وقتی هوش مصنوعی یک خلاصه نامرتب را به یک نمونهٔ اجرایی تبدیل میکند
اولین باری که تیم ما از یک ابزار نمونهسازی مبتنی بر هوش مصنوعی در شرایط جدی استفاده کرد، چیزی که برجسته شد رابط کاربری نبود. سرعتی بود که فاز طراحی ما دیگر مانند یک مجموعه اسلاید به نظر نمیرسید و شروع به رفتار کردن مثل یک سیستم کرد.
ما از جایی شروع کردیم که همیشه شروع میکنیم: یادداشتهای پراکنده از تماسهای فروش، اسکرینشاتهای جریانهای رقبا، یک برد FigJam پر از ایدههای ناتمام. چند سال پیش آن آشفتگی به وایرفریم تبدیل میشد، سپس صفحات با وفاداری بالا، و بعد یک رشته نظر بیپایان دربارهٔ حالتهای مرزی که واقعاً کسی دربارۀ آنها فکر نکرده بود. این بار، کاری متفاوت کردیم. ما آن آشفتگی را بهعنوان ورودی برای مجموعهای از عاملها در نظر گرفتیم که وظیفهشان «ساخت رابط کاربری» نبود بلکه تولید چیزی بود که واقعاً بتوانیم تلاش کنیم آن را خراب کنیم.
در عرض چند ساعت ما یک نمونهٔ اجرایی داشتیم: مجوزها، حالتهای پایه، یک مسیر خوش (happy path) لرزان اما کاربردی. ظاهر آن از آنچه تفکر ما واقعاً بود، کاملتر به نظر میرسید—که همانطور که فهمیدیم هم وعده و هم تلهٔ هوش مصنوعی است.
از مصنوعات ایستا به حلقهٔ طراحی اجرایی
هوش مصنوعی فاز طراحی را تغییر میدهد، اما نه به شکلی که در صفحۀ معرفی وعده داده میشد. بخش جالب این نیست که میتوانیم صفحات بیشتری سریعتر بسازیم. بخش جالب این است که خود فاز طراحی دارد اجرایی میشود.
در تیمهای SaaS و پلتفرم که با عاملها بهجای صرفاً ابزارها کار میکنند، طراحی دیگر یک توالی از مصنوعات ایستا—پرسوناها، نقشههای سفر، وایرفریمها، ماکاپها، مرحلهٔ تحویل—نیست. این یک حلقه است: پژوهش، فرضیات، نمونههای اجرایی، ارزیابی، محدودیتهای سیستم، تکرار. خروجی طراح دیگر یک انبوه فایلهای Figma نیست و بیشتر شبیه یک دفترچهٔ راهنمای عملیاتی برای چگونگی رفتار مجاز محصول—و عاملهای درون آن—میشود.
چرا بازطراحی جریان کاری مهمتر از صرفاً پذیرش هوش مصنوعی است
بیشتر شرکتها هنوز به آن مرحله نرسیدهاند. گزارش «وضعیت هوش مصنوعی 2025» مککنزی نشان میدهد که اکنون 88% سازمانها در حداقل یک عملکرد کسبوکاری از هوش مصنوعی استفاده میکنند، اما برای اغلب آنها، هوش مصنوعی هنوز آزمایشی است که به جریانهای کاری قدیمی چسبانده شده است. قویترین اجراکنندگان تقریباً سه برابر احتمال دارد که جریانهای کاریشان را حول هوش مصنوعی بازطراحی کرده و در مقیاسبندی عاملهای هوش مصنوعی جلوتر باشند.
این تمایز برای طراحی اهمیت دارد. اگر فرایند تغییر نکند، هوش مصنوعی فقط یک پنجرهٔ گفتگو به همان گلوگاههای قدیمی اضافه میکند. وقتی فرایند تغییر کند، خود فاز طراحی بازنویسی میشود.
این مقاله دربارهٔ آن بازنویسی است—بهطور مشخص برای افرادی که روی محصولات SaaS و پلتفرم کار میکنند. دربارهٔ آنچه وقتی نمونهها شروع به رفتار کردن میکنند، وقتی رابطها هم به انسانها و هم به عاملهای هوش مصنوعی خدمت میکنند، وقتی سیستمهای طراحی قابلخواندن توسط ماشین میشوند، و وقتی مرحلهٔ تحویل بین طراحی و مهندسی به یک مصنوع مشترک اجرایی فرو میریزد، اتفاق میافتد. و همچنین دربارهٔ کاری که طراحان ارشدی مثل Aliyeh واقعاً انجام میدهند وقتی هوش مصنوعی «بینظمی را پاک میکند» و در آنجا متوقف نمیشود.
