolunda gittiği durumu gösterir. Liste dolu, isim kısa, bağlantı var, kullanıcının yetkisi yerinde.

Oysa tasarım zamanının büyük kısmı diğer durumlarda geçer: liste boşken, listede tek satır varken, dört yüz satır varken, veri yüklenirken, istek hata verirken, kullanıcının o kayda erişim izni yokken, kullanıcı adı sığmayacak kadar uzunken. Bir projede yapay zekayla üretilmiş bir akışı incelerken listenin boş halinin hiç düşünülmediğini gördüm; işin zor kısmı zaten orasıydı.

Bunu kontrol etmenin ucuz bir yolu var. Ekranı çizmeden önce o ekranın alabileceği durumları maddeler halinde yaz, sonra üretilen çıktıyı bu listeye karşı işaretle. Eksikler bir bakışta ortaya çıkar, ayrıca geliştirme tarafıyla konuşurken elinde ortak bir liste olur.

Araştırmanın yerine geçmez

Sentetik kullanıcı ve simüle edilmiş persona görüşmeleri son dönemde sık öneriliyor. Buradaki sorun teknik değil, mantıksal: model sana eğitim verisinin ortalamasını verir, senin ürününü kendi bağlamında kullanan kişinin cevabını değil.

Görüşmenin değeri de tam olarak beklemediğin cevapta. Kullanıcının senin hiç düşünmediğin bir yerde takılması, ürünü hayal ettiğinden bambaşka bir amaçla kullanıyor olması, sorduğun soruyu yanlış anlaması. Modelin ürettiği cevap ise tanımı gereği beklenen cevaptır. Beş simüle görüşme, bir gerçek görüşmenin yerini tutmaz; sadece soru formunu prova etmene yarar.

Pratikte sınır nereden geçer

Basit bir ayrım işi görüyor: taslak ve varyant üretimi modele verilebilir, karar ve doğrulama insanda kalır. Modelden çıkan her şeyi kanıt değil hipotez say, ölçmeden rapora taşıma.

Bu ayrımı koruyan ekipte yapay zeka gerçekten zaman kazandırır. Korumayan ekipte ise hızlı üretilmiş, kimsenin sınamadığı ve sonradan geliştirme aşamasında çöken bir tasarım yığını birikir.