Когда хороший интерфейс должен мешать машине

Десятилетиями UX стремился убрать трение: меньше кликов, меньше подтверждений, короче путь от намерения к результату. Появление AI-агентов переворачивает эту логику. Когда система уже не просто показывает информацию, а самостоятельно отправляет письма, изменяет документы, покупает, бронирует и принимает последовательность решений, отсутствие препятствий перестаёт быть безусловным достоинством. Одной из важнейших задач дизайнера становится проектирование мест, где машина обязана остановиться.

Время чтения: 9–10 минут

Классический интерфейс довольно точно распределял ответственность. Пользователь нажимал кнопку, выбирал пункт меню, заполнял поле и подтверждал действие. Даже если система была сложной, причинная цепочка оставалась видимой: человек совершил действие — программа выполнила команду.

AI-агент меняет саму структуру взаимодействия. Пользователь всё чаще задаёт не последовательность операций, а конечное намерение: подготовь поездку, найди подходящий вариант, переработай таблицу, организуй встречу, исправь проект. Между командой и результатом возникает пространство, внутри которого система самостоятельно строит план, пользуется инструментами и принимает промежуточные решения.

В 2026 году это пространство стало отдельным предметом исследований Human–Computer Interaction. Apple изучает UX computer-use agents, Amazon — модели координации между человеком и автономной системой, Microsoft — способы вмешательства пользователя непосредственно во время выполнения задачи. Работы сходятся в одном: проблема следующего поколения интерфейсов заключается уже не только в том, что агент способен сделать, а в том, когда ему следует действовать самостоятельно и когда возвращать решение человеку. Apple Machine Learning Research

Мы привыкли считать действие единицей интерфейса

Откройте традиционный интернет-магазин. Человек ищет товар, открывает карточку, выбирает размер, добавляет покупку в корзину, проверяет адрес, выбирает способ доставки и нажимает «Оплатить».

Дизайнер проектирует каждый переход.

У такого интерфейса много недостатков, но есть важное свойство: пользователь видит структуру собственного решения.

Теперь представим агента, которому достаточно сказать:

«Купи мне хорошие беговые кроссовки моего размера до 150 евро и доставь до пятницы».

Если система действительно способна выполнить поручение, прежняя последовательность экранов для человека становится почти ненужной. Но вопросы, которые раньше решались через интерфейс, никуда не исчезают.

Что значит «хорошие»?

Можно ли превысить бюджет на пять евро?

Допустима ли доставка после пятницы, если лучший вариант дешевле?

Можно ли выбрать магазин, которым пользователь раньше не пользовался?

Что делать, если нужного цвета нет?

Можно ли сразу совершить платёж?

Интерфейс не исчезает. Он перемещается из пространства кнопок в пространство полномочий.

И для дизайнера это гораздо более сложный объект.

Новая единица дизайна — не экран, а степень делегирования

Amazon Science предложила в 2026 году рассматривать взаимодействие с агентами через несколько связанных параметров: сколько усилий прикладывает человек, насколько заметно присутствие AI и насколько активно действует сама система. Авторы обращают внимание на важную проблему: агент может быть слишком пассивным, слишком навязчивым или правильно откалиброванным относительно ситуации. Amazon Science

Это позволяет иначе посмотреть на привычную UX-задачу.

Раньше дизайнер спрашивал:

Что пользователь должен сделать на этом экране?

Теперь появляется второй вопрос:

Что пользователь вообще не должен делать сам?

А сразу после него третий:

В какой момент это действие необходимо вернуть человеку?

Поэтому интерфейс будущего вполне может иметь меньше экранов, но больше правил.

Например, агент может самостоятельно подобрать двадцать вариантов гостиниц, сократить их до трёх и даже определить наиболее подходящий. Однако непосредственное бронирование становится отдельной границей полномочий.

Для другой задачи граница будет иной. Автоматическое исправление опечатки практически не требует контроля. Удаление тысячи записей из корпоративной базы требует совсем другого режима.

То есть одинакового уровня автономности для «AI-интерфейса» не существует.

Автономность сама становится проектируемой величиной.

Хорошее трение возвращается

Большая часть истории цифрового UX связана с устранением friction.

Не спрашивайте пользователя дважды.

Не показывайте лишний экран.

Не заставляйте повторно вводить данные.

Не требуйте подтверждения очевидного действия.

В большинстве традиционных интерфейсов это остаётся разумным правилом. Но при работе с автономными агентами трение получает новую функцию.

Оно может стать механизмом безопасности.

