AI UX Pattern là gì?
Trước tiên – UX Pattern là gì?
UX Pattern (hay Design Pattern) là các giải pháp thiết kế đã được kiểm chứng qua thực tế, dùng để giải quyết các vấn đề lặp đi lặp lại trong thiết kế giao diện. Không phải quy tắc cứng nhắc, mà là những hình mẫu có thể tái sử dụng khi gặp đúng tình huống.
Đã có một bài viết khác của TELOS khá kỹ về yếu tố này, bạn có thể tìm hiểu tại đây
Một số ví dụ đơn giản nhất của UX Pattern mà ai cũng đã từng gặp:
- Header navigation luôn nằm ở trên cùng của trang web – dù là trang tin tức, e-commerce hay SaaS, người dùng đều biết kéo mắt lên đầu trang khi cần tìm menu. Không ai cần hướng dẫn điều này.
- Ctrl+C để copy, Ctrl+V để paste – hoạt động nhất quán trên Word, Google Docs, Figma, Photoshop, Notion, và hầu hết mọi phần mềm trên Windows. Người dùng học một lần, dùng được mọi nơi.
- Logo ở góc trên bên trái dẫn về trang chủ khi được click – một quy ước web đến mức nếu một site không làm vậy, người dùng sẽ cảm thấy “có gì đó lạ”.
- Icon bánh hamburger (☰) mở menu trên mobile – pattern này phổ biến đến mức icon ba gạch ngang đã trở thành ký hiệu toàn cầu cho “menu ẩn”.
Ở mức phức tạp hơn: khi người dùng cần điền form dài, pattern phổ biến là chia thành nhiều bước (multi-step form) thay vì hiển thị tất cả cùng lúc. Khi cần thông báo lỗi, pattern chuẩn là hiển thị thông báo gần với field bị lỗi, không phải ở đầu trang. Khi cần navigation cho mobile, pattern quen thuộc là bottom tab bar. Tất cả những thứ này đã được nhiều sản phẩm dùng, người dùng đã quen, và vì thế chúng hoạt động tốt.
Các tổ chức như Nielsen Norman Group, Google Material Design, hay Apple Human Interface Guidelines đã tổng hợp và chuẩn hóa nhiều UX Pattern. Đây là nền tảng kiến thức mà designer cần nắm vững – không phải để copy máy móc, mà để hiểu tại sao người ta làm thế và khi nào thì nên dùng.
Ý nghĩa cốt lõi của UX Pattern: người dùng không cần học lại cách dùng mỗi sản phẩm mới nếu nó tuân theo các pattern quen thuộc. Đây là nguyên lý “familiarity reduces cognitive load” – sự quen thuộc giảm tải nhận thức. Người dùng tập trung vào mục tiêu của họ, không phải vào việc tìm hiểu giao diện.
Vì sao AI Product lại cần pattern riêng?
AI Product đặt ra một loại vấn đề thiết kế khác với phần mềm truyền thống. Trong phần mềm thông thường, người dùng tương tác với các function cố định: bấm nút này thì xảy ra điều A, nhập form này thì nhận kết quả B. Output có thể dự đoán được. Giao diện chỉ cần hướng dẫn người dùng đến đúng chỗ.
AI Product thì khác. Output thay đổi theo từng lần tương tác. Người dùng không biết mình nên “nói gì” với AI, không biết AI đang “nghĩ gì”, không biết kết quả nhận được có đáng tin không, và không biết làm gì để kết quả tốt hơn. Đây là những vấn đề thiết kế mà các pattern cũ chưa từng phải giải quyết.
AI UX Pattern là tập hợp các hình mẫu giao diện xuất hiện để giải quyết chính xác những vấn đề này.
Ý nghĩa của việc nhận ra các AI UX Pattern
Có ba lý do thực tế để người học UI/UX quan tâm đến chủ đề này.
Thứ nhất, ngành thiết kế đang nói nhiều về việc dùng AI trong công việc – dùng AI để generate màu, viết copy, tạo component – nhưng ít ai chú ý đến việc thiết kế cho AI Product là một nhu cầu thực tế đang tăng nhanh. Mỗi công ty đang phát triển sản phẩm AI đều cần designer. Đây là thị trường mà kiến thức về AI UX Pattern là lợi thế cạnh tranh trực tiếp.
