You skipped the first question. Now you’re adding AI

Введение: почему первый вопрос всё ещё важен

Когда команда берётся за «цифровую трансформацию» или «умную автоматизацию», первое искушение — сразу перейти к инструментам и технологиям. Искусственный интеллект сегодня выглядит настолько мощным и универсальным, что возникает ощущение: можно сразу решать задачи бизнеса — автоматизировать, анализировать, предсказывать — и лишь потом «подклеить» интерфейсы.

Но так же часто приходит и разочарование: пользователи не понимают, что делает система; решения не приносят ожидаемой ценности; данные копятся, а интерфейс остаётся громоздким и неудобным.

Это понятная ловушка: мы пропускаем самый первый вопрос и сразу добавляем AI.

О чём первый вопрос на самом деле

В UX дизайн и продуктовой разработке первый вопрос обычно звучит так или иначе так:

Что пользователи пытаются сделать на самом деле и почему?

Это не вопрос о технологиях или даже о функциях продукта. Это вопрос о целях и ограничениях реальных людей:

• Какую работу они сейчас выполняют вручную?
• Где они тратят больше всего времени и совершают ошибки?
• Что они считают успешным результатом своей работы?
• Что мешает им этого достичь прямо сейчас?

На первый взгляд это может показаться банальным или даже очевидным. Но именно на этом уровне находятся самые важные решения для будущего продукта или фичи с искусственным интеллектом.

---

Как пропуск первого вопроса приводит к проблемам с AI

Сценарий типичного проекта: «Давайте быстро добавим AI»

Команда собирается на стендап и начинает такую цепочку рассуждений:

1. У нас много данных — пользователи, клики, логи, транзакции.
2. У нас есть ИИ-платформа и модель.
3. Давайте сделаем рекомендации, автоматизируем задачу или построим чатбота.

И вот уже готовятся пачки скриншотов нового дизайна: чатбот в правом нижнем углу, рекомендательный блок в карточке товара, автоматизированный отчёт в дашборде. Но вопросы пользователей остаются за кадром:

• Что делать, если рекомендация ошибается?
• Как понять, почему система приняла именно такое решение?
• Можно ли доверять результату автоматизации или лучше перепроверить?

Именно это и есть следствие пропуска первого вопроса. Когда вы начинаете с технологии и «данных», а не с реальных задач пользователя, вы легко строите сложную систему, которая выглядит умно, но на самом деле не решает настоящую проблему.

Почему это особенно болезненно с ИИ

Системы на искусственном интеллекте приносят с собой несколько дополнительных сложностей:

• Непредсказуемость. ИИ моделируют вероятности. Результат редко гарантированно правилен.
• Нелинейность. Модель может выдавать хорошие результаты на одном сценарии и плохие на другом, без очевидной причины.
• Неясность контекста. Модель не всегда знает, что в реальной жизни критично, а что нет.

Это делает UX дизайн — особенно дизайн принятия решений, ошибок и «доверия» — не менее важным, чем сами алгоритмы.

---

Сначала контекст пользователя, затем контекст модели

Шаг 1: понять работу пользователя до того, как в ней появится ИИ

Прежде чем добавлять модель, нужно максимально близко «подойти» к реальной работе пользователя и его контексту:

• Карточки задач в реальных ситуациях использования.
• Серые зоны и неоднозначные решения.
• То, что называют рабочей рутиной: повторяющиеся операции и ручные доработки.

К примеру, если вы автоматизируете поддержку клиентов, не ограничивайтесь списками тикетов. Спросите себя:

• Какие типы обращений встречаются чаще всего?
• Какие обращения требуют больше всего времени?
• Где операторы сейчас делают ошибки и возвращаются к клиентам повторно?

На этом уровне вы ещё не говорите про модели, но уже понимаете, где именно автоматизация может оказать реальную помощь.

Шаг 2: чётко определить, что ИИ должен делать

После того как вы поняли контекст пользователя, можно сформулировать для ИИ конкретное задание:

• Не «улучшить поддержку», а, например, «распределять входящие тикеты по категориям с точностью не ниже X».
• Не «умнее анализировать данные», а «предсказывать вероятность отмены заказа в течение следующих трёх дней».

Чем чётче вы определяете пространство задачи модели, тем яснее становится, что именно должно показывать пользователю и как он будет взаимодействовать с результатом.

---

Как интегрировать ИИ в интерфейс, не ломая пользовательский опыт

Не просто «умный чатбот» или «рекомендации»

Многие проекты начинают с идеи «добавить чатбот» или «построить рекомендации». Это популярные шаблоны, но они не панацея. ИИ в интерфейсе может принимать разные роли:

• Ассистент. Помогает пользователю выполнить задачу быстрее и точнее.
• Консультант. Предлагает варианты или объясняет возможные последствия решений.
• Автор. Частично или полностью генерирует контент (например, тексты или черновики документов).
• Аналитик. Выявляет закономерности и показывает их пользователю в понятном виде.

Каждая роль предъявляет свои требования к дизайну интерфейса и к модели.

Проектирование прозрачности и доверия

Пользователи должны понимать не только то, что система делает, но и почему. Иначе они начинают работать так, будто ИИ нет: или игнорируют его результаты, или, наоборот, слепо им доверяются без критической проверки.

