当谈到生成式 UI 时，经常会出现一些混乱。许多人想象一个模型从头开始绘制整个屏幕，选择颜色，定位按钮，通过每次点击发明新的布局。对于那些需要交付产品的人来说，这个愿景既诱人又毫无用处。
我所捍卫的阅读是不同的。生成式 UI 并不是让 AI 创建漂亮且不可预测的界面。它用于将用户意图转换为您已经信任的组件组合，并由您可以验证的数据提供。新颖性不在于美学，而在于人们想要的东西和对其做出反应的屏幕之间的路径。
当问题被这样界定时，采用就不再是一种营销实验，而是一种架构决策。就像每一个架构决策一样，它有一个正确的开始方式和几个错误的开始方式。
从价值案例开始，而不是演示
最常见的错误是将生成式 UI 视为通用功能。领导层看到令人印象深刻的演示，感到兴奋，并要求“将人工智能放入界面中”。这几乎永远不会有好结果，因为好的接口可以解决特定的问题，而通用功能根本解决不了任何问题。
出发点应该是传统界面已经崩溃的情况。最简单的例子是数据查询。经理想要了解某个指标与上个月相比的表现（按地区细分）。今天他打开一份固定报告，没有找到他需要的部分，将其导出到电子表格并手动组装。它很慢而且令人沮丧。
生成式 UI 正是在这里大放异彩。人们用自然语言描述他们想要什么，系统会用针对该问题创建的面板进行响应：正确的图表、突出显示的数字、支持表格。这不是一个通用的屏幕，而是具有这种意图的屏幕。
注意发生了什么变化。用户没有浏览菜单来尝试猜测信息所在的位置。他表达了意图并收到了相应的接口。这是真正的价值，而且是可以衡量的：回答时间、以前需要分析师提出的问题数量、咨询者的满意度。
选择这样一个案例，痛点明显，收获也明显，是为了保护项目。在推广该方法之前，您可以证明投资的合理性、衡量结果并以低风险进行学习。
将 AI 限制在可信组件目录中
这是区分严肃产品和危险玩具的技术决策。 AI无法生成自由界面。她从她的团队构建、测试和批准的封闭组件目录中进行选择和组合。
将模特视为大师，而不是制琴师。他并不制造乐器，而是指挥现有的乐器。折线图、指示卡、分页表、日期过滤器：所有这些都已在您的设计系统中准备就绪，并解决了[可访问性0]、经过测试的响应能力和可预测的行为。人工智能的作用是决定使用哪些零件以及如何安排它们来完成订单。
这一限制看似有限，但却是其可行的原因。目录组件已经经过设计审查、[自动化测试1]、可访问性验证。当人工智能将屏幕与它们组合在一起时，它就免费继承了所有这些保证。如果人工智能可以生成免费标记，那么每个屏幕都将是未知领域，没有任何这些确定性。
这意味着将人工智能暴露给结构化的合成界面。它不返回屏幕代码，而是返回要实例化哪些组件、具有哪些属性以及如何排列的描述。您的系统解释此描述并使用实际组件进行渲染。人工智能在栅栏内运行，而栅栏就是保证质量的东西。
值得与[信任人工智能生成的代码2]的主题进行比较：问题不在于生成本身，而在于对于可以生成的内容缺乏明确的界限。
将真实数据保留在界面后面
这是大多数人忘记的部分，也是最重要的部分。 AI 拼凑了界面，但数字永远不应该来自 AI。它们来自可验证的来源：您的银行、您的 API、您的数据仓库。
这种区别是微妙而决定性的。当用户询问“按州划分的季度销售额”时，模型会认为应该使用带有地理部分的条形图。但条形值需要是实际查询的结果，针对可审计数据运行，而不是模型“记住”或估计的东西。
语言模型非常擅长生成可信的文本，但可信并不等于正确。如果你让模型来计算数字，你最终会得到一个漂亮的、令人信服的、但可能是错误的图表。可以生成表示层。从来没有数据层。
正确的设计严格区分这些职责。人工智能解释意图并将其转化为结构化查询和布局选择。查询在您的数据系统中运行，具有与产品的其余部分使用相同的业务规则、相同的权限过滤器和相同的事实来源。只有这样，验证结果才会被注入到AI选择的组件中。
换句话说：人工智能决定问题的格式和视觉答案的格式，但答案的内容来自你的数据。这种分离使您可以查看生成的屏幕并信任它。
设计审核流程和后备方案
没有一个模型总是正确的。将此视为令人尴尬的例外只会导致灾难。按预期处理并设计流程，这就是成熟产品的特征。
有两种类型的错误需要预测。首先是人工智能不理解请求：人写了一些模棱两可的东西，模型选择了错误的解释。第二个是让人工智能尝试目录不支持的东西，比如不存在的可视化类型或不可能的数据切割。
对于第一种情况，界面需要对其理解的内容保持透明。在生成的屏幕旁边显示意图：“我将您的订单解释为与上一年相比按地区划分的月销售额”。这使用户有机会在根据错误的屏幕做出决定之前纠正路线。信任来自于验证的能力，而不是来自于系统永远不会出错的承诺。
对于第二种情况，您需要一个明确的后备。当订单不适合目录时，系统不应强制做出错误的响应或破坏它。它应该回退到安全的东西：所请求数据的原始表，该视图不可用的明确消息，或者可能的建议。可预见的失败比微弱的成功要好。
当人工智能选择低信任路径时也值得注意。如果模型不确定解释，界面可以发出信号并提供替代方案，而不是呈现单一结果，就好像它是确定的一样。
团队角色有何变化
采用生成式 UI 会重新分配团队的工作，而不是消除它。 [设计系统3]不再是一组屏幕，而是一组可组合的部件，其设计的组合方式是无人完全预料到的。这提高了每个组件的质量标准，因为它现在需要在不同的环境中工作。
产品团队开始设计功能和限制，而不是固定的流程。问题不再是“报告屏幕会是什么样子”，而是“人工智能可以组合哪些组合，以及永远不应该组合哪些组合”。这是更多概念性的工作，老实说，也更困难。
工程师负责保护边界：目录围栏、表示和数据之间的分离、回退流程。团队提供的价值从手动组合屏幕迁移到构建按需组合屏幕的可靠系统。
如果您正在构建这个基础，那么将讨论与[企业环境中的人工智能代理4]联系起来有助于了解生成的界面和自主操作如何在产品中相互补充。
生成式 UI 既不是魔法，也不是捷径。这是一种组织意图、数据和表示之间关系的不同方式。那些将其视为架构决策、具有明确价值案例和明确定义限制的人将获得真正的收益。谁把它当作一个漂亮的演示，谁就会收获返工。
如果您领导产品或技术并正在评估这种方法，请从小事做起：明确的痛点案例、精益目录、可验证的数据。铺展前先测量。下一个值得讨论的话题是关于风险和治理，因为将演示决策转移到模型需要付出一定的代价。
另请阅读
- [生成界面的AI：它选择组件，不绘制像素5
- [生成式UI：当AI停止响应文本并组装界面时6
- 【公共管理中的生成式UI：经理问，面板组装7
- [应用性能：操作产品的人的日常生活发生了哪些变化8
- [应用程序中的个性化：无需黑客即可正确使用的快速指南9
- [生成式 UI 需要更多的治理，而不是更少10