احتمالاً هنگام کار با ابزارهای هوش مصنوعی این صحنه را بارها دیده‌اید: سؤالی می‌پرسید، اما پاسخ بلافاصله ظاهر نمی‌شود. چند لحظه پیام‌هایی مثل «در حال فکر کردن»، «در حال جست‌وجوی منابع»، «در حال تحلیل اطلاعات» یا عبارت‌هایی مشابه روی صفحه دیده می‌شود و بعد پاسخ نهایی در اختیارتان قرار می‌گیرد.
در نگاه اول، چنین پیام‌هایی کاملاً فنی به نظر می‌رسند؛ انگار رابط کاربری فقط می‌خواهد اطلاع دهد که سیستم هنوز مشغول پردازش درخواست شماست. اما ماجرا به همین‌جا ختم نمی‌شود.
نمایش فرایند انجام کار می‌تواند روی برداشت ما از خودِ نتیجه هم اثر بگذارد. وقتی می‌بینیم یک سیستم برای رسیدن به پاسخ مراحلی را پشت سر می‌گذارد، منابعی را بررسی می‌کند یا برای چند ثانیه مشغول تحلیل است، ممکن است همان پاسخ را دقیق‌تر، ارزشمندتر و حتی قابل اعتمادتر تصور کنیم.
این موضوع یکی از بخش‌های جذاب روانشناسی هوش مصنوعی است؛ جایی که طراحی رابط کاربری، رفتار مصرف‌کننده و شیوه قضاوت ذهن انسان به هم می‌رسند.
نکته جالب‌تر اینکه این پدیده با ChatGPT، Claude یا سایر ابزارهای هوش مصنوعی به وجود نیامده است. سال‌ها پیش از آنکه هوش مصنوعی مولد وارد زندگی روزمره ما شود، پژوهشگران نشان داده بودند که مشاهده «تلاش» یک سیستم یا سرویس می‌تواند ارزش نتیجه را در ذهن کاربر افزایش دهد؛ حتی اگر خروجی نهایی تفاوتی با گزینه‌ای سریع‌تر نداشته باشد.
اما چرا چنین اتفاقی می‌افتد؟ چرا چند ثانیه انتظار همراه با نمایش فرایند کار می‌تواند قضاوت ما را تغییر دهد؟
برای رسیدن به پاسخ، باید ابتدا با مفهومی به نام Labor Illusion آشنا شویم.
چرا سریع‌تر بودن همیشه به معنای ارزشمندتر بودن نیست؟
یکی از اصول قدیمی طراحی محصولات دیجیتال این است که کاربر را منتظر نگذارید.
سایت باید سریع باز شود، نتیجه جست‌وجو باید زود نمایش داده شود و یک اپلیکیشن خوب نباید کاربر را پشت صفحه‌ای خالی معطل کند. هنوز هم این اصل کاملاً معتبر است. کسی از کندی بی‌دلیل استقبال نمی‌کند.
بااین‌حال، تجربه انتظار فقط به تعداد ثانیه‌ها بستگی ندارد.
فرض کنید بعد از کلیک روی یک دکمه، صفحه برای هشت ثانیه هیچ واکنشی نشان ندهد. احتمالاً خیلی زود شک می‌کنید که آیا درخواست شما ثبت شده است یا نه. شاید تصور کنید سایت از کار افتاده یا مجبور شوید دوباره روی دکمه کلیک کنید.
حالا همان هشت ثانیه را در شرایط دیگری تصور کنید. این بار سیستم به شما می‌گوید:
«در حال بررسی اطلاعات...»
چند لحظه بعد:
«در حال مقایسه گزینه‌ها...»
و در نهایت:
«آماده‌سازی نتیجه...»
مدت انتظار تقریباً همان است، اما تجربه شما کاملاً متفاوت خواهد بود. حالا می‌دانید سیستم متوقف نشده و کاری در پشت صحنه در حال انجام است.
به همین دلیل است که در طراحی رابط‌های کاربری از نوار پیشرفت، درصد تکمیل، انیمیشن بارگذاری و پیام‌های وضعیت استفاده می‌شود. Nielsen Norman Group نیز توضیح می‌دهد که شاخص‌های پیشرفت می‌توانند ابهام انتظار را کاهش دهند و به کاربر نشان دهند سیستم هنوز در حال کار است.
اما در ابزارهای هوش مصنوعی، یک لایه دیگر هم به این ماجرا اضافه می‌شود.
پیامی مثل «در حال تحلیل» فقط به ما نمی‌گوید سیستم هنوز کار می‌کند؛ ممکن است این احساس را هم ایجاد کند که برای پاسخ دادن به سؤال ما تلاش قابل توجهی در حال انجام است.
