KI-Produktdesign

Wenn Sie KI-Funktionen genauso entwerfen wie gewöhnliche Softwarefunktionen, werden die Ergebnisse die Nutzer wahrscheinlich enttäuschen.

• Gewöhnliche Software ist deterministisch – Sie klicken auf Speichern, sie speichert, jedes Mal gleich.

• KI-Produkte sind probabilistisch – Sie bitten es, einen Text zu schreiben, diesmal gelingt es großartig, aber beim nächsten Mal könnte es fehlschlagen.

Wenn gewöhnliche Software ausfällt, zeigt sie eine Fehlermeldung; wenn KI-Produkte ausfallen, erfinden sie möglicherweise selbstbewusst Dinge, sodass Sie denken, sie seien korrekt.

Dieser grundlegende Unterschied bedeutet, dass KI-Produktdesign einen völlig neuen Ansatz erfordert.

Traditionelles Produktdesign strebt Null-Fehler an, wobei Nutzer jedes Mal dasselbe Ergebnis erhalten. KI-Produktdesign mussprobabilistische Ausgabeakzeptieren und Nutzern helfen, die Unsicherheit der Ergebnisse zu verstehen und damit umzugehen.

KI-Produktdenken

Um gute KI-Produkte zu entwerfen, müssen Sie zunächst die Einzigartigkeit von KI und die psychologischen Veränderungen verstehen, die sie bei Nutzern bewirkt.

Probabilistische Ausgabe

Die Ausgabe großer Modelle ist im Wesentlichen eine Wahrscheinlichkeitsstichprobe. Dieselbe Frage kann jedes Mal unterschiedliche Antworten liefern – manchmal gut, manchmal schlecht, manchmal mittelmäßig. Das ist kein Fehler; es ist eine Eigenschaft von KI.

Für Designer bedeutet dies mehrere Schlüsselprinzipien:

Gute KI-Produkte versuchen nicht, diese Unsicherheit zu verbergen, sondern machen sie zu einem Vorteil.

Nutzerpsychologie: Erwartungsmanagement

Die Erwartungen von Nutzern an KI schwanken oft zwischen zwei Extremen: entweder zu viel erwarten oder ihr völlig misstrauen.

Menschen, die ChatGPT zum ersten Mal nutzen, staunen oft darüber, wie erstaunlich es ist, und glauben, KI sei allmächtig.

Doch wenn die KI einen dummen Fehler macht, schwenken sie vielleicht sofort um zu "KI ist nur so mittelmäßig."

Die Aufgabe eines Produktdesigners ist es,Nutzererwartungen in einen vernünftigen Bereich zu lenken。

Wie?

• Erstens: Sagen Sie Nutzern klar, was KI kann und was nicht.

• Zweitens: Wenn KI Fehler macht, versuchen Sie nicht, sie zu verbergen — gehen Sie ehrlich damit um.

• Drittens: Geben Sie Nutzern Kontrolle — lassen Sie sie die Ausgabe der KI anpassen, bearbeiten und überschreiben.

Gute KI-Produkte vermitteln Nutzern das Gefühl: KI ist mein Assistent, nicht mein Chef.

Fehlermodi von KI-Produkten

Die Art und Weise, wie KI-Produkte versagen, unterscheidet sich stark von traditioneller Software.

Traditionelle Software funktioniert entweder oder nicht — sie stürzt ab, meldet Fehler oder Funktionen funktionieren nicht mehr.

Fehler von KI-Produkten sind subtiler:

Diese Fehlermodi zu verstehen, ist der erste Schritt beim Entwurf guter KI-Produkte.

Designprinzipien für KI-Funktionen

Drei Kernprinzipien: schrittweise Offenlegung, Nutzerkontrolle und transparente Benachrichtigung.

Schrittweise Offenlegung

Häufen Sie nicht alle Funktionen vor dem Nutzer auf.

Der ideale Ablauf ist: Geben Sie Nutzern zuerst einen einfachen Einstiegspunkt und zeigen Sie dann nach Bedarf schrittweise mehr Optionen.

