Tesler’s law, 複雜性守恆定律

[大衛選讀] 設計師會不會想太複雜了,有必要在系統上做到這樣複雜的判斷跟處理嗎?在產品規劃時,這是很常出現的來回思辨跟角力。

我的經驗是:表面上看起來簡單,其實裡頭通常並不簡單。一開始想簡單了,最後很可能用起來就會複雜到爆炸。

複雜與否,這當中的權衡一直是很有趣的議題。Tesler’s law 複雜性守恆定律,正是這樣的洞見,有助於我們理解整體的複雜性,並且更好地思考該如何應對。

這個定律簡單講,就是根本的複雜性是不可能消滅的。要麼這個複雜性在規劃階段由設計跟開發來承擔,要麼就是丟給使用者來自己面對。

但仔細去思考,就會發現人性偏好在未知懵懂的狀況下,去選擇複雜的解法以求得安心;過度的簡單,可能會造成體驗的反效果;以及如何利用建立概念模型、漸進式揭示等設計技巧,去有效承載消化不必要的複雜性。

本文選讀彙整了多篇文章。內容整理如下,原文連結則放在留言中。


在應用程式或流程中,誰應該承擔起這樣的複雜性?是使用者,還是設計師和開發人員?這是在做介面設計,以及更廣泛地考慮人類如何與技術互動時,必須面對的一個基本問題。

體驗設計師的其中一個關鍵目標是,為人們降低複雜性,讓產品和服務能夠變得更簡單易用。

但是每個流程都有一些固有的複雜性。不可避免地,當複雜性無法進一步降低時,只能將它其從一個地方,轉移到另一個地方。在這個時候,複雜性要麼進入使用者界面中,要麼進入設計師和開發人員的工作流程中。

The origins of Tesler’s law

複雜性守恆定律 (Tesler’s Law, Law of conservation of complexity) 的起源可以追溯到 1980 年代中期,當時全錄 PARC 的計算機科學家 Larry Tesler 正在協助開發全新的互動設計語言。這是一套定義互動系統結構的原則與標準,對桌上型電腦和排版技術的發展至關重要。後來又到了蘋果電腦,協助開發 Mac 物件導向的軟體框架。

Tesler 意識到,介面的一致性不僅會讓使用者受益,也能夠讓開發人員受益,因為共通的標準可以內建在共享的軟體庫中。很快速有效地導入,並且發揮綜效。

Tesler 將複雜性守恆定律,定義為一種向公司管理層以及獨立軟體供應商,推銷這個想法的說服方法,希望能在大眾市場軟體中建立標準,以減少終端客戶面臨的複雜性。

Tesler 認為:「工程師應該多花一週時間,來試圖降低使用端的複雜性,而不是讓數百萬的用戶因為這不必要的複雜性,而每天得多花一分鐘。這樣做是讓工程師輕鬆了,但是反過來懲罰了使用者。」

Complexity bias leads to more complex solutions 人們天生偏好看起來複雜精細的解法,結果往往導致更複雜的解決方案

人類有相當多的認知偏差,它是一種心理捷徑,讓我們能夠快速做出決定而不需徹底分析情況,進而提高了我們的效率。

複雜性偏差 (complexity bias) 則是我們傾向選擇那些複雜和精細的解決方案,而非直接簡單的解決方案。這通常是因為複雜性會讓人聯想到:智慧、專業知識,或是有著深度的理解。