همین تفاوت کوچک، نقطه شروع بحث Labor Illusion است.
Labor Illusion چیست و چه ارتباطی با هوش مصنوعی دارد؟
اصطلاح Labor Illusion را می‌توان به «توهم تلاش» یا «اثر مشاهده تلاش» ترجمه کرد.
Ryan Buell و Michael Norton از Harvard Business School این پدیده را در پژوهشی بررسی کردند که در سال ۲۰۱۱ در نشریه Management Science منتشر شد. پرسش آنها ساده اما مهم بود:
اگر مشتری بتواند بخشی از کاری را که یک سرویس برای او انجام می‌دهد ببیند، آیا ارزش بیشتری برای نتیجه نهایی قائل خواهد شد؟
نتایج مجموعه‌ای از آزمایش‌های آنها نشان داد که پاسخ در بسیاری از مواقع مثبت است.
وقتی بخشی از فرایندی که معمولاً پشت صحنه اتفاق می‌افتد برای مشتری قابل مشاهده شود، او ممکن است نتیجه نهایی را باارزش‌تر ارزیابی کند. پژوهشگران این موضوع را در خدمات و تجربه‌های مختلف، از جمله جست‌وجوی سفر، بررسی کردند.
به بیان ساده‌تر، اگر دو سیستم نتیجه یکسانی به شما بدهند، ممکن است سیستمی که نشان می‌دهد برای رسیدن به آن نتیجه چه کاری انجام داده، در ذهن شما ارزشمندتر باشد.
این موضوع از منظر روانشناسی هوش مصنوعی اهمیت زیادی دارد.
وقتی یک پاسخ فوراً روی صفحه ظاهر می‌شود، ما تقریباً هیچ تصویری از فرایند تولید آن نداریم. سؤال را نوشته‌ایم و پاسخ ظاهر شده است. اما وقتی ابزار AI نشان می‌دهد که اطلاعات را بررسی می‌کند، منابعی را جست‌وجو می‌کند یا مراحل مختلفی را پشت سر می‌گذارد، کاری که قبلاً نامرئی بود تا حدی برای ما قابل مشاهده می‌شود.
در نتیجه، فقط پاسخ را نمی‌بینیم؛ «تلاش پشت پاسخ» را هم احساس می‌کنیم.
آزمایش جست‌وجوی پرواز؛ وقتی کاربران حاضر شدند بیشتر منتظر بمانند
یکی از جالب‌ترین آزمایش‌های Buell و Norton با یک موتور جست‌وجوی سفر انجام شد.
در این آزمایش ۲۶۶ نفر از سایتی استفاده کردند که عملکردی شبیه موتورهای جست‌وجوی پرواز داشت. تجربه افراد اما یکسان نبود.
بعضی از کاربران هنگام جست‌وجو فقط یک نشانگر معمولی بارگذاری می‌دیدند. گروه دیگری علاوه بر زمان انتظار، اطلاعاتی درباره کاری که سیستم در حال انجام آن بود مشاهده می‌کردند؛ مثلاً اینکه سایت در حال بررسی شرکت‌های هواپیمایی مختلف و جمع‌آوری گزینه‌های موجود است.
زمان انتظار نیز به‌طور تصادفی بین ۱۰ تا ۶۰ ثانیه تغییر می‌کرد.
نکته مهم این بود که نتیجه نهایی جست‌وجو برای کاربران تفاوتی نداشت. با وجود این، افرادی که فرایند کار سیستم را مشاهده کرده بودند، ارزش بیشتری برای نتیجه قائل شدند.
HubSpot در مرور این پژوهش اشاره می‌کند که این گروه، نتایج را حدود ۸.۱ درصد ارزشمندتر ارزیابی کردند.
ماجرا حتی از این هم جالب‌تر شد.
در بخشی دیگر از آزمایش، ۱۱۸ شرکت‌کننده باید بین دو سیستم انتخاب می‌کردند: سیستمی که سریع‌تر نتیجه را نمایش می‌داد اما چیزی از فرایند کار نشان نمی‌داد و سیستمی که کندتر بود اما مراحل کار خود را در معرض دید کاربر قرار می‌داد.
با وجود یکسان بودن نتایج، بسیاری از افراد تجربه دوم را ترجیح دادند.
این یافته برخلاف تصور اولیه ماست. معمولاً فکر می‌کنیم کاربران همیشه سریع‌ترین گزینه را می‌خواهند، اما ظاهراً سرعت تنها عاملی نیست که روی ارزش ادراک‌شده اثر می‌گذارد.