Zum Beispiel, wenn ein Nutzer eine E-Mail schreibt:

• Schritt 1: Betreff oder Schlüsselwörter eingeben, und die KI generiert einen Entwurf.

• Schritt 2: Nach der Überprüfung des Entwurfs kann der Benutzer Tonfall, Länge und Stil anpassen.

• Schritt 3: Bei Bedarf können bestimmte Abschnitte weiter überarbeitet oder von der KI verschiedene Versionen bereitgestellt werden.

Die Vorteile dieses Designs sind:

Anfänger werden von komplexen Optionen nicht eingeschüchtert, und Experten finden genügend Steuerungsmöglichkeiten.

Steuerbarkeit: Benutzern die Anpassung der KI-Ausgabe ermöglichen

Benutzer müssen das Gefühl haben, die finalen Entscheidungsträger zu sein.

Bieten Sie Bedienelemente an, kein einmaliges „Friss oder stirb“-Ergebnis.

Gängige Steuerungsdimensionen:

Fortgeschrittenere Steuerung: Ermöglichen Sie Benutzern, den Prompt der KI direkt zu bearbeiten oder ihre häufig verwendeten Prompt-Vorlagen zu speichern.

Transparenz: Benutzer darüber informieren, dass dies KI-generiert ist

Benutzer wissen zu lassen, dass sie mit einer KI interagieren, ist nicht nur eine ethische Frage, sondern auch eine Frage der Produkt-UX.

Wenn Benutzer denken, es wurde von einer echten Person geschrieben, werden sie sich getäuscht fühlen, wenn sie herausfinden, dass es von einer KI stammt.

Wenn von Anfang an angegeben wird, dass es KI-generiert ist, sind Benutzer tatsächlich nachsichtiger und eher bereit, sich an Verbesserungen zu beteiligen.

Mehrere Ansätze für Transparenz:

• Erstens, klare Kennzeichnung – verwenden Sie visuelle Elemente, um KI-Inhalte von Benutzerinhalten zu unterscheiden.

• Zweitens, den Prozess zeigen – lassen Sie Benutzer sehen, wie die KI Ergebnisse generiert (z. B. durch Anzeige des Denkprozesses und abgerufener Quellen).

• Drittens, Einschränkungen erklären – teilen Sie Benutzern mit, welche Arten von Fehlern die KI machen kann und wie diese zu erkennen sind.

Transparenz schafft Vertrauen. Wenn Benutzer wissen, dass es eine KI ist, werden sie sie auf die richtige Weise nutzen – als Referenz statt als blindes Vertrauen.

User Experience Design

KI-Produkte haben mehrere wichtige Erlebnispunkte: Ladezustände, Fehlerbehandlung und Feedback-Mechanismen.

Ladezustand-Design: Streaming-Ausgabe

Große Modelle brauchen Zeit, um Inhalte zu generieren. Wenn Benutzer 10 Sekunden lang untätig warten müssen, führt das zu einer schlechten Erfahrung.

Die Best Practice ist dieStreaming-Ausgabe– Inhalte erscheinen Wort für Wort auf dem Bildschirm.

Warum ist das gut?

• Erstens haben Benutzer das Gefühl, dass das System arbeitet und nicht eingefroren ist.

• Zweitens können Benutzer früh mit dem Lesen beginnen und wissen auf halbem Weg, ob es in die gewünschte Richtung geht.

• Drittens können sie bei falscher Richtung jederzeit abbrechen, ohne auf die vollständige Generierung warten zu müssen.

Neben der Streaming-Ausgabe können Sie auch:

• Fortschrittsindikatoren anzeigen – „Denkt nach“, „Ruft ab“, „Generiert“.

• Geschätzte Zeit angeben – „ca. 10 Sekunden“.

• Eine Abbrechen-Schaltfläche bereitstellen – damit Benutzer jederzeit anhalten können.

