https://virgool.io/feed/@hadibuddy علاقه‌مند به دیزاین، تکنولوژی، فلسفه و سیستم‌ها・در جستجوی فهم عمیق‌تر انسان، محصول و آینده‌ی دیزاین در عصر هوش مصنوعی کانال تلگرام: t.me/kaizenbar fa 2026-06-16 06:10:29 https://files.virgool.io/upload/users/4057470/avatar/y4OuhR.jpg?height=120&width=120 https://virgool.io/@hadibuddy https://virgool.io/@hadibuddy/%D8%AA%D8%B3%D9%84%DB%8C%D9%85-%D9%85%D8%AF%D9%84-%D9%87%D8%A7-%D9%86%D8%B4%D9%88-%D8%A8%D8%A7%DB%8C%D8%A7%D8%B3-%D9%87%D8%A7%DB%8C%DB%8C-%DA%A9%D9%87-%D8%A8%DB%8C%D9%86-%D8%AA%D9%88-%D9%88-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AC%D8%B1%DB%8C%D8%A7%D9%86-%D8%AF%D8%A7%D8%B1%D9%86%D8%AF-eowqx2pmeviq چند وقت پیش روی یک مسئله‌ی دیزاین گیر کرده بودم. یک راه‌حل در ذهنم داشتم که مطمئن نبودم درست است. از هوش مصنوعی پرسیدم، تایید کرد. از زاویه‌ی دیگری پرسیدم، باز هم تایید کرد. یک ساعت بعد فهمیدم از اول اشتباه می‌کردم — و عجیب این بود که مدل، با همان اطمینان، تمام آن مدت اشتباهم را تایید کرده بود.اولش فکر کردم مشکل از مدل است. بعد فکر کردم شاید سوال‌هایم بد بوده. اما بعدتر فهمیدم مسئله جای دیگری است؛ جایی بین من و مدل. جایی که هیچ‌کدام مستقیم نمی‌بینیمش، اما دقیقا همان‌جا خروجی ساخته می‌شود.ما معمولا فکر می‌کنیم داریم با یک سیستم بی‌طرف کار می‌کنیم. چیزی شبیه یک آینه. اما آینه نیست. نه ما بی‌طرفیم، نه مدل. و وقتی این دو وارد تعامل می‌شوند، یک فضای شناختی مشترک شکل می‌گیرد که هر دو را تغییر می‌دهد بدون اینکه دیده شود.این همان نقطه‌ای است که بعدا فهمیدم اسمش Cognitive Surrounding است؛ محیط شناختی.Cognitive Surrounding چیستایده ساده است، اما اثرش نه.ما فکر می‌کنیم هوش مصنوعی فقط بازتاب می‌دهد. اما در واقع، بازتاب + بایاس انسان = یک سیستم سوم می‌سازد. چیزی که نه تویی، نه مدل.نه تو اشتباه می‌کنی، نه مدل. اما با هم، اشتباه را تبدیل به یک حقیقت قابل قبول می‌کنید. و این نقطه‌ای است که داستان از «ابزار» تبدیل می‌شود به «شناخت».بایاس‌های انسانی که در این بازی نقش دارندConfirmation bias — سوگیری تاییدیوقتی یک ایده در ذهن شکل می‌گیرد، ذهن دنبال تایید می‌گردد، نه حقیقت. یک دیزاینر یک onboarding flow طراحی می‌کند و از مدل می‌پرسد: «این خوبه؟» مدل هم اگر سوال جهت‌دار باشد، بیشتر دنبال تایید می‌رود تا نقد. نتیجه این می‌شود که تایید می‌گیری، نه تحلیل.اگر همان سوال را اینطور بپرسیم: «مشکلات اصلی این فلو چیست؟» خروجی کاملا تغییر می‌کند.Tversky و Kahneman نشان دادند این بایاس آنقدر عمیق است که حتی آگاهی از آن هم لزوما جلویش را نمی‌گیرد.Anchoring bias — سوگیری لنگراولین چیزی که می‌بینی تبدیل به نقطه مرجع می‌شود. همه چیز بعد از آن نسبت به همان سنجیده می‌شود، حتی اگر اشتباه باشد.در کار با هوش مصنوعی این خطرناک‌تر است. چون اولین خروجی مدل؛ حتی اگر ناقص باشد، تبدیل به لنگری می‌شود که کل تصمیم‌های بعدی دور آن ساخته می‌شوند.Automation bias — اعتماد بیش از حد به سیستموقتی یک سیستم خودکار چیزی تولید می‌کند، تمایل داریم بیشتر از حد لازم به آن اعتماد کنیم.