گاهی دیدن اینکه «برای رسیدن به این نتیجه کاری انجام شده» می‌تواند بخشی از تجربه ارزش‌آفرینی باشد.
ذهن ما چرا تلاش بیشتر را با نتیجه بهتر مرتبط می‌کند؟
برای درک بهتر این موضوع، لازم نیست سراغ فناوری برویم.
فرض کنید از دو نفر می‌خواهید یک گزارش برایتان آماده کنند.
نفر اول فایل را تحویل می‌دهد و فقط می‌گوید:
«گزارش آماده است.»
نفر دوم هنگام تحویل توضیح می‌دهد که چند منبع را بررسی کرده، داده‌های مختلف را با هم تطبیق داده، چند مورد را حذف کرده و پیش از تحویل، نتیجه را دوباره کنترل کرده است.
حتی اگر دو گزارش از نظر کیفیت تفاوت چندانی با هم نداشته باشند، احتمال زیادی وجود دارد که گزارش دوم در ذهن شما حساب‌شده‌تر به نظر برسد.
دلیلش این است که انسان‌ها در بسیاری از موقعیت‌ها بین میزان تلاش و میزان ارزش ارتباط برقرار می‌کنند.
البته این رابطه همیشه واقعی نیست.
ممکن است کسی سه ساعت برای کاری وقت بگذارد که فرد دیگری آن را در نیم ساعت و با کیفیت بالاتری انجام می‌دهد. تلاش بیشتر الزاماً به معنای نتیجه بهتر نیست. اما ذهن ما هنگام ارزیابی ارزش، تلاش را به‌عنوان یکی از نشانه‌های احتمالی کیفیت در نظر می‌گیرد.
در خدمات دیجیتال، این اثر می‌تواند پررنگ‌تر هم باشد؛ چون تقریباً تمام کار پشت صفحه انجام می‌شود.
ما نمی‌بینیم یک موتور جست‌وجو چند هزار نتیجه را بررسی کرده، یک سیستم پیشنهاددهنده چند متغیر را با هم سنجیده یا یک نرم‌افزار تحلیلی چه مقدار داده را پردازش کرده است.
فقط نتیجه را می‌بینیم.
Labor Illusion دقیقاً در همین نقطه وارد ماجرا می‌شود: اگر بخشی از این کار نامرئی قابل مشاهده شود، برداشت ما از ارزش خروجی هم می‌تواند تغییر کند.
یک پژوهش جدیدتر هم همین اثر را تأیید می‌کند
ممکن است تصور کنیم پژوهشی که در سال ۲۰۱۱ انجام شده، ارتباط چندانی با محصولات دیجیتال امروزی و مخصوصاً سیستم‌های هوشمند ندارد.
اما پژوهش دیگری که در سال ۲۰۲۲ توسط Dimitrios Tsekouras، Ting Li و Izak Benbasat در نشریه Information & Management منتشر شد، دوباره همین موضوع را بررسی کرد.
این بار تمرکز پژوهشگران روی سیستم‌های پیشنهاددهنده بود؛ سیستم‌هایی که براساس اطلاعات و ترجیحات کاربر، گزینه‌هایی را به او پیشنهاد می‌کنند.
در آزمایش‌های انجام‌شده، حوزه‌هایی مانند انتخاب خودرو و آشنایی آنلاین بررسی شدند. یافته‌ها نشان دادند که کاربران برای سنجش کیفیت یک سیستم پیشنهاددهنده، فقط به کیفیت ظاهری پیشنهادها توجه نمی‌کنند.
اینکه سیستم در نگاه آنها چقدر برای رسیدن به پیشنهاد تلاش کرده است هم اهمیت دارد.
به عبارت دیگر، اگر کاربر احساس کند سیستم زمان و پردازش بیشتری برای بررسی اطلاعات او صرف کرده است، ممکن است کیفیت آن را بالاتر ارزیابی کند؛ حتی زمانی که خروجی تغییر نکرده باشد.
این نتیجه ارتباط بسیار روشنی با تجربه امروز ما از هوش مصنوعی دارد.
فرض کنید پس از نوشتن یک درخواست، ابزار بلافاصله نتیجه را نمایش دهد. حالا همین ابزار را تصور کنید که ابتدا می‌گوید اطلاعات را بررسی می‌کند، سپس منابع مرتبط را جست‌وجو می‌کند و بعد پاسخ را ارائه می‌دهد.
در حالت دوم، کاربر فقط منتظر پاسخ نیست. او در ذهن خودش تصویری از فرایند انجام کار می‌سازد.
