এন্টারপ্রাইজ কোলাবোরেশনে AI এজেন্টদের জন্য বিবর্তনশীল UX গবেষণা পদ্ধতি

\ পরিবর্তনটি যে কারও অনুমানের চেয়ে দ্রুত ঘটেছে। একদিন, AI আমাদের বাক্য স্বয়ংসম্পূর্ণ করছিল। পরের দিন, এটি আমাদের সভায় যোগ দিচ্ছিল, আমাদের কথোপকথন সংক্ষিপ্ত করছিল এবং আমাদের পক্ষে ফলো-আপ বার্তা খসড়া করছিল। এখন এটি সিদ্ধান্ত নিচ্ছে।

আমি বছরের পর বছর ধরে গবেষণা করেছি কিভাবে দলগুলি বুদ্ধিমান প্ল্যাটফর্মের মাধ্যমে সহযোগিতা করে, এবং আমি আজ যা দেখছি তা ইমেল চালু হওয়ার পর থেকে কর্মক্ষেত্রের গতিশীলতায় সবচেয়ে উল্লেখযোগ্য পরিবর্তন। AI এজেন্টরা আর আমরা ব্যবহার করি এমন সরঞ্জাম নয়। তারা এমন অংশগ্রহণকারী যাদের সাথে আমরা কাজ করি।

এই পার্থক্য UX গবেষকদের জন্য অত্যন্ত গুরুত্বপূর্ণ। সফটওয়্যার বৈশিষ্ট্য মূল্যায়ন করার জন্য আমরা যে পদ্ধতিগুলি বিকাশ করেছি সেগুলি প্রযোজ্য হয় না যখন সেই সফটওয়্যার একজন দলের সদস্যের মতো আচরণ করতে শুরু করে।

মৌলিক পরিবর্তন: বৈশিষ্ট্য থেকে অংশগ্রহণকারী

ঐতিহ্যগত UX গবেষণা এমন প্রশ্ন জিজ্ঞাসা করে: এই বৈশিষ্ট্যটি কি আবিষ্কারযোগ্য? ইন্টারঅ্যাকশন কি স্বজ্ঞাত? এটি কি ওয়ার্কফ্লোতে ঘর্ষণ কমায়?

এই প্রশ্নগুলি ধরে নেয় যে AI নিষ্ক্রিয়, প্রতিক্রিয়া জানানোর আগে ব্যবহারকারীর ইনপুটের জন্য অপেক্ষা করছে। কিন্তু AI এজেন্টরা আলাদাভাবে কাজ করে। তারা পর্যবেক্ষণ করে, ব্যাখ্যা করে, সিদ্ধান্ত নেয় এবং কাজ করে। MIT স্লোন ম্যানেজমেন্ট রিভিউ এবং বোস্টন কনসাল্টিং গ্রুপের ২০২৫ সালের গবেষণা অনুসারে, ৩৫% সংস্থা ইতিমধ্যে এজেন্টিক AI ব্যবহার করা শুরু করেছে, আরও ৪৪% শীঘ্রই এটি গ্রহণ করার পরিকল্পনা করছে। তবুও ৪৭% ইঙ্গিত দেয় যে তাদের AI দিয়ে কী করবে তার কোন কৌশল নেই। গ্রহণ এবং বোঝার মধ্যে এই ফাঁক ঠিক সেখানেই যেখানে UX গবেষণাকে অবশ্যই হস্তক্ষেপ করতে হবে।

যখন একটি AI এজেন্ট একটি সহযোগিতা প্ল্যাটফর্মে যোগ দেয়, তখন এটি দলের সামাজিক গতিশীলতা পরিবর্তন করে। এটি প্রভাবিত করে কে কথা বলে, কখন তারা কথা বলে এবং তারা কী বলতে স্বাচ্ছন্দ্য বোধ করে। এই পরিবর্তনগুলি মূল্যায়ন করার জন্য এমন পদ্ধতির প্রয়োজন যা ব্যবহারযোগ্যতা পরীক্ষার চেয়ে অনেক বেশি।

\

এন্টারপ্রাইজ কোলাবোরেশন প্ল্যাটফর্মের জন্য AI মূল্যায়ন নেতৃত্ব

বুদ্ধিমান সহযোগিতা প্ল্যাটফর্মের জন্য UX গবেষণা পরিচালনার আমার কাজে, আমি এন্টারপ্রাইজ পরিবেশে কাজ করে এমন AI এজেন্টদের জন্য বিশেষভাবে ডিজাইন করা মূল্যায়ন কাঠামো বিকাশ করেছি। এই কাজটি পণ্য কৌশল, AI বিকাশ এবং মানব কারণ গবেষণার সংযোগস্থলে রয়েছে।

