Đừng để AI đưa ra quyết định thiết kế UI thay bạn

TL;DR

AI rất hợp để hỗ trợ quyết định thiết kế, nhưng không phù hợp để thay bạn ra quyết định thiết kế.

Vấn đề:

• AI chỉ “đọc” mockup tĩnh, không hiểu interaction, task flow hay consistency xuyên màn hình [3].
• Với câu hỏi về tác động hành vi thực (trust, cognitive load, conversion), AI vẫn có hiểu biết rất hạn chế [4].
• Ngay cả khi được huấn luyện riêng cho UI critique, con người vẫn được đánh giá cao hơn 81% số lần [5].
• AI dễ sinh false positive (~24%) và có xu hướng “đoán” vượt quá dữ liệu nó thấy [6].
• Giọng văn mượt mà kết hợp với sycophancy khiến team dễ tin quá mức mà không kiểm chứng [7][8].

Lợi ích khi dùng đúng vai:

• AI hữu ích như copilot: rà lỗi bề mặt (spacing, contrast, labeling), viết microcopy, mở rộng ý tưởng, hỗ trợ first-pass review [1][9].
• AI chỉ đáng tin cao khi bài toán đủ hẹp, rubric đủ rõ, như cách Baymard đạt 95% accuracy bằng 15+ hệ thống hẹp thay vì dùng LLM reasoning [10].

Cách ứng dụng đúng:

• Đặt bài toán theo tình huống cụ thể (persona + goal + flow), không hỏi câu chung chung [11].
• Gửi chuỗi màn hình theo thứ tự kèm “gói context” đầy đủ (business goal, constraint, design intent, prior research) [11].
• Viết tiêu chí theo mức độ phù hợp, không phải luật tuyệt đối; bổ sung nguyên tắc riêng của team [12][13].
• Ép AI trả về theo cấu trúc (observation, severity, confidence, assumption) và phản biện lại brief của bạn [11][7].
• Xem AI là reviewer vòng đầu; với quyết định lớn, vẫn cần xác minh bằng usability testing hoặc dữ liệu thật [14].

AI đang trở thành một phần rất quen thuộc trong workflow của designer: viết microcopy, gợi ý layout, rà lỗi UI, thậm chí critique nhanh một màn hình. Nhưng có một ranh giới rất quan trọng mà team design không nên bỏ qua: AI rất hữu ích để hỗ trợ đánh giá UI, nhưng chưa đáng tin để đóng vai người phán quyết cuối cùng cho chất lượng thiết kế.

Nielsen Norman Group mô tả AI như một UX assistant với các vai trò như content editor, research assistant, ideation partner và design assistant, tức là vai trò hỗ trợ, không phải thay thế design judgment của con người [1].

AI giúp bạn nghĩ nhanh hơn. Nhưng nghĩ đúng hơn, trong nhiều trường hợp, vẫn là việc của con người.

Vấn đề không nằm ở việc dùng AI, mà ở việc giao sai vai trò

Điều không nên làm hiện nay không phải là “dùng AI trong thiết kế UI”, mà là dùng AI như người chấm chính hoặc nguồn phán quyết cuối trong design review.

Một design critique đúng nghĩa không phải để chấm màn hình “đẹp hay xấu”, mà để đánh giá xem thiết kế đó có đạt mục tiêu hay không. Nielsen Norman Group định nghĩa critique là quá trình phân tích thiết kế và phản hồi về việc nó có đáp ứng mục tiêu hay không [2].

Muốn critique đúng, bạn phải biết bối cảnh:

• Người dùng là ai? Họ mới hay đã thành thạo?
• Họ đang cố hoàn thành việc gì?
• Business đang tối ưu điều gì?
• Rủi ro nào đang được chấp nhận một cách có chủ đích?
• Flow đó tác động tới hành vi thực như thế nào?

Nếu thiếu những lớp context đó, feedback rất dễ trở thành một dạng nhận xét “nghe hợp lý” nhưng nông [2]. Và đó chính là điểm AI hiện nay thường thiếu nhất khi chỉ nhìn screenshot hoặc mockup.

Nghiên cứu nói gì về năng lực thực sự của AI trong design review?

