Cosa abbiamo imparato dal People + AI Guidebook di Google

In Buildo crediamo nell’apprendimento pratico attraverso la nostra iniziativa “Skillo”, in cui gli interessi e le idee dei partecipanti guidano le attività formative. Questo approccio incoraggia creatività e curiosità, favorisce l’interazione tra persone con background diversi e fa emergere interessi comuni su temi di forte impatto sul luogo di lavoro.

In una delle nostre recenti sessioni di Skillo, ci siamo chiesti come progettare prodotti con funzionalità AI. Abbiamo intrapreso un percorso per capire i metodi e le metodologie disponibili oggi.

Durante la nostra ricerca, abbiamo incontrato due attori importanti del settore che hanno investito molto in quest’area e sviluppato linee guida complete per la progettazione di prodotti e servizi con AI. Microsoft ha creato una linee guida per l’interazione uomo-AI, focalizzata su come persone e AI possano collaborare in modo efficace. Google, invece, offre il People + AI Guidebook, una risorsa dettagliata con buone pratiche ed esempi per progettare con l’AI.

Dopo aver studiato a fondo entrambe le metodologie, abbiamo deciso di mettere alla prova il People + AI Guidebook di Google.

Cos’è il People + AI Guidebook?

Basato sugli insight di oltre cento esperti, il Guidebook è una raccolta completa di metodi, buone pratiche ed esempi per progettare con l’AI, organizzata in sei capitoli:

User Needs + Success Definition: comprendere le esigenze degli utenti e definire i criteri di successo.
Data Collection + Evaluation:identificare i dati necessari, reperirli e ottimizzare l’AI per la robustezza.
Mental Models: introdurre gli utenti al sistema e definire le aspettative.
Explainability + Trust: spiegare il sistema e costruire la fiducia degli utenti attraverso la trasparenza.
Feedback + Control: progettare meccanismi di feedback e controllo per migliorare prestazioni ed esperienza utente.
Errors + Graceful Failure: sviluppare strategie per identificare, diagnosticare e comunicare soluzioni agli errori.

Volevamo integrare questa nuova metodologia nel nostro consueto processo di product design. Per testarla, abbiamo scelto un progetto già realizzato e immaginato come avremmo potuto renderlo ancora migliore con l’AI. Abbiamo optato per un progetto per un’agenzia di noleggio auto, in cui i dipendenti noleggiano vetture ai clienti tutto il giorno — un esempio perfetto di attività ripetitiva in cui l’AI può dare supporto. Applicando l’AI, puntavamo a rendere il processo più fluido, veloce ed efficace per tutti.

La soluzione: Lola, assistente speech-to-form

Per mettere in pratica ciò che abbiamo imparato dal Guidebook di Google, abbiamo intrapreso un divertente percorso per progettare Lola, la nostra assistente speech-to-form. Progettata per semplificare la compilazione dei form, Lola utilizza interazioni basate su AI per rendere il processo più rapido, semplice e preciso. Le principali funzionalità che abbiamo progettato per Lola sono:

Attivazione flessibile: avvio a mani libere con un semplice “Hey Lola” o cliccando un pulsante.
Elaborazione vocale in tempo reale: Lola ascolta ed elabora il parlato in tempo reale, trasformando le parole in testo e comprendendo il contesto.
Compilazione automatica dei moduli: riempimento automatico dei campi del modulo, riducendo l’inserimento manuale e minimizzando gli errori.
Blocco delle informazioni: bloccaggio delle informazioni corrette per evitarne la sovrascrittura.
Gestione errori e validazione: garantisce la compilazione dei campi obbligatori, segnala errori e previene duplicati.
Revisione finale e invio: fornisce un riepilogo per la revisione da parte dell’utente prima dell’invio, assicurando la correttezza.

Per dare vita a Lola, abbiamo usato il nostro design system interno, Bento, che ha reso la creazione dell’interfaccia più semplice e veloce. Ora che avete conosciuto Lola, vediamo come ci siamo arrivati seguendo i passi del Guidebook di Google!

Il processo di design

Mappare il percorso utente con opportunità di AI

Il nostro primo compito è stato mappare il percorso utente per il processo AS-IS scelto: il noleggio auto online tramite un’agenzia. Seguendo il nostro processo standard, abbiamo iniziato identificando gli elementi chiave del percorso:

Azioni: passaggi specifici che l'operatore compie per noleggiare un’auto per un cliente, dalla ricerca delle opzioni fino alla finalizzazione del noleggio.
Attori: i principali protagonisti del processo.
Pain points: le difficoltà e le frustrazioni che gli utenti incontrano lungo il percorso.