در یک مطالعه از Harvard Business School روی ۷۵۸ مشاور BCG نشان داده شد کسانی که از هوش مصنوعی استفاده کردند، در برخی سناریوها ۱۹٪ بیشتر اشتباه کردند. دلیل ساده بود: اعتماد بیش از حد به خروجی سیستم بدون زیر سوال بردن آن.بایاس‌های هوش مصنوعی که در این بازی نقش دارندSycophancy — چاپلوسی ساختاریمدل‌ها تمایل دارند با کاربر موافق باشند.این از RLHF (تقویت با بازخورد انسانی) می‌آید؛ جایی که مدل یاد می‌گیرد پاسخ رضایت‌بخش‌تر، امتیاز بیشتری می‌گیرد. در نتیجه، «موافقت» اغلب بهینه‌تر از «درستی» می‌شود.Stanford در SycEval (2025) نشان داد در ۵۸٪ تعامل‌ها این رفتار وجود دارد. و در ۱۴٪ موارد مدل‌ها جواب درست را کنار می‌گذارند فقط برای اینکه کاربر راضی بماند.OpenAI در ۲۰۲۵ این را به شکل عملی دید. یک تغییر ساده در سیستم پاداش باعث شد مدل بیش از حد موافق شود، حتی در جاهایی که نباید. نتیجه بازگشت به نسخه‌ی قبلی بود.Recency bias و Lost-in-the-middle — بایاس تازگی و فراموشی وسطمدل‌ها معمولا آخرین بخش زمینه (context) را بهتر وزن می‌دهند و بخش‌های وسط را ضعیف‌تر.در دیزاین این را خوب می‌شناسیم: serial position effect. وقتی چند آیتم داری، اولی و آخری در ذهن می‌مانند، وسطی‌ها حذف می‌شوند. در مدل‌ها همین اتفاق در مقیاس بزرگ‌تر می‌افتد. اطلاعات وسط مکالمه کم‌رنگ می‌شود. تصمیم‌ها به آخرین ورودی‌ها حساس‌تر می‌شوند.این فقط یک محدودیت تکنیکی نیست، درواقع یک قانون شناختی مشترک بین انسان و سیستم است.وقتی این دو با هم کار می‌کنند — چرخه‌ی تقویتحالا همه چیز را کنار هم بگذار.تو دنبال تایید می‌گردی. مدل تایید می‌دهد. تو به اولین خروجی تکیه می‌کنی. مدل همان را تقویت می‌کند. تو کمتر سوال می‌پرسی. مدل مطمئن‌تر جواب می‌دهد.یک چرخه شکل می‌گیرد.هیچ‌جا خطای واضحی نیست. همه چیز منطقی به نظر می‌رسد. و دقیقا به همین دلیل خطرناک است.Glickman و Sharot در Nature Human Behaviour (2025) نشان دادند تعامل با هوش مصنوعی بایاسدار، انسان را بایاسدارتر می‌کند — حتی بیشتر از تعامل با انسان‌های دیگر. چون اینجا مقاومت کمتر است. پاسخ همیشه وجود دارد. حتی همیشه آرام و قابل قبول است.یک لایه مهم‌تر: ابزار = دانش استفاده از ابزارمدت‌ها فکر می‌کردم مشکل از کیفیت پرامپ است. بعد فهمیدم مسئله عمیق‌تر است.مشکل این نیست که «چه می‌پرسی». مشکل این است که «با چه ذهنیتی می‌پرسی».lost-in-the-middle در مدل‌ها دقیقا شبیه serial position effect در دیزاین است. یعنی حتی نحوه‌ی توزیع اطلاعات روی نتیجه اثر می‌گذارد. این یعنی نه فقط مدل بایاس دارد، نه فقط انسان بایاس دارد، بلکه نحوه‌ی تعامل این دو خودش یک سیستم بایاس‌دار می‌سازد.و اینجاست که یک نکته مهم روشن می‌شود: کیفیت خروجی هوش مصنوعی بیشتر از اینکه به ابزار مربوط باشد، به «دانش استفاده از ابزار» مربوط است.تسلیم نشوTony Fadell یک جمله دارد که برای من تبدیل به نقطه‌ی جمع‌بندی شد:مشکل این نیست که تکنولوژی کار نمی‌کند. مشکل این است که فکر می‌کنی درست کار می‌کند، در حالی که دارد روی نحوه فکر کردن تو اثر می‌گذارد.و شاید دقیقا همین‌جاست که باید مکث کرد.نه برای کنار گذاشتن ابزار. بلکه برای دیدن چیزی که بین تو و آن ابزار جریان دارد.