L’intelligenza artificiale per lo UX design

Indice

• Il design generativo è la chiave?
• Ricerca e analisi
• Architettura dell’informazione
• UX writing e copywriting con ChatGPT
• Limiti dell’intelligenza artificiale

Intelligenza artificiale (AI) è una parola ombrello che copre ambiti e strumenti eterogenei. Tuttavia, per praticità, la userò qui come sinonimo di quel particolare ambito della AI che sono i large language models (LLMs).

Il design generativo è la chiave?

L’idea del design generativo è quella di creare rapidamente molte varianti di design basate su un singolo concetto. Impostando parametri come obiettivi, vincoli e altre caratteristiche è possibile controllare la generazione delle soluzioni possibili.

In questo senso l’intelligenza artificiale ha una funzione principalmente esplorativa: consente di esplorare nuove idee e di scoprire soluzioni innovative che altrimenti verrebbero ignorate. Grazie alla capacità di generare molte ipotesi di design in poco tempo, si possono individuare soluzioni più mirate, creare prototipi, anche prototipi temporanei o usa e getta.

Il design generativo serve a produrre ipotesi e prototipi grezzi che richiedono poi l’intervento umano per essere valutati e raffinati. Si tratta quindi di vedere nella AI una partner, una compagna di allenamento con cui avere uno scambio, un palleggio, un match continui (la metafora felice è di Lindsey DeWitt Prat). In questa prospettiva il valore si sposta dalla ricerca del prompt magico o dell’output perfetto all’interazione dinamica. Un approccio che si sposa bene con il concetto di progettazione iterativa e lean user experience design.

Una panoramica della applicazioni della AI alle varie fasi dello UX design è quella del Nielsen Norman Group, AI as a UX Assistant.

Ricerca e analisi

Analisi comparativa con l’intelligenza artificiale

L’analisi comparativa è una delle attività in cui l’intelligenza artificiale può assisterci. Assisterci, non sostituirci. Delegare alla AI l’intera analisi è pericoloso. La lista dei competitor dobbiamo redigerla noi, insieme ai referenti del progetto. Semmai possiamo usare ChatGPT o altri strumenti per avere una prima lista iniziale, controllare se abbiamo tralasciato qualcosa che può essere utile, sondare ipotesi alternative ecc.

Esempio: comparazione di siti turistici

Ho chiesto a ChatGPT di comparare tre siti turistici.

Puoi fare una comparazione in termini di tipo di contenuti e funzionalità tra questi siti web? www.visittrentino.info, www.visitromagna.it, viaggiareinpuglia.it.

La risposta è piuttosto vaga in merito ai contenuti (come ci si poteva aspettare); è invece più precisa riguardo alle funzionalità: tutti i siti hanno una mappa interattiva come supporto alla navigazione.

Se invece chiediamo a ChatGPT di indicarci quali sono i problemi di usabilità più comuni dei siti web turistici regionali otteniamo una lista generica che potrebbe riguardare tutti i siti, di qualunque ambito.

Proto-personas con ChatGPT

Le proto-personas o proto-personaggi sono una versione semplificata delle personas. Le personas sono rappresentazioni fittizie di segmenti di pubblico reali derivate da ricerche sul campo; le proto-personas viceversa sono bozze create prima di aver fatto ricerca, basate su dati parziali (come analytics, richieste ricevute dall’assistenza, survey e simili).

Possiamo allora appoggiarci a tool come ChatGPT per generare una proto-persona. È chiaro che il profilo creato dalla macchina è sporco, soggetto a bias e appiattito (v. par. Limiti dell’intelligenza artificiale). Anche come proto-persona avrà molti difetti. È necessario quindi che venga integrata e corretta con i dati reali in nostro possesso. Man mano che procederemo nella ricerca affineremo questo primo prototipo grezzo. Meglio ancora sarebbe utilizzare fin da subito alcuni dati reali, come nell’esempio che segue.

Esempio: persona per un portale turistico

Scrivi una user persona di una turista amante della Toscana che vuole visitare le località meno note e meno stereotipiche della Toscana.

Il prompt fornito a ChatGPT contiene già alcune indicazioni provenienti da survey e interviste sul campo: turisti che vogliono conoscere la Toscana meno da cartolina e più autentica. Con questi input, la persona generata da ChatGPT è accettabile, e seppure con i suoi limiti si avvicina a una di quelle usate effettivamente per il redesign di un sito turistico.

