NN/G: Ključna veština dizajna u eri AI-a: kritika

Većina materijala o AI-u u dizajnu fokusira se na izbor alata. Ovaj tekst istraživača Nielsen Norman Group Adama Elmana iz juna 2026. bavi se drugačijim problemom koji većina dizajn timova još nije rešila: kako proceniti rezultate AI-a kad se ti rezultati menjaju pri svakom pokretanju.

Centralni argument je jednostavan. Tradicionalne dizajn specifikacije funkcionišu jer opisuju tačna ponašanja u determinističkim sistemima. Generativni AI razbija tu logiku: output se svaki put razlikuje, što znači da specifikacija ne može reći da li je konkretan rezultat dobar ili loš. Potrebno je nešto drugo.

Elmanovo rešenje je kritika — ne neformalni feedback kolega, već strukturirana evaluacija po objektivnim kriterijumima koji se formulišu pre nego što se pogleda output modela. Ti kriterijumi treba da se zasnivaju na istraživanju korisnika i dizajnerskim namerama, ne na estetskim preferencijama, i treba da budu dovoljno konkretni za doslednu primenu od strane različitih ocenjivača.

Ciklus “sudija — evaluacija — iteracija”

Tekst opisuje trofazni proces. U fazi sudije tim formuliše kriterijume prihvatljivosti odgovora, zasnovane na stvarnim potrebama korisnika koje bi funkcija trebalo da adresira. U fazi evaluacije ovi kriterijumi se primenjuju na realne outpute modela — najpre ručno, a potom, kad to obim zahteva, putem LLM-a obučenog da procenjuje odgovore prema utvrđenim kriterijumima. U fazi iteracije rezultati evaluacije se vraćaju u rad: preciziraju se promptovi, fino podešava model ili ažuriraju kriterijumi kada rubni slučajevi otkriju praznine.

Elman daje konkretne tehničke smernice: ciljni F1 skor od 0,8 pri kalibraciji LLM sudije na osnovu primera sa ljudskom anotacijom, razbijanje složenih kriterijuma na posebne komponente radi skalabilnosti, i kontinualni monitoring regresija — jer promena u jednom delu sistema može izazvati neočekivane kvarove drugde.

Za koga je namenjen

Tekst je upućen UX i produkt dizajnerima koji već rade sa generativnim AI funkcijama, ne timovima u fazi istraživanja. Pretpostavlja poznavanje toga kako se AI funkcije grade. Okvir je uzak i metodološki — tačno odgovara na jedno konkretno pitanje.

Najveću korist će imati dizajn timovi koji su već objavili AI funkcije i otkrili da neformalni ciklusi pregleda nisu dovoljni. Timovima koji još uvek odlučuju da li da koriste AI, verovatno je prerano.