এই প্রেক্ষাপটে AI মূল্যায়ন ঐতিহ্যগত মডেল বেঞ্চমার্কিং থেকে মৌলিকভাবে আলাদা। যখন একটি AI এজেন্ট একটি সহযোগিতা প্ল্যাটফর্মের মধ্যে কাজ করে, তখন আমরা কেবল নির্ভুলতা বা প্রতিক্রিয়ার গুণমান বিচ্ছিন্নভাবে পরিমাপ করতে পারি না। আমাদের অবশ্যই মূল্যায়ন করতে হবে কিভাবে এজেন্ট বাস্তব দলের জটিল সামাজিক এবং পরিচালনাগত গতিশীলতার মধ্যে কাজ করে।

আমি এন্টারপ্রাইজ সহযোগিতার জন্য AI মূল্যায়নের কাছে তিনটি পারস্পরিক সংযুক্ত স্তরের মাধ্যমে পৌঁছাই। প্রথম স্তরটি কার্যকরী কর্মক্ষমতা পরীক্ষা করে: এজেন্ট কি সঠিকভাবে কার্য আইটেম চিহ্নিত করে, আলোচনাগুলি সঠিকভাবে সংক্ষিপ্ত করে এবং উপযুক্ত মুহূর্তে প্রাসঙ্গিক তথ্য উপস্থাপন করে? দ্বিতীয় স্তরটি একীকরণের গুণমান মূল্যায়ন করে: কতটা সহজে এজেন্ট বিদ্যমান ওয়ার্কফ্লোতে ঘর্ষণ সৃষ্টি না করে বা ব্যবহারকারীদের আচরণগত পরিবর্তন প্রয়োজন ছাড়াই কাজ করে? তৃতীয় স্তর, এবং সবচেয়ে বেশি উপেক্ষিত, সিস্টেমিক প্রভাব মূল্যায়ন করে: কিভাবে এজেন্টের উপস্থিতি দলের গতিশীলতা, সিদ্ধান্তের গুণমান এবং সময়ের সাথে সহযোগিতামূলক কার্যকারিতাকে প্রভাবিত করে?

হার্ভার্ড বিজনেস রিভিউ মে ২০২৫ এর গবেষণা AI এজেন্টদের "ডিজিটাল সহকর্মী" হিসাবে বর্ণনা করে যা প্রতিভার একটি উদীয়মান বিভাগকে প্রতিনিধিত্ব করে। এই কাঠামো দাবি করে যে আমরা AI এজেন্টদের শুধু কাজ সম্পন্ন করার উপর নয়, বরং তারা কতটা ভালভাবে দলের অংশগ্রহণকারী হিসাবে কাজ করে তার উপর মূল্যায়ন করি। আমার মূল্যায়ন প্রোটোকলগুলিতে আচরণগত পর্যবেক্ষণ, দীর্ঘমেয়াদী ট্র্যাকিং এবং ফলাফল বিশ্লেষণ অন্তর্ভুক্ত রয়েছে যা ঐতিহ্যগত AI বেঞ্চমার্কগুলি সম্পূর্ণরূপে মিস করে।

সবচেয়ে শক্তিশালী ফলাফল অর্জনকারী সংস্থাগুলি সেগুলি যারা UX গবেষণাকে সরাসরি তাদের AI মূল্যায়ন চক্রে এম্বেড করে, প্রযুক্তিগত কর্মক্ষমতা পরিমাপের পাশাপাশি মানব-কেন্দ্রিক মেট্রিক্স ব্যবহার করে।

\

কৌশলগত UX গবেষণার মাধ্যমে হাইপার-ব্যক্তিগতকৃত AI এজেন্ট নির্মাণ

এন্টারপ্রাইজ সহযোগিতা প্ল্যাটফর্মের পরবর্তী সীমানা হল হাইপার-ব্যক্তিগতকৃত AI এজেন্ট যা ব্যক্তিগত ব্যবহারকারী, দলের সংস্কৃতি এবং সাংগঠনিক প্রেক্ষাপটের সাথে খাপ খায়। এখানেই UX গবেষণা শুধুমাত্র মূল্যায়নকারী নয় বরং উৎপাদনশীল হয়ে ওঠে, সরাসরি আকার দেয় কিভাবে এই এজেন্টগুলি ডিজাইন এবং স্থাপন করা হয়।