Apple в исследовании UX computer-use agents специально моделировала не только нормальное выполнение заданий, но также ошибочные и рискованные сценарии. Среди центральных элементов design space исследователи выделили объяснимость, пользовательский контроль и корректную ментальную модель поведения агента. Apple Machine Learning Research

Это означает, что дополнительный шаг иногда является хорошим дизайном.

Не потому, что система плохо спроектирована, а потому, что цена ошибки высока.

Агент может спросить:

«Я нашёл более дешёвый билет, но он невозвратный. Использовать его?»

Именно этот дополнительный вопрос делает систему лучше.

Поэтому одним из парадоксов agentic UX становится возвращение осмысленного friction после десятилетий борьбы с ним.

Главная задача теперь не удалить все препятствия, а различить бесполезное трение и необходимую остановку.

Подтверждение тоже может быть плохим дизайном

Здесь возникает противоположная крайность.

Если агент спрашивает разрешение перед каждым действием, вся ценность автономности исчезает. Пользователь превращается в оператора, бесконечно нажимающего «Да».

Microsoft Research рассматривает эту проблему через понятие human oversight. Исследование работы разработчиков с программными агентами обнаружило несколько различных режимов контроля: предварительное ограничение действий, совместное планирование, наблюдение во время выполнения и последующую проверку результата. Контроль оказался не одной кнопкой подтверждения, а отдельной системой взаимодействия. Microsoft

Отсюда важный вывод.

Будущий интерфейс должен определять не только где человеку дать контроль, но и какого типа контроль здесь нужен.

Иногда достаточно заранее определить правило.

Иногда полезно согласовать план.

Иногда необходима возможность вмешательства во время выполнения.

А иногда разумнее позволить агенту закончить работу и предоставить прозрачный результат для проверки.

Разные задачи требуют разных архитектур вмешательства.

Это уже гораздо ближе к проектированию отношений, чем к проектированию набора экранов.

Кнопка Undo становится принципом системы

В традиционном интерфейсе возможность отменить действие воспринималась как полезная функция.

В агентной системе обратимость становится значительно важнее.

Человек может собственноручно изменить одну ячейку таблицы и сразу заметить ошибку. Агент способен за несколько секунд выполнить сотни взаимосвязанных изменений. Когда ошибка обнаружится, пользователь уже может не понимать, с какого действия она началась.

Microsoft Research разработала экспериментальную систему Pista именно вокруг этой проблемы. Вместо того чтобы выдавать человеку только конечный результат работы spreadsheet-agent, система разбивает процесс на доступные для просмотра действия и позволяет пользователю вмешиваться непосредственно во время выполнения. В исследовании участники лучше понимали происходящее, обнаруживали ошибки, которые могли быть пропущены при одной лишь итоговой проверке, и сильнее ощущали собственное участие в результате. Microsoft

Отсюда можно вывести целое семейство будущих UX-паттернов:

история действий;

контрольные точки;

предварительный просмотр последствий;

частичная отмена;

возврат к предыдущему состоянию;

остановка выполняющегося процесса;

изменение плана без полного перезапуска задачи.

Но важно не само наличие этих элементов. Важно изменение принципа.

Когда система действует самостоятельно, путь к результату становится частью интерфейса.

Нам понадобится новый тип progress bar

Обычный progress bar отвечает на простой вопрос:

Когда закончится операция?

Для агентной системы этого недостаточно.

Представим, что AI уже десять минут занимается задачей. Пользователь хочет понять совсем другое:

Что он сейчас делает?

Какой план выбрал?

Что уже изменено?

Какие предположения сделал?

Встретил ли проблему?

Может ли процесс ещё быть остановлен?

Какое решение потребует моего участия?

Именно поэтому простой индикатор «68%» постепенно теряет смысл.

Исследователи Microsoft в проекте MUSE работают с похожей проблемой в агентных data-science workflow. Они предлагают преобразовывать низкоуровневый execution trace в несколько смысловых уровней, чтобы человек мог видеть общую структуру работы, переходить к конкретному этапу и вмешиваться именно там, где возникла проблема. Microsoft

Здесь появляется интересный объект для дизайна: видимое намерение машины.

Это не внутреннее reasoning модели, которое пользователь должен читать построчно. Такой поток быстро превратится в информационный мусор.

Пользователю нужна другая форма прозрачности:

что система собирается сделать;

что она уже сделала;

почему требуется вмешательство;

какие последствия имеет выбор.

Проектирование такого слоя вполне может стать одной из центральных областей UX ближайших лет.