Thứ hai, người dùng toàn cầu đang dần quen với một số cách tương tác với AI – chat interface, streaming response, suggested prompts, source citation. Những thứ này ban đầu là lựa chọn thiết kế của từng sản phẩm, nhưng dần dần trở thành kỳ vọng của người dùng. Hiểu pattern là hiểu kỳ vọng đó.
Thứ ba, các AI UX Pattern vẫn đang hình thành. Không như UX Pattern truyền thống đã được chuẩn hóa qua nhiều thập kỷ, AI UX Pattern còn đang được thử nghiệm, đặt tên, và tranh luận. Người nắm bắt sớm có lợi thế trong việc áp dụng và đóng góp vào sự phát triển của lĩnh vực.
Phân loại các AI UX Pattern
Một trong những nguồn tham khảo có hệ thống nhất hiện nay là Shape of AI (shapeof.ai) – một dự án tổng hợp và phân loại các UX Pattern đặc trưng của AI Product. Phân loại dưới đây dựa trên framework của Shape of AI, kèm ví dụ thực tế từ các sản phẩm phổ biến. Hãy ghé thăm trang web của họ để có một thư viên trực quan, mô tả từng pattern một và các ví dụ.
Nhóm 1 – Wayfinders: Dẫn đường cho người dùng mới bắt đầu
Wayfinders là nhóm pattern giải quyết một vấn đề cụ thể: người dùng lần đầu mở AI Product không biết phải làm gì.
Khác với app thông thường có flow rõ ràng (đăng ký → chọn plan → vào dashboard), AI Product thường đặt người dùng trước một ô nhập liệu trống và kỳ vọng họ tự biết cần hỏi gì. Đây là “blank canvas problem” – vấn đề trang trắng.
Một vài pattern trong nhóm Wayfinders:
- Suggested Prompts (Gợi ý câu hỏi): Hiển thị sẵn một vài ví dụ prompt ngay trên màn hình trống để người dùng có điểm khởi đầu. ChatGPT và Claude đều dùng pattern này trên màn hình empty state. Thay vì để người dùng tự đặt câu hỏi từ đầu, sản phẩm gợi ý: “Giải thích khái niệm X”, “Viết email theo template Y”, “Tóm tắt tài liệu Z”.
- Initial CTA (Lời mời nhập liệu đầu tiên): Một ô nhập liệu lớn, nổi bật, mang thông điệp mở – “Hỏi bất cứ điều gì”, “Bắt đầu bằng một câu hỏi”. Pattern này đặt trọng tâm vào hành động đầu tiên của người dùng, loại bỏ mọi thứ xung quanh gây phân tâm.
- Example Gallery (Thư viện ví dụ): Hiển thị các kết quả mẫu mà sản phẩm có thể tạo ra – ảnh, văn bản, code, thiết kế – để người dùng hiểu khả năng của AI trước khi tự thử. Midjourney và các AI image generator thường dùng pattern này để vừa truyền cảm hứng vừa giáo dục người dùng mới.
- Templates (Mẫu có sẵn): Cung cấp các template với cấu trúc định sẵn mà người dùng chỉ cần điền vào. Thay vì viết prompt từ đầu, người dùng chọn template “Viết job description” và điền tên vai trò, yêu cầu, công ty. Notion AI và Jasper dùng pattern này nhiều.
- Follow-up Questions (Câu hỏi làm rõ): Khi prompt của người dùng không đủ rõ ràng, AI không tự đoán mà hỏi thêm thông tin. Pattern này giúp output cuối chính xác hơn và đồng thời dạy người dùng cách cung cấp context tốt hơn trong các lần tiếp theo.
Ví dụ về Follow Up (các câu hỏi làm rõ thêm prompt của người dùng)
Nhóm 2 – Input Patterns: Hỗ trợ và cải thiện việc nhập liệu
Nhóm này giải quyết câu hỏi: người dùng truyền thông tin cho AI như thế nào, và làm sao để việc đó dễ và hiệu quả hơn?
