هوش مصنوعی
افزودن هوش مصنوعی به محصول به‌تنهایی ارزش ایجاد نمی‌کند. ابتدا باید مسئله‌ای مشخص را پیدا کرد که کاربر برای حل آن زمان یا انرژی زیادی صرف می‌کند. سپس می‌توان سنجید آیا یک قابلیت هوشمند واقعاً کیفیت یا سرعت این کار را بهتر می‌کند یا فقط پیچیدگی تازه‌ای به جریان می‌افزاید.
برای هر قابلیت، ورودی‌ها و خروجی‌های مورد انتظار را روشن تعریف کنید. نمونه‌های واقعی و متنوع به ارزیابی کمک می‌کنند و معیارهایی مثل دقت، کامل‌بودن و زمان پاسخ باید با هدف محصول هماهنگ باشند. اگر نتیجه همیشه قطعی نیست، طراحی باید این محدودیت را به کاربر نشان دهد.
کنترل تجربه باید در دست کاربر بماند. توضیح کوتاه دربارهٔ کاری که سامانه انجام می‌دهد، امکان ویرایش نتیجه و راهی ساده برای رد یا اصلاح پیشنهادها، اعتماد را بیشتر می‌کند. بهتر است خروجی هوشمند به‌عنوان پیشنهاد ارائه شود و از نمایش قطعیت کاذب پرهیز شود.
در کارهای حساس، بازبینی انسانی و مسیر جایگزین اهمیت بیشتری دارد. دسترسی به داده‌ها را به اندازهٔ نیاز محدود کنید، دربارهٔ استفاده از اطلاعات شفاف باشید و برای خطاهای مدل راه خروج مشخصی بسازید. ثبت بازخورد و گزارش موارد ناموفق نیز به تیم کمک می‌کند کیفیت را پیگیری کند.
پس از عرضه، عملکرد را در شرایط واقعی و با نسخه‌های مختلف ورودی بسنجید. نرخ استفاده به‌تنهایی معیار کافی نیست؛ باید دید آیا کاربر مسئله‌اش را بهتر حل می‌کند و چه زمانی ترجیح می‌دهد قابلیت را نادیده بگیرد. بهبود مستمر بر پایهٔ شواهد، فناوری را به بخشی مفید از محصول تبدیل می‌کند.