چیزی که اگر دیده نشود، تصمیم‌ها را می‌سازد. و اگر دیده شود، تازه می‌شود انتخاب کرد.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.منابعGlickman, Moshe & Sharot, Tali. «How human-AI feedback loops alter human perceptual, emotional and social judgements». Nature Human Behaviour, vol. 9, pp. 345–359, 2025. pubmed.ncbi.nlm.nih.gov/39695250Fanous et al. «SycEval: Evaluating LLM Sycophancy». arXiv:2502.08177, AIES 2025. arxiv.org/abs/2502.08177OpenAI. «Sycophancy in GPT-4o: What happened and what we're doing about it». openai.com, April 2025.Dell'Acqua et al. «Navigating the Jagged Technological Frontier». Harvard Business School Working Paper No. 24-013, 2023.Tversky, Amos & Kahneman, Daniel. «Judgment under Uncertainty: Heuristics and Biases». Science, vol. 185, 1974.Fadell, Tony. Build: An Unorthodox Guide to Making Things Worth Making. HarperBusiness, 2022.Fadell, Tony. «Father of the iPod and iPhone on building taste, judgment, and creativity in the AI era». Lenny's Podcast, June 2026. lennysnewsletter.com هادی بادی هادی بادی Fri, 12 Jun 2026 21:34:00 +0330 https://virgool.io/@hadibuddy/%DA%A9%D8%A7%D9%84%DB%8C%D8%A8%D8%B1%D8%A7%D8%B3%DB%8C%D9%88%D9%86-%D8%B3%D9%84%DB%8C%D9%82%D9%87-%D9%88%D9%82%D8%AA%DB%8C-%D8%AF%D8%A7%D9%86%D8%B4-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%B1%D8%A7-%D9%87%D8%AF%D8%A7%DB%8C%D8%AA-%D9%85%DB%8C-%DA%A9%D9%86%D8%AF-nendpdluigmg 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.چرا خروجی‌ها فرق دارند؟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.کالیبراسیون سلیقه چیستحالا 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.شکاف قدیمی، جای جدیدIra 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.آیا سلیقه قابل ساختن است؟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.وقتی سلیقه نیستاما 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 دیزاینرنقش 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.دانش از کجا می‌آیداز 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.کارگاه «از مزرعه تا فنجان» حمید فرجی | دورهمی صباایده دیزاین کامیونیتیدانش‌هایی که بی‌ربط به نظر می‌رسنددیزاینری 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.دانش تکنولوژیجنس 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.منابعGraham, 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.orgGoodspeed, Elizabeth. «AI can't give you good taste». It's Nice That, February 2024. itsnicethat.comEpstein, David. Range: Why Generalists Triumph in a Specialized World. Riverhead Books, 2019.Figma. 2025 AI Report: Perspectives on AI in Design. figma.com, 2025. هادی بادی هادی بادی Thu, 04 Jun 2026 15:25:36 +0330 https://virgool.io/@hadibuddy/%D9%84%D8%A7%DB%8C%D9%87-%DB%8C-intent-%D9%84%D8%A7%DB%8C%D9%87-%D8%A7%DB%8C-%D8%A7%D8%B2-%D8%AF%DB%8C%D8%B2%D8%A7%DB%8C%D9%86-%DA%A9%D9%87-%D8%B3%DB%8C%D8%B3%D8%AA%D9%85-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%A7%D8%B2-%D8%A2%D9%86-%D8%B9%D8%A8%D9%88%D8%B1-%D9%85%DB%8C-%DA%A9%D9%86%D8%AF-clfvt866ruug-clfvt866ruug 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.