簡單來說,我們經常過分讚許那些聽起來複雜的概念,或者當我們感到困惑或沒有花時間真正理解時,會將原本很容易理解的事物,視為是相對複雜和困難。

當我們選擇更複雜的解決方案時,我們就逃避了真正理解關鍵問題的必要性。但結果往往是,解決方案中的複雜性和假設越多,失敗的可能性就越大。

閱讀全文 Tesler’s law, 複雜性守恆定律

AI 時代的設計品味 vs. 技術能力

[大衛選讀] AI 時代的設計品味 vs. 技術能力

總不會讓設計師失望的,Nielsen Norman Group 最新的文章,再次為設計師的不可取代性,有條有理地大聲疾呼。

我確實也認同,品味跟鑒別度是創造極致的關鍵。但是有多少普羅大眾分得出來80分跟90分的差別,這個我就沒有把握了。

我更好奇在意的會是,是否有機會結合 AI,讓設計師作對選擇 (make right choice) 的鑒別度提高,更好地理解問題,以及更客觀地去評估解法。

無論如何,內容整理如下,原文連結:https://www.nngroup.com/articles/taste-vs-technical-skills-ai/


▋Design Taste vs. Technical Skills in the Era of AI

生成式 AI 工具正在賦予人們前所未有的創作能力。你不需要擁有相機就能創作照片,不需要任何視覺設計技能就能製作插圖,也不需要了解任何韻律就能創作詩歌。只需點擊幾下,任何人都可以打破傳統障礙,生成幾乎所有你想要的東西。

這是 AI 工具令人興奮的好處之一,它們彌補了技能的差距 (fill skill gaps),減少了設計中常見的乏味且依賴手頭功夫的任務 (reduce the boring, technically tedious tasks).

然而,僅僅因為某人能夠創造出他們以前無法創造的事物,並不意味著這就是好東西。

技術能力 ≠ 品味 (Technical Capability ≠ Taste)

雖然 AI 可以輸出各種東西,但並不保證品質。技術能力並不等於創造力 (Technical capability does not equal creative ability).

創意策略總監 Oisin Hurst 對此提出了一個完美的比喻:AI 之於創造力,就像微波爐之於烹飪 (AI is to creativity what microwaves are to cooking).

如果你是一個糟糕的廚師,微波爐可以完成工作。但輸出的品質絕對無法與廚師製作的精緻餐點相提並論。微波爐不允許太多創意實驗。你可以改變烹飪時間和強度,但僅此而已。

因此,如果你是一位有天賦的廚師,使用微波爐可能會讓你感到沮喪,因為你對輸出的精確控制較少,而且產品的品質將遜於大多數其他烹飪方法的結果。

隨著 genAI 的廣泛應用,設計師不再是唯一能夠產生設計輸出的人。你不必是視覺設計師就能創建插圖,不必是內容設計師就能創建內容,甚至不必是互動設計師就能創建網站。

我們預計,在未來,設計師將不再能靠著擁有產生設計物所需的技術技能,就因此與眾不同。任何人都能夠製作各種內容類型,無論他們的技能高低。

那麼,為什麼還需要設計師呢?

我們認為,創造一個好的設計所需要的,不僅僅是技術技能。因為設計在技術層次上做得出來,並不意味著它就是正確的設計。

閱讀全文 AI 時代的設計品味 vs. 技術能力

visionOS 的互動設計原則,有啟發性的重點摘錄

[大衛選讀] 隨著 Apple Vision Pro 的問世,互動設計打破了平面的界限,走向3D立體空間。對於設計師來說,這意味著必須跳脫二維思維的框架,開始以三維的視角來構思 app 的呈現方式。

Apple 的設計準則 – Human Interface Guidelines,在過往一直是設計師與開發者的重要指南。Apple在過往這上面投注了大量心力,詳細說明了他們的設計哲學、體驗考量和最佳實踐的具體範例。

這些設計原則也一致性地貫穿 iOS、macOS、watchOS 和 tvOS 等平台。現在再加上了 visionOS,增加了很多立體空間、音訊、手勢互動等元素,讓整個設計準則變得立體了起來。

以下簡要摘錄我覺得看了有啟發的點,有興趣的話,請直接參考 Apple Designing for visionOS 設計準則全文:https://developer.apple.com/design/human-interface-guidelines/designing-for-visionos


沉浸式體驗的深淺平衡 (Immersive experiences)

新的 visionOS 最重要的設計特點之一,就是沉浸感 (Immersion) 的營造。沈浸感在 visionOS 當中,不是零跟一,而是能在不同的沉浸程度間自如切換;加上穿透顯示 (Passthrough) 的功能,往後要如何透過設計去引導使用者珍貴的注意力,變成 UX 設計師在設計上的一大挑戰。

考慮給使用者更多的控制權,讓他們可以自行選擇何時進入更沉浸的體驗,例如優先考慮在 Shared Space 或 mixed immersion style 下啟動 app。避免一下子栽進另一個世界裡。

