UX для AI-функций: editable draft, источники, approval, undo и доверие

Практический гайд по human-centered AI-интерфейсам: как объяснить возможности и ограничения, собрать достаточный ввод, показать источники, сделать ответ редактируемым, добавить preview, approval и undo и измерить реальную пользу.

AI UX - интерфейс управления неопределённой системой

Обычная форма либо проходит validation, либо нет. Генеративная функция способна вернуть грамматически идеальный, но неверный результат. Пользователю нужны средства сформировать запрос, оценить ответ, исправить его и восстановиться после ошибки.

Цель дизайна - калиброванное доверие: человек опирается на AI там, где система доказала полезность, и проверяет или отклоняет там, где риск выше.

явный outcome вместо «спросите что угодно»

этапа: ожидание, взаимодействие, recovery

необратимых действий без preview

Начните с user outcome и цены ошибки

Одинаковый ответ требует разного UX: идея заголовка допускает быстрый regenerate, перевод лекарства - экспертную проверку, отправка платежа - строгий approval. Опишите решение человека, обратимость и вред ошибки.

Пользователь и контекст: [кто/где]
Job to be done: [результат]
Роль AI: create | recommend | summarize | decide | act
Цена false positive / false negative: [последствия]
Обратимость: [да/нет/окно]
Источники истины: [системы]
Что проверяет человек: [конкретно]
Допустимый отказ: [поведение]
Success metrics: [задача, качество, время]
Harmful acceptance metric: [как измерять]

Четыре роли AI требуют разного контроля

Роль	Интерфейс	Контроль
Create	Editable draft и variants	Редактирование до публикации
Recommend	Options, evidence, trade-offs	Пользователь выбирает
Decide	Критерии и review queue	Appeal и audit
Act	Plan, preview, scope	Approval, receipt, undo

Не маскируйте действие под генерацию текста. Кнопка «Исправить всё» должна ясно показывать, какие файлы или записи изменятся.

Onboarding: покажите возможности и границы до первой ошибки

Microsoft HAX рекомендует заранее объяснять, что система может делать и насколько хорошо. Вместо общего «AI-помощника» покажите 3 - 5 конкретных задач, нужные входы и примеры результата.

Одна фраза о полезном результате.
Список поддерживаемых задач.
Качественный example input/output.
Явные ограничения и критичные проверки.
Какие данные будут отправлены и куда.
Безопасный sample без личных данных.
Время, стоимость или лимит, если значимы.
Как отменить, исправить и сообщить об ошибке.

Empty state: не заставляйте пользователя изобретать prompt

Пустое поле «Введите запрос» перекладывает дизайн продукта на пользователя. Дайте task templates, структурированные поля и контекстные suggestions. Prompt можно оставить advanced-режимом.

Template

Готовая структура частой задачи.

Fields

Цель, аудитория, ограничения.

Preview

Какие данные войдут в запрос.

Progress: streaming не заменяет статус

Появляющиеся токены создают ощущение скорости, но не объясняют, ищет ли система документы, вызывает ли tools или застряла. Для многошагового процесса показывайте понятные этапы и возможность отмены.

«Проверяю доступ к 12 документам» лучше абстрактного spinner.
Не показывайте внутреннюю цепочку рассуждений.
Отделяйте проверяемые действия от декоративных этапов.
Указывайте, можно ли закрыть страницу.
Cancel должен останавливать дальнейшие tools и расходы.
При долгой задаче предложите notification или background mode.

Editable draft - безопасное состояние по умолчанию

Сгенерированный текст не должен выглядеть опубликованным. Пометьте его как черновик, дайте обычное редактирование, compare с исходником и понятную кнопку применения.

Плохой паттерн	Лучший паттерн	Почему
AI сразу заменил текст	Diff и Apply	Видны изменения
Только Regenerate	Редактирование фрагмента	Сохраняется полезная часть
Одна версия исчезает	Version history	Можно сравнить и вернуть
Скрытая публикация	Draft → review → publish	Ясный статус

Sources: provenance на уровне утверждения

Список ссылок в конце не показывает, какая поддерживает конкретную фразу. Связывайте citation с утверждением и открывайте точный фрагмент, дату и источник. Показывайте, где evidence отсутствует.

Marker рядом с утверждением.
Название, автор/владелец и дата.
Точный supporting snippet.
Ссылка на исходный документ.
Версия или дата доступа.
Предупреждение об устаревшем источнике.
Различие source evidence и AI inference.
Проверка прав доступа перед открытием.