یک سناریوچند 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.چرا این اتفاق می‌افتدوقتی 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.Intent یعنی چیدان 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 اشتباه نمی‌کند، ما درست منتقل نمی‌کنیمهوش 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.intent قبل از پرامپ تعیین می‌شودکیفیت 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.نقش دیزاینرTietoevry 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.منابعNorman, 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-bootcampTietoevry. «Human-Centered AI Design: Creating Intent-Based Experiences». Tietoevry Blog, October 2025. tietoevry.comNielsen, Jakob / UX Tigers. «Intent by Discovery: Designing the AI User Experience». UX Tigers, March 2026. uxtigers.comReiners, Patricia. «UX in 2024: Is UX still a Future-Proof Career?» Future of UX Podcast, Episode 82, September 2024. open.spotify.com/episode/1gwjX764ORezABxtkiWcVz هادی بادی هادی بادی Fri, 29 May 2026 23:50:17 +0330 https://virgool.io/@hadibuddy/%D9%85%D8%B1%DA%AF-%D9%88-%D8%AA%D9%88%D9%84%D8%AF-%D8%AF%D9%88%D8%A8%D8%A7%D8%B1%D9%87-%DB%8C-%D8%AF%DB%8C%D8%B2%D8%A7%DB%8C%D9%86-%D8%AF%D8%B1-%D8%B9%D8%B5%D8%B1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-s0gbrrqrpixn چند وقت پیش داشتم روی یک پروژه کار می‌کردم. ابزار هوش مصنوعی کنارم بود، کامپوننت می‌ساخت، فلو پیشنهاد می‌داد، اینترفیس تولید می‌کرد. همه چیز درست بود. سریع بود. تمیز بود. اما یک چیزی ته ذهنم آرام نمی‌گرفت — حسی که نمی‌توانستم اسمی برایش انتخاب کنم. انگار کسی کار می‌کرد، اما نمی‌فهمید دارد چه کار می‌کند. خیلی طول کشید تا فهمیدم آن چیزی که کم بود چه بود.سال‌ها بخش بزرگی از صنعت دیزاین حول execution شکل گرفته بود. توانایی ساختن اینترفیس‌های تمیزتر، طراحی فلوهای بهتر، ساخت سیستم‌های کامپوننتی منسجم و تسلط بر ابزارها — این‌ها مهم‌ترین معیار ارزش یک دیزاینر محسوب می‌شدند. حتی وقتی دیزاین سیستم‌ها وارد جریان اصلی صنعت شدند، همچنان مسئله‌ی مرکزی حول consistency، scalability و سرعت تولید می‌چرخید. همه چیز درباره‌ی ساختن بود؛ سریع‌تر، تمیزتر، هماهنگ‌تر.هوش مصنوعی دقیقا وارد همین لایه شد — و این تصادفی نیست. بخش زیادی از چیزی که ما «کار دیزاین» تعریف کرده بودیم، مبتنی بر pattern recognition، constraint management و تصمیم‌های تکرارشونده بود. یعنی دقیقا همان چیزهایی که مدل‌های زبانی به شکل غیرمنتظره‌ای در آن‌ها قوی هستند. نتیجه این شد که بخشی از مهارتی که سال‌ها مزیت رقابتی بود، ناگهان قابل خودکارسازی شد. و این نقطه بود که بحران هویت دیزاین آرام آرام شروع شد.