Per integrare le funzionalità di AI, abbiamo introdotto un nuovo livello, identificando le opportunità di AI per ogni pain point. Questo passaggio è stato fondamentale per individuare esattamente dove e come l’AI potesse migliorare il processo, rendendo l’esperienza complessiva più fluida ed efficiente.

Valutare le funzionalità AI per un reale beneficio per l’utente

Successivamente, ci siamo presi un momento per valutare criticamente se le funzionalità AI che avevamo in mente fossero davvero utili per gli utenti o se aggiungessero solo un po’ di “hype” inutile. Il Google People + AI Guidebook ci ha fornito un solido framework per determinare il reale valore di queste funzionalità.

Abbiamo potuto usare il template di Google per confrontare le nostre idee con i metodi tradizionali, aiutandoci a individuare quelle funzionalità aggiungevano effettivo valore.

Alla fine, abbiamo deciso di concentrarci su una funzione in particolare: la compilazione automatica dei moduli a partire da conversazioni non strutturate. Ed è così che è nata Lola, la nostra assistente AI speech-to-form. Questa funzionalità si è distinta per il suo potenziale nel semplificare un’attività comune, rendere il processo più fluido e aumentare la soddisfazione degli utenti.

‍

Definire i criteri di successo per le funzionalità AI-driven

Con la funzionalità scelta — compilazione automatica dei moduli a partire da conversazioni non strutturate — ci siamo posti l’obiettivo di definire criteri di successo chiari per garantire efficacia e soddisfazione degli utenti. Il nostro scopo era sfruttare l’AI per diminuire l’inserimento manuale, interpretando accuratamente il linguaggio dell’utente e trasformandolo in richieste formali per compilare un modulo.

Seguendo il formato di Google, abbiamo strutturato i criteri di successo così:

"Riteniamo che l’AI (possa/non possa) aiutare a risolvere (bisogno dell’utente) perché (ragione)."

Questo metodo ci ha permesso di articolare chiaramente la logica dietro ogni criterio.

Precisione: quanto bene l’AI interpreta e trascrive il linguaggio parlato.
Efficienza: tempo risparmiato nella compilazione dei moduli rispetto al metodo manuale.
Soddisfazione dell’utente: feedback positivo degli utenti sull’esperienza con la funzionalità.

Abbiamo anche individuato possibili impatti negativi e predisposto piani d’azione. Anche in questo caso, ci siamo basati sul formato di Google:

"Se {metrica di successo specifica} per {funzionalità AI del team} {scende sotto/sale sopra} {soglia significativa}, allora {azione specifica}."

Per esempio:

Scenario: Se la precisione della trascrizione dell’AI scende sotto il 90%.
Piano d’azione: Revisionare il modello AI, aggiornare i dati di addestramento e riaddestrare il modello per aumentare la precisione.

Definendo criteri positivi e negativi, abbiamo costruito un framework solido per valutare le performance della nostra funzionalità AI-driven. Questo approccio ci ha permesso di celebrare i successi e affrontare rapidamente eventuali problemi, garantendo un’esperienza AI più affidabile e user-friendly.

Superare le sfide nella gestione dei dati

Nell’affrontare le sfide nella gestione dei dati, il lavoro di squadra è stato fondamentale — così ho collaborato con il mio collega Giovanni. Insieme abbiamo unito le nostre competenze per mantenere tutto funzionante senza intoppi. Abbiamo lavorato a stretto contatto per garantire che l’esperienza utente che ho progettato fosse perfettamente allineata con le capacità e le modalità di interazione della tecnologia, tenendo sempre presenti le possibilità e limitazioni. La nostra collaborazione è stata essenziale per identificare le esigenze principali riguardanti i dati e sviluppare strategie per affrontare potenziali problemi.

I requisiti essenziali su cui ci siamo concentrati includevano:

Località valide: assicurarsi che l’AI possa riconoscere e processare correttamente i nomi dei luoghi.
Orari di apertura/chiusura e date disponibili: garantire che l’AI possa gestire correttamente dati temporali.
Etichette di input corrette/errate: definire chiaramente cosa sia considerato un inserimento valido o non valido.

Mentre io ho portato scenari e insight incentrati sull’utente, Giovanni ha applicato la sua competenza tecnica per costruire soluzioni solide e affidabili. La nostra collaborazione ha garantito che il sistema AI fosse non solo efficace, ma anche affidabile, inclusivo e sicuro, portando infine a un’esperienza utente migliore.

Abbiamo anche pianificato possibili criticità legate ai dati, come problemi di privacy, esclusione o fragilità dei dati, sviluppando strategie solide per affrontarle subito. È stato un vero lavoro di squadra e ha dato i suoi frutti, creando un sistema più robusto e facile da usare.