و همین تصویر می‌تواند روی ارزیابی نهایی او اثر بگذارد.
پس چرا ابزارهای هوش مصنوعی نشان می‌دهند مشغول کار هستند؟
حالا می‌توانیم به پرسش اصلی برگردیم.
چرا ابزارهای هوش مصنوعی هنگام انجام بعضی درخواست‌ها، وضعیت کار خود را نشان می‌دهند؟
بخشی از پاسخ کاملاً کاربردی است.
وقتی یک درخواست چند ثانیه یا بیشتر زمان می‌برد، کاربر باید بداند سیستم هنوز مشغول کار است. اگر هیچ بازخوردی وجود نداشته باشد، احتمال دارد تصور کند مشکلی پیش آمده است.
اما نمایش وضعیت مزیت دیگری هم دارد: انتظار را قابل فهم می‌کند.
به‌جای چند ثانیه سکوت، کاربر می‌بیند که چه اتفاقی در حال رخ دادن است. سیستم ممکن است مشغول جست‌وجوی وب، خواندن یک فایل، تحلیل داده یا مقایسه چند گزینه باشد.
همین موضوع تجربه انتظار را تغییر می‌دهد.
از طرف دیگر، نمایش فرایند باعث می‌شود حجم کاری که در پشت نتیجه وجود دارد برای کاربر ملموس‌تر شود. کاری که در حالت عادی کاملاً پنهان بود، حالا تا حدی قابل مشاهده است.
در نتیجه، پاسخ نهایی ممکن است برای کاربر حاصل یک فرایند واقعی‌تر و جدی‌تر به نظر برسد.
این همان نقطه‌ای است که مفهوم Labor Illusion به روانشناسی هوش مصنوعی پیوند می‌خورد.
البته یک نکته مهم را نباید فراموش کرد: آنچه یک ابزار هوش مصنوعی با عنوان‌هایی مثل «Thinking» یا «Analyzing» به کاربر نشان می‌دهد، الزاماً تصویری کامل و مستقیم از تمام فرایندهای درونی مدل نیست.
در بسیاری از محصولات، آنچه روی صفحه می‌بینیم یک نمایش طراحی‌شده از وضعیت پردازش یا خلاصه‌ای قابل فهم از مراحل کار است.
بنابراین بهتر است آن را «نمایش فرایند برای کاربر» بدانیم، نه پنجره‌ای مستقیم به ذهن یا سازوکار درونی مدل.
شفافیت عملیاتی؛ وقتی پشت صحنه هم بخشی از تجربه مشتری می‌شود
Labor Illusion بخشی از مفهوم گسترده‌تری به نام Operational Transparency یا «شفافیت عملیاتی» است.
منظور از شفافیت عملیاتی این است که مشتری بتواند بخشی از فرایندی را که برای ارائه یک محصول یا خدمت انجام می‌شود مشاهده کند.
به یک رستوران با آشپزخانه باز فکر کنید.
مشتری فقط غذای نهایی را روی میز نمی‌بیند؛ بخشی از فرایند آماده‌سازی آن را هم مشاهده می‌کند. همین اتفاق می‌تواند احساس متفاوتی نسبت به تجربه غذا ایجاد کند.
یا سیستم رهگیری سفارش یک فروشگاه اینترنتی را در نظر بگیرید.
اگر فقط نوشته باشد «سفارش ثبت شد» و چند روز بعد بسته به دست شما برسد، تجربه‌ای خواهید داشت. اما اگر در این فاصله ببینید سفارش آماده شده، بسته‌بندی شده، تحویل شرکت حمل شده و اکنون در مسیر شماست، تجربه متفاوتی شکل می‌گیرد.
محصول نهایی همان بسته است، اما دیدن مراحل انجام کار باعث می‌شود فرایند برای شما قابل لمس‌تر شود.
Ryan Buell در Harvard Business Review نیز به همین موضوع اشاره می‌کند: بسیاری از کسب‌وکارهای امروزی به کمک فناوری و اتوماسیون، کار را سریع‌تر و کارآمدتر کرده‌اند، اما در همین مسیر بخشی از کاری را که برای مشتری انجام می‌شود از دید او پنهان کرده‌اند.
نتیجه چیست؟
ممکن است مشتری فقط خروجی نهایی را ببیند و اصلاً متوجه نشود چه مقدار فعالیت برای تولید آن انجام شده است.
در ابزارهای هوش مصنوعی نیز با وضعیت مشابهی روبه‌رو هستیم. بخش زیادی از پردازش در پشت صحنه اتفاق می‌افتد و کاربر هیچ دسترسی مستقیمی به آن ندارد.