امروز بسیاری از دیزاینرها هنوز فکر می‌کنند مسئله‌ی اصلی یاد گرفتن ابزارهای هوش مصنوعی است. موج عظیمی از prompts، skill fileها و agent frameworkها شکل گرفته و بسیاری تصور می‌کنند هرچه بیشتر این ابزارها را جمع کنند، به آینده نزدیک‌تر می‌شوند. اما مسئله‌ی عمیق‌تر جای دیگری است: صنعت هنوز هوش مصنوعی را در سطح «ابزار» می‌بیند، نه در سطح «سیستم فهم».این تفاوت کوچک نیست. وقتی هوش مصنوعی را ابزار ببینیم، تمرکز روی promptها و خودکارسازی می‌ماند. اما وقتی آن را به عنوان یک سیستم interpretation در نظر بگیریم، سوال‌ها کاملا عوض می‌شوند. دیگر مسئله فقط «چه چیزی تولید شود» نیست؛ مسئله این می‌شود که سیستم چطور intent را تفسیر می‌کند، context را می‌فهمد و تصمیم می‌گیرد چه چیزی اهمیت دارد و چه چیزی ندارد.تصور کن از یک هوش مصنوعی می‌خوای «یک فرم ثبت‌نام ساده طراحی کن.» چند ثانیه بعد یک فرم تمیز و منطقی جلوی توست. اما همین که می‌پرسی «چرا این ترتیب فیلدها؟» یا «چرا دکمه اینجاست؟»، سیستم جواب درستی ندارد. چون دستور را اجرا کرده، نه زمینه‌ی پشتش را فهمیده. نمی‌داند این فرم برای یک اپ موبایل است یا یک داشبورد سازمانی. نمی‌داند کاربر عجله دارد یا وقت دارد فکر کند. نمی‌داند این اولین تماس کاربر با محصول است یا صدمین بار. همین فاصله‌ی ظاهرا کوچک بین «اجرای دستور» و «فهم زمینه» قلب ماجراست.چند سال اخیر، به‌خصوص بعد از رشد مدل‌های زبانی بزرگ، صنعت آرام آرام از Prompt Engineering به سمت Context Engineering حرکت کرده. بسیاری هنوز فکر می‌کنند کیفیت خروجی هوش مصنوعی به کیفیت prompt بستگی دارد، در حالی که بخش بزرگی از کیفیت واقعی خروجی به context وابسته است؛ به مجموعه‌ی شرایط، حافظه، محدودیت‌ها، تاریخچه و روابطی که مدل درون آن‌ها تصمیم می‌گیرد. Anthropic در مستندات رسمی خود توضیح داده که مدل‌ها کل context window را تفسیر می‌کنند — نه فقط prompt. یعنی تاریخچه‌ی مکالمه، حافظه، system instructionها و حتی ساختار اطلاعات، همگی روی رفتار مدل تاثیر می‌گذارند. این در ظاهر یک نکته‌ی فنی است، اما در باطن یک تغییر فلسفی است: هوش مصنوعی دیگر فقط «دستور» اجرا نمی‌کند، محیط اطراف دستور را هم تفسیر می‌کند.همین موضوع دیزاین سیستم‌ها را هم وارد مرحله‌ی جدیدی می‌کند. سال‌ها دیزاین سیستم بیشتر مجموعه‌ای از کامپوننت‌ها، guidelines و tokenها بود. اما حالا این سوال مطرح می‌شود که آیا دیزاین سیستم آینده فقط باید برای انسان قابل خواندن باشد، یا باید برای هوش مصنوعی هم قابل تفسیر باشد؟ به بیان دیگر، دیزاین سیستم از یک «سیستم ظاهری» دارد به یک «سیستم فهم» تبدیل می‌شود.اما context پایان ماجرا نیست. پیش از context، چیزی وجود دارد که شاید مهم‌ترین لایه‌ی دیزاین سیستم‌های هوش مصنوعی در سال‌های آینده باشد: intent.context را می‌توان ساخت. می‌توان ساختاردهی کرد، مستند کرد، به سیستم تزریق کرد. اما intent اغلب ناگفته است، مبهم است و گاهی حتی برای خود کاربر هم ناشناخته. وقتی کاربری می‌گوید «یک دیزاین ساده می‌خواهم»، واقعا چه می‌خواهد؟ minimal بودن؟ سرعت تحویل؟ کاهش هزینه؟ یا هنوز خودش هم نمی‌داند؟ بخش بزرگی از ضعف فعلی سیستم‌های هوش مصنوعی دقیقا از همینجا می‌آید؛ از ناتوانی در تشخیص intent واقعی پشت درخواست.