Trước khi bàn cách dùng, hãy nhìn vào bằng chứng. Dưới đây là tổng hợp từ các nghiên cứu gần đây:

Hãy đi sâu vào từng phát hiện.

AI “đọc biểu diễn” của UI, không thực sự “dùng” UI

Nghiên cứu CHI 2024 của UC Berkeley cho thấy hệ thống đánh giá UI dựa vào biểu diễn có cấu trúc của giao diện (JSON/XML) và các heuristics để phát hiện vi phạm, rồi chuyển các vi phạm đó thành lời khuyên mang tính xây dựng. Nhưng do giới hạn context window, công cụ chỉ đánh giá được mockup tĩnh, một màn hình tại một thời điểm [3].

AI đang đọc dấu vết của trải nghiệm, chứ không thật sự hiểu trải nghiệm theo thời gian.

AI mạnh ở tín hiệu bề mặt, yếu ở tác động hành vi

WiserUI-Bench được xây trên 300 cặp UI thực từ các A/B test, với winner đã được xác thực bằng hành vi người dùng. Kết luận: các MLLM hiện tại vẫn có limited understanding of the behavioral impact of UI/UX design [4].

AI có thể thấy một CTA nổi hơn, layout thoáng hơn, hierarchy rõ hơn. Nhưng từ đó suy ra liệu người dùng có tin hơn, ít lưỡng lự hơn, ra quyết định nhanh hơn, hay ít mắc lỗi hơn hay không, vẫn là một bài toán khó [4].

Một màn hình “gọn” chưa chắc tốt hơn một màn hình “dày”. Một flow ngắn hơn chưa chắc dễ dùng hơn. Một giao diện đẹp hơn chưa chắc đáng tin hơn.

Phần nằm ngoài pixel là hành vi, ngữ cảnh sử dụng, mức độ quen thuộc, động cơ, rào cản tâm lý, và đôi khi là cả chiến lược kinh doanh.

Ngay cả khi fine-tune, AI vẫn kém con người

Nghiên cứu UICrit (UIST 2024) xây dataset gồm 3.059 design critiques cho 983 mobile UI. Dataset giúp cải thiện feedback do LLM tạo ra tới 55% so với zero-shot [5].

Nhưng critique do con người viết vẫn được xếp hạng cao hơn 81% số lần [5]. Ngay cả khi thu hẹp bài toán, thêm dữ liệu chuyên biệt, và tối ưu prompt, AI vẫn chưa đạt đến chất lượng phán đoán của người có kinh nghiệm.

AI dễ sinh false positive và “đoán hộ” phần nó không thấy

Nghiên cứu INTERACT 2025 so sánh GPT-4o với chuyên gia HCI:

• Chỉ 21,2% các issue do chuyên gia phát hiện cũng được GPT-4o nhận ra.
• 24,3% các issue GPT-4o nêu ra bị phân loại là false positives [6].

GPT-4o có xu hướng “đoán” những vấn đề tương tác mà nó không thể quan sát chỉ từ screenshot, hoặc đưa ra nhận xét quá chung để xác minh [6]. Đây là rủi ro khi team hỏi AI những câu quá rộng như “audit màn hình này giúp tôi”.

“Giọng điệu hợp lý” dễ khiến team tin quá mức

Rủi ro lớn nhất không phải AI sai. Mà là nó sai theo cách rất dễ tin.

Anthropic mô tả sycophancy là xu hướng mô hình đưa ra câu trả lời hợp với kỳ vọng của người dùng hơn là câu trả lời đúng; đây là hành vi tổng quát ở các model RLHF [7]. NN/g cảnh báo người dùng thường gặp khó khăn trong việc error-check output của chatbot [8]. Microsoft Research khảo sát 319 knowledge workers với 936 ví dụ thực tế cho thấy self-confidence vào AI liên hệ với việc giảm kích hoạt critical thinking [8].

Trong design review: một câu critique do AI viết có thể đủ mượt để dập tắt tranh luận, nhưng chưa đủ đúng để được giao quyền quyết định [7][8].

Vậy AI nên được dùng thế nào trong UI design?

