‏وقتی AI طراحی رو بی‌پایان می‌کنه

یه طراح UX در یه استارتاپ هوش مصنوعی داشت با یه مشکل عجیب دست‌وپنجه نرم می‌کرد: اون و یه استیک‌هولدر هر دو روی یه چالش طراحی به‌صورت موازی کار می‌کردن. هر دو با ابزارهای AI مثل Lovable یا Claude Code موکاپ‌های تمیز و حرفه‌ای می‌ساختن و هر کدوم سعی می‌کردن بقیه‌ی تیم رو قانع کنن که نسخه‌ی اونا «بهتره». هیچ هماهنگی‌ای وجود نداشت، هیچ تعریف مشترکی از «بهتر» وجود نداشت، و هیچ معیار مشخصی برای توقف وجود نداشت.

این داستان نشون می‌ده AI چی کار با کار طراحی و محصول کرده. وقتی هزینه‌ی ایتریشن عملاً صفره و هر کسی می‌تونه با چند پرامپت یه خروجی صیقلی بسازه، «ایتریشن» دیگه ابزار نیست — خودش هدف می‌شه. تیم‌ها نسخه‌های جدید می‌سازن چون می‌تونن، نه چون باید. و در یه نقطه‌ای دیگه نمی‌دونن دارن چیزی رو «بهتر» می‌کنن یا فقط «متفاوت».

نویسنده معتقده که در این دنیای جدید، مسلط بودن به ابزارهای AI فقط «بلیط ورود» به بازیه. چیزی که واقعاً تفاوت می‌سازه «کیفیت تصمیم‌گیریه». تیم‌هایی که عادت‌های درست تصمیم‌گیری رو می‌سازن، از رقبا جلو می‌زنن — نه اونایی که فقط سریع‌تر پرامپت می‌زنن.

عادت اول اینه که قبل از نوشتن هر پرامپتی، نتیجه‌ی مشخصی تعریف کنی. «UX بهتر» یه هدف نیست؛ یه آرزوئه. نتیجه‌ی واقعی چیزی شبیه اینه: «کاربرا می‌تونن وظیفه‌ی X رو در Y ثانیه کامل کنن» یا «۷۰٪ کاربرا در تست مستقیم این نسخه رو ترجیح می‌دن». وقتی نتیجه مشخص نباشه، AI خوشحالانه تا ابد خروجی‌های زیبا برات می‌سازه — ولی هیچ‌کدوم لزوماً مشکل واقعی رو حل نمی‌کنن.

عادت دوم اینه که معیار توقف رو از همون اول بنویسی. قبل از شروع ایتریشن، تیم باید با هم توافق کنه که کِی می‌ایستن. مثلاً: «وقتی نسخه X در تست با سه کاربر به‌طور معناداری بهتر از Y بود» یا «بعد از سه ایتریشن که جریان اصلی رو تغییر ندادن» یا حتی «جمعه ظهر، صرف‌نظر از اینکه کجاییم». هر معیار صریحی بهتر از اون معیار پیش‌فرض ضمنیه که معمولاً توی تیم‌هاست: «وقتی پردرآمدترین نفر تیم تصمیم بگیره».

عادت سوم اینه که یه تست طراحی کنی که فرضیه‌ات رو رد کنه. به‌جای اینکه نسخه‌ها رو داخل تیم با هم مقایسه کنی — که پر از سوگیری شخصی و سیاست‌های داخلیه — پروتوتایپ‌ها رو جلوی کاربرا بذار و دنبال معیارهای موفقیت مشخص بگرد. هر ایتریشن یه فرضیه‌ست. وظیفه‌ی تیم اینه که ارزون‌ترین تستی رو طراحی کنه که اون فرضیه رو به چالش بکشه — نه اینکه صرفاً تحت تأثیر خروجی زیبای AI باشه.

نویسنده یه اکشن عملی هم پیشنهاد می‌ده: یه چیزی که الان داری روش ایتریشن می‌کنی رو انتخاب کن. قبل از جلسه‌ی بعدی، سه چیز روی کاغذ بنویس: اول، نتیجه‌ای که این ایتریشن قراره به اون برسه (اگه موفق بشی، کاربرا چه رفتار متفاوتی خواهن داشت؟)؛ دوم، معیار عددی مشخصی که بگه کِی باید بایستی؛ و سوم، تستی که جهت فعلی رو تأیید یا رد کنه. بعد جلسه رو با این سه مورد روی میز شروع کن.

در ۱۸ ماه آینده، تسلط بر ابزارهای AI توی همه‌ی تیم‌ها عادی می‌شه. تیم‌هایی که از اون موقع جلوتر خواهن بود، اونایی هستن که الان عادت‌های تصمیم‌گیری باکیفیت رو می‌سازن — در حالی که بقیه هنوز مشغول تحسین چقدر خروجی‌های AI شیک به نظر می‌رسن.

نکات کلیدی:

• AI هزینه‌ی ایتریشن رو به صفر رسونده، ولی این می‌تونه تیم‌ها رو در یه چرخه‌ی بی‌پایان گیر بندازه
• تسلط بر ابزار فقط «بلیط ورود» به بازیه؛ کیفیت تصمیم‌گیری مزیت رقابتیه
• قبل از هر ایتریشن، نتیجه‌ی مشخص و قابل اندازه‌گیری تعریف کن
• معیار توقف رو از همون اول با همه توافق کن، نه وقتی خسته شدید
• هر پروتوتایپ رو یه فرضیه بدون و ارزون‌ترین تست ممکن رو برای رد کردنش طراحی کن
• به‌جای رقابت داخلی بین نسخه‌ها، خروجی‌ها رو جلوی کاربرا بذار و داده جمع کن