আমি গবেষণা উদ্যোগ পরিচালনা করছি যা সহযোগিতা প্ল্যাটফর্মের জন্য ব্যক্তিগতকৃত AI এজেন্টের কৌশলগত বিকাশকে অবহিত করে। এই কাজে বিভিন্ন ব্যবহারকারী প্রকার কিভাবে AI এর সাথে মিথস্ক্রিয়া করে তার নির্দিষ্ট প্যাটার্ন বোঝা, কিভাবে দলের যোগাযোগের শৈলী ফাংশন এবং ভূগোল জুড়ে পরিবর্তিত হয়, এবং কিভাবে সাংগঠনিক সংস্কৃতি প্রভাবিত করে ব্যবহারকারীরা AI সহায়তা থেকে কী আশা করে।

AI পার্টনারশিপ সম্পর্কে McKinsey-এর নভেম্বর ২০২৫ গবেষণায় উল্লেখ করা হয়েছে যে AI-এর সম্ভাবনা উপলব্ধি করার জন্য ওয়ার্কফ্লো পুনরায় ডিজাইন করা প্রয়োজন যাতে মানুষ, এজেন্ট এবং রোবটরা কার্যকরভাবে একসাথে কাজ করতে পারে। পণ্য কৌশলের দৃষ্টিকোণ থেকে, এর অর্থ হল AI এজেন্টগুলি এক-আকারের-সবার-জন্য-উপযুক্ত হতে পারে না। তাদের অবশ্যই তাদের যোগাযোগের শৈলী, হস্তক্ষেপের ফ্রিকোয়েন্সি এবং স্বায়ত্তশাসনের স্তর ব্যবহারকারীর পছন্দ এবং প্রাসঙ্গিক কারণগুলির উপর ভিত্তি করে অভিযোজিত করতে হবে।

আমার গবেষণা বেশ কয়েকটি ব্যক্তিগতকরণের মাত্রা চিহ্নিত করেছে যা এন্টারপ্রাইজ সহযোগিতা প্রেক্ষাপটে সবচেয়ে গুরুত্বপূর্ণ। যোগাযোগ শৈলী মিলানো নিশ্চিত করে যে এজেন্ট ব্যবহারকারীরা কিভাবে স্বাভাবিকভাবে নিজেদেরকে প্রকাশ করে তা প্রতিফলিত করে, তা আনুষ্ঠানিক বা অনানুষ্ঠানিক, বিস্তারিত বা সংক্ষিপ্ত হোক। হস্তক্ষেপ সময়নির্ধারণ ক্যালিব্রেশন শেখে যখন ব্যক্তিগত ব্যবহারকারীরা সক্রিয় সহায়তা পছন্দ করেন বনাম যখন তারা বিরক্ত না হয়ে কাজ করতে চান। বিশ্বাস থ্রেশহোল্ড সমন্বয় স্বীকার করে যে বিভিন্ন ব্যবহারকারীর AI স্বায়ত্তশাসনের সাথে বিভিন্ন আরাম স্তর রয়েছে এবং সেই অনুযায়ী ক্যালিব্রেট করে।

কৌশলগত প্রভাবগুলি উল্লেখযোগ্য। সহযোগিতা প্ল্যাটফর্মের জন্য AI এজেন্ট তৈরি করা পণ্য দলগুলির বিভিন্ন ব্যবহারকারী জনসংখ্যা জুড়ে ব্যক্তিগতকরণ বৈশিষ্ট্যগুলি কীভাবে কাজ করে তা বোঝার জন্য ক্রমাগত UX গবেষণা ইনপুট প্রয়োজন। এই গবেষণার ভিত্তি ছাড়া, ব্যক্তিগতকরণের প্রচেষ্টাগুলি এমন এজেন্ট তৈরি করার ঝুঁকি নেয় যা কিছু ব্যবহারকারীর কাছে অনধিকার প্রবেশকারী মনে হয় যখন অন্যদের কাছে অসহায়ক মনে হয়।

সহযোগিতামূলক সেটিংসে AI এজেন্টদের মূল্যায়নের জন্য একটি কাঠামো

তাদের সহযোগিতা ওয়ার্কফ্লোতে AI এজেন্ট গ্রহণকারী ক্রস-ফাংশনাল দলগুলির সাথে ব্যাপক ক্ষেত্র গবেষণার মাধ্যমে, আমি চারটি মাত্রার চারপাশে নির্মিত একটি মূল্যায়ন কাঠামো বিকাশ করেছি যা ঐতিহ্যগত পদ্ধতিগুলি উপেক্ষা করে।