Nome: Laura Rossi 
Età: 35 anni 
Occupazione: Responsabile marketing

Background: Laura è una turista appassionata della cultura italiana e, in particolare, della Toscana. Ha visitato le principali città toscane come Firenze, Siena e Pisa in passato, ma ora desidera esplorare le località meno note e meno stereotipiche della regione. Laura è un'avventuriera e ama scoprire luoghi autentici e autentici, lontani dai circuiti turistici più affollati.

Obiettivi e interessi: Esperienza autentica, Natura e paesaggi, Arte e artigianato, Cucina toscana autentica, Eventi locali.

Motivazioni: Laura è stufa delle mete turistiche affollate e vuole vivere un'esperienza autentica durante la sua visita in Toscana. È affascinata dalla cultura toscana, ma desidera scoprire aspetti meno noti e stereotipati della regione. Vuole allontanarsi dai percorsi turistici tradizionali per esplorare la bellezza nascosta della Toscana e incontrare persone locali per imparare da loro e condividere esperienze.

L’uso della AI in un progetto del Gruppo Editoriale GEDI: L’intelligenza artificiale per la ricerca sulle persone: un caso di studio

Altre app

Motori di ricerca e articoli citano svariate app di intelligenza artificiale dedicate specificamente a personas, scenari, journey. Quelli che ho provato (fra cui PersonaGen, Userdoc, User Story Generator) hanno però tutti lo stesso problema: chiedono di elencare i requisisti e le funzionalità che il sito o l’applicazione dovrebbero avere, e su questa base generano l’output. In tal modo rovesciano letteralmente il processo progettuale: le personas e gli scenari servono proprio per comprendere le esigenze del pubblico e decidere di conseguenza contenuti e funzionalità. Non viceversa.

Architettura dell’informazione

Analisi della navigazione

ChatGPT

Ho provato a estrarre con ChatGPT i primi livelli di navigazione di alcuni siti. Un’attività chiave per l’analisi comparativa dell’architettura dell’informazione, ma molto dispendiosa. Nei miei esperimenti i risultati sono deludenti. Anzitutto dobbiamo tenere conto che la “conoscenza” di ChatGPT si ferma al 2021. Ho recuperato perciò tramite l’Internet Archive l’annata 2021 dei siti in esame e l’ho confrontata con il responso del chatbot. Nella maggioranza dei casi la AI sembra andare fuori strada: alcune sezioni sono corrette ma altre sono inesistenti; oppure è alterata la loro gerarchia (sezioni di 2° livello sono spostate al 1° e viceversa).

In uno scenario simile entra in gioco anche la differenza fra navigazione e tassonomia.

Bard

Google Bard ha gli stessi problemi, anche più accentuati, e tende soprattutto a mescolare voci di 1° e 2° livello.

Altre app

Slickplan è una app commerciale che promette fra l’altro di creare sitemap accurate partendo dalla url. Ma anche in questo caso la mappa ricavata non rispecchia quella effettiva. Anzi, i problemi sono addirittura maggiori rispetto ai chatbot.

Tassonomie con ChatGPT

Bob Kasenchak ha pubblicato su Twitter alcuni suoi esperimenti con ChatGPT. Kasenchak ha chiesto al chatbot di creare una tassonomia dei tipi di software. Dopo un paio di affinamenti, il risultato ottenuto è buono. Successivamente, ChatGPT è stata anche in grado di codificare la tassonomia in formato SKOS, uno standard W3C per rappresentare in RDF sistemi di organizzazione della conoscenza.

Come si vede ChatGPT è brava a costruire tassonomie “razionali” di prodotti, soprattutto se per quei prodotti esistono standard di tassonomia più o meno condivisi. Ma le tassonomie quasi mai sono “razionali”; esse riflettono sempre gli obiettivi, il pubblico, il contesto; a maggior ragione quando abbiamo a che fare con documenti, servizi o esperienze, anziché con prodotti materiali. La scelta di organizzare una serie di elementi in un certo modo dipende dal tipo di esperienza che vogliamo favorire. Non si può quindi valutare una tassonomia in astratto, ma solo in rapporto al contesto. E il contesto è proprio uno dei limiti maggiori della AI. Tuttavia possiamo trasformare questo limite in opportunità.

Il valore degli standard

“Gli standard sono nostri amici”, scrive Steve Krug nel libro Don’t make me think. Una delle prime operazioni che faccio in un progetto di architettura dell’informazione è capire se esistono degli standard di riferimento a livello di classificazione (ufficiali o meno). Perché confrontarsi con questi standard è importante, sia se pensiamo di allontanarcene sia se pensiamo di seguirli.

Questa operazione può richiedere anche molto tempo: ChatGPT può aiutarci a velocizzarla. La AI si rivela molto utile per rilevare standard de facto relativi alla tassonomia o navigazione: in questo caso il suo carattere generalista e massificante può essere sfruttato a nostro favore. Perché è proprio questo che ci interessa: capire se ci sono tendenze o “standard”.