謹慎運用沉浸效果,將其保留給最具意義、最能彰顯 app 特色的時刻。並非每個任務都可以受益於沉浸式互動,也不是每個沉浸式的任務都需要完全的沈浸 (fully immersive)。設計上需要謹慎節制,避免過度設計,造成使用者不知所措。

設計體驗之間的平穩、可預測的漸變過渡 (smooth, predictable transitions)。透過溫和平穩的漸變設計,讓人們在視覺上能留意到變化,幫助人們為下一個截然不同的體驗預先做好準備。避免可能令人感到困惑、不舒服、突兀的轉場。

閱讀全文 visionOS 的互動設計原則,有啟發性的重點摘錄

AI UX-Design Tools Are Not Ready for Primetime?

[大衛選讀] Nielsen Norman Group 4月中發表一份研究所得,該研究透過今年初與 UX 從業人員的深度訪談,去評估現有的 AI 設計工具。

先講結論跟我的感想。這篇研究結論是:現有的 AI 設計工具大多功能有限,無法顯著改善設計流程。但我讀著讀著,會有未來已經不是靠寫毛筆來做記錄的時代了;這時候去評估機器手臂寫毛筆的效果,然後結論是文書抄寫的工作流程不會被取代,也沒有長足的改善,會不會滯後了些?

有空看看 Google 研究團隊的軟體工程師 Srinivas Sunkara 和 Gilles Baechler 在3月19 日發表的 ScreenAI 全新語言模型。可能就會有完全不同的思考面向。

無論如何,NN/g用心發表了研究所得,還是要好好參考一下。

內容整理如下,原文連結:https://www.nngroup.com/articles/ai-design-tools-not-ready


AI UX-Design Tools Are Not Ready for Primetime

近年來,人工智慧技術的快速發展為各行各業帶來了變革,使用者體驗設計領域也不例外。然而,一項針對 UX 從業人員的深度訪談研究顯示,儘管市面上湧現出各種標榜 AI 驅動的設計工具,但它們在實際工作中的應用仍十分有限。UX 設計師普遍認為,目前的 AI 設計工具無法真正提升工作效率或創造出高質量的設計作品。

▎Designers Use AI, Just Not for Design

Nielsen Norman Group 的這項研究是在 2024 年初對 UX 研究人員、設計師和管理者展開訪談,重點關注他們如何在工作中整合 AI 工具。受訪者大多是 AI 技術的早期採用者和擁護者。

研究發現,UX 設計師主要將 ChatGPT 等文字生成 AI 工具用在腦力激盪和構思任務上,但在實際設計工作中鮮少採用專門的 AI 輔助工具。

這一現象的部分原因在於,現有的 AI 設計工具存在諸多不足。研究者評估了 Wireframe Designer、Uizard、UX Pilot 等幾個常見的 AI 設計工具,發現它們生成的線框圖和設計方案大多過於簡陋和模板化,難以為設計過程帶來實質性的助益。此外,這些工具在大中型組織的部署過程中,往往會遭遇缺乏客戶支援、使用指引不足等問題,甚至可能涉及使用 AI 生成內容的版權風險。

閱讀全文 AI UX-Design Tools Are Not Ready for Primetime?

Prototyping is a mindset

[大衛選讀] 最近跟設計師聊到 AI 技術大幅降低了概念驗證 (proof of concept) 的門檻,大家都覺得能多做前期嘗試跟探索很好;但是再多談下去,總是會有這樣客戶跟老闆能接受嗎,如果失敗很多次會不會怎樣的疑慮。

我想了想,對耶。試做原型的門檻是降低了沒錯,但是如果觀念沒有改過來,那麼溝通的成本還是一樣高,而且做越多反而帶來更大的反效果。

Prototyping is a mindset 這集 podcast,講了一個我覺得很重要的觀念:試做原型是一種思維。生活中的任何事情可以原型化、試做看看,而且重點是保持好奇、擁抱改變,懂得利用原型測試去策略性地儘早學到新東西。

一旦在生活中帶入這樣的思維,所有的事情都只是個原型罷了,那所有的事情隨時都可以調整。都可以進一步學到東西、變得更好。真的會很酷。

很棒的一集專訪,值得花時間聽一次。內容整理如下,原文連結:https://voltagecontrol.com/blog/prototyping-is-a-mindset/