نمایش درست بخشی از این فرایند می‌تواند فاصله بین «کاری که سیستم انجام می‌دهد» و «چیزی که کاربر می‌بیند» را کمتر کند.
آیا پس باید هوش مصنوعی را عمداً کند کنیم؟
اگر نمایش تلاش باعث می‌شود کاربران نتیجه را ارزشمندتر بدانند، شاید وسوسه شویم از این موضوع نتیجه بگیریم که بهتر است سیستم‌ها را عمداً کمی کندتر کنیم.
اما چنین برداشتی می‌تواند کاملاً اشتباه باشد.
کاربران عاشق انتظار نیستند. آنچه پژوهش‌های Labor Illusion نشان می‌دهند این نیست که «کندی بهتر است»، بلکه نشان می‌دهند وقتی انتظار اجتناب‌ناپذیر است، نمایش معنادار فرایند می‌تواند تجربه آن را تغییر دهد.
این دو موضوع تفاوت زیادی با هم دارند.
اگر نتیجه واقعاً در یک ثانیه آماده است، معطل‌کردن کاربر برای پنج ثانیه فقط برای اینکه سیستم سخت‌کوش‌تر به نظر برسد، به سختی می‌تواند تجربه کاربری خوبی باشد.
اما اگر پردازش واقعاً زمان می‌برد، نشان‌دادن اینکه در این مدت چه کاری در حال انجام است می‌تواند مفید باشد.
مثلاً اگر ابزار در حال بررسی چند منبع است، می‌تواند همین موضوع را نشان دهد. اگر یک فایل بزرگ تحلیل می‌شود، بهتر است کاربر بداند تحلیل تا کجا پیش رفته است. اگر یک عامل هوش مصنوعی در چند مرحله از ابزارهای مختلف استفاده می‌کند، نمایش مرحله فعلی می‌تواند احساس کنترل بیشتری به کاربر بدهد.
پس هدف، «ساختن توهم تلاش» نیست.
هدف بهتر این است که تلاش واقعی سیستم را در جایی که برای کاربر مفید است، قابل مشاهده کنیم.
این تفاوت از نظر اعتماد هم بسیار مهم است. اگر کاربران متوجه شوند تأخیر یا نمایش فعالیت صرفاً ساختگی بوده، همان ویژگی‌ای که قرار بود اعتماد ایجاد کند می‌تواند نتیجه‌ای کاملاً معکوس داشته باشد.
آیا نمایش فرایند باعث می‌شود بیشتر به هوش مصنوعی اعتماد کنیم؟
احتمالاً در بسیاری از موقعیت‌ها بله؛ اما اینجا باید با احتیاط بیشتری صحبت کرد.
بین «قابل اعتماد بودن یک سیستم» و «قابل اعتماد به نظر رسیدن آن» تفاوت وجود دارد.
رابط کاربری می‌تواند پاسخ را حرفه‌ای‌تر جلوه دهد. نمایش منابع، مراحل پردازش و پیام‌های وضعیت هم می‌تواند احساس اطمینان ایجاد کند.
اما هیچ‌کدام از این موارد به‌تنهایی تضمین نمی‌کنند که پاسخ درست است.
یک مدل هوش مصنوعی ممکن است چند مرحله را طی کند و همچنان به نتیجه‌ای نادرست برسد. همان‌طور که ممکن است ابزار دیگری خیلی سریع پاسخ صحیحی ارائه دهد.
این نکته یکی از مهم‌ترین درس‌های روانشناسی هوش مصنوعی است: برداشت ما از کیفیت الزاماً با کیفیت واقعی برابر نیست.
Labor Illusion دقیقاً نشان می‌دهد که نحوه نمایش فرایند می‌تواند قضاوت ما را تغییر دهد.
به همین دلیل طراحی مسئولانه ابزارهای هوش مصنوعی اهمیت زیادی دارد. اگر رابط کاربری بتواند با چند انیمیشن و پیام پردازش حس اعتماد ایجاد کند، باید مراقب بود این اعتماد بیشتر از توان واقعی سیستم نشود.
نمایش منبع، مشخص‌کردن محدودیت‌ها، بیان عدم قطعیت و فراهم‌کردن امکان بررسی اطلاعات معمولاً راه‌های سالم‌تری برای ایجاد اعتماد هستند.
هدف شفافیت نباید این باشد که کاربر را تحت تأثیر قرار دهیم؛ باید کمک کنیم بهتر بفهمد سیستم چه کاری انجام داده و چقدر می‌تواند به نتیجه آن تکیه کند.