Uncertainty: не рисуйте процент без калибровки

«Уверенность 92%» выглядит научно, но может быть просто самооценкой модели. Показывайте только сигналы, которые связаны с измеренным качеством: найден ли authoritative source, прошла ли schema, согласны ли независимые проверки, входит ли input в знакомый cohort.

Supported: обязательные утверждения имеют актуальные источники.
Needs review: часть утверждений без достаточного evidence.
Insufficient data: источник не найден или конфликтует.
Out of scope: система не предназначена для этой задачи.
Blocked: действие запрещено policy.
Каждое состояние содержит следующее действие пользователя, а не только цвет.

Показывайте ограничения в момент решения

Предупреждение в onboarding забывается. Контекстное ограничение появляется там, где оно влияет: при загрузке чувствительного файла, перед публикацией, рядом с непроверенной цифрой.

Не прячьте критичную оговорку в tooltip.
Не используйте один banner для всех рисков.
Объясняйте последствие и способ исправления.
Не повторяйте warning так часто, чтобы его перестали читать.
Используйте текст и структуру, не только цвет.
Проверяйте понимание в usability test.

Preview перед side effect

AI-агент должен показывать план в терминах продукта: получатель, сумма, файлы, записи, разрешения. Пользователь подтверждает конкретный scope, а не абстрактное «разрешить агенту действовать».

Перед действием	Показать	Разрешить изменить
Email	Получатели, тема, attachments	Текст и адресаты
CRM update	Записи и field diff	Выбор изменений
File edit	Paths и diff	Исключить файл
Purchase	Товар, цена, доставка	Количество/адрес
Delete	Точный список и последствия	Отмена до выполнения

Approval: подтверждение должно быть осмысленным

Если диалог показывает десятки одинаковых approval, человек кликает автоматически. Группируйте безопасно связанные действия, повышайте friction пропорционально риску и не смешивайте разные разрешения.

Кто выполняет действие.
Что именно изменится.
В каком tenant/account.
Какие данные уйдут внешней стороне.
Стоимость и необратимость.
Срок действия согласия.
Разовый или повторяемый scope.
Способ отмены и receipt.

Undo, receipt и audit после действия

После выполнения покажите не «Готово», а результат: что изменено, что не удалось, идентификаторы операций и доступные способы восстановления. Undo проектируется вместе с action API.

Undo

Компенсирующая операция или version restore.

Receipt

IDs, scope, time и итог.

Audit

Model, policy, approval и actor.

Errors: сохраняйте работу и предлагайте recovery

Сообщение «Что-то пошло не так» заставляет повторить запрос и может дублировать действие. Классифицируйте ошибку и покажите безопасное следующее действие.

Ошибка	Интерфейс	Recovery
Input invalid	Конкретное поле	Исправить без потери текста
Rate limit	Статус и время	Queue/повтор позже
Tool partial failure	Что выполнено	Повтор только failed steps
Insufficient evidence	Чего не хватает	Добавить source
Policy block	Разрешённое объяснение	Безопасная альтернатива

Feedback: thumbs up недостаточно

Feedback должен связываться с output version и позволять выбрать причину: неверный факт, плохой источник, тон, пропуск, формат, опасное действие. При возможности предложите исправить конкретный фрагмент.

trace_id / output_version
task outcome: accepted | edited | rejected | abandoned
reason codes: fact | source | omission | format | style | safety | latency
edited spans or corrected fields
severity and user-reported impact
consent for using content in improvement workflow
privacy classification
Не отправлять feedback автоматически в training/eval dataset без review.

Personalization и memory: пользователь контролирует сохранённое

Если система помнит предпочтение, покажите, что именно сохранено, откуда и где действует. Дайте временно игнорировать, изменить и удалить. Не превращайте inferred preference в скрытый профиль.

Явное подтверждение чувствительных или неоднозначных сведений.
Scope: этот документ, проект или аккаунт.
TTL и дата последнего использования.
Просмотр и редактирование memory.
Режим «не использовать память».
Удаление производных по policy.
Запрет memory расширять permissions.

Accessibility: AI-состояния должны быть доступны без цвета и анимации

Progress и результат объявляются screen reader без спама.
Streaming content не крадёт фокус.
Все actions доступны с клавиатуры.
Diff понятен без красного/зелёного.
Sources имеют осмысленные link labels.
Uncertainty выражена текстом, не только цветом.
Animation respects reduced motion.
Timeout и approval дают достаточно времени.
Plain-language summary доступен для сложных результатов.

