ابزارهای هوش مصنوعی برای همه قابل دسترس هستند، این را میدانیم، اما اگر کمی دقیقتر نگاه کنیم یک چیز عجیب دیده میشود: خروجیها به هیچ وجه یکسان نیستند. دو دیزاینر، یک ابزار، یک مسئله. یکی چند بار تکرار میکند و به همان چیزی میرسد که در ذهن داشته، دیگری ساعتها وقت میگذارد، پرامپ را تغییر میدهد، دوباره امتحان میکند و باز هم خروجی بوی هوش مصنوعی میدهد. انگار چیزی هست که یکی دارد و دیگری ندارد، و تفاوت از ابزار نمیآید.
این سوال را کمتر کسی میپرسد: چرا؟ همه از یک ابزار استفاده میکنند، همه پرامپ مینویسند، همه تکرار میکنند، اما یک نفر در loop گیر میکند و نفر دیگری از همان loop به جایی میرسد که میخواست. جواب در ابزار نیست، در سلیقه است؛ نه آن سلیقهای که ذاتی باشد یا صرفا از دیدن کار دیگران شکل گرفته باشد، بلکه سلیقهای که از دانش ساخته شده است؛ از فهمیدن اصول usability، از خواندن تاریخ دیزاین، از دیدن معماری خوب، از گوش دادن به موسیقی خوب، از شکست خوردن در پروژههای واقعی.
Elizabeth Goodspeed میگوید بهترین خالقان همیشه بیرون از حوزهی خودشان دنبال الهام میگردند؛ معمار از طبیعت، طراح لباس از انیمه، تصویرگر از قالیهای قرون وسطا. Steve Jobs هم همین را با کلمات دیگری گفته بود: «خلاقیت فقط وصل کردن نقاط است.» و کسی که نقاط کافی ندارد، به جوابهای خطی میرسد.
حالا برگردیم به همان دو دیزاینر. تفاوتشان اینجاست: وقتی هوش مصنوعی خروجی میدهد، یکی میداند چه چیزی درست نیست، حتی پیش از آنکه بتواند توضیح بدهد چرا. این همان لحظهای است که سلیقه کار میکند؛ نه به عنوان یک حس مبهم، بلکه به عنوان یک قضاوت که از دل دانش بیرون آمده است.
به این فرآیند میگویم کالیبراسیون سلیقه. پرامپ مینویسی، هوش مصنوعی خروجی میدهد، سلیقهات میگوید «نه، این نیست» یا «آره، نزدیکتر است». هر تکرار این فاصله را کمتر میکند، loop کوتاهتر میشود، و وقتی loop کوتاه شود خروجی دیگر بوی هوش مصنوعی نمیدهد؛ بوی ذهن کسی را میدهد که پشت آن بوده است.
Ira Glass سالها پیش چیزی گفت که هنوز یکی از دقیقترین توصیفها از این فرآیند است: همهی ما که کار خلاقانه میکنیم به خاطر سلیقهمان وارد این کار شدیم، اما یک شکاف وجود دارد؛ در سالهای اول آنچه میسازیم به اندازه کافی خوب نیست، اما سلیقهمان هنوز تیز است و همین باعث میشود بدانیم کارمان ناامیدکننده است، و این شکاف فقط با حجم کار بسته میشود.
هوش مصنوعی این معادله را عوض کرده است؛ قبلا شکاف بین سلیقه و دست بود، بین آنچه میدیدی و آنچه میتوانستی بسازی، اما حالا اجرا تقریبا رایگان شده است و شکاف جای دیگری باز شده: بین سلیقه و توانایی هدایت و قضاوت روی خروجی.
کالیبراسیون سلیقه همان «حجم کار» جدید است؛ فقط این بار به جای ساختن، داری قضاوت میکنی، رد میکنی، اصلاح میکنی و یاد میگیری چطور آنچه در ذهن داری را به سیستم منتقل کنی.
جواب ساده است؛ اگر پنجاه دایره بکشی، دایرهی پنجاهویکم گردترین دایرهای است که تا به حال کشیدهای. اما دایره کشیدن به تنهایی کافی نیست — باید بدانی چرا دایرهی قبلی کامل نبود.
David Epstein در کتاب Range نشان میدهد کسانی که در حوزههای مختلف تجربه دارند در مواجهه با مسائل پیچیده عملکرد بهتری دارند. در واقع بهترین پیشبینیکننده نوآوری در میان خالقان، تعداد ژانرها و زمینههایی است که در آنها کار کردهاند، نه صرفا سالهای تجربه در یک حوزه مشخص.
