یک لحظهای هست که احتمالا اگر چند بار با هوش مصنوعی کار کرده باشی آن را تجربه کردهای. مینویسی، توضیح میدهی، فکر میکنی دقیق بودهای. چند ثانیه بعد پاسخ برمیگردد. از نظر فنی همه چیز درست است، جملهها تمیزند، اطلاعات سر جای خودشان هستند، اما یک حس مبهم وجود دارد. انگار چیزی سر جای خودش نیست. مشکل این نیست که مدل اشتباه کرده باشد، مشکل این است که دقیقا همان چیزی را به تو داده که نوشتهای، نه چیزی را که واقعا در ذهن داشتی. و این دو یکی نیستند.
بین آنچه انسان میگوید و آنچه واقعا منظورش است همیشه فاصلهای وجود دارد. ما در گفتگوهای روزمره این فاصله را با لحن، تجربهی مشترک، context، حافظه و شهود پر میکنیم. وقتی دو انسان با هم حرف میزنند بخش بزرگی از ارتباط اصلا در کلمات اتفاق نمیافتد، اما هوش مصنوعی فقط همان چیزی را میبیند که وارد متن شده است. همینجاست که مفهوم Intent خودش را نشان میدهد، نه به عنوان یک واژه فنی یا ترند جدید، بلکه به عنوان مهمترین لایه پنهان در تعامل انسان و مدلهای زبانی.
Intent یعنی آن چیزی که پشت کلمات پنهان شده است؛ هدف واقعی، نیاز واقعی یا تصویری که کاربر هنوز نتوانسته کامل به زبان تبدیلش کند. و شاید مهمترین تفاوت بین یک خروجی معمولی و یک خروجی واقعا هوشمند همین باشد: اینکه سیستم فقط متن را نفهمد، بلکه منظور را تشخیص بدهد.
چند وقت پیش روی طراحی یک onboarding flow کار میکردم. تحقیقات انجام شده بود، دیتا به اندازه کافی داشتیم و تیم روی direction کلی توافق داشت. در مصاحبهها کاربران مدام یک جمله تکرار میکردند: «میخوام سریع شروع کنم». پس طبیعی بود که همه چیز به سمت سادهتر و کوتاهتر شدن برود.
چند مرحله حذف شد، توضیحات کمتر شدند و فلو streamline شد تا کاربر با کمترین friction ممکن وارد محصول شود. روی کاغذ همه چیز منطقی بود، اما بعد از انتشار اتفاق عجیبی افتاد. کاربران دقیقا وسط همان فلوی بهینهشده شروع کردند به drop کردن.
اول فکر کردیم مشکل از UI است، شاید hierarchy اشتباه است یا copyها خوب نوشته نشدهاند، اما هرچه بیشتر رفتار کاربران را نگاه کردیم مسئله جای دیگری بود. ما تصور کرده بودیم وقتی کاربر میگوید «میخوام سریع شروع کنم» یعنی باید مراحل را کمتر کنیم، در حالی که چیزی که واقعا نیاز داشت حس کنترل بود. کاربر نمیخواست صرفا سریع عبور کند، میخواست بداند کجا قرار دارد، چه اتفاقی قرار است بیفتد و احساس کند خودش مسیر را جلو میبرد. این دو در ظاهر شبیهاند، اما در دیزاین کاملا متفاوت عمل میکنند. اگر مسئله را «سرعت» ببینی شروع به حذف کردن میکنی، اما اگر مسئله «کنترل» باشد ممکن است حتی مرحله اضافه کنی، فقط برای اینکه حس پیشرفت، اختیار و اطمینان بیشتری ایجاد شود. ما روی همان کلمهای کار کرده بودیم که شنیده بودیم: «سریع»، اما چیزی که کاربر واقعا منظورش بود جای دیگری پنهان شده بود، و دقیقا همینجا بود که فهمیدم مشکل از تحلیل، دیتا یا execution نبود، مشکل این بود که ما به جای Intent فقط متن را فهمیده بودیم.
وقتی پرامپ مینویسیم، درواقع داریم ترجمه میکنیم. ذهنمان را به کلمه تبدیل میکنیم، اما این ترجمه همیشه ناقص است. نه به این دلیل که بد مینویسیم، بلکه چون زبان ابزار کاملی برای انتقال Intent نیست.