Fehlerbehandlung und Fallback-Strategien

KI macht unweigerlich Fehler. Ein gutes Produktdesign nimmt Fehlern den Schrecken.

Wenn die KI-Ausgabe offensichtlich problematisch ist:

• Erstens: Geben Sie Benutzern eine einfache Schaltfläche für „Unzufrieden“ oder „Wiederholen“.

• Zweitens: Bieten Sie Alternativen an – „Wie wäre es, diesen Blickwinkel zu versuchen?“

• Drittens: Ermöglichen Sie Benutzern, problemlos zu einem vorherigen Zustand zurückzukehren.

Schwerwiegendere Fehler (z. B. wenn das Modell komplett ausfällt):

Halten Sie einen Fallback-Plan bereit. Stellen Sie beispielsweise bei Nichtverfügbarkeit der KI eine Vorlagenbibliothek zur manuellen Auswahl bereit.

Feedback-Mechanismen

Benutzerfeedback ist eine wertvolle Ressource zur Verbesserung von KI-Produkten.

Aber die Feedback-Funktion sollte nicht zu komplex sein, da Benutzer sie sonst nicht verwenden möchten.

Einfaches und effektives Feedback-Design:

• Erstens: Daumen hoch / Daumen runter – Ein-Klick-Ausdruck von Zufriedenheit oder Unzufriedenheit.

• Zweitens: Eine kurze Multiple-Choice-Frage – „Was stimmt nicht?“ (Zu lang, zu kurz, am Thema vorbei, sachliche Fehler...).

• Drittens: Ein optionales Textfeld – ermöglicht Benutzern, das Problem näher zu erläutern, ist aber keine Pflicht.

• Viertens: Dem Benutzer mitteilen, wofür das Feedback dient – „Ihr Feedback hilft uns, uns zu verbessern.“

Nachdem das Feedback gesammelt wurde, ist es am besten, dem Benutzer eine Bestätigung in der Benutzeroberfläche zu geben – „Vielen Dank für Ihr Feedback, wir haben es erhalten.“

Produktisierung von Prompts

Gute Prompts sind der Kernwettbewerbsvorteil von KI-Produkten. Verwandeln Sie Prompts von „Magie“ in handhabbare Produktfunktionen.

Prompts als Produktfunktionen verpacken

Normale Benutzer müssen nicht wissen, was ein „System-Prompt“ ist.

Sie müssen nur wissen: Klicken Sie auf diese Schaltfläche, und Sie erhalten einen Entwurf für eine formelle E-Mail.

Deshalb besteht die Aufgabe des Designers darin, komplexe Prompts in einfache Funktionsschaltflächen zu kapseln.

Zum Beispiel:

Der ursprüngliche Prompt kann sehr lang sein:

你是一个专业的邮件写作助手。请帮用户写一封正式、礼貌、简洁的商务邮件。
要求：1. 开头要有合适的称呼；2. 正文表达清晰；3. 结尾要有礼貌的结束语。
语气要专业但不生硬，友好但不过分随意。

Nach der Produktisierung sehen Nutzer nur noch:

• Eine Schaltfläche – "Geschäftliche E-Mail schreiben."

• Ein paar einfache Optionen – "Formell/Neutral/Freundlich", "Kurz/Ausführlich".

Das ist der Kern der Prompt-Produktisierung:Behalten Sie die Komplexität für sich, halten Sie die Einfachheit für Nutzer.。

Versionsverwaltung von System-Prompts

Ein Prompt ist nicht fertig, sobald er geschrieben ist; er braucht kontinuierliche Iteration.

Sie stellen möglicherweise fest, dass eine neue Version des Prompts für Szenario A besser funktioniert, für Szenario B aber schlechter.

Deshalb brauchen Prompts eine Versionsverwaltung wie Code.

Wichtige Praktiken:

• Erstens: Geben Sie jeder Version eine Nummer oder einen Namen – "v1.0", "v1.1", "Experimentell – Freundlicher".