و اگر این را به فضای امروز و هوش مصنوعی وصل کنیم موضوع حتی واضحتر میشود؛ چون حالا مسئله فقط انجام دادن کار بیشتر نیست، بلکه دیدن نمونههای بیشتر، قضاوتهای بیشتر و loopهای بیشتر بین تولید و انتخاب است. هر بار که خروجی را رد میکنی یا اصلاح میکنی در واقع داری سلیقهات را کالیبرهتر میکنی، و همین کالیبراسیون است که در نهایت تعیین میکند چه کسی در استفاده از این ابزارها صرفا مصرفکننده میماند و چه کسی تبدیل به هدایتکننده میشود.
اما برعکسش هم درست است؛ کسی که دانش و تجربهی کمی دارد و فقط با اسکیلها و میانبرها کار میکند در loop گیر میکند. خروجی میگیرد اما خروجی از ذهن او نیست، بیشتر شبیه میانگینی از چیزهایی است که هوش مصنوعی از قبل دیده است.
Paul Graham میگوید: «دستور کار عالی ساده است؛ سلیقهی بسیار دقیق، به علاوه توانایی ارضای آن.» اما بخش دوم این جمله در گفتگوهای امروز کمتر دیده میشود. همه درباره سلیقه حرف میزنند و کمتر کسی درباره توانایی ارضای آن صحبت میکند.
هوش مصنوعی بخش دوم را تقریبا رایگان کرده است؛ هر کسی میتواند ایدهاش را به خروجی تبدیل کند، اما بخش اول همچنان باید از دل دانش، تجربه و مواجهه واقعی با مسائل بیاید. بدون آن loop بیپایان میشود و هرچقدر تکرار کنی خروجی هنوز شبیه هوش مصنوعی میماند، چون چیزی در پشت آن هنوز شکل نگرفته است.
نقش دیزاینر در این دوره عوض شده، اما نه آنطور که معمولا تصور میشود. خیلیها فکر میکنند دیزاینر باید ابزارهای بیشتری یاد بگیرد یا سریعتر اجرا کند، اما مسئله جای دیگری است؛ وقتی هوش مصنوعی اجرا را ارزان میکند چیزی که کمیاب میشود «قضاوت» است، یعنی توانایی تشخیص اینکه چه چیزی باید وجود داشته باشد و چه چیزی نباید، و دیدن خروجی و فهمیدن قبل از هر توضیحی اینکه چیزی درست نیست.
Figma در گزارش ۲۰۲۵ خود نشان میدهد ۷۸ درصد از دیزاینرها میگویند هوش مصنوعی کارشان را کارآمدتر کرده است، اما فقط ۵۸ درصد میگویند کیفیت کارشان بهتر شده است، و این فاصله ۲۰ درصدی فقط یک آمار نیست، نشانهی همان شکاف است؛ سلیقه به عنوان قضاوت، نه صرفا تولید.
از مدرک نمیآید. از دیدن پورتفولیوی دیزاینرهای معروف هم نمیآید. از یاد گرفتن یک ابزار جدید هم به تنهایی نمیآید.
اما پس دقیقا از کجا میآید؟
تستر قهوهای که ذائقه دارد، کسی نیست که فقط قهوهی زیادی نوشیده باشد. او هم چرخهی طعم را میشناسد، میداند acidity از کجا میآید، body یعنی چه و چرا یک روش extraction میتواند نتیجه را تغییر دهد؛ هم صدها بار با این سوال قهوه را چشیده که «چرا این طعم را میدهد»؛ و هم یاد گرفته پالت طعمیاش را با رفرنسهای مشخص کالیبره کند، یعنی قهوههایی را که میداند «درستاند» به عنوان معیار نگه دارد و طعمهای جدید را با آنها بسنجد.
هیچکدام به تنهایی کافی نیست. دانش بدون تجربه، نظر میسازد نه ذائقه. تجربه بدون دانش، حس میسازد نه قضاوت. و هر دو بدون رفرنس، شناوری میسازند نه معیار.
دیزاینری که فیلم خوب میبیند، فقط در حال سرگرم شدن نیست. کمکم یاد میگیرد چرا یک صحنه تاثیرگذار است و صحنهای دیگر نیست. چرا یک قاب حس تنش میدهد و قاب دیگر حس آرامش. این فهم بعدها خودش را در انتخاب رنگ، ساختار فلو یا حتی نحوهی ارائهی یک ایده نشان میدهد.