1. উপস্থিতি প্রভাব পরীক্ষা করে কিভাবে AI এজেন্টের উপস্থিতি দলের আচরণ পরিবর্তন করে, তার কার্যকরী অবদান থেকে স্বাধীনভাবে। আমি দলগুলিকে পরিমাপযোগ্যভাবে আরও আনুষ্ঠানিক হতে দেখেছি যখন তারা জানে যে একটি AI তাদের কথোপকথন নথিভুক্ত করছে। সাইডবার আলোচনা কমে যায়। অন্বেষণমূলক চিন্তাভাবনা নিরাপদ অবদানের দ্বারা প্রতিস্থাপিত হয়।
2. এজেন্সি সীমানা সম্বোধন করে যেখানে AI এজেন্টের স্বায়ত্তশাসন শুরু এবং শেষ হওয়া উচিত, এবং কিভাবে দলগুলি এই সীমানাগুলি নিয়ে আলোচনা করে। AI এজেন্টদের উপর ওয়ার্ল্ড ইকোনমিক ফোরামের ২০২৫ নির্দেশিকা জোর দেয় যে শাসন অবশ্যই ক্রমাগত নিরীক্ষণের মাধ্যমে স্বচ্ছতা প্রচার করতে হবে। আমার গবেষণায়, আমি দেখেছি যে AI স্বায়ত্তশাসনের জন্য বলা পছন্দগুলি কমই প্রকাশিত পছন্দের সাথে মেলে। দলগুলি প্রায়ই বলে যে তারা চায় AI এজেন্টরা আরও উদ্যোগ নিক, কিন্তু প্রতিরোধ করে যখন এজেন্টরা আসলে তা করে।
3. বিশ্বাস ক্যালিব্রেশন ফোকাস করে কিভাবে দলগুলি উপযুক্ত বিশ্বাস বিকাশ করে, অতিরিক্ত নির্ভরতা এবং অল্প ব্যবহার উভয়ই এড়িয়ে। একটি AI এজেন্ট যা একটি উল্লেখযোগ্য ত্রুটি করে তা মাসের পর মাস বিশ্বাস-নির্মাণ ধ্বংস করতে পারে, যখন একটি এজেন্ট যা নিখুঁতভাবে কাজ করে তা বিপজ্জনক আত্মতুষ্টি তৈরি করতে পারে।
4. সহযোগিতামূলক একীকরণ পরীক্ষা করে কিভাবে AI এজেন্ট দলের গতিশীলতা, তথ্য প্রবাহ এবং সামষ্টিক বুদ্ধিমত্তাকে প্রভাবিত করে। AI এজেন্ট কি দলকে আরও ভাল সিদ্ধান্ত নিতে সাহায্য করে, নাকি অগভীর চিন্তাভাবনা লুকানোর সম্পূর্ণতার একটি ভ্রম তৈরি করে?

কেস স্টাডি: AI এজেন্ট স্কোপ পুনর্বিন্যাস

আমি সম্প্রতি একটি বিতরণকৃত পণ্য দলের সাথে একটি আট-সপ্তাহের অধ্যয়ন পরিচালনা করেছি যারা তাদের সহযোগিতা প্ল্যাটফর্ম জুড়ে একটি AI এজেন্ট বাস্তবায়ন করছে। এজেন্টটি সভায় যোগ দেওয়া, সারাংশ তৈরি করা, সিদ্ধান্ত ট্র্যাক করা এবং সক্রিয়ভাবে প্রাসঙ্গিক তথ্য উপস্থাপন করার জন্য ডিজাইন করা হয়েছিল।

প্রাথমিক মেট্রিক্স চমৎকার দেখাচ্ছিল: ৯৪% কার্য আইটেম নির্ভুলতা, ৫ এর মধ্যে ৪.২ সন্তুষ্টি রেটিং। কিন্তু আচরণগত পর্যবেক্ষণ ড্যাশবোর্ডে অদৃশ্য সমস্যা প্রকাশ করেছে। সভার সময়কাল ১৮% কমে গেছে কারণ দলের সদস্যরা আলোচনা তাড়াহুড়ো করেছে, সচেতন যে প্রতিটি শব্দ ক্যাপচার করা হচ্ছে। তৃতীয় সপ্তাহের মধ্যে, একটি অ্যাট্রিবিউশন ত্রুটি একটি যাচাইকরণ বোঝা ট্রিগার করেছে যা এটি প্রতিস্থাপন করা নথিপত্রের চেয়ে বেশি সময় ব্যয় করেছে। দলের সদস্যরাও যা আমি "সারাংশ নির্ভরতা সিন্ড্রোম" বলি তা বিকশিত করেছে, একচেটিয়াভাবে AI সারাংশের উপর নির্ভর করে এবং গুরুত্বপূর্ণ প্রসঙ্গ মিস করে।