محدودیتهای مصنوعات طراحی سنتی
در پروژهٔ سنتی SaaS، فاز طراحی تودهای از شواهد تولید میکرد که نشان میداد چیزی در حال رخ دادن است. ما با پنج یا ده کاربر مصاحبه میکردیم و نقلقولهایشان را به پرسونا تبدیل میکردیم. با یادداشتهای چسبان و پیکانها سفرها را نقشهبرداری میکردیم. جریانها، وایرفریمها، رابط کاربری با وفاداری بالا را ترسیم میکردیم. شاید یک نمونه را هم گرد هم میزدیم تا ذینفعانی را که نیاز داشتند «ببینند چگونه کار میکند» راضی کنیم.
تمام آن مصنوعات تا حدی مفید بودند. آنها به تیمها کمک میکردند دربارهٔ محصول صحبت کنند. اما آنها از پیش نیز ناقص طراحی شده بودند.
یک نقشهٔ سفر نمیتواند به شما بگوید وقتی یک فرایند خودکار بیصدا شکست میخورد چه اتفاقی میافتد. یک دیاگرام جریان ایستا نشان نمیدهد که یک دستیار هوش مصنوعی چگونه باید پاسخ دهد وقتی 60% اطمینان دارد نه 95%. حتی یک نمونهٔ زیبا به ندرت چیزهای خستهکننده اما خطرناک را رمزگذاری میکند: مجوزها، ردپاهای حسابرسی، برگشتپذیری، بازیابی از خطا.
ابزارهای بومی هوش مصنوعی که رفتار را قابلمشاهده میکنند
ابزارهای بومی هوش مصنوعی بهطور خودکار آن را حل نمیکنند، اما مشکلات را به سطح نزدیکتر میکنند.
وقتی یک طراح با سیستمی مانند Figma Make یا v0 یا Bolt مینشیند، خروجی یک ماکاپ تخت نیست. این یک مصنوعی است که واقعاً میتوانید به آن دست بزنید. دکمهها پاسخ میدهند، فرمها ارسال میشوند، دادهها در جهتی جریان مییابند.
در یکی از مثالهای داخلی که Figma به اشتراک گذاشته، تیمی از Make برای نمونهسازی تعامل شبکهای پیچیده در حدود یک ساعت و نیم استفاده کرد—چیزی که قبلاً چند روز نمونهسازی کدنویسیشده نیاز داشت. داستان واقعی آنجا «شبکه در 1.5 ساعت» نیست. بلکه این است که یک طراح توانست قبل از اینکه کسی به یک معماری متعهد شود یا تیکتی باز کند، آزمایش کند که احساس یک بخش از رفتار محصول چگونه است.
چگونه نمونههای اجرایی گفتگوهای طراحی را تغییر میدهند
وقتی بتوانید رفتار را احساس کنید، موجدستزدن سختتر میشود. بهجای بحث دربارهٔ اینکه آیا چیدمان داشبورد «تمیز به نظر میرسد»، خود را در حال پرسیدن اینکه آیا یک خلاصهٔ تولیدشده توسط هوش مصنوعی مجاز است بدون تأیید انسانی رکورد زیرین را بهروزرسانی کند پیدا میکنید. بهجای بحث رنگ یک دکمه، میکوشید تصمیم بگیرید چه اتفاقی برای دادههای مشتری میافتد اگر یک عامل سه بار پشت سر هم یک تیکت را نادرست دستهبندی کند.
هوش مصنوعی در اینجا کمک میکند، اما نه بهعنوان یک استایلیست. بلکه با ارزانتر کردن تهیهٔ پیشنویس اول رفتار به نحوی که همه بتوانند آن را ببینند، کمک میکند.
شکاف بین صفحات صیقلی و رفتار شکننده
یک اشکال وجود دارد. یک ابزار تبدیل پرامپت به اپ میتواند چیزی به شما بدهد که شبیه یک محصول تمامشده است در زمانی که قبلاً صرف نامگذاری یک صفحه در Figma میشد. یک بنچمارک اخیر متمرکز بر انسان از این سیستمها—آزمایش 288 اپ تولیدشده از 96 پرامپت در ابزارهایی مانند Replit، Bolt، و Firebase Studio—شکاف ثابتی بین صیقلی بودن بصری و قابلیت اطمینان عملکردی نشان داد. شرکتکنندگان کمتر به آنچه میدیدند اعتماد کردند وقتی که سعی کردند از آن استفاده کنند. صفحات درخشان بودند؛ رفتار شکننده.
برای تیمهای طراحی، آن شکاف دقیقاً جایی است که اوضاع جالب میشود. هوش مصنوعی ساختن چیزی که شبیه یک محصول به نظر میرسد قبل از اینکه مانند یک محصول رفتار کند را آسانتر از همیشه میکند. این طراحان را کمتر ضروری نمیکند. آنها را پاسخگوتر میسازد.
کسی باید تصمیم بگیرد آیا تجربه منسجم است، آیا حالتها پوششدهندهٔ آشفتگیهای دنیای واقعی هستند، آیا انسان واقعاً به اندازهٔ کافی به عامل اعتماد خواهد کرد تا بگذارد به نمایندگی از او عمل کند.
