สร้างต้นแบบด้วยเครื่องมือ AI เช่น Cursor, v0 หรือ Figma Make แล้วแก้ไขและทำซ้ำจนใช้ทดสอบได้
สังเกตว่าสามขั้นแรกเป็นงานของนักออกแบบทั้งหมดก่อนจะแตะเครื่องมือ AI เลย ลำดับนี้ตั้งใจ เพราะคุณภาพของต้นแบบขึ้นอยู่กับการตัดสินใจเรื่องการออกแบบที่ใส่เข้าไป ไม่ใช่ความเก่งของเครื่องมือ
กับดักที่ต้องระวัง
กับดักใหญ่ที่สุดคือความสวยงามทำให้มั่นใจเกินจริง ต้นแบบที่ดูเสร็จสมบูรณ์ทำให้ทีมและผู้เกี่ยวข้องหยุดปรับปรุง ทั้งที่ข้างในอาจยังมีรูปแบบการโต้ตอบที่ผิด NN/g จึงเตือนว่าต้นแบบทุกชิ้นที่ AI สร้างต้องผ่านการตรวจโดยคนที่มีความรู้ด้านการออกแบบก่อนจะถูกนำไปพิจารณาเป็นแนวทางพัฒนาจริง
ข้อต่อมาคือเครื่องมือ AI ไม่เข้าใจการจัดวางเนื้อหาและลำดับชั้นทางสายตาด้วยตัวเอง ต้องมีนักออกแบบที่รู้งานกำกับอย่างละเอียด และสำหรับหน้าจอที่ไม่ซับซ้อน ต้นแบบแบบภาพนิ่งยังตอบคำถามวิจัยได้ดีเหมือนเดิม ไม่จำเป็นต้องใช้ AI กับทุกงาน ก่อนทดสอบจริงควรทดลองนำร่องหนึ่งรอบเพื่อยืนยันว่าต้นแบบทำงานครบทุกเส้นทางที่ต้องใช้
ข้อควรระวังสำหรับองค์กรไทยโดยเฉพาะอยู่ที่ขั้นเตรียมข้อมูล การนำข้อมูลลูกค้าจริงไปใส่ในเครื่องมือ AI ภายนอกเพื่อทำต้นแบบอาจเข้าข่ายการเปิดเผยข้อมูลส่วนบุคคลตาม PDPA จึงควรตรวจนโยบายข้อมูลขององค์กรก่อน และเลือกใช้ข้อมูลสังเคราะห์หรือข้อมูลที่ปกปิดตัวตนแล้ว ดังที่สรุปแนวทางไว้ในบทความเช็กลิสต์ PDPA สำหรับทีมพัฒนา
แหล่งอ้างอิงเรียบเรียงจาก Nielsen Norman Group — Test Complex Interactions Earlier with AI Prototyping — อ่านบทความต้นฉบับ ภาพปก: Nielsen Norman Group · ลิขสิทธิ์ภาพเป็นของเจ้าของต้นฉบับ ใช้ประกอบการรายงานพร้อมอ้างอิงแหล่งที่มา มีคำถามเพิ่มเติมเกี่ยวกับบทความนี้? เขียนหาเราได้ที่ info@smart-cyber-tech.com
ถ้าทีมให้ AI เขียน empathy map แทนการคุยกับผู้ใช้จริง จะได้กระดานที่ดูครบทุกช่อง แต่ไม่มีอะไรยืนยันว่าเป็นเรื่องจริง และอาจพาทีมไปออกแบบให้ผู้ใช้ที่ไม่มีตัวตน Nielsen Norman Group หยิบประเด็นนี้มาเตือนในบทความเดือนสิงหาคม 2026 เราสรุปว่าควรแบ่งงานระหว่างคนกับ AI อย่างไร ตัวอย่างที่ทำให้เห็นความต่าง และทีมไทยที่เวลาน้อยงบน้อยจะใช้ AI ในงานวิจัยผู้ใช้อย่างไรโดยไม่หลอกตัวเอง
ทีมที่ใช้ AI ปั้นต้นแบบหรือฟีเจอร์ได้ในบ่ายเดียว อาจกำลังสะสมปัญหาการใช้งานที่ยังไม่มีใครเห็น จนลูกค้าเริ่มสับสนหรือเลิกใช้ Nielsen Norman Group เรียกช่วงเวลานี้ว่ายุคที่งาน UX ต้องตามเก็บกวาดหลัง AI บทความนี้สรุปว่าปัญหาเกิดจากอะไร สังเกตได้อย่างไร และทีมจะเปลี่ยนจากคนตามซ่อมเป็นคนวางเกณฑ์ได้ด้วยวิธีไหน