• Zweitens: Dokumentieren Sie Änderungen für jede Version – "Was hat sich geändert, warum hat es sich geändert, erwartete Auswirkung."

• Drittens: Sie können mehrere Versionen gleichzeitig für A/B-Tests laufen lassen.

• Viertens: Sie können schnell zu einer früheren Version zurückrollen.

Behalten Sie bei der Iteration von Prompts immer die Möglichkeit zum Zurückrollen bei. Eine neue Version kann unerwartete Probleme mit sich bringen.

A/B-Testing von Prompts

Zwei Versionen eines Prompts – welche ist besser? Raten Sie nicht; lassen Sie die Daten sprechen.

Die Idee von A/B-Tests:

• Einige Benutzer verwenden Version A, und einige Benutzer verwenden Version B.

• Es wird geprüft, welche Version eine höhere Kundenzufriedenheit, eine geringere Wiederholungsrate und eine bessere Abschlussrate aufweist.

Unten ist ein einfaches Python-Skript, das zeigt, wie man eine A/B-Test-Analyse für Prompts durchführt:

Führen Sie dieses Skript aus, und Sie erhalten einen übersichtlichen A/B-Testbericht, der zeigt, welche Version des Prompts besser abschneidet.

============================================================
EXAMPLE Prompt A/B 测试报告
============================================================

版本 A (基准):
  样本量: 6
  平均满意度: 3.50/5
  完成率: 83.3%
  平均重试次数: 0.67

版本 B (新方案):
  样本量: 6
  平均满意度: 4.17/5
  完成率: 100.0%
  平均重试次数: 0.17

对比结果:
  满意度变化: +0.67
  完成率变化: +16.7%
  重试次数变化: -0.50

结论: 版本 B 表现更好

按测试用例细分:
  邮件写作: A=3.50, B=4.50 (B更好)
  摘要生成: A=3.50, B=3.50 (A更好)
  代码解释: A=3.50, B=4.50 (B更好)

Prototyping von KI-Funktionen

Bevor Sie erhebliche Entwicklungsressourcen investieren, prüfen Sie zunächst mit einem kostengünstigen Ansatz, ob die KI-Funktion tatsächlich nützlich ist.

Schnelles Prototyping mit Claude/ChatGPT

Der einfachste Prototyp: Verwenden Sie direkt die Chat-Oberfläche des großen Modells, um Produktfunktionen zu simulieren.

Angenommen, Sie möchten einen Generator für Interviewfragen bauen:Schreiben Sie einen Prompt, der die gewünschte Funktion beschreibt, geben Sie dann einige Testfälle ein und beobachten Sie die Ausgabequalität.

Das Ziel dieser Phase ist es zu prüfen:

• Erstens: Kann die KI diese Aufgabe erledigen?

• Zweitens: Ist die Ausgabequalität gut genug?

• Drittens: Würden Nutzer diese Funktion als nützlich empfinden?

Sie müssen weder Code schreiben noch eine UI entwerfen; testen Sie den Kernwert einfach im Klartext-Dialog.

Wenn diese Phase nicht gut abschneidet, verbessern Sie entweder den Prompt oder überdenken Sie, ob diese Funktion es wert ist, gebaut zu werden.

KI-Prototyp-Komponenten in Figma

Nachdem Sie bestätigt haben, dass die Kernfunktionalität wertvoll ist, besteht der nächste Schritt darin, einen High-Fidelity-Prototypen zu erstellen.

Figma ist ein großartiges Werkzeug dafür.

Sie können gestalten:

• Wie gibt der Nutzer ein?

• Wie wird die KI-Ausgabe angezeigt?

• Wie passen Nutzer an und bearbeiten?

Der Schlüssel istdie Simulation realer Interaktionsabläufe, nicht nur das Zeichnen statischer Oberflächen.

Sie können die Interaktionsfunktionen von Figma nutzen, um bei Klicks von Nutzern verschiedene Inhalte zu "generieren" (bereiten Sie mehrere Beispielergebnisse im Voraus vor).