Чтобы сформировать доверие, нужно проектировать прозрачность и контроль:

• Ясность ограничений. ИИ не всегда прав. Это нужно прямо сказать в интерфейсе или объяснить косвенными сигналами (например, цветовой или иконографической индикацией вероятности ошибки).
• Объяснение. Иначе пользователи не понимают, почему система приняла именно такое решение.
• Возможность исправить или скорректировать результат. Иначе пользователи чувствуют себя заложниками автоматизации.

В простейшем случае это может выглядеть как простейшее информирование об ошибках или неточности предсказания модели.

Проектирование ошибок: как ИИ может ошибаться и что это значит для UX

Когда модель работает с вероятностями, ошибки неизбежны. Ошибки ИИ не похожи на ошибки программирования:

• Они могут быть систематическими.
• Могут быть связаны с особенностями данных или контекста использования.
• Могут проявляться не сразу, а спустя время.

Поэтому ошибки ИИ — это не просто техническая проблема, это дизайн проблема: как объяснить пользователю, что модель ошиблась и что теперь делать.

---

Пример: как выглядит интерфейс с ИИ без первого вопроса и как он должен выглядеть

Некорректный путь: добавление ИИ без понимания контекста пользователя

Рассмотрим гипотетический пример. Допустим, вы делаете CRM систему для продажников. И решаете добавить ИИ для автоматизации фичей:

// Пример плохо подогнанного интерфейса с ИИ
function SalesPipeline({ deals }) {
  return (
    <>
      <AISuggestionsList />
      <DealsTable deals={deals} />
      <ChatbotWidget position="bottom-right" />
    </>
  );
}

Здесь ИИ добавлен почти как «декорация»:

• Есть список рекомендаций, но неясно, откуда они берутся.
• Чатбот находится «рядом», но не интегрирован в рабочий процесс пользователя.
• Не учитывается, что продажник принимает решения на основе личного контекста и истории общения.

Корректный путь: от задачи пользователя к модели

Теперь представим, что мы сначала задаём себе вопрос: что на самом деле пытаются сделать продажники и какие их задачи реально можно автоматизировать или поддержать.

Исходя из этого, можно спроектировать интерфейс так, чтобы ИИ был интегрирован именно в рабочий процесс пользователя и был его помощником или консультантом по конкретным задачам.

---

Практические советы: как не пропустить первый вопрос при работе с ИИ

1. Сформулируйте задачу пользователя до того, как сформулируете задачу модели

Напишите короткие, но конкретные формулировки задач реального человека. Например:

• «Как продажник быстро понимает, какие сделки рискуют сорваться в этом месяце?»
• «Как оператор колцентра сокращает время разговора без ухудшения качества обслуживания?»

Только после этого переходите к формулировке задачи модели. Например:

• «Модель предсказывает вероятность срыва сделки в течение месяца».
• «Модель предлагает сценарии ответов оператору в реальном времени».

2. Определите, что будет считать «успехом» для пользователя и для модели

Для пользователя успех:

• Уменьшение времени на выполнение задачи.
• Снижение числа ошибок.
• Возможность принимать более качественные решения.

Для модели успех может быть измерен в метриках точности или других метриках:

• Точность предсказания.
• Доля ложных срабатываний.
• Скорость ответа модели.

Но важно помнить: что успех модели не обязательно равен успеху пользователя. Если модель предсказывает хорошо, но интерфейс не позволяет пользователю ничего сделать с этим предсказанием или вызывает разочарование, то продукт всё равно не работает.

3. Не бойтесь пересматривать архитектуру решения

Если после анализа контекста пользователя вы поняли, что задача модели не соответствует реальной проблеме или вы не можете решить её хорошо с данными и ресурсами, которые у вас есть сейчас, лучше сразу пересмотреть решение или отказаться от использования ИИ в этой части продукта.

Иногда правильный UX дизайн — это вообще не добавлять модель, а упростить интерфейс или рабочий процесс пользователя так, чтобы он легко решал свою задачу без сложного ИИ.

4. Добавляйте ИИ поэтапно и итеративно

Не пытайтесь сразу сделать сложную систему, которая всё делает «за человека». Чаще всего лучше:

• Начать с небольшой задачи, которую можно автоматизировать или поддержать с помощью модели.
• Дать пользователю простой интерфейс для этой задачи.
• На основе реального использования дорабатывать и модель, и интерфейс.

Это помогает снизить риски и быстрее получить ценную обратную связь от пользователей.

---

Заключение: вернитесь к первому вопросу перед тем как добавлять ИИ

Когда вы начинаете проект или фичу с искусственным интеллектом, велик соблазн уйти сразу в технологии и данные. Но именно первый вопрос — «что на самом деле пытается сделать пользователь и почему?» — остаётся ключевым для успеха.

Как показывает практика многих команд и компаний, именно те проекты с ИИ, которые начинают с глубокого понимания контекста пользователя, а не с модели, достигают лучшего результата и создают по настоящему полезные продукты. Искусственный интеллект может усиливать дизайн и помогать людям — но только если он не используется как заменой реальному пониманию их задач и проблем.

---