Così, quando recentemente ho riprogettato la navigazione principale del mio sito, mi sono appoggiato a ChatGPT per esplorare ipotesi alternative. Chiaramente il mio è un sito molto semplice, tuttavia qualcosa di istruttivo è emerso. Ecco uno degli output.

L’espetto più utile di questo risultato è la voce Risorse. Può sembrare poca cosa, ma effettivamente Risorse è una label adottata molto spesso nei siti aziendali per raggruppare articoli, guide e altro materiale di approfondimento, e distinguerlo dalle altre sezioni più istituzionali o di business. Una sorta di standard.

Trasformazioni e variazioni: tassonomie, faccette, tag

ChatGPT

Ho provato a convertire una lista piatta di tag in faccette con l’aiuto di ChatGPT. I tag sono i Topics del sito TED, una lista che mescola insieme su un unico livelli concetti molto eterogenei fra loro: fenomeni, settori del sapere, aree geografiche ecc. Ad esempio: Addiction, Africa, Agriculture, AI, Alternative energy, Animals, Bacteria, Big problems.

Questa è una lista di tag usata da un sito che contiene un'ampia quantità di video di conferenze [lista di una selezione di 40 tag]. La lista mescola tag di tipo diverso: alcuni riguardano fenomeni, altri discipline, altri ancora la geografia. Puoi raggruppare questi tag per tipo?

Le faccette isolate al primo round non sono male, ma gli item interni sono ancora un po’ incoerenti. Fenomeni, ad esempio, contiene anche alcune discipline, come Anthropology. Chiedo al chatbot di correggere; e il risultato finale è buono – buono come prima ipotesi grezza su cui lavorare ancora “umanamente” (per poi magari tornare a dialogare con l’AI).

- Fenomeni: Addiction, Augmented reality, Beauty, Bees ecc. 
- Discipline: Agriculture, AI, Anthropology, Archaeology ecc. 
- Geografia: Africa, Antarctica, Asia, China ecc. 
- Arte e intrattenimento: Art, Augmented reality, Books ecc.
- ecc.

Ho domandato ancora a ChatGPT se Arte e intrattenimento non potesse rientrare fra le Discipline. La risposta mi ha stupito.

Dipende dall'approccio che desideri adottare nella suddivisione dei tag. In generale, l'arte e l'intrattenimento possono essere considerati come un campo disciplinare a sé stante o possono essere inclusi in altre discipline, come la letteratura, la filosofia o le scienze sociali, a seconda del contesto.

Bard

Bard è poco “generativo”, si limita a riutilizzare le categorie Fenomeni, Discipline, Geografia già suggerite dal mio prompt (lo stesso usato per ChatGPT). Fenomeni è trattato come categoria “altro”, dove Bard convoglia tutto ciò che non rientra in Discipline o Geografia.

- Fenomeni: Addiction, AI, Alternative energy, Animals ecc. 
- Discipline: Anthropology, Archaeology, Architecture, Art ecc. 
- Geografia: Africa, Asia, China, Antarctica ecc.

UX writing e copywriting con ChatGPT

Ecco cosa possiamo fare con l’intelligenza artificiale quando lavoriamo su testi e parole:

• scrivere un testo
• analizzare un testo
• proseguire la scrittura di un testo già iniziato
• accorciare/allungare
• adattare a formati editoriali diversi: articolo, blog, social ecc.
• modificare tono/registro
• migliorare la leggibilità
• semplificare
• creare varianti di altro tipo.

Scrittura vs editing

L’uso dei large language models (LLMs) come ChatGPT per modellare un testo, anziché farlo scrivere da zero, è forse l’aspetto di maggior valore per chi lavora sul contenuto (almeno oggi). La scrittura è anzitutto uno strumento per pensare. In questo senso ChatGPT, e più in generale i large language models (LLMs), ci aiutano ad allargare il nostro orizzonte, variare il punto di vista, sperimentare. Sia la copywriter Luisa Carrada sia l’architetto dell’informazione Jorge Arango affermano di usare l’intelligenza artificiale più come un partner con cui interagire e meno come un dispenser di “soluzioni” pronte all’uso. Ciò significa anche protrarre la relazione con questi strumenti senza fermarsi al primo botta e risposta.

Luisa Carrada riporta molti esempi di editing di testi in partnership con ChatGPT. Jorge Arango racconta invece come ha conversato con ChatGPT per trovare un testo, un brano letterario da usare nel libro che sta scrivendo.