کسب‌وکارها چه درسی می‌توانند از این موضوع بگیرند؟
این بحث فقط برای شرکت‌هایی که ابزار هوش مصنوعی می‌سازند کاربرد ندارد.
تقریباً هر کسب‌وکاری بخشی از ارزش خود را در پشت صحنه تولید می‌کند؛ بخشی که مشتری شاید هرگز آن را نبیند.
فرض کنید یک آژانس دیجیتال مارکتینگ برای تدوین استراتژی محتوای یک برند، چندین رقیب را بررسی می‌کند، صدها کلمه کلیدی را تحلیل می‌کند، داده‌های سرچ کنسول را می‌بیند و بعد از چند مرحله بررسی، یک تقویم محتوایی تحویل می‌دهد.
مشتری در نهایت چه چیزی می‌بیند؟
شاید فقط یک فایل اکسل.
اگر هیچ توضیحی درباره فرایند وجود نداشته باشد، بخش بزرگی از ارزشی که آژانس ایجاد کرده در پشت صحنه باقی می‌ماند.
حالا تصور کنید همان آژانس در گزارش خود توضیح دهد که چند رقیب تحلیل شده‌اند، چه منابعی بررسی شده‌اند، چه تعداد کلمه کلیدی غربال شده و بر چه اساسی موضوعات نهایی انتخاب شده‌اند.
خروجی تغییر نکرده، اما ارزش کاری که انجام شده برای مشتری قابل مشاهده‌تر شده است.
همین اتفاق می‌تواند در شرکت‌های SaaS، ابزارهای تحلیل داده، خدمات مالی، طراحی، مشاوره، سئو و حتی تولید محتوا رخ دهد.
درس اصلی این نیست که کسب‌وکار باید فرایند خود را پیچیده‌تر از چیزی که هست نشان دهد.
برعکس؛ بهتر است ارزش واقعی‌ای را که پیش از این پنهان مانده، به زبان قابل فهم برای مشتری آشکار کند.
یک مثال ساده از بازاریابی محتوا
فرض کنید دو نویسنده هرکدام مقاله‌ای ۲۰۰۰ کلمه‌ای درباره یک موضوع تخصصی نوشته‌اند.
نویسنده اول فقط فایل نهایی را تحویل می‌دهد.
نویسنده دوم همراه مقاله توضیح می‌دهد که برای آماده‌کردن آن، نتایج جست‌وجو را بررسی کرده، منابع معتبر را خوانده، ساختار رقبا را تحلیل کرده، سوالات پرتکرار کاربران را استخراج کرده و سپس مقاله را نوشته است.
حتی اگر کیفیت هر دو مقاله نزدیک به هم باشد، مشتری احتمالاً در مورد کار دوم تصویر روشن‌تری از ارزش دریافت‌شده دارد.
چرا؟
چون دیگر فقط با «۲۰۰۰ کلمه متن» روبه‌رو نیست.
می‌داند چه فرایندی پشت آن بوده است.
این مثال نشان می‌دهد چرا مفاهیمی مثل Labor Illusion و شفافیت عملیاتی برای بازاریابی هم اهمیت دارند. بسیاری از خدمات حرفه‌ای زمانی کم‌ارزش به نظر می‌رسند که تمام کارهای پشت صحنه آنها نامرئی باقی مانده باشد.
چگونه از این اصل در طراحی تجربه کاربری استفاده کنیم؟
اگر بخواهیم Labor Illusion را به‌شکل درستی در محصولات دیجیتال به کار ببریم، مهم‌ترین اصل این است که میان شفافیت واقعی و نمایش ساختگی تفاوت بگذاریم.
بهتر است کاربر بداند چه اتفاقی در حال رخ دادن است، اما لازم نیست با جزئیات غیرضروری یا نمایشی بمباران شود.
اگر پردازش کوتاه است، یک بازخورد ساده کافی است. برای یک کار یک‌ثانیه‌ای، نمایش پنج مرحله مختلف نه‌تنها مفید نیست، بلکه ممکن است تجربه را شلوغ و مصنوعی کند.
در مقابل، وقتی کار چند دقیقه زمان می‌برد، یک Spinner چرخان دیگر پاسخ مناسبی نیست. در چنین شرایطی بهتر است کاربر بداند سیستم در چه مرحله‌ای قرار دارد و تقریباً چقدر از کار باقی مانده است.
همچنین باید از ایجاد ارتباط مصنوعی بین «مدت پردازش» و «کیفیت نتیجه» خودداری کرد. طولانی‌تر بودن فرایند هیچ تضمینی برای بهتر بودن خروجی نیست.