▋Prototyping is a mindset

製作原型 (prototyping) 在建築、產品設計,甚至工程領域裡佔有很大的比重。通常在設計過程中你會試著建造許多原型,不論是否會秀給別人看,直接用於溝通或是說明。

一圖勝千言,而一個原型勝過千張展示圖片 (a prototype is worth like a thousand pictures)。一旦你手邊有一個可以互動的東西,那個與人對話跟反饋的深度就會非常驚人。原型賦予了實際互動的可能性,那是非常有力量的 (incredibly powerful)。

「在真正全力投入製作之前,能先快速模擬一下嗎?」這個概念在日常生活中很有用。先試試看有沒有用,並且從中學到新的方法、發現新的可能性。

這跟閱讀、討論不一樣,透過把東西做出來,所能學到的東西,完全是另外一個檔次。

任何東西都能原型化 (You can prototype anything)

你可以原型化一個過程、一項服務、一次體驗。任何東西都可以原型化。

你也可以在投資大量資本之前,就去原型化你的商業模式。不需要真的建立物流系統,就可以模擬假裝電商網購到貨的體驗,這個是很酷的事情。

不要讓試做原型變得太過麻煩 (reduce the barrier for people to prototype)

越簡單越好,從概略有個樣子去著手就可以。我期望人們能夠舒服自在、有自信地去試做原型。不要把試做原型搞成一個很困難、門檻障礙很高的事情。

原型的重點在於策略性地前導學習 (learning early & strategically)

我認為試做原型是一種方法,讓想法或概念以某種有形的方式活過來的方法 (a way to bring an idea or a concept to life in some type of tangible way)。

它是在試著設想某個東西的未來狀態 (envision the future state),並且變得可以與他人互動的工具。

然而如果你只是建造某個東西,而從中沒有學到任何事,那你就沒有真正批判性地去做思考。

閱讀全文 Prototyping is a mindset

運用顧客旅程地圖時的常見錯誤

[大衛選讀] CJM 顧客旅程地圖在UX研究中很常見,很多設計師也喜歡在提案跟作品中展示 CJM,來代表自己對於用戶需求頗有掌握。

在打開滿滿一張 CJM 的那一刻,多半可以感覺到設計師的強烈自豪感,但後續在旅程地圖中卻也常常聽不到什麼有用的脈絡。要是使用了一個好工具,卻不知其所以然,那就真的很可惜。

Customer Journey Mapping Mistakes and How to Avoid Them 這篇文章,詳細說明了為什麼要建立 CJM,以及六個在運用顧客旅程地圖時的常見錯誤。像是一開始沒有設定目標、缺乏研究脈絡、角色發展不全、漏看了頭尾等。是一篇很好的實務經驗分享與觀念提醒。

內容整理如下,原文連結:https://www.uxpin.com/studio/blog/customer-journey-mapping-mistakes/


Customer Journey Mapping Mistakes and How to Avoid Them

運用顧客旅程地圖時的常見錯誤

顧客旅程地圖,看起來很容易學習運用,但是在實際使用時常有誤解跟陷阱。以下我們將試著把這個工具的實務運用,說清楚講明白。

▎首先,為什麼要建立顧客旅程地圖? (Why Creating a Customer Journey Map?)

在討論常見誤解之前,讓我們快速了解一下顧客旅程地圖的核心概念。如果你已經很熟悉,可以跳過這部分。

顧客旅程地圖 (Customer Journey Map, CJM) 是將目標用戶跟產品服務間的互動過程,以視覺化的方式表達出來。你可能會問,這些資訊對業務拓展有什麼幫助?

顧客旅程地圖可以幫助你分析客戶的體驗,識別當中的缺陷和改善機會,以進行後續的策略規劃。

另一個極大的好處是,這個方法有助於吸引你團隊的注意力,並在公司內部發展出共同的認知。像是我們的客戶到底是誰,以及如何接觸到他們。這將會讓團隊更好地合作,提高效率。

然而顧客旅程地圖這類的工具,有它的特性與限制。就像是特定的藥物一樣,必須正確地使用才能達到預期效果。以下則是運用顧客旅程地圖時的常見錯誤:

▎錯誤 #1:沒有設定目標 (No goals were set)

缺乏經驗的設計師或研究員,通常會單純為了製作而製作CJM;或者希望能透過一張旅程地圖,就能識別出客戶旅程中的所有缺口問題。

但實際狀況是,沒有明確的目標,就不會有任何結果 (no clear goal, no result),回頭看都只是自我感覺良好的投入而已。在不知道為什麼要建立地圖的情況下,即使研究資料再多,一樣會鬆散沒重點,又能從中發展出什麼用戶體驗的改善策略?

