نرى أن السرعة غالباً ما تكون وهماً بالتقدم، خاصة عندما يتعلق الأمر بتصميم المنتجات واكتشاف احتياجات المستخدمين بمساعدة الذكاء الاصطناعي. تماماً مثل السائق الذي يسرع ليتجاوز السيارات الأخرى، فقط ليجد نفسه عند إشارة ضوئية حمراء بجانبهم، قد تدفعنا أدوات الذكاء الاصطناعي إلى «سرعة خاطئة» في عملية تطوير المنتجات.
الخطر يكمن في أن «القمامة المدخلة، قمامة مخرجة» (GIGO) لم تعد واضحة كما كانت. مع الذكاء الاصطناعي، قد تدخل معلومات ضعيفة وتخرج نتائج مصقولة، مما يوحي بالنجاح الزائف. الذكاء الاصطناعي يتنبأ بما هو محتمل، لكنه لا يزن حقيقة ما هو صحيح لمستخدميك.
وهم التقدم السريع
وجد تقرير Atlassian حول «حالة المنتج 2026» أن مديري المنتجات يكسبون ما يقرب من ساعتين يومياً بفضل الذكاء الاصطناعي، لكن معظمهم لا يزالون يشعرون بأنهم عالقون في وضع رد الفعل، و84% منهم لديهم مخاوف من عدم نجاح منتجاتهم. لقد زادت السرعة، لكن الثقة لم تزد. فالإنتاج الأسرع ليس هو نفسه ضمان بناء الشيء الصحيح.
الاعتماد على الذكاء الاصطناعي لتحديد احتياجات المستخدمين، أو خرائط تجربة العملاء، أو الشخصيات (Personas) يمكن أن يمنحك نتائج في دقائق. لكن هذه النتائج قد تتركك بثقة زائفة بأنك وجدت المشكلة الدقيقة التي تحلها. الاعتماد على قدرات نماذج اللغات الكبيرة (LLM) وحدها يعني أن الذكاء الاصطناعي يقوم بالعمل الثقيل بناءً على المتوسطات والتحيزات الموجودة مسبقاً والأنماط العامة لما كُتب عن المشكلة. هذا التفكير من أعلى إلى أسفل لا يعالج آلام عملائك الحالية، ويمكن أن يكون مكلفاً للغاية.
البحث الحقيقي أولاً، الذكاء الاصطناعي لاحقاً
يبدأ التفكير من أسفل إلى أعلى بالبشر. يتضمن البحث لتحديد المشكلة وفهم الأنظمة المرتبطة بها. هذا عمل فوضوي، مثل رسم خرائط كيفية ارتباط الحاجة بالشبكات والعمليات المعقدة المحيطة بها. إنه يسمح للفرق بأن تكون مخطئة مبكراً، عندما يكون الخطأ رخيصاً، ويكشف ما هو فريد ومحدد لمستخدميك. هنا يصبح الذكاء الاصطناعي مفيداً، من خلال معالجة احتياجات مستخدميك بمجرد أن تلاحظها.
في دراسة أجراها NN/g باستخدام مشاركين تم إنشاؤهم بواسطة الذكاء الاصطناعي، وُجد أن الإجابات كانت سطحية جداً لدرجة أنها غير مفيدة. وفي استطلاع لـ User Interviews عام 2026 شمل 150 باحثاً، استخدم 81% منهم الذكاء الاصطناعي بانتظام في عملهم، لكن 8% فقط استخدموه لمحاكاة المشاركين. كانت أكبر مخاوفهم هي جودة ودقة الرؤى (88%) وثقة أصحاب المصلحة المفرطة في النتائج المولدة بالذكاء الاصطناعي (79%).
إن أحدث وأصدق المعلومات التي لديك هي سلوك مستخدميك. هذه المعلومات موجودة فقط في الميدان؛ لن تظهر الفروق الدقيقة لمنتجك بشكل موثوق في أي بيانات تدريب للذكاء الاصطناعي. البحث لا يقتصر على تجنب المتوسطات، بل هو الطريقة الوحيدة للحصول على الإجابة الأحدث.
ماذا يعني هذا للمطورين والمصممين؟
تخيل فريق منتج طُلب منه تسريع سير عمل الأذونات في لوحة تحكم إدارية. للتحرك بسرعة، طلبوا من الذكاء الاصطناعي إنشاء شخصية إدارية. كانت الشخصية مقنعة، مشغولة، تقنية، ومحبطة من كثرة النقرات. الحل الواضح تبع ذلك: إجراءات مجمعة، عدد أقل من التأكيدات، نقرة واحدة لتطبيق التغييرات.
لكن عندما قضى مصمم ومدير منتج ومطور أسبوعاً مع خمسة مسؤولين حقيقيين، ظهر موضوع مختلف تماماً. أرادوا التحرك بشكل أسرع، لكن السرعة لم تكن أكبر همومهم. الأخطاء كانت هي المشكلة. تغيير خاطئ واحد يمكن أن يحرم مئات الأشخاص من أدواتهم أو يمنح المجموعة الخاطئة الوصول إلى معلومات حساسة. لم يكونوا بحاجة إلى خطوات أقل، بل إلى الثقة: معاينة لمن سيتأثر بالتغيير، سجل لما تغير ومتى، وطريقة سهلة وواضحة للتراجع. مع هذه الحلول، توقفت الإجراءات المجمعة عن كونها خطراً وأصبحت التسريع الذي طلبه الفريق.
اكتشاف المستخدم لا يبطئ الفريق، بل يمنح الذكاء الاصطناعي تفاصيل للعمل بها. بمجرد أن يمتلك الفريق نصوصاً وطلبات دعم ربع سنوية، يمكن لنموذج اللغات الكبيرة تصنيف سيناريوهات الفشل، وصياغة متطلبات سجلات التدقيق، وإنشاء مفاهيم للمعاينة وسير عمل التراجع. مع نفس نموذج اللغات الكبيرة، أصبح الإدخال مبنياً على ما يختبره العملاء الفعليون. ونتيجة لذلك، بنوا شيئاً يقدره المسؤولون (في صميم منتجهم) حقاً.
إن القوة الحقيقية اليوم لا تأتي من استخدام كل قدرة جديدة للذكاء الاصطناعي بلا تفكير. بل تأتي من ترسيخ الأداة بما تعلمته من مستخدميك وفهم الطريق الذي تسير عليه. هذه هي الطريقة التي تصل بها إلى ما تحاول الوصول إليه فعلياً، وتأخذ عملائك معك. حينها، سيلحظون الفرق.
المصدر: uxdesign.cc