بخش زیادی از چیزی که میدانیم هرگز وارد پرامپ نمیشود: شناخت ما از کاربر، context پروژه، تجربههای قبلی، چیزهایی که امتحان شده و جواب ندادهاند. همه اینها در ذهن ما حضور دارند، نه در متن.
هوش مصنوعی اما فقط چیزی را میبیند که نوشتهایم، نه چیزی را که میدانیم.
Jascha Goltermann در یکی از مقالههایش در سال ۲۰۲۵ به همین تغییر اشاره میکند: ما وارد دورهای شدهایم که به جای دستور دادن به سیستمها، Intent را به آنها منتقل میکنیم. مسئله اینجاست که سیستمها شاید برای این تغییر آماده باشند، اما ما هنوز یاد نگرفتهایم چطور باید Intent را شفاف منتقل کنیم.
دان نورمن سالها پیش در «دیزاین اشیای روزمره» (The Design of Everyday Things) چیزی گفت که آن زمان درباره ابزارهای فیزیکی بود، اما حالا بیشتر از هر وقت دیگری واقعی به نظر میرسد: سیستمها همیشه به ورودی واکنش نشان میدهند، نه به نیتی که پشت آن وجود دارد. Intent همان نیت پشت درخواست است؛ چیزی که گفته نمیشود، اما اصل ماجراست. وقتی کاربر میگوید «میخواهم سریع شروع کنم»، شاید نیت واقعیاش احساس اطمینان باشد. وقتی دیزاینر میگوید «سادهترش کن»، شاید منظورش این باشد که «برای مخاطب غیرتکنیکال قابل فهم باشد». اما سیستم فقط چیزی را میشنود که گفته شده، نه چیزی را که منظور بوده است.
این فاصله از دو لایه شکل میگیرد. اول، چیزی که صریح گفته میشود؛ درخواست مستقیم، قابل اندازهگیری و قابل اجرا، اما اغلب ناقص، چون کاربر همیشه نمیتواند یا نمیخواهد همه چیز را توضیح دهد. دوم، چیزی که به صورت ضمنی خودش را نشان میدهد؛ اینکه چند بار یک پرامپ را با کلمات مختلف امتحان کردهای، کدام خروجی را نگه داشتهای و کدام را کنار گذاشتهای، کجا مکث کردهای. اینها هیچوقت مستقیم نوشته نمیشوند، اما اغلب صادقانهتر از هر چیزی هستند که تایپ شده است.
بیشتر سیستمهای هوش مصنوعی فقط روی لایه اول کار میکنند و لایه دوم را نمیبینند. و پشت این دو لایه، یک context پنهانتر هم وجود دارد که تقریبا هیچوقت گفته نمیشود: این پروژه برای چه کاربری است، چه محدودیتی هنوز مطرح نشده، و این تصمیم قبلا با چه منطقی کنار گذاشته شده است.
سیستمی که فقط به لایه اول دسترسی دارد، همان را اجرا میکند، نه بیشتر.
هوش مصنوعی در این سناریو اشتباه نمیکند. دقیقا همان چیزی را انجام میدهد که گفتهای. مسئله این است که چیزی که گفتهای لزوما همان چیزی نیست که واقعا میخواستی. وقتی میگوییم «هوش مصنوعی خروجی ضعیفی داد»، اغلب منظور واقعی این است که Intent درست منتقل نشده است. این دو نگاه دو مسیر کاملا متفاوت میسازند: یکی میگوید مدل را عوض کن، دیگری میگوید ساختار انتقال Intent را دوباره طراحی کن.
UX Tigers در یکی از مقالههای ۲۰۲۶ این تفاوت را توضیح میدهد: در دوران command-based، کاربر به سیستم میگفت «چطور» کاری انجام شود، اما در دوران intent-based، کاربر فقط میگوید «چه چیزی» میخواهد و سیستم خودش مسیر را انتخاب میکند. این یعنی هرجا Intent مبهم باشد، سیستم ناچار است با یک متغیر مجهول تصمیم بگیرد و نتیجه طبیعی آن، خروجی غیرقابل پیشبینی است.
کیفیت خروجی در لحظه نوشتن پرامپ تعیین نمیشود، بلکه قبل از آن شکل گرفته است. اگر Intent مبهم باشد هیچ پرامپ تمیزی نمیتواند آن را نجات دهد. میشود ساعتها کلمات را تغییر داد و هر بار به نسخهای متفاوت از همان خطا رسید، چون مسئله در زبان نیست؛ در شفافیت Intent است.
