Native AI-interfaces die een revolutie teweegbrengen in het softwareontwerp

Wij gingen zitten Flora Guostichtend ontwerpingenieur bij AI-paradigma om te bespreken waarom de chatinterface op grote schaal aan het doorbreken is, hoe kunstmatige intelligentie de manier waarop we over software denken hervormt, en waarom agentworkflows in opkomst zijn als een nieuwe grens op het gebied van productiviteit.

Technologische blokken: Laten we beginnen met uw rol. Je omschrijft jezelf als een ontwerpingenieur. Hoe verschilt het van een productontwerper of software-ingenieur en waarom wordt het zo cruciaal in het tijdperk van kunstmatige intelligentie?

Flora Guo: Traditioneel zijn productteams opgebouwd rond overdrachten. Ontwerpers onderzoeken gebruikersgedrag en visuele interfaces, terwijl ingenieurs technische systemen implementeren. De kwaliteit van het product hangt af van de nauwkeurigheid van deze vertaling.

Maar vertalen is ook waar alles stopt. Subtiele beslissingen gaan verloren, beperkingen komen te laat naar voren en teams optimaliseren uiteindelijk hun deel van de scope in plaats van het geheel. Door de context in interactie en implementatie te behouden, kunnen ontwerpers betere end-to-end beslissingen nemen.

Als je het ontwerp begrijpt, maar niet het systeem, kun je dingen voorstellen die in de praktijk niet passen of standhouden. Als u de technische details begrijpt maar geen ontwerpvisie heeft, kunt u iets verzenden dat correct maar kwetsbaar is. Ontwerptechniek leeft in die overlap.

TB: Waarom is deze overlap belangrijker geworden in het tijdperk van kunstmatige intelligentie?

vriendin: Het werken aan AI-systemen verhoogt de kosten van het werken in silo’s. Bij traditionele software worden de resultaten goed begrepen, wat betekent dat u zich enige scheiding tussen ontwerp en engineering kunt permitteren. Bij AI is gedrag afhankelijk van patronen, latentie en onzekerheid. Faalmodi zijn niet altijd duidelijk. Ontwerptechniek comprimeert de productontwikkelingscyclus. Je ontwerpt op basis van hoe het systeem zich feitelijk gedraagt, niet op basis van hoe je hoopt dat het zich zal gedragen.

TB: Waarom is dit nu belangrijker, met AI-systemen? Wat is het risico als teams deze aanpak niet volgen?

vriendin: Het risico is dat je systemen creëert die krachtig lijken, maar niet bruikbaar zijn voor echte workflows. AI-agenten kunnen veel, maar ze zijn niet deterministisch. In sommige gevallen slagen ze en in andere gevallen falen ze. Deze onzekerheid neemt toe naarmate je ze honderden of duizenden keren uitvoert. Als de interface het gedrag van de agent als voorspelbaar of vanzelfsprekend beschouwt, weten gebruikers niet wat ze kunnen vertrouwen of hoe ze kunnen herstellen als er iets misgaat.

Wat mensen eigenlijk nodig hebben, zijn handvatten: manieren om te zien wat werkte, wat niet, waarom en wanneer actie moest worden ondernomen of een deel van een workflow opnieuw moest worden uitgevoerd. Daarom kunnen ontwerp en engineering hier niet duidelijk gescheiden worden. Het nut van het systeem hangt af van hoe duidelijk gebruikers het juiste mentale model kunnen begrijpen.

TB: Dit brengt ons bij AI-interfaces. Bij Paradigm stap je af van het chatbotmodel dat mensen gewend zijn bij ChatGPT of Claude. Op welk alternatief gokt u?

vriendin: Chatbots zijn geweldig voor geïsoleerde vragen, maar zijn vreselijk ineffectief voor ingewikkelde, massaal herhaalde redeneringsworkflows. Als je honderden bedrijven moet onderzoeken of duizenden documenten moet analyseren, hoef je niet duizend keer heen en weer te praten. Het is niet schaalbaar.

Bij Paradigm gaan we van single-turn chat naar parallelle, gestructureerde zoekopdrachten. U definieert de logica één keer en een vloot agenten voert deze parallel uit op een grote dataset. We veranderen de spreadsheet in een canvas om over na te denken.

TB: U gebruikte de term agentworkflows. Dit is een modewoord dat we veel horen in Silicon Valley. Wat betekent dit in de praktijk voor een gebruiker?

vriendin: Het betekent dat we van praten over kunstmatige intelligentie overgaan naar het beheren van kunstmatige intelligentie. Terwijl agenten namens u op internet surfen, gegevens verrijken en naar bronnen verwijzen, moet de interface veranderen. Het begint minder als een gesprek met één draad te voelen en meer als een controleoppervlak.

Het is mijn taak om deze workflows traceerbaar te maken. Hoe vertrouwt u de output van honderden of duizenden agenten? Je moet zien waar de gegevens vandaan komen, hoe de logica is toegepast en waar het vertrouwen hoog of laag is. Als gebruikers de redenering niet kunnen verifiëren, zullen ze de resultaten niet vertrouwen voor echt werk.

TB: De ideeën van vertrouwen en duidelijkheid komen vaak naar voren als het over kunstmatige intelligentie gaat. Wat denk je dat de meeste teams hierin nog steeds fout doen?

vriendin: Een grote misvatting is dat het model al het werk doet. Sommige mensen behandelen AI als een zwarte doos die je vraagt ​​en dan op een antwoord wacht. Het werkt voor kleine taken, maar gaat kapot zodra de klus ingewikkelder wordt. De uitdaging is niet om resultaten te genereren, maar om mensen te helpen nadenken over wat er gebeurt en hoe ze kunnen ingrijpen als dingen mislopen. We gaan van ontwerpen voor verzoek naar ontwerpen voor orkestratie. De interface richt zich minder op het stellen van vragen en meer op het sturen van systemen terwijl ze werken.

TB: Hoe zal dit de rol van design engineering in de toekomst veranderen?

vriendin: Ik zie deze geïntegreerde manier van werken een standaard worden. Naarmate AI meer mechanische bewerkingen absorbeert, verschuift de menselijke inspanning stroomopwaarts naar systeemmodellering. Terwijl wij onze gereedschappen vormgeven, vormen onze gereedschappen ons.

Hierbij ligt de nadruk op communicatie: duidelijk maken wat een systeem doet, waar het onzeker is en hoe een mens moet ingrijpen. Naarmate agenttechnologieën evolueren, evolueren deze interfaces ook. Het ontwerpen van nieuwe manieren van werken, en niet alleen maar nieuwe tools, is precies wat deze tijd zo aantrekkelijk maakt.