Automation bias и обратная ошибка недоверия

Уверенный тон и polished layout усиливают склонность принять ответ. Но чрезмерные warnings заставляют игнорировать полезную систему. Проверяйте калибровку поведения: принимает ли пользователь корректные рекомендации и отклоняет ли ошибочные.

Correct acceptance

Полезный ответ принят.

Harmful acceptance

Ошибка принята без проверки.

Appropriate override

Человек исправил неверный output.

Метрики AI UX: adoption без результата ничего не доказывает

Метрика	Что показывает	Риск интерпретации
Task success	Получен принятый outcome	Нужен quality contract
Correction burden	Объём/время исправлений	Редактирование не всегда плохо
Verification rate	Проверены значимые sources	Клик не равен пониманию
Harmful acceptance	Приняты неверные ответы	Нужна ground truth
Recovery success	Задача завершена после ошибки	Не считать только retry
Retained use	Повторная ценность	Разбивать по cohorts

Usability-тест: проверяйте ошибки, а не только happy path

Дайте участнику корректный ответ, правдоподобную ошибку, отсутствие источника, partial failure и потенциально опасное действие. Наблюдайте, замечает ли он проблему и понимает ли recovery.

Сформулировать ожидание до первого запуска.
Выбрать подходящий template/input.
Понять progress и отменить.
Найти утверждение без evidence.
Сравнить source snippet.
Исправить часть draft без regenerate.
Отклонить опасный action preview.
Восстановиться после partial failure.
Найти receipt и выполнить undo.
Исправить или удалить memory.

Итоговый чек-лист AI UX

Роль AI и цена ошибки определены.
Возможности и ограничения объяснены заранее.
Empty state предлагает реальные задачи.
Данные и получатели видимы пользователю.
Progress отражает проверяемые этапы и cancel.
Output начинается как editable draft.
Sources связаны с утверждениями.
Uncertainty основана на проверяемых сигналах.
Side effects имеют preview и scoped approval.
После действия есть receipt и undo.
Errors сохраняют ввод и предлагают recovery.
Feedback содержит причину и version.
Memory просматривается и удаляется.
Состояния доступны без цвета и анимации.
Измеряются harmful acceptance и task success.

Хороший AI UX не скрывает несовершенство модели. Он превращает неопределённый output в управляемое сотрудничество человека и системы.

Что такое AI UX?

Это проектирование взаимодействия с вероятностной AI-системой: ожидания, ввод, progress, проверка результата, sources, uncertainty, редактирование, approvals, recovery, feedback и пользовательский контроль.

Как показать, что нейросеть может ошибаться?

Объясните конкретные ограничения до использования и показывайте контекстные сигналы: отсутствие источника, конфликт данных, unfamiliar input или провал validator. Добавляйте понятное следующее действие, а не общий дисклеймер.

Нужно ли показывать процент уверенности AI?

Только если показатель калиброван и связан с измеренной вероятностью ошибки для данного cohort. Самооценку модели нельзя выдавать за надёжную вероятность; лучше показывать evidence и проверяемые статусы.

Почему AI-ответ лучше показывать как черновик?

Draft снижает риск случайной публикации, позволяет исправить фрагмент, сравнить версии и отделяет генерацию от подтверждения человеком. Для важных решений нужен отдельный review/apply шаг.

Как проектировать действия AI-агента?

Покажите plan и точный preview изменения, запросите approval на ограниченный scope, используйте idempotency, верните receipt и обеспечьте undo или компенсирующее действие, если возможно.

Какие источники показывать в AI-ответе?

Связывайте каждое значимое утверждение с точным supporting fragment, владельцем, датой и исходным документом. Различайте evidence и AI inference и соблюдайте права доступа.

Как собирать feedback на AI-функцию?

Связывайте feedback с trace/output version, outcome и reason codes; позволяйте отметить или исправить конкретный фрагмент. Не переносите feedback автоматически в dataset без privacy review и разметки.

Какие метрики использовать для AI UX?

Task success, correction burden, verification, harmful acceptance, appropriate override, recovery success, time saved и retained use по cohorts. Click rate и число генераций сами по себе не доказывают ценность.

Источники

← Все статьи блога