Cách dùng tốt nhất hiện nay là xem AI như copilot: giúp mở rộng design space, rà lỗi bề mặt, viết và chỉnh microcopy, hỗ trợ first-pass review, hoặc kéo precedent và pattern lại gần hơn. NN/g nhấn mạnh các tính năng narrow-scope là phần hữu ích nhất của design AI hiện tại [1][9].

Càng hỏi rộng, AI càng có xu hướng lấp đầy khoảng trống bằng các suy luận nghe hợp lý nhưng thiếu căn cứ [9].

Ngoại lệ thú vị: AI chỉ đáng tin khi bài toán bị khóa rất hẹp

Baymard Institute công bố UX-Ray đạt 95% accuracy trên các heuristic e-commerce đã được chuẩn hóa [10]. Nhưng cách họ làm mới là điều đáng chú ý:

• UX-Ray không dùng LLM để thực hiện UX reasoning.
• Không dùng generative AI để đưa ra UX analysis hoặc improvement suggestions.
• Thay vào đó, dùng một chuỗi hơn 15 hệ thống hẹp; phần AI tạo sinh chỉ được dùng ở mức rất hẹp để phân loại một số pattern UI với số lượng đáp án định sẵn [10].

Ngoại lệ này không chứng minh “AI tổng quát đã sẵn sàng làm design judge”. Nó củng cố điều ngược lại: AI chỉ đáng tin cao khi bài toán đủ hẹp, rubric đủ rõ, và quyền phán đoán bị khóa rất chặt.

Hướng dẫn thực hành: Dùng AI đánh giá UI đúng cách

Thay vì ném một screenshot cho AI rồi hỏi “đánh giá giúp tôi”, cách tiếp cận hợp lý hơn là: cho AI review một mục tiêu cụ thể, trong một flow cụ thể, theo một bộ tiêu chí rõ ràng, rồi dùng nó như reviewer vòng đầu chứ không phải người chấm cuối [11].

Chuẩn bị đầu vào cho AI

1. Đặt bài toán theo tình huống, không phải câu hỏi chung

Đừng hỏi: “Đánh giá UI này giúp tôi.”

Hãy hỏi: “Với persona A, đang làm task B, trong flow C, màn hình này có rủi ro gì theo các heuristic sau?”

Microsoft UXR khuyên rõ: nên có một persona và một goal cụ thể, vì như vậy AI mới biết cái gì là quan trọng trong workflow đó [11].

2. Gửi cả chuỗi màn hình theo thứ tự flow

Nếu đang review một flow, hãy gửi cả chuỗi screenshot theo đúng thứ tự, không chỉ một ảnh đơn lẻ. Microsoft UXR khuyên ảnh phải clear, in-sequence để giảm hiểu sai [11]. Nghiên cứu CHI 2024 cũng chỉ ra giới hạn lớn của AI review hiện nay là chỉ đánh giá được mockup tĩnh, từng màn hình một [3].

3. Đính kèm “gói context” đầy đủ

Bên cạnh screenshot, tối thiểu nên cung cấp:

• Sản phẩm là gì, người dùng là ai
• Họ đang ở giai đoạn nào trong flow
• Mục tiêu của màn hình và business goal
• Constraint (design system, tech, legal)
• Ý đồ thiết kế hiện tại
• Insight từ research trước đó

Microsoft UXR khuyên đưa cả những chi tiết không hiện trên màn hình như prior research, stakeholder focus, terminology [11]. NN/g cũng nhấn mạnh AI design tools không nắm đủ context về business goals, user needs, existing product nếu prompt quá nghèo thông tin [9].

Thiết lập tiêu chí đánh giá

4. Viết tiêu chí theo “mức độ phù hợp”, không phải luật tuyệt đối

Thay vì “UI phải ít thành phần”, hãy hỏi: “Mật độ thành phần hiện tại có phù hợp với persona này và task này không?”

Thay vì “phải đơn giản”, hãy hỏi: “Hierarchy và scan path có đủ rõ để người dùng hiểu và hành động không?”

Thay vì “tối ưu cognitive load”, hãy hỏi: “Có dấu hiệu nào cho thấy cognitive load tăng không cần thiết, như quá nhiều lựa chọn ngang hàng, chunking kém, CTA cạnh tranh nhau, copy khó quét?”