解決方法是,在投入研究之前,先確保團隊能回答以下問題:

・你想分析什麼,為什麼?

・你希望改進哪部分的流程?

・誰對這旅程地圖盤點專案負最終責任?

・這涉及了哪些部門?

・是否有特定的客戶群體需要觀察?

・公司將如何從客戶體驗改善中受益?

你必須先設定一個明確的目標。避免所有 (all) 這個字,因為它意味著什麼都沒有 (nothing);感覺就像登上了一架到處都會去,但卻沒有具體目的地的一班飛機。

你設定的目標越明確,顧客旅程地圖的計劃就越容易成功。

閱讀全文 運用顧客旅程地圖時的常見錯誤

Personas 人物誌所帶來的問題

[大衛選讀] Persona是很常用的研究溝通工具,但也常常是整份報告當中最大的敗筆。一份整理不到位的人物誌,讀起來很容易閃神出戲,導致整份研究報告的可信度大幅下降。

The Problem with Personas 這篇文章,列出了人物誌常見的五個問題,像是不夠深入、太多細節、虛假跟欠缺真實情境等。並且建議了幾個可以替代補充的工具。

實際上,人物誌本身並沒有錯,其他工具也一樣可能會被濫用。我們該重視的不只是交付成果本身,更關鍵的是整個研究過程以及當中的思考脈絡。做了什麼不重要,重要的是,學到了什麼。

重點摘要整理如下,全文連結:https://medium.com/typecode/the-problem-with-personas-b6734a08d37a


The Problem with Personas

Personas 人物誌所帶來的問題

幾年前,我和客戶合作進行一個網站設計專案。儘管沒有太多預算可以用於研究,但他們說已經建立好 persona,可以直接取用。我心想太好了!如果客戶已經做了一些研究,並且定義了他們的目標用戶,這將會相對容易些。

不幸的是,我得到的只是一堆隨機事實 (random collection of facts),以及幾個顯然不存在的假想人物。

之所以會形塑出這些人物的刻板印象,只是客戶覺得,會需要有一些代表性的人物描述,像是:老年人、年輕人、中年職業媽媽等;以及他們的好惡,像是:購物、發訊息、看電視等。哦,可想而知,這些人物剛好都對客戶想要賣給他們的東西,充滿了熱情跟渴望。

這些所謂的人物誌,裡頭充斥了各種我告誡學生千萬別做的錯誤嘗試。

不客氣地說,身為一位設計師,我的責任是設計一個能解決真人問題的產品。而這些虛假的人物誌,對我來說一點用處也沒有。

Personas 人物誌有什麼問題?

首先我想明確地指出,我不認為人物誌在本質上是錯的,只是建立的過程方法往往有問題。

新手要學習一個工具,往往是從模仿範本開始,然後慢慢去掌握工具的特性,並且知道什麼時候該如何使用。最後才能進一步創造新的工具用法,來呼應眼前的需求。這就是學習。

問題在於,很多人試著寫出一份人物誌,就因此感到滿足了。完全不會去質疑,這裡頭的資訊甚至人物誌本身,是否真的有用。

如果不去批判性地思考,到底要呈現什麼資訊,以及如何呈現它,我們很容易在錯的事物上打轉。工具本身是有用的,只是人們使用它的方式有問題。

歸根究柢,人物誌只是一種包裝你所做過研究的方式 (a way to encapsulate all the research that you’ve done)。目的是讓資訊更容易消化、更容易記住,並且期望能觸發後續的設計行動。

合理的設想是,若是透過一個看起來真的人來展現研究成果,這將更容易引發同情心,因此更願意為他去做對應的設計改變。那麼,如果這個虛構的人不夠真實,那麼就不會激發同情心,而是會引起反感,對吧。如果發生了反效果,這又有什麼好驚訝的呢?