دیزاینری که موسیقی خوب گوش میدهد و به مرور متوجه میشود چرا یک ریتم خاص احساس مشخصی ایجاد میکند، در حال یاد گرفتن چیزی درباره زمان است؛ چیزی که بعدا در timing یک animation، سرعت یک transition یا فاصلهی بین دو مرحله از یک تجربهی کاربری خودش را نشان میدهد.
دیزاینری که ادبیات، تاریخ یا فلسفه میخواند، فقط اطلاعات جمع نمیکند. یاد میگیرد چطور یک ایدهی پیچیده را ساده بیان کند. یاد میگیرد کدام روایت ماندگار میشود و کدام نه. این همان چیزی است که بعدها روی copywriting ، information architecture و حتی ساختار onboarding تاثیر میگذارد.
و دیزاینری که به جزئیات زندگی روزمره دقت میکند، به اینکه چرا یک بستهبندی راحتتر باز میشود یا چرا بدون فکر کردن میفهمیم یک در را باید هل داد یا کشید، در حال یاد گرفتن usability از دل زندگی واقعی است؛ نه از دل اسلایدها و کتابها.
همهی این تجربهها در ظاهر پراکندهاند، اما در عمل یک چیز مشترک میسازند: قضاوت. همان چیزی که باعث میشود هنگام کار با هوش مصنوعی بتوانی به یک خروجی نگاه کنی و بگویی «یه چیزی درست نیست»، حتی اگر هنوز نتوانی دقیق توضیح بدهی چرا.
جنس دوم دانش، دانش تکنولوژی است؛ نه به معنای کدنویسی، بلکه به معنای فهمیدن رفتار سیستمها.
اینکه API چیست و چطور رفتار میکند. اینکه latency چه تاثیری روی تجربه میگذارد. اینکه سیستمهای توصیهگر چطور تصمیم میگیرند. اینکه فرانتاند چطور چیزی را روی صفحه نمایش میدهد و چرا بعضی تصمیمها روی performance تاثیر میگذارند.
یک دیزاینر لازم نیست همهی اینها را پیادهسازی کند، اما هرچه بیشتر آنها را بفهمد، قضاوت دقیقتری خواهد داشت.
دیزاینری که latency را میشناسد، وقتی یک interaction طراحی میکند میداند کجا باید انتظار آنی ایجاد کند و کجا نه. میفهمد loading state فقط یک المان بصری نیست؛ بخشی از رفتار یک سیستم است.
برای همین وقتی هوش مصنوعی پیشنهادی میدهد، میتواند تشخیص بدهد که آن پیشنهاد فقط روی کاغذ خوب به نظر میرسد یا واقعا در دنیای واقعی هم کار میکند.
هر دو جنس دانش یک کار انجام میدهند: نقاط بیشتری به نقشهی ذهنی ما اضافه میکنند.
و کالیبراسیون سلیقه دقیقا زمانی اتفاق میافتد که این نقاط کمکم به هم وصل شوند و تبدیل به قضاوت شوند.
یک چیز هست که هنوز جوابی برایش ندارم.
وقتی همه به یک ابزار دسترسی دارند، رقابت دیگر روی ابزار نیست؛ روی چیزی است که با خودت به آن ابزار اضافه میکنی.
اما این سلیقه، این دانش انباشته، این تجربهی زیسته و این نقاطی که به هم وصل شدهاند، دقیقا از کجا میآید؟
از خواندن؟ از شکست خوردن؟ از تجربه کردن؟ از کنجکاوی؟
احتمالا از همهی اینها با هم.
اما سوال مهمتر اینجاست: آیا میشود سلیقه را عمدا ساخت، یا فقط از دل زندگی کردن بیرون میآید؟
و اگر بشود ساخت، مسئولش چه کسی است؛ صنعت، آموزش یا خود دیزاینر؟
فعلا جواب قطعی ندارم، فقط میدانم هرچه جلوتر میروم این سوال مهمتر میشود.
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 مسائل.
اگر این نوشته سوالی در ذهنت باز کرد خوشحال میشوم در کامنتها بخوانم، و اگر فکر میکنی برای کسی مفید است برایش بفرست.
Graham, Paul. Taste for Makers. paulgraham.com, 2002.
Glass, Ira. Ira Glass on Storytelling, Part 3: On good taste and falling short. This American Life, 2009. thisamericanlife.org
Goodspeed, Elizabeth. «AI can't give you good taste». It's Nice That, February 2024. itsnicethat.com
Epstein, David. Range: Why Generalists Triumph in a Specialized World. Riverhead Books, 2019.
Figma. 2025 AI Report: Perspectives on AI in Design. figma.com, 2025.