Ottimizzare i testi con la AI: Unleashing the Potential of AI: Empowering Technical Writers (par. Content Optimization, Natural-Language Processing)

Microcopy

Il gioco, la manipolazione delle parole alla ricerca di combinazioni diverse, impreviste, comprese quelle “devianti” diventa particolarmente utile nel microcopy e nello ux writing. L’intelligenza artificiale può generare rapidamente varianti per forma, numero di parole, tono. L’importante anche in questo caso è iterare la nostra conversazione con la AI, non fermarsi alle prime soluzioni; esplorare, variare, riprendere – una sorta di raccolta delle bacche applicata alla scrittura.

How to use AI in the UX writing process

Task per i test con utenti

L’esplorazione delle varianti di parole, locuzioni o frasi riveste un ruolo chiave anche nell’elaborazione dei compiti (task) per i vari tipi di test con utenti: tree testing, first clic, test di usabilità ecc.

In questi casi c’è spesso la necessità di evitare certe parole per non condizionare il comportamento delle persone, o al contrario di inserire certe parole, o entrambe le cose. Elaborare il task può diventare così un lavoro spinoso. Usare la AI per generare varianti può agevolare il lavoro.

Analisi del testo

Analisi e produzione sono due aspetti intimamente legati. L’analisi di un testo può aiutarci a individuare relazioni interne o relazioni fra il testo e altri testi collegati. L’anatomia di un contenuto serve sia come esercizio per studiare un testo altrui, sia per valutare un contenuto nostro. Nel primo caso ci è utile per smontare testi che ci sembrano particolarmente ben riusciti ed efficaci, da cui possiamo imparare, a cui possiamo ispirarci e così via. Il secondo ci serve per analizzare e migliorare un nostro contenuto.

Io e Andrea Resmini ci abbiamo provato col testo di una canzone particolarmente criptica, La rappresentante di lista del gruppo omonimo. Abbiamo usato questo brano come prova per sondare le capacità e i limiti di ChatGPT.

Capre, cavoli e ChatGPT. Analizzare testi complessi con l’intelligenza artificiale

Applicazioni

Per quanto riguarda software e applicazioni, ne spuntano ogni giorno, difficile provarli tutti e dare una valutazione. Cercando nel web, le pagine che elencano i “best tool for” si sprecano. D’altra parte l’obiettivo di questo articolo è fornire indicazioni su come usare questi strumenti più che sugli strumenti stessi. Per cercare app specifiche in base alla categoria (scrittura, grafica ecc.) o altri filtri, consiglio la directory della Futurepedia.

Limiti dell’intelligenza artificiale

Ecco un elenco dei principali limiti dell’intelligenza artificiale. Limiti di cui essere consapevoli quando si usa questo strumento. Limiti che ci spiegano perché, almeno oggi, la AI può affiancare il designer ma non sostituirlo.

Contesto

Molte cose nella nostra professione dipendono dal contesto; e il contesto è spesso implicito piuttosto che esplicito. Ciò che il partecipante a un ricerca dice può essere diverso da ciò che intende o da ciò che fa. L’intelligenza artificiale non è priva di bias, poiché l’apprendimento automatico si basa su dati generati, suggeriti e convalidati in primo luogo dagli esseri umani (Therese Fessenden, AI Spots Usability Opportunities that Humans Can’t).

Massificazione e appiattimento

L’adozione su vasta scala di strumenti come ChatGPT per creare “artefatti” pronti all’uso porterà a una massificazione di tali artefatti. Se il dataset usato per addestrare questi strumenti è lo stesso per tutti, tutti avranno accesso agli stessi dati, e quindi anche gli output generati saranno molto simili (sarebbe come usare un template preconfezionato di Power Point). Diverso il caso di strumenti che possano essere addestrati attraverso dati proprietari (Clément Bourcart, Top 6 AI Trends for 2023).

Bias

La AI restituisce risultati sulla base della “conoscenza” in suo possesso, cioè i dataset con cui è stata addestrata. I quali non sono neutri ma riflettono inevitabilmente i bias e i pregiudizi delle persone e delle culture che li hanno prodotti. La AI rischia così di amplificare tali bias.

Loop

È una sorta di corollario del punto precedente. Già prima del boom attuale, la AI è stata usata per generare testi, i quali inevitabilmente sono confluiti nei dataset usati per nutrire la AI medesima. Con la diffusione della AI su vasta scala, avremo un aumento di contenuti AI-generati, che torneranno nuovamente a nutrire la AI. Si produce così un loop che può incrementare esponenzialmente bias, errori ecc. (Artificial Artificial Artificial Intelligence).