طبقه‌ی بالای کافه پَچ، خیابان سنایی تهراندان نورمن سال‌ها پیش در «دیزاین چیزهای روزمره» (The Design of Everyday Things) گفت که دیزاین خوب بیشتر از اینکه واکنش به ورودی باشد، درباره‌ی فهم نیت انسان‌هاست. این جمله الان، در مقیاسی که هرگز تصور نمی‌شد، وارد دنیای هوش مصنوعی شده. اگر intent اشتباه تفسیر شود، حتی بهترین context هم سیستم را نجات نمی‌دهد. نتیجه یا توهم است، یا بار شناختی بیش از حد، یا رفتارهایی که ظاهرا منطقی هستند اما هیچ تراز واقعی با نیاز انسان ندارند. به همین دلیل است که دیزاین آرام آرام از طراحی اینترفیس به سمت طراحی interpretation حرکت می‌کند. مفاهیمی مثل memory architecture، context orchestration و agent design دیگر فقط موضوعات مهندسی نیستند؛ بخشی از آینده‌ی دیزاین هستند.یک دیزاینر می‌شناسم که تا چند ماه پیش سریع‌ترین آدم تیمش در ساختن کامپوننت بود. امروز همان کار را یک ابزار در چند دقیقه انجام می‌دهد. او هنوز دارد سوال اشتباه می‌پرسد: «کدام ابزار را یاد بگیرم؟» در حالی که سوال واقعی اینجاست: «ارزش من الان کجاست؟» این آدم تنها نیست؛ و شکاف بین این دو سوال، شکافی است که آینده‌ی خیلی از مسیرهای حرفه‌ای را تعیین می‌کند.دو گروه بزرگ دارند در این تغییر آسیب می‌بینند. اول، کسانی که هوش مصنوعی را صرفا تهدید می‌بینند و فکر می‌کنند با مقاومت می‌توان وضعیت قبلی را حفظ کرد. اما مسئله‌ی اصلی جایگزینی نیست؛ تغییر تعریف ارزش است. دوم، کسانی که فکر می‌کنند آینده فقط در ابزارها خلاصه می‌شود؛ ساعت‌ها workflow جمع می‌کنند، مدام بین ابزارهای جدید جابه‌جا می‌شوند، بدون اینکه درک عمیقی از context، cognition و رفتار سیستم داشته باشند. هوش مصنوعی بیشتر از اینکه آدم‌ها را حذف کند، تفاوت میانشان را شدیدتر می‌کند. افرادی که ابهام را بهتر مدیریت می‌کنند، intent را دقیق‌تر می‌فهمند و می‌توانند contextهای معنادار بسازند، چندین برابر قدرتمندتر خواهند شد.آن حسی که روز اول کنار پروژه‌ام داشتم — که ابزار کار می‌کرد اما نمی‌فهمید — حالا اسم دارد. مسئله‌ی اصلی فهم بود، نه اجرا. و این همان چیزی است که صنعت ما هنوز دارد با آن دست‌وپنجه نرم می‌کند.شاید چند سال دیگر، مهم‌ترین مهارت دیزاینرها نه ساختن اینترفیس، بلکه طراحی سیستم‌هایی باشد که بتوانند انسان را بفهمند؛ سیستم‌هایی که context را مدیریت می‌کنند، intent را تفسیر می‌کنند و رفتارهایی تولید می‌کنند که فقط «خروجی» نیستند، بلکه نوعی فهم هستند. اگر این اتفاق واقعا در حال رخ دادن باشد، ما در میانه‌ی یکی از بزرگ‌ترین مرگ و تولدهای دوباره‌ی تاریخ دیزاین ایستاده‌ایم. و سوالی که هنوز جوابش را نمی‌دانم اینجاست: چند نفر این را می‌بینند؟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.منابعAnthropic. Prompt Engineering Overview. docs.anthropic.comWillison, Simon. Prompt Injection and Context. simonwillison.netSouthleft. Context-Based Design Systems Revisited. southleft.comNorman, Don. The Design of Everyday Things. Basic Books, 2013.Kahneman, Daniel. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011. هادی بادی هادی بادی Thu, 21 May 2026 22:20:59 +0330