Дизайнеру придётся работать не только с ошибкой, но и с сомнением

Обычные интерфейсы по возможности ведут себя детерминированно.

Нажатие одной и той же кнопки должно давать предсказуемый результат.

AI-система работает иначе. Она может интерпретировать намерение, выбирать между вариантами и действовать при неполной информации.

Поэтому становится недостаточно проектировать состояние:

успех / ошибка.

Появляется промежуточная область:

система не уверена.

Старая продуктовая логика часто пыталась скрывать неопределённость от пользователя. Agentic UX, наоборот, иногда должен научиться её показывать.

«Я уверен, что правильно понял адрес, но не уверен в выбранной дате».

«Два варианта почти одинаковы».

«Для продолжения мне приходится сделать предположение».

«Это действие нельзя будет отменить».

Подобные сообщения легко превратить в постоянный поток предупреждений. Поэтому дизайнеру потребуется решить, какая неопределённость существенна, а какая должна оставаться внутри системы.

Исследование ICML 2026 по human-agent interaction особенно интересно тем, что показывает расхождения между техническими benchmark-показателями агентов и удовлетворённостью реальных пользователей. Хорошая производительность модели сама по себе ещё не означает хороший опыт взаимодействия. Proceedings of Machine Learning Research

Это важное напоминание для Design Future.

Более умный агент автоматически не создаёт более хороший продукт.

Агенту придётся научиться ничего не делать

Один из самых необычных вопросов будущего UX звучит так:

Когда система должна понять, что сейчас лучше не вмешиваться?

Сегодня software преимущественно реагирует на явное действие пользователя. Более контекстные AI-системы потенциально способны предлагать помощь заранее: замечать конфликт расписания, автоматически перестраивать задачу, писать сообщение, исправлять ошибку или предлагать покупку.

Технически это выглядит как развитие возможностей.

С точки зрения дизайна это огромная проблема.

Google Research в октябре 2026 года сформулировала её через contextual integrity: полезный агент должен понимать не только доступные данные и разрешённые операции, но и нормы конкретного контекста. Одинаковое действие может быть уместным в одной ситуации и недопустимым в другой. Google Research

А отдельная работа 2026 года о проактивных агентах прямо формулирует принцип agency preservation: система должна учитывать не только возможность выполнить действие, но и то, сохраняет ли оно способность человека самостоятельно определять происходящее. arXiv

Получается удивительная вещь.

Следующий уровень интеллектуальности интерфейса может проявляться не в количестве действий, которые AI способен выполнить.

А в количестве действий, которые он сознательно не выполняет.

Разрешение «доступ к календарю» слишком примитивно

Современные системы permissions были созданы для программ, чьё поведение в основном известно заранее.

Приложению разрешён доступ к фотографиям.

Камере.

Геолокации.

Контактам.

Но агент получает доступ к инструменту именно затем, чтобы самостоятельно решить, как его использовать для достижения цели.

Поэтому бинарная модель разрешения начинает выглядеть недостаточной.

«Доступ к почте» может означать совершенно разные вещи:

прочитать одно письмо;

найти письма определённого человека;

проанализировать всю переписку;

подготовить ответ;

отправить ответ;

удалить сообщение;

переслать вложение третьей стороне.

С точки зрения традиционной permission-модели это один ресурс.

С точки зрения человека — совершенно разные уровни полномочий.

Исследования безопасности agentic systems уже рассматривают richer human-in-the-loop interactions как часть самой архитектуры автономности: цель состоит не в постоянном запросе разрешений, а в возможности выполнять безопасные действия самостоятельно и передавать человеку действительно значимые решения. Microsoft

Для дизайнера здесь возникает новый объект:

не доступ к инструменту, а контракт на его использование.

В интерфейсе появляется понятие ответственности

Если человек нажал «Удалить», причинность очевидна.

Если человек сказал «Разберись с моей почтой», а агент самостоятельно удалил важное письмо, вопрос становится гораздо сложнее.

Что именно разрешил пользователь?

Было ли действие предсказуемым?

Сообщила ли система о последствиях?

Можно ли было его отменить?

Должен ли был агент запросить подтверждение?

Именно поэтому исследования human–AI agents всё чаще рассматривают transparency, accountability и calibrated trust не как абстрактные этические дополнения, а как свойства пользовательского опыта. Работа 2026 года о UX-принципах human-agent interaction выделяет восемь групп таких принципов и пытается перевести их в практические guardrails для дизайнеров и разработчиков. arXiv

Это меняет понимание хорошего UX.