برمیگردم به همان پروژه onboarding، وقتی فهمیدیم مشکل کجاست، پرامپ را عوض نکردیم، Intent را دوباره تعریف کردیم. سه سوال را مبنا گذاشتیم: نتیجه درست چه حسی دارد؟ چه چیزی نباید اتفاق بیفتد؟ کاربر دقیقا در چه وضعیت ذهنی قرار دارد؟ پاسخها روشنتر شد: کاربر از اشتباه غیرقابل برگشت میترسد، به حس کنترل نیاز دارد، و متن نباید او را به «سرعت» هل بدهد، بلکه باید اطمینان بدهد چیزی از دست نمیرود. با همین بازتعریف، خروجی کاملا تغییر کرد، نه به خاطر مدل بهتر، بلکه چون این بار Intent واقعا دقیق شده بود.
Tietoevry در یکی از مقالههای ۲۰۲۵ یک جمله دارد که امسال زیاد با آن درگیر بودم: «روشی که انسانها Intent را بیان میکنند ذاتا انسانی است؛ آشفته، وابسته به context و پر از ابهام.»
یعنی مسئله Intent لزوما حل نمیشود؛ فقط میتوان آن را بهتر مدیریت کرد، و این مدیریت در نهایت کار دیزاین است. در مدل قدیم، دیزاینر نیاز را به interface تبدیل میکرد. در مدل جدید، دیزاینر ساختار شکلگیری Intent را طراحی میکند؛ سیستمی که بتواند بین آنچه گفته میشود و آنچه باید انجام شود معنا تولید کند.
Intent ورودی نیست؛ یک لایه پردازش است بین پرامپ و خروجی. این لایه همان جایی است که دیزاینر آن را شکل میدهد، چون هر جا این لایه وجود نداشته باشد، سیستم با ورودی ناقص تصمیم میگیرد.
اینجا مسئله از فنی به دیزاین تبدیل میشود. مهندس میتواند مدل بهتر بسازد، داده بیشتر بدهد، سرعت را بالا ببرد، اما اینکه سیستم چه چیزی را Intent در نظر بگیرد، چه سیگنالی را مهم بداند، و چه contextی را نگه دارد، تصمیمهای دیزاینی هستند.
یک مثال ساده: دیزاینر میتواند تصمیم بگیرد وقتی کاربر سه بار یک پرامپ را با کلمات مختلف امتحان میکند، سیستم متوجه شود انتقال Intent مشکل دارد و سوال بپرسد. یا میتواند تصمیم بگیرد context مکالمههای قبلی نگه داشته شود تا Intent بهتر خوانده شود. اینها ابزار نیستند؛ تصمیمهای دیزایناند.
Future of UX در اپیزود ۸۲ این تحول را انتقال از Task-based به Intention-based Interaction نامیده است. اما تغییر نام کافی نیست؛ کار، تعریف و ارزیابی هم باید تغییر کند. دیزاینری که این مسیر را طی کرده، از ابتدا درست شروع میکند. کسی که هنوز طی نکرده، مدام در حال اصلاح است.
سوال اصلی هنوز باز است: آیا میتوان سیستمی ساخت که Intent را بدون پرسیدن بفهمد، یا همیشه یک لایه انسانی در این میان باقی میماند.
من هادی بادیام.
روی تقاطع دیزاین و هوش مصنوعی کار میکنم. از چیزهایی مینویسم که در این مسیر کشف میکنم؛ نه برای جمعبندی، بیشتر برای فکر کردن و بهتر دیدن مسئلهها.
اگر این نوشته سوالی در ذهنتان باز کرد، خوشحال میشوم در کامنتها بخوانم.
و اگر فکر میکنید برای کسی مفید است، برایش بفرستید.
Norman, Don. The Design of Everyday Things. Basic Books, 2013.
Goltermann, Jascha. «From Commands to Intent: How AI Is Reshaping Our Digital World». Medium / Bootcamp, January 2025. medium.com/design-bootcamp
Tietoevry. «Human-Centered AI Design: Creating Intent-Based Experiences». Tietoevry Blog, October 2025. tietoevry.com
Nielsen, Jakob / UX Tigers. «Intent by Discovery: Designing the AI User Experience». UX Tigers, March 2026. uxtigers.com
Reiners, Patricia. «UX in 2024: Is UX still a Future-Proof Career?» Future of UX Podcast, Episode 82, September 2024. open.spotify.com/episode/1gwjX764ORezABxtkiWcVz