此外,即使是站在我們面前的實際人物,也不總是能激發同情心。相信我,我每天都搭乘地鐵;單單針對一位通勤者的平淡描述,如果我們之間沒有什麼特殊的不同之處,這種程度的刺激並不會觸發我的神經。

那麼把人口統計數據放進人物誌裡面,這樣會更豐富可靠嗎?這是一個值得深思的問題。畢竟,一個人物誌是否在Target或Walmart購物真的很重要嗎?這裡頭其實帶有相當程度的假設,讀到這資訊的人會把自己的偏好跟看法,投射到人物誌當中,並且做出個人的判斷評價。在這狀況下,這樣的人物誌很可能會帶來更多壞處,而非優點。

▎常見的問題是什麼?

為了不要一竿子打翻一船人 (throw out the baby with the bathwater),我想提供一些方法來改善人物誌。以下是我在創建人物誌時,會儘量避免的事情,也是我經常看到新手會發生的幾個錯誤:

閱讀全文 Personas 人物誌所帶來的問題

設計師怎樣才算資深?

[大衛選讀] 設計師怎樣才算資深?這大概是每半年做績效評估時,都會被反覆詢問的問題。

有些團隊用做過多少案子,待了多長時間來評估。我自己則是看專業能力與實務經驗,同時去衡量設計師在團隊內外的影響力。對我來說,資深與否並不是看有多會做設計,而是能夠發揮多少設計專業的影響力。

Getting to Senior in UX 這篇分享簡報,很清楚地列出了資深設計師的幾項特質條件,以及如何練習培養。關鍵包含:形塑自己的觀點、成為他人的教練與導師、參與領導、透明溝通、積極面向大眾等。

重點摘要整理如下,全文連結:https://docs.google.com/presentation/d/1v3SlMKO5_9zrEJINhaOlT-YIA0UZi2Qpiv_gYCJMiCI/edit?usp=sharing


Getting to Senior in UX

如何晉升到用戶體驗的資深職位

資深並不等於管理。在一個資深的工作角色中,你會被期望能夠:領導他人 (lead people),掌握設計實務 (shape practice),以及在組織內作為設計專業的代表。有機會的話,還期待能讓設計團隊在外界有不錯的形象。

以上這些加總起來,也就等於更大的影響力 (more impact)。

至於要如何讓自己成為人們想要招募、提拔、一起合作的資深專業角色?以下是幾個關鍵的要點:

形塑自己的觀點 (Becoming Opinionated)

一位資深的用戶體驗專家,本身應該是設計實務作法的權威(their own authority on good practice)。

對於設計該如何做,他們能自信地分享深思熟慮後的看法,無論是以書面簡報呈現,還是在日常的對話當中。他們也可以自在地引述其他人的觀點,無論是否完全認同。他們對於自己言之有物、有所依據的程度,有著相當的自知。

同時,他們也知道凡事絕對不只有一種正確的作法,但他們會負責果敢地採取一個清楚的立場。(There’s never only one right way, but they take a position.)

如果想要練習如何形塑觀點,可以試著問自己:你曾見過哪些成功或失敗的設計案例,當時是在怎樣的情境脈絡下?你是否能分析解釋其中的關鍵因素?

更進一步,可以試著去對你心目中的英雄,以及身邊的夥伴,提出正向的批判 (critique)。像是:既使是你最崇拜的專業人士也還有哪些不足?跨專業的夥伴能夠合作順暢的背後,到底是什麼工作方式發揮了關鍵效果?

閱讀全文 設計師怎樣才算資深?

你是否在解決正確的問題?

[大衛選讀] 你是否在解決正確的問題? 這是在初次接觸客戶時,我腦袋裡面會想的事情,也是我最常在專案前期詢問自家設計團隊的問題。

Are You Solving the Right Problems? 這篇文章,很清晰地說明了重新框定問題 (reframing) 的概念。真正創新的解決方案,大多來自於對於問題的另一種定義。Reframing 的重點,不在於找到「真正」的問題,而是在於是否有「更好」的問題可以解決。重新去辨識問題的不同面向,有時可以帶來根本性的改進,甚至可以激發出創新破框的解決方案。

文中舉了經典的慢速電梯問題,以及大量的實務案例。同時也把重新框定問題的七種實務技巧,都詳細說明了。內容很長,但是值得反覆閱讀,遇到問題時用來敲敲自己的腦袋。應該會有不錯的效果。

重點摘要整理如下,全文連結:https://hbr.org/2017/01/are-you-solving-the-right-problems


▋Are You Solving the Right Problems?