Раньше пользователь мог не знать, как устроена программа внутри, если результат был понятен.

Для автономной системы часть внутренней структуры приходится возвращать наружу — не в форме технических деталей, а в форме понятной ответственности.

Кто решил?

Что было разрешено?

Что произошло?

Что ещё можно изменить?

Профессия дизайнера от этого не становится меньше

Легко представить будущее AI-интерфейсов как исчезновение профессии: если человеку достаточно описать желание словами, зачем нужны сотни экранов?

Вероятно, экранов действительно станет меньше в некоторых классах продуктов.

Но количество дизайнерских решений не обязательно уменьшится.

Наоборот, появляются вопросы, которых почти не было в классическом GUI:

какую часть намерения система может интерпретировать самостоятельно;

когда следует задавать уточняющий вопрос;

когда можно сделать предположение;

какое действие считается существенным;

что требует подтверждения;

что должно быть обратимо;

что необходимо объяснять;

когда показывать план;

какую ошибку допустимо исправить автоматически;

как вернуть управление человеку;

что агенту запрещено делать даже при технической возможности.

Это уже не просто interface design.

Это design of agency — проектирование распределения действия между человеком и системой.

Возможно, главной кнопкой будущего станет «Стоп»

Первые десятилетия цифрового дизайна учили нас помогать человеку действовать.

Выбрать.

Найти.

Нажать.

Заполнить.

Подтвердить.

AI-агенты постепенно забирают часть этих действий на себя. Поэтому профессиональный центр тяжести начинает смещаться. Хороший дизайнер должен будет не только делать автоматизацию удобной, но и задавать ей границы.

Где машина действует сама.

Где спрашивает.

Где объясняет.

Где ждёт.

Где можно вернуть всё назад.

И где она должна остановиться, несмотря на способность продолжать.

Поэтому будущее интерфейсов может оказаться парадоксальным.

Мы десятилетиями считали лучшим интерфейсом тот, который как можно меньше мешает человеку.

В эпоху автономных систем одним из признаков хорошего дизайна станет способность в нужный момент помешать машине.

Источники

Apple Machine Learning Research — Mapping the Design Space of User Experience for Computer Use Agents. IUI 2026. Исследование user control, explainability, mental models и поведения пользователей в нормальных, ошибочных и рискованных сценариях работы компьютерных агентов. Apple Machine Learning Research
https://machinelearning.apple.com/research/mapping

Amazon Science — Designing AI agents that know when to step back. Март 2026. Framework координации человека и агента через human involvement, AI salience и AI activity. Источник корпоративной исследовательской лаборатории. Amazon Science
https://www.amazon.science/blog/designing-ai-agents-that-know-when-to-step-back

Microsoft Research — Auditing and Controlling AI Agent Actions in Spreadsheets. Апрель 2026. Pista исследует контроль непосредственно во время выполнения агентом многошаговой работы. Microsoft
https://www.microsoft.com/en-us/research/publication/auditing-and-controlling-ai-agent-actions-in-spreadsheets/

Microsoft Research — Human oversight of agentic systems in practice. Эмпирическое исследование контроля software agents: предварительные ограничения, совместное планирование, real-time monitoring и post-hoc review. Microsoft
https://www.microsoft.com/en-us/research/publication/human-oversight-of-agentic-systems-in-practice-examining-the-oversight-work-challenges-and-heuristics-of-developers-using-software-agents/

Microsoft Research — MUSE. Исследование способов понимать и корректировать сложные workflow, выполняемые AI-агентами. Microsoft
https://www.microsoft.com/en-us/research/publication/muse-an-interactive-meta-agent-for-understanding-and-steering-llm-powered-data-science-systems/

Valerie Chen et al. — How can we assess human-agent interactions? Case studies in software agent design. ICML 2026. Масштабное исследование взаимодействия 15 000 пользователей с software agents и различий между benchmark-performance и пользовательскими оценками. Proceedings of Machine Learning Research
https://proceedings.mlr.press/v306/chen26da.html

Google Research — Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle. 5 октября 2026 года. Исследование contextual integrity и проблемы уместного поведения автономных систем. Google Research
https://research.google/blog/open-and-emergent-problems-in-agentic-privacy-and-security-a-contextual-angle/

Kathrin Paimann, Elizangela Valarini, Sebastian Juhl — A Framework of User Experience Principles for Human-AI Agent Interaction in the Workplace. 2026. Framework UX-принципов для взаимодействия человека с AI-агентами. arXiv
https://arxiv.org/abs/2607.19941