مهم‌تر از همه اینکه در ابزارهای هوش مصنوعی، امکان راستی‌آزمایی باید در اولویت باشد. نمایش منابع، مشخص‌کردن اطلاعات استخراج‌شده و ارائه شواهد، بسیار بیشتر از یک انیمیشن پیچیده به کاربر کمک می‌کند کیفیت پاسخ را ارزیابی کند.
بنابراین می‌توان چند اصل ساده را در نظر گرفت:
-
فرایند واقعی را نشان دهید، نه فعالیت ساختگی را.
-
برای انتظارهای کوتاه، رابط کاربری را بی‌دلیل شلوغ نکنید.
-
در پردازش‌های طولانی، اطلاعات معناداری درباره پیشرفت کار ارائه دهید.
-
مدت‌زمان پردازش را معادل کیفیت نتیجه معرفی نکنید.
-
هرجا ممکن است، منابع و شواهد قابل بررسی در اختیار کاربر بگذارید.
-
سرعت را قربانی ایجاد حس «تلاش بیشتر» نکنید.
با رعایت همین نکات، نمایش فرایند می‌تواند واقعاً به تجربه بهتر کاربر کمک کند، نه اینکه صرفاً یک تکنیک روان‌شناختی برای اثرگذاری بر او باشد.
بازاریاب‌ها از «نمایش فرایند» چه چیزی می‌توانند یاد بگیرند؟
در بازاریابی معمولاً تمرکز اصلی روی نتیجه است.
فروش بیشتر، رتبه بهتر در گوگل، نرخ تبدیل بالاتر، محتوای باکیفیت‌تر یا طراحی بهتر.
همه این موارد مهم‌اند، اما یک بخش از داستان معمولاً نادیده گرفته می‌شود: فرایندی که این نتیجه را ساخته است.
مشتری همیشه نمی‌داند برای رسیدن به نتیجه‌ای که دریافت کرده چه اتفاقی افتاده است.
فرض کنید یک شرکت سئو گزارشی درباره وضعیت سایت آماده می‌کند. اگر فقط لیستی از مشکلات و پیشنهادها تحویل دهد، مشتری خروجی را می‌بیند اما ممکن است ابعاد کار انجام‌شده را درک نکند.
حالا فرض کنید همان شرکت توضیح دهد که چه تعداد صفحه خزیده شده، چه رقبا و کلمات کلیدی‌ای بررسی شده‌اند، داده‌ها از کدام منابع آمده‌اند و چرا بعضی مشکلات در اولویت بالاتری قرار گرفته‌اند.
گزارش لزوماً طولانی‌تر نشده است. فقط ارزش پنهان فرایند قابل مشاهده شده است.
این نکته برای آژانس‌ها، مشاوران، فریلنسرها و کسب‌وکارهای خدماتی اهمیت زیادی دارد.
گاهی لازم نیست ارزش بیشتری ایجاد کنید؛ لازم است ارزشی را که از قبل ایجاد کرده‌اید بهتر نشان دهید.
آیا هرچه هوش مصنوعی بیشتر «فکر کند»، پاسخ بهتر می‌شود؟
خیر.
این شاید یکی از مهم‌ترین سوءبرداشت‌هایی باشد که نمایش فرایند می‌تواند ایجاد کند.
وقتی یک سیستم برای مدت طولانی «در حال فکر کردن» به نظر می‌رسد و چند مرحله مختلف را روی صفحه نشان می‌دهد، ممکن است ناخودآگاه تصور کنیم نتیجه باید دقیق‌تر باشد.
اما چنین رابطه مستقیمی وجود ندارد.
Labor Illusion دقیقاً به ما یادآوری می‌کند که «تلاش ادراک‌شده» می‌تواند قضاوت ما را تحت تأثیر قرار دهد. یعنی ممکن است پاسخ فقط به این دلیل که پشت آن فرایند پیچیده‌تری دیده‌ایم، برایمان بهتر به نظر برسد.
به همین دلیل هنگام ارزیابی پاسخ‌های هوش مصنوعی بهتر است به نشانه‌های واقعی‌تری توجه کنیم.
آیا اطلاعات با منابع معتبر پشتیبانی شده‌اند؟ آیا ادعاها قابل بررسی هستند؟ آیا ابزار سؤال را درست فهمیده است؟ آیا پاسخ با داده‌های موجود تناقض ندارد؟ آیا در موضوعات حساس، عدم قطعیت خود را مشخص کرده است؟
این معیارها برای سنجش کیفیت پاسخ بسیار مهم‌تر از مدت‌زمانی هستند که پیام «در حال فکر کردن» روی صفحه دیده‌ایم.