Heuristic vốn là broad rules of thumb. NN/g nhấn mạnh chúng cần được áp dụng theo ngữ cảnh; với ứng dụng phức tạp cho người dùng thành thạo, cùng một nguyên tắc có thể được áp dụng rất khác so với onboarding flow cho người mới [12].

5. Bổ sung nguyên tắc riêng của team và sản phẩm

NN/g phân biệt rõ giữa heuristics, design principles, patterns, và team charters [13]. Ngoài các nguyên tắc chung, bạn nên đưa thêm nguyên tắc đặc thù của sản phẩm, ví dụ:

• “Ưu tiên sự tin cậy hơn tốc độ”
• “Không hy sinh khả năng scan dữ liệu để lấy vẻ tối giản”
• “Mọi CTA chính phải rõ trong 3 giây đầu”

Kiểm soát đầu ra và xác minh

6. Ép AI trả về theo cấu trúc, không để nó “nói cảm nhận”

Yêu cầu output theo format rõ ràng cho mỗi nhận xét:

1. Vấn đề phát hiện được
2. Vì sao nó quan trọng
3. Heuristic/nguyên tắc nào bị ảnh hưởng
4. Bằng chứng thấy được trên màn hình
5. Giả định nào đang được suy ra chứ chưa chắc đúng
6. Mức độ ưu tiên (Low / Medium / High)
7. Mức độ tự tin (Low / Medium / High)

Cả Microsoft UXR lẫn NN/g đều cảnh báo AI có thể sinh false positives, và heuristic review nói chung cũng dễ tạo ra nhiều issue nhỏ, dễ làm loãng trọng tâm nếu không có bước lọc mức độ nghiêm trọng [11][14].

7. Yêu cầu AI phản biện lại brief của bạn

Thêm vào prompt: “Đừng mặc định đồng ý với các giả định của tôi; hãy chỉ ra chỗ nào tiêu chí tôi đưa ra có thể đang quá thiên về minimalism hoặc chưa phù hợp với bối cảnh.”

Nghiên cứu của Anthropic cho thấy sycophancy là hành vi phổ biến ở các model RLHF [7]. Khi bạn đưa sẵn một bộ niềm tin như “UI phải ít thành phần”, AI rất dễ bị kéo theo hướng xác nhận lại niềm tin đó nếu bạn không chủ động yêu cầu nó phản biện ngược.

8. Xem AI là reviewer vòng đầu, không phải nơi chốt đáp án

NN/g nói heuristic evaluation hữu ích nhất để tìm vấn đề sớm, đặc biệt khi ngân sách research có hạn, nhưng không thể thay thế user research vì UX rất giàu ngữ cảnh [14]. Microsoft UXR cũng kết luận AI hiện nay nên được dùng như assistant để jumpstart review, nhất là cho người ít kinh nghiệm [11].

9. Với quyết định lớn, vẫn cần vòng xác minh bằng người thật

Nếu feedback của AI dẫn tới thay đổi về mật độ UI, thứ tự ưu tiên hành động, onboarding, trust, hoặc cách người dùng ra quyết định, bạn vẫn nên kiểm tra lại bằng usability testing, hallway testing, analytics, hoặc A/B test. NN/g nói rõ: heuristic evaluation chỉ complement research, không thay thế research [14].

Khung prompt mẫu cho AI UI Review

Bạn là reviewer UI vòng đầu, không phải người ra quyết định cuối.

Trước khi critique, hãy làm 2 việc:

1. Tóm tắt lại bạn hiểu gì về persona, goal, flow và ý đồ thiết kế.
2. Liệt kê những gì bạn chưa thể biết chỉ từ screenshot.