你是否在解決正確的問題?

大多數公司在辛苦掙扎的並不是如何解決問題,而是找出問題是什麼。

在針對 17 個國家的106位 C-suite 主管的調查中,我發現有整整 85% 的人同意他們的組織在問題診斷方面做得並不好,並且有 87% 的人同意這導致了大量成本。

這個行為模式很明顯:由於傾向立即採取行動,管理者往往在不確認他們是否真正理解問題的情況下,就快速切換到解決方案模式。

企業都知道正確診斷問題的重要性,但一部分受制於完整的問題診斷工具過於複雜跟耗時。像是TRIZ, Six Sigma, Scrum等框架,這些工具很強大,但是在組織內導入需要很長一段時間的培訓。即使人們改用更簡單的問題診斷框架,例如 root cause analysis 以及 5 Whys questioning technique 等,他們經常會發現自己是在已經定義的問題上繼續挖得更深,而不會得到其他角度的診斷與觀點。

深入分析問題很好,但真正創新的解決方案,大多來自於對於問題的另一種定義 (alternative definition of your problem)。

慢速電梯問題 (The Slow Elevator Problem)

想像一下:你是一個辦公大樓的業主,你的承租戶正在抱怨電梯很慢,必須等待很長的時間。

當被問到這問題時,大多數人很快就能找出一些解法建議:像是更換電梯、安裝更強的馬達,或者升級電梯的軟體等。

這些建議都屬於解決方案空間 (solution space):一系列各式各樣的解決方案,背後都有著共同的問題假設。在這種情境下,關鍵的問題假設就是電梯很慢。

然而,當這個問題傳給大樓管理員時,他們提出了一個更為巧妙的解決方案:就是在電梯旁邊擺上一面鏡子。這個簡單的措施在減少投訴上非常有效,因為人們在有極其吸引人的東西可以看時 (也就是他們自己),往往會忘記時間。

鏡子的解決方案之所以特別有趣,因為實際上它並不是對原先問題的解決方案:它並未使電梯變快。相反地,它提出了對於問題的不同理解。

要注意的是,一開始的問題分析框架並不一定是錯的,安裝新的電梯確實可能會有效。重新框定 (reframing) 的重點,不在於找到「真正」的問題,而是在於是否有「更好」的問題可以解決。

事實上,認為事物背後肯定有單一的根本問題 (single root problem),可能是個誤解。實務上,問題通常是有很多因素的,並可以透過多種方式來解決。

例如,電梯問題可以被重新定義成高峰需求的問題。問題是太多的人需要同時使用電梯,那就可能會產生出一個致力於分散需求的解決方案,例如如何有效錯開人們的午餐時間。

重新去辨識問題的不同面向,有時可以帶來根本性的改進,甚至可以激發出創新破框的解決方案。

重新框定問題的七種實務技巧 (Seven Practices for Effective Reframing)

在我的經驗中,重新框定 (reframing) 最好能被視為是一種快速的迭代過程。就像是快速原型製作 (rapid prototyping) 一樣。

我在這裡列出的實務技巧,可以用其中任一種方式,取決於你對情況有多少控制權。

一種方式是將所有七種實務技巧都應用到問題上。這大約可以在 30 分鐘內完成,並且有助於讓每個人熟悉這套方法。

另一種方式,只需選擇其中一兩種當下最適合的實踐方式。在你無法控制情況,並且必須根據手邊可用時間多寡來調整方法時,也許就只有五分鐘也行。五分鐘聽起來連描述一個問題的時間都不夠,更不用說是要重新框定它了。但令人驚訝的是,我發現這種短暫的介入 (short interventions) 往往足以激發新的思考,並從根本上改變你對問題的看法。

太貼近手邊的問題,可能會讓你迷失在細節中,進入無止盡的思考迴圈。這時候你會需要有人跳出來,對你大聲說,這問題難道只能這樣想嗎?

以下是七種重新框定問題的實務技巧:

閱讀全文 你是否在解決正確的問題?