آینده تجربه کاربری هوش مصنوعی؛ از جعبه سیاه تا فرایند قابل مشاهده
نرم‌افزارهای سنتی معمولاً تلاش می‌کردند پیچیدگی را از کاربر پنهان کنند.
روی یک دکمه کلیک می‌کردید و نتیجه ظاهر می‌شد. هرچه پشت صحنه اتفاق می‌افتاد مسئله کاربر نبود.
اما ابزارهای هوش مصنوعی نسل جدید در حال انجام وظایفی هستند که گاهی بسیار پیچیده‌تر از اجرای یک دستور ساده‌اند. ممکن است در وب جست‌وجو کنند، چند فایل را بخوانند، داده‌ها را تحلیل کنند، ابزارهای مختلف را به کار بگیرند و بعد از چند مرحله نتیجه نهایی را تولید کنند.
وقتی یک وظیفه فقط چند ثانیه طول می‌کشد، پنهان‌ماندن این مراحل مشکلی ایجاد نمی‌کند.
اما هرچه AI به سمت انجام کارهای طولانی‌تر و چندمرحله‌ای حرکت کند، نیاز به شفافیت بیشتر می‌شود.
اگر یک عامل هوش مصنوعی چند دقیقه مشغول انجام کار است، کاربر باید بداند چه اتفاقی در حال رخ دادن است. اگر سیستم قرار است اطلاعاتی را از چند منبع جمع‌آوری کند، مشاهده منابع می‌تواند حس کنترل بیشتری ایجاد کند. اگر قرار است عملی مانند خرید، ارسال پیام یا تغییر اطلاعات انجام شود، کاربر باید بتواند قبل از اجرا بفهمد سیستم دقیقاً چه تصمیمی گرفته است.
به همین دلیل احتمالاً یکی از مهم‌ترین مسائل طراحی محصولات مبتنی بر هوش مصنوعی در سال‌های آینده، خودِ پاسخ نهایی نخواهد بود.
بخش مهمی از رقابت روی فضای بین «درخواست کاربر» و «نتیجه نهایی» شکل می‌گیرد.
این فضای میانی می‌تواند چیزی جز چند ثانیه انتظار نباشد یا به بخشی ارزشمند از تجربه تبدیل شود که به کاربر نشان می‌دهد چه کاری در حال انجام است، چه مقدار پیشرفت حاصل شده و چه زمانی لازم است خودش وارد فرایند شود.
جمع‌بندی؛ گاهی دیدن کار، ارزش کار را تغییر می‌دهد
وقتی ابزارهای هوش مصنوعی پیام‌هایی مثل «در حال جست‌وجو»، «در حال تحلیل» یا «در حال بررسی اطلاعات» نشان می‌دهند، با یک جزئیات ساده رابط کاربری روبه‌رو نیستیم.
پشت چنین تجربه‌ای مجموعه‌ای از اصول مربوط به طراحی، رفتار کاربر و روانشناسی هوش مصنوعی قرار دارد.
پژوهش‌های Labor Illusion نشان داده‌اند وقتی بخشی از تلاش یک سیستم یا سرویس برای کاربر قابل مشاهده می‌شود، ممکن است ارزش بیشتری برای خروجی آن قائل شود. تحقیقات بعدی درباره سیستم‌های پیشنهاددهنده نیز نشان داده‌اند «تلاش ادراک‌شده» می‌تواند بر ارزیابی کاربران از کیفیت سیستم اثر بگذارد.
این یافته‌ها توضیح می‌دهند چرا نمایش فرایند کار می‌تواند تجربه انتظار را تغییر دهد.
اما مهم است نتیجه اشتباهی از این پژوهش‌ها نگیریم.
هدف، کندکردن سیستم یا ساختن تصویری مصنوعی از سخت‌کوشی نیست. بهترین تجربه زمانی شکل می‌گیرد که سیستم سریع باشد و در عین حال، هرجا لازم است کاری را که واقعاً برای کاربر انجام می‌دهد به شکلی روشن و قابل فهم نشان دهد.
در نهایت، کاربران همیشه فقط دنبال نتیجه نیستند.
گاهی می‌خواهند بدانند این نتیجه از کجا آمده، چه چیزی بررسی شده و چرا باید به آن اعتماد کنند.
در جهانی که بخش بزرگی از کارها آرام و نامرئی در پشت صفحه انجام می‌شود، شاید یکی از مهم‌ترین اصول طراحی همین باشد:
ارزشی را که در پشت صحنه ساخته می‌شود، در جای درست و به اندازه درست قابل مشاهده کنید.