So können Nutzer das Gefühl bekommen: Ach, so funktioniert das Produkt also.

Low-Code-Werkzeuge für KI-Anwendungen

Wenn Sie ein realistischeres Erlebnis benötigen, können Sie Low-Code-Werkzeuge verwenden, um schnell einen funktionierenden Prototypen zu bauen.

Mit diesen Werkzeugen können Sie ein großes Modell mit einer echten Webanwendung verbinden, ohne Backend-Code zu schreiben.

Die Vorteile sind:

Nutzer können es tatsächlich bedienen, nicht nur eine Demo ansehen.

Sie können echte Nutzungsdaten und Feedback sammeln.

Nach erfolgreicher Validierung können Sie diesen Prototyp als Referenz für die Entwicklung verwenden.

Das Ziel eines Prototyps ist zu lernen, nicht perfekt zu sein. Validieren Sie Ideen so schnell wie möglich, entdecken Sie Probleme und iterieren Sie.

Bewertung der Qualität von KI-Ausgaben

Wie beurteilt man, ob die Ausgabe einer KI gut ist? Sie brauchen ein Evaluierungssystem, das qualitative und quantitative Methoden kombiniert.

Qualitative Bewertung: Menschliche Überprüfung

Manche Dinge können nur von Menschen beurteilt werden.

Zum Beispiel: Ist die Antwort hilfreich? Ist der Ton angemessen? Ist die Logik kohärent?

Vorgehen bei der menschlichen Überprüfung:

• Erstens: Entwerfen Sie eine Tabelle mit Bewertungsdimensionen – zum Beispiel Relevanz, Genauigkeit, Nützlichkeit und Sicherheit.

• Zweitens: Lassen Sie mehrere Prüfer unabhängig voneinander bewerten, um persönliche Verzerrungen zu reduzieren.

• Drittens: Fassen Sie Bewertungen und Kommentare zu umsetzbaren Verbesserungsvorschlägen zusammen.

Die menschliche Überprüfung ist wichtig, aber sie ist langsam, teuer und schwer zu skalieren. Deshalb muss sie mit automatisierter Bewertung kombiniert werden.

Quantitative Bewertung: Automatisierte Beurteilung

Verwenden Sie Programme, um KI-Ausgaben zu bewerten.

Gängige automatisierte Bewertungsmethoden:

Automatisierte Bewertung kann Menschen nicht vollständig ersetzen, aber sie kann:

• Erstens: offensichtlich problematische Ausgaben schnell herausfiltern.

• Zweitens: bei Versionsiterationen Regressionstests durchführen – „hat diese Änderung irgendein Szenario verschlechtert?“

• Drittens: die Qualität des Online-Dienstes überwachen und Probleme zeitnah erkennen.

Erstellung eines Gold-Test-Sets

Sammeln Sie eine Reihe hochwertiger Testfälle und führen Sie sie jedes Mal auf diesem Set aus, wenn Sie Prompts oder Modelle ändern.

Das ist dasgoldene Testset。

Ein gutes Testset sollte:

• Erstens: typische Nutzungsszenarien abdecken – häufige Arten von Nutzeranfragen.

• Zweitens: Randfälle einbeziehen – extreme, fehleranfällige Eingaben.

• Drittens: Referenzantworten oder Bewertungskriterien haben – wissen, was als „gute“ Ausgabe gilt.

• Viertens: eine moderate Größe haben – Dutzende bis Hunderte Fälle, repräsentativ genug, ohne zu langsam zu laufen.

Das goldene Testset ist wie ein Sicherheitsnetz: Sie können zuversichtlich iterieren, ohne befürchten zu müssen, versehentlich wichtige Szenarien zu beschädigen.

Kommerzialisierungspfade für KI-Produkte

Wenn Sie ein gutes Produkt haben, wie erzielen Sie damit Einnahmen? Für KI-Produkte gibt es mehrere gängige Kommerzialisierungsmodelle.