易用性研究發現,AI 可提升員工生產力達 66%

[大衛選讀] 使用者體驗研究先驅 Jakob Nielsen 剛發表文章表示:最新的易用性研究發現,AI 可提升員工生產力達 66%

Jakob Nielsen 是在使用者體驗設計 (User Experience Design) 和易用性 (Usability) 領域中極具影響力的專家。他被認為是網頁易用性概念的教父,同時是專業諮詢公司 Nielsen Norman Group 的共同創辦人。

很少看到 Jakob Nielsen 用如此興奮的口氣發表文章。看著UX領域的大師級人物,對於 AI 提昇工作效能的實證研究成果,有這樣熱切 (手舞足蹈?) 的反應,真是非常新奇。

簡單講,AI 讓生產力瞬間增加了66%,這是很驚人的進步。AI 不只增加了效率,也同時增進了品質。AI 不會取代人類,往後最好的工作結果,將來自 AI 和人類的共同協作。AI 縮小了技能差距,同時也減低了人們在工作記憶上的負載,這將會大量釋放創新突破的可能性。

我盡量在翻譯上保留 Jakob Nielsen 的原意語調了,有興趣感受一下興奮感的,記得閱讀一下原文 🙂

重點摘要整理如下,全文連結:https://www.nngroup.com/articles/ai-tools-productivity-gains/


AI Improves Employee Productivity by 66%

易用性研究發現,AI 可提升員工生產力達 66%

我們終於得到了關於像 ChatGPT 這種生成式 AI系統在實際商業任務中的易用性研究數據。三個最新的研究針對不同領域中非常不同類型的工作者進行了測試,都得出了相同的結論:使用 AI 後的生產力明顯提高 (productivity increased significantly),技能最低的工作者獲得了最大的收益 (biggest gains for the least-skilled users)。其中一些研究還發現,不只是效能,工作的質量也有所提高。

近幾個月以來,對 AI 無止盡的討論一直在進行,但幾乎所有的結論都是推測性的,充滿了作者的個人觀點。大部分內容都可以看做是胡說八道。

基於特定觀點的猜測經常是錯誤的,並且當公司砸了大筆資源,卻推出了無效的產品時,這將會導致大量的浪費虧損。這就是為什麼這些從用戶實地使用中所蒐集來的實證資料 (empirical data from hands-on use),會如此地有價值。

生產力研究結果 (Productivity Findings)

最近有三個獨立研究,分別測試了企業軟體公司的客服人員解決客戶查詢、經驗豐富的商業人士撰寫常規商業文件,以及程式設計師編寫一個小型軟體。

研究中最引人注目的結果是: AI 確實適用於真實的商業使用。與沒有 AI 工具相比,用戶在 AI 協助下去執行工作要有效率得多。

• 研究1:使用 AI 的客服人員,每小時能多處理 13.8% 的客戶查詢。

• 研究2:使用 AI 的商業人士,每小時能多撰寫 59% 的商業文件。

• 研究3:使用 AI 的程式設計師每週能多編寫 126% 的程式碼。

從圖表中可以清楚地看到,任務生產力的變化在三個研究的領域中非常不同。似乎越需要認知的任務 (例如:寫代碼 vs. 回答客戶查詢),越能受益於 AI 的協助。

AI 導致的生產力提升真的有那麼重要嗎? (Is the AI-Caused Productivity Lift a Big Deal?)

平均而言,在這三項研究中,生成式 AI 工具在執行實際任務時讓企業用戶的生產力增加了66%。我們應該如何評價這個數字?

單純數字本身是沒有意義的。只有當我們將其與其他數字進行比較時,才能得出結論。

作為比較,根據美國勞工統計局的數據,美國的平均勞動生產力增長在 COVID-19 大流行前的 12 年 (2007-2019年) 中,為每年增加 1.4%。根據 Eurostat 的數據,歐盟在同一時期的平均勞動生產力增長為每年 0.8%。

現在我們有了可以比較的東西。AI 帶來的 66% 生產力增長,如果是用自然方式增長,在美國得花上 47 年,在歐洲得花上 88 年。從這點看來,確實,AI 是一件大事!

閱讀全文 易用性研究發現,AI 可提升員工生產力達 66%