Permettere feedback, controllo da parte dell’utente e gestione degli errori

Una parte importante della nostra missione era garantire che gli utenti si sentissero in controllo, mantenendo al centro la loro fiducia e soddisfazione. Io e Giovanni ci siamo presi il tempo per definire ogni evento, attività e funzionalità in cui gli utenti dovevano avere controllo, assicurando che il nostro approccio restasse incentrato su di loro. Alcune delle funzionalità chiave su cui ci siamo concentrati sono state:

Correzioni manuali: permettere agli utenti di correggere o aggiungere manualmente informazioni in caso di errori di Lola.
Feedback in tempo reale: fornire feedback immediato agli utenti su eventuali modifiche effettuate.
Funzione di blocco: consentire agli utenti di bloccare le informazioni verificate in modo che non possano essere sovrascritte accidentalmente.

Abbiamo anche definito i tipi di feedback (implicito o esplicito) che il sistema avrebbe fornito, assicurando che gli utenti fossero sempre informati su ciò che Lola stava facendo. Anticipare e gestire errori e malfunzionamenti è stato fondamentale per mantenere la fiducia degli utenti.

Abbiamo mappato i potenziali errori, considerato come potessero impattare gli utenti e pianificato le soluzioni migliori. Ogni volta che qualcosa andava storto, gli utenti ricevevano messaggi chiari e semplici che spiegavano cosa fosse successo e come risolverlo — senza gergo tecnico confuso, ma informazioni facili da capire per evitare frustrazione.

Introdurre funzionalità AI come Lola può essere una sfida. È necessario un onboarding ben pensato per aiutare gli utenti a sentirsi a proprio agio e sicuri con la nuova tecnologia. Il nostro obiettivo era suscitare curiosità e interesse, guidando gli utenti passo dopo passo.

Man mano che gli utenti diventano più familiari con Lola, si possono introdurre progressivamente nuove funzionalità, dando loro il tempo di adattarsi e comprendere ogni caratteristica prima di incontrarne altre.

Implementazione tecnica

Abbiamo realizzato un proof of concept (POC) per dare vita al nostro design e verificare se le idee avrebbero funzionato davvero. Questo primo POC si è concentrato sulla funzionalità principale, rimandando alcune caratteristiche secondarie. Come stack tecnologico, abbiamo usato Whisper di OpenAI e Assembly AI per la conversione speech-to-text e GPT-3.5 e GPT-4 di OpenAI per l’estrazione dei dati. Questa combinazione ci ha fornito le capacità necessarie per costruire una soluzione intelligente di compilazione dei moduli.

Whisper di OpenAI e Assembly AI: questi strumenti ci hanno fornito una conversione speech-to-text ad alta precisione, permettendo a Lola di comprendere e trascrivere il parlato in tempo reale.
GPT-3.5 e GPT-4 di OpenAI: questi modelli AI avanzati hanno svolto il lavoro più complesso nella comprensione del contesto e nella compilazione accurata di moduli complessi.

Il POC iniziale è stato un successo, con le informazioni estratte inserite nei campi corretti. Abbiamo condiviso una demo interna con i colleghi, che ha suscitato molto entusiasmo, domande e vivaci discussioni su ciò che Lola potrebbe fare in futuro. È stato un modo fantastico per avviare la conversazione e fare brainstorming su nuovi progetti guidati dall’AI — senza contare che ci siamo divertiti moltissimo!

Cosa abbiamo imparato?

La nostra immersione nella metodologia di Google ci ha insegnato lezioni preziose che siamo entusiasti di integrare nel nostro processo di design. Ecco i principali punti chiave:

La ricerca sugli utenti resta essenziale: i metodi tradizionali restano preziosi per capire le esigenze degli utenti. La sfida ora è combinare queste tecniche consolidate con le nuove metodologie AI.
Il lavoro di squadra con gli sviluppatori è fondamentale: collaborare strettamente con il team di sviluppo è essenziale per sfruttare al meglio la tecnologia AI. Questa collaborazione garantisce che l’AI arricchisca i nostri progetti invece di sembrare un’aggiunta forzata.
Affrontare sfide uniche: progettare con l’AI porta con sé ostacoli specifici, come la gestione dei dati e le problematiche di privacy. Anticipare queste sfide e pianificare in anticipo è essenziale per gestirle al meglio.
Raffinare costantemente il processo: per mantenere le soluzioni AI efficaci e user-friendly, dobbiamo migliorare continuamente il processo con test iterativi, raccolta di feedback e perfezionamento costante.

Integrando queste lezioni nella nostra metodologia di design, siamo pronti a creare progetti AI che non siano solo all’avanguardia, ma anche profondamente human-centered e in sintonia con le esigenze degli utenti. Questo approccio ci aiuterà a offrire esperienze innovative, di valore e realmente orientate agli utenti nei progetti futuri.