এই ফলাফলগুলির উপর ভিত্তি করে, দলটি AI এজেন্টটি পুনর্বিন্যাস করেছে, এর কার্যকরী পরিধি ৬০% কমিয়ে। তারা সক্রিয় বৈশিষ্ট্যগুলি সরিয়েছে যেখানে নির্ভুলতা উচ্চ ছিল সেখানে নথিপত্রের কাজগুলি বজায় রেখেছে। ঐতিহ্যগত গ্রহণ মেট্রিক্স এটিকে ব্যর্থতা হিসাবে চিহ্নিত করবে। কিন্তু দলের কার্যকারিতা পরিমাপ একটি ভিন্ন গল্প বলেছে: সিদ্ধান্তের গুণমান উন্নত হয়েছে, সভায় অংশগ্রহণ আরও ন্যায়সঙ্গত হয়েছে এবং যাচাইকরণ বোঝা টেকসই স্তরে নেমে এসেছে।

সবচেয়ে উল্লেখযোগ্য ফলাফল সাক্ষাৎকার থেকে উদ্ভূত হয়েছে। একাধিক দলের সদস্য পূর্ণ-স্বায়ত্তশাসন পর্যায়ে "দেখা" হওয়ার অনুভূতি বর্ণনা করেছে। প্রকৃত যোগাযোগের উপর এই শীতল প্রভাব কোনও ড্যাশবোর্ড মেট্রিকে কখনও প্রদর্শিত হয়নি।

\

\

ব্যবহারিক মূল্যায়ন পদ্ধতি

এই গবেষণা এবং অনুরূপ অধ্যয়নের উপর ভিত্তি করে, আমি সহযোগিতামূলক সেটিংসে AI এজেন্টদের মূল্যায়নের জন্য নিম্নলিখিত পদ্ধতিগুলি সুপারিশ করি।

• দীর্ঘমেয়াদী পর্যবেক্ষণ AI এজেন্ট প্রবর্তনের আগে বেসলাইন প্রতিষ্ঠার সাথে ন্যূনতম ছয়-সপ্তাহের পর্যবেক্ষণ সময়কাল প্রয়োজন। একক-সেশন ব্যবহারযোগ্যতা পরীক্ষাগুলি সহযোগিতামূলক AI গতিশীলতা সম্পর্কে প্রায় কিছুই উপযোগী প্রকাশ করে না।
• যোগাযোগ প্যাটার্ন বিশ্লেষণ প্রি-ডেপ্লয়মেন্ট, প্রারম্ভিক ডেপ্লয়মেন্ট এবং পরিপক্ক ডেপ্লয়মেন্ট পর্যায় জুড়ে কে কথা বলে, কতবার এবং কোন প্রেক্ষাপটে তার পরিমাণগত ট্র্যাকিং জড়িত।
• বিশ্বাস ক্যালিব্রেশন মূল্যায়ন নিয়মিতভাবে পরিমাপ করে কিভাবে দলের সদস্যদের AI ক্ষমতার উপর আত্মবিশ্বাস প্রকৃত AI কর্মক্ষমতার সাথে তুলনা করে।
• সিদ্ধান্তের গুণমান অডিট AI এজেন্টের সম্পৃক্ততায় নেওয়া সিদ্ধান্তের প্রতিক্রিয়াশীল বিশ্লেষণ প্রদান করে, ফলাফল ট্র্যাক করে এবং যেখানে AI অবদান সাহায্য করেছে বা বাধা দিয়েছে তা চিহ্নিত করে।

সামনের পথ

AI এজেন্টরা এন্টারপ্রাইজ সহযোগিতায় সর্বব্যাপী হয়ে উঠবে। গবেষণার প্রশ্ন হল সংস্থাগুলি তাদের গ্রহণ করবে কিনা নয়, বরং কিভাবে তারা তাদের কার্যকরভাবে একীভূত করবে।

UX গবেষকদের এই একীকরণ আকার দেওয়ার ক্ষেত্রে একটি গুরুত্বপূর্ণ ভূমিকা রয়েছে। আমাদের মানব আচরণ বোঝার পদ্ধতি এবং অভিজ্ঞতার গুণমান মূল্যায়নের কাঠামো রয়েছে। যে সংস্থাগুলি এটি সঠিকভাবে পায় তারা সহযোগিতা সিস্টেম তৈরি করবে যেখানে মানুষ এবং AI এজেন্টরা সত্যিই একে অপরকে পরিপূরক করে। যারা AI এজেন্টদের আরেকটি বৈশিষ্ট্য হিসাবে বিবেচনা করে তারা আবিষ্কার করবে যে তাদের দলগুলি প্রযুক্তি আসার আগের চেয়ে কম কার্যকরভাবে কাজ করে।

\