Bối cảnh:

- Sản phẩm:
- Nền tảng:
- Persona:
- Mức độ kinh nghiệm của user:
- User goal:
- Flow / bước hiện tại trong flow:
- Tần suất dùng tác vụ này:
- Mức rủi ro nếu user làm sai:
- Business goal:
- Ý đồ thiết kế hiện tại:
- Constraint / design system / technical constraint:
- Insight research đã biết:
- Điều không hiện trong screenshot nhưng cần biết:

Dữ liệu:

- Screenshot / chuỗi screenshot theo thứ tự

Hãy đánh giá theo các tiêu chí sau:

1. Clarity of purpose and visual hierarchy
2. Appropriateness of information density for this user and task
3. Dấu hiệu làm tăng cognitive load không cần thiết
4. Scan path và mức độ cạnh tranh chú ý
5. Action priority và affordance
6. Copy / label clarity
7. Error prevention và recoverability
8. Consistency với design principles của sản phẩm

Với mỗi nhận xét, hãy trả về:

- Observation
- Why it matters
- Heuristic / principle liên quan
- Evidence visible on screen
- Assumption you are making
- Severity: Low / Medium / High
- Confidence: Low / Medium / High
- Recommendation

Cuối cùng, hãy cho:

- 3 điểm đang làm tốt
- 5 vấn đề ưu tiên cao nhất
- 3 điều cần user testing để xác minh
- 3 chỗ mà brief của tôi có thể đang thiên lệch
- Nếu có mâu thuẫn giữa "đơn giản" và "đủ thông tin",

hãy nêu trade-off thay vì mặc định chọn tối giản

Kết luận

AI đang rất đáng dùng trong UI design, nhưng đáng dùng nhất như copilot, không phải người duyệt cuối. Nó giúp bạn nghĩ nhanh hơn, mở rộng lựa chọn, rà lỗi vòng đầu và tiết kiệm thời gian ở các tác vụ lặp lại. Nhưng khi câu hỏi chạm đến hành vi người dùng, mức độ tin cậy, tải nhận thức, trade-off sản phẩm hoặc tác động kinh doanh, thì phán đoán của con người vẫn là lớp quyết định quan trọng nhất [1][4][9].

Hãy dùng AI để tăng tốc suy nghĩ. Đừng dùng AI để né trách nhiệm phán đoán thiết kế.

References

[1] Nielsen Norman Group, AI as a UX Assistant. nngroup.com/articles/ai-roles-ux

[2] Nielsen Norman Group, Design Critiques: Encourage a Positive Culture to Improve Products. nngroup.com/articles/design-critiques

[3] Duan et al., Generating Automatic Feedback on UI Mockups with Large Language Models (CHI 2024, UC Berkeley). people.eecs.berkeley.edu

[4] Jeon et al., Do MLLMs Capture How Interfaces Guide User Behavior? / WiserUI-Bench. arxiv.org/html/2505.05026v4

[5] Duan et al., UICrit: Enhancing Automated Design Evaluation with a UI Critique Dataset (UIST 2024). people.eecs.berkeley.edu

[6] Guerino et al., Can GPT-4o Evaluate Usability Like Human Experts? (INTERACT 2025). arxiv.org/abs/2506.16345

[7] Anthropic, Towards Understanding Sycophancy in Language Models. anthropic.com/research/towards-understanding-sycophancy-in-language-models

[8] Nielsen Norman Group, AI Chatbots Discourage Error Checking; Microsoft Research, The Impact of Generative AI on Critical Thinking. nngroup.com/articles/ai-chatbots-discourage-error-checking

[9] Nielsen Norman Group, AI Design Tools Are Marginally Better: Status Update. nngroup.com/articles/ai-design-tools-update-2

[10] Baymard Institute, AI Heuristic UX Evaluations with a 95% Accuracy Rate. baymard.com/blog/ai-heuristic-evaluations

[11] Microsoft UXR / Jackie Ianni, Why AI Tools Are Not Ready to Replace Human Heuristic Evaluations, Yet. medium.com/uxr-microsoft

[12] Nielsen Norman Group, 10 Usability Heuristics Applied to Complex Applications. nngroup.com/articles/usability-heuristics-complex-applications

[13] Nielsen Norman Group, Design Guidance: Principles, Patterns, Heuristics, and Team Charters. nngroup.com/articles/design-guidance

[14] Nielsen Norman Group, How to Conduct a Heuristic Evaluation. nngroup.com/articles/how-to-conduct-a-heuristic-evaluation