‏رضایت کاربر به انتظارش بستگی داره

مقاله با یه مثال شروع می‌شه: دو نفر از یه دستیار نوشتن AI استفاده می‌کنن و هر دو یه پیش‌نویس معمولی می‌گیرن. یکی که فقط انتظار یه طرح کلی داشته خوشحاله، اون یکی که انتظار گزارش نهایی داشته اشتراکشو لغو می‌کنه. این همون Expectation Confirmation Theory یا ECT هست، یعنی نظریه‌ای که می‌گه رضایت از مقایسه «انتظار» با «عملکرد درک‌شده» میاد. نویسنده اینو یه فرمول ساده می‌کنه: فاصله انتظار برابره با عملکرد درک‌شده منهای عملکرد مورد انتظار.

این نظریه رو Richard Oliver سال ۱۹۸۰ با یه برنامه واکسن آنفولانزا آزمایش کرد. بعدها Anol Bhattacherjee سال ۲۰۰۱ نشون داد کاربرای بانکداری آنلاین هم به خاطر رضایت و هم به خاطر مفید بودن به استفاده ادامه می‌دن. نویسنده می‌گه انتظار هم مثل پیکسل و متن یه «ماده طراحی» هست. هر تبلیغ و دمو یه وعده‌ست و وعده‌های عمل‌نشده یه expectation debt (بدهی انتظار) می‌سازن که آخرش به ریزش کاربر و نظرهای یه‌ستاره می‌رسه.

انتظار از جاهای مختلفی میاد: قیمت (اشتراک ۲۰۰ دلاری توقع بیشتری از نسخه رایگان می‌سازه)، شبکه‌های اجتماعی که فقط بهترین نتیجه‌ها رو نشون می‌دن، نظرهای کاربرا و تجربه قبلی با برند. طبق Jakob's Law کاربرها بیشتر وقتشون رو تو سایت‌های دیگه می‌گذرونن. پس رعایت قراردادهای آشنا یه جور تأیید مجانیه. نویسنده پیشنهاد می‌ده برای تخمین زمان، صدک ۸۰ زمان‌های واقعی رو تست کنین و قول قابل اجرا بدین.

طبق prospect theory ضرر حدوداً دو برابر سود هم‌اندازه حس می‌شه. پس اگه ۹ تا از ۱۰ قابلیت کار کنه ولی خروجی گرفتن از گزارش خراب باشه، کل کار بی‌فایده‌ست. یه آزمایش سال ۲۰۰۵ هم نشون داد کسایی که نوشیدنی انرژی‌زا رو ارزون‌تر خریدن ۱۹٪ کمتر پازل حل کردن. یعنی انتظار حتی روی عملکرد واقعی هم اثر می‌ذاره. حذف بی‌صدای یه فیچر هم می‌تونه گردش کار کاربر رو کاملاً به هم بریزه.

به گفته نویسنده، محصولات AI الان بدترین متخلف‌ها تو وعده دادن هستن. مشکل fluency transfer هم هست، یعنی کاربر فکر می‌کنه سیستمی که روون می‌نویسه حتماً اطلاعات درست هم می‌ده. نتیجه‌ش «claimflation» ـه، یعنی تورم ادعاها تا جایی که دیگه کسی تبلیغ رو باور نمی‌کنه. نویسنده می‌گه برای AI چیزی که مهمه کف قابل اتکاست، نه بهترین نتیجه از بین ۵۰ تلاش تو دمو.

آخرش هم «تردمیل انتظار» هست: هر بهبودی که منتشر می‌کنی، خط پایه انتظار بعدی می‌شه. مدل Kano می‌گه فیچرهای هیجان‌انگیز کم‌کم تبدیل به حداقل‌های لازم می‌شن، مثل ارسال رایگان دو روزه یا spell check. نویسنده پیش‌بینی می‌کنه این عادت کردن تو محصولات AI خیلی سریع‌تر اتفاق می‌افته. پیشنهادش اینه که یه مجموعه ثابت از تسک‌ها رو بین ریلیزها مقایسه کنین تا بهبود واقعی از هیجان رو به افول جدا بشه.

نکات کلیدی:

• رضایت از مقایسه عملکرد درک‌شده با انتظار قبلی کاربر میاد، نه فقط از کیفیت خود محصول.
• قیمت، تبلیغات، شبکه‌های اجتماعی، نظرها و تجربه قبلی همه سطح انتظار رو تعیین می‌کنن.
• ضرر حدود دو برابر سود حس می‌شه؛ یه قابلیت خراب در آخر کار می‌تونه ۹ قابلیت درست رو بی‌اثر کنه.
• تو محصولات AI باید کف عملکرد قابل اتکا رو نشون داد، نه بهترین نتیجه دمو.
• طبق مدل Kano فیچرهای جذاب امروز، حداقل‌های لازم فردا می‌شن.