Welches Modell Sie wählen, hängt von Ihrer Produktpositionierung und Ihren Zielnutzern ab.

Für allgemeine Verbraucher sind Freemium- oder Abonnementmodelle üblicher.

Für Unternehmenskunden sind nutzungsbasierte Preisgestaltung oder maßgeschneiderte Lösungen besser geeignet.

Doch unabhängig vom Modell ist das Kernprinzip:Nutzer müssen den Wert wirklich spüren können。

Fallstudie: Exzellente KI-Produkte dekonstruieren

Schauen wir uns einige gut gemachte KI-Produkte an und lernen von ihrem Design-Denken.

ChatGPT: Ein Modell für konversationelle Interaktion

ChatGPTs Erfolg ist nicht nur ein technologischer Erfolg, sondern auch ein Design-Erfolg.

Seine zentralen Design-Entscheidungen:

• Erstens, das Gesprächsformat — Nutzer müssen keine neue Interaktionsmethode lernen; es ist wie das Chatten mit einer Person.

• Zweitens, Streaming-Ausgabe — Zeichen erscheinen eins nach dem anderen, sodass der Nutzer das Gefühl hat, die KI denke nach.

• Drittens, Kontextgedächtnis — du kannst sagen: „Mach den letzten Teil kürzer“, und es erinnert sich, was „der letzte Teil“ war.

• Viertens, einfaches Wiederholen — nicht zufrieden? Klicke einfach auf „Neu generieren“.

• Fünftens, Verwaltung des Gesprächsverlaufs — du kannst zu früheren Gesprächen zurückkehren und dort fortfahren, wo du aufgehört hast.

Diese Designs wirken einfach, aber zusammen schaffen sie ein reibungsloses Erlebnis.

GitHub Copilot: KI in den Workflow einbetten

Copilot versucht nicht, „Programmierer zu ersetzen“, sondern „Programmierer zu ergänzen“.

Seine Design-Weisheit:

• Erstens, nicht störend — die KI arbeitet im Hintergrund, bietet proaktiv Vorschläge an, während du Code schreibst, ohne dein Denken zu unterbrechen.

• Zweitens, geringe Verpflichtung — du kannst den Vorschlag der KI ansehen; wenn er dir gefällt, drücke Tab, um ihn zu akzeptieren; wenn nicht, tippe einfach weiter.

• Drittens, Kontextbewusstsein — es betrachtet deinen Code, Kommentare und Dateinamen, um zu verstehen, was du erreichen willst.

• Viertens, mehrere Optionen — es bietet mehrere Vorschläge, und du kannst den auswählen, der am besten zu deiner Absicht passt.

Copilots Erfolg zeigt:Das beste KI-Produkt lässt Nutzer die Anwesenheit der KI nicht spüren, sondern nur, dass sie leistungsfähiger geworden sind.。

Notion AI: KI als Schreib-Copilot

Notion AI hat kein eigenständiges Produkt geschaffen; stattdessen wurden KI-Funktionen in das bestehende Notiz-Tool eingebettet.

Seine Design-Highlights:

• Erstens, der Kontext ist dein Dokument — du musst nicht kopieren und einfügen; die KI arbeitet direkt dort, wo du schreibst.

• Zweitens, vordefinierte Vorlagen — „Weiterschreiben“, „Zusammenfassen“, „Formeller machen“, gängige Aktionen, die mit einem Klick ausgelöst werden.

• Drittens, gemischtes Bearbeiten — du kannst die von der KI generierten Inhalte jederzeit ändern, und die KI kann auf Basis deiner Änderungen weiterschreiben.

Dieses Design macht die KI zu einem Teil des kreativen Prozesses statt zu einem eigenständigen Werkzeug.

An diesen drei Fällen lässt sich erkennen: Gute KI-Produkte dienen nicht dazu, Technologie zur Schau zu stellen, sondern dazu, Probleme wirklich zu lösen und die Arbeit der Nutzer einfacher zu machen.