AI Product hiện đại không chỉ nhận text. Các Input Pattern phổ biến:
Multi-modal Input (Nhập liệu đa phương thức): Nhận văn bản, hình ảnh, file, audio, hoặc video trong cùng một giao diện. ChatGPT-4o, Claude, và Gemini đều hỗ trợ người dùng attach ảnh hoặc document kèm theo câu hỏi. UI cần thiết kế rõ ràng về loại file nào được chấp nhận, giới hạn dung lượng, và phản hồi khi upload.
Voice Input (Nhập liệu bằng giọng nói): Cho phép người dùng nói thay vì gõ. Pattern này thay đổi cả cách người dùng tương tác và kỳ vọng về tốc độ phản hồi. Thiết kế cần xử lý trạng thái “đang nghe”, “đang xử lý”, và lỗi nhận dạng.
Inline Editing (Chỉnh sửa trong luồng): Thay vì gửi prompt mới, người dùng có thể chọn một đoạn trong response và yêu cầu chỉnh sửa trực tiếp. Pattern này xuất hiện trong các AI writing tool như Notion AI, Grammarly, hay Google Docs với tính năng “Help me refine”.
Prompt Builder (Trình tạo prompt): Thay vì nhập prompt tự do, người dùng chọn từ các option có sẵn để xây dựng prompt theo cấu trúc. Ví dụ: chọn “Tone: Professional”, “Length: Short”, “Format: Bullet points”. Pattern này giảm threshold cho người dùng mới và đảm bảo output nhất quán hơn.
Inline editing – AI có thể làm rõ thêm các nội dung cụ thể trong nội dung kết quả
Nhóm 3 – Tuners: Hiệu chỉnh để output tốt hơn
Tuners là các pattern giúp người dùng tinh chỉnh output của AI mà không cần viết lại prompt từ đầu.
Filters và Parameters (Bộ lọc và tham số): Thanh filter cho phép người dùng thu hẹp hoặc mở rộng phạm vi output – theo ngôn ngữ, độ dài, phong cách, đối tượng. Perplexity AI cho phép chọn nguồn tìm kiếm (Academic, News, Social). Midjourney có tham số aspect ratio, style strength, seed.
Persona và Mode (Vai trò và chế độ): Chuyển đổi “nhân cách” hoặc chế độ hoạt động của AI. ChatGPT có GPTs với personality khác nhau. Claude có Projects cho phép set context riêng. Một số sản phẩm cho phép người dùng tự định nghĩa persona cho AI phù hợp với usecase cụ thể.
Connectors và Context Attachments (Kết nối nguồn dữ liệu): Cho phép AI truy cập dữ liệu từ bên ngoài – Google Drive, Notion, Slack, database nội bộ – thay vì chỉ làm việc với thông tin trong prompt. Pattern này thay đổi hoàn toàn khả năng của AI với người dùng enterprise. Thiết kế cần truyền đạt rõ AI đang dùng dữ liệu nào, từ đâu.
Regenerate và Variation (Tạo lại và biến thể): Nút “Regenerate” hoặc “Try again” cho phép nhận output khác mà không cần thay đổi prompt. Một số sản phẩm hiển thị nhiều variation song song để người dùng so sánh và chọn. Pattern này thừa nhận rằng AI không phải lúc nào cũng đúng lần đầu.
Parameters – Hiệu chỉnh các tham số cho AI
Nhóm 4 – Human-in-the-Loop / Governors: Quyền kiểm soát của con người
Đây là nhóm pattern quan trọng nhất về mặt tư duy thiết kế – liên quan đến câu hỏi: khi nào thì AI tự quyết định, và khi nào thì cần con người can thiệp?
AI không phải lúc nào cũng đúng. Trong nhiều tình huống – đặc biệt với các tác vụ có hệ quả lớn như gửi email, xóa dữ liệu, thực hiện giao dịch – việc để AI tự động hoàn toàn là rủi ro. Các pattern trong nhóm này giữ con người trong vòng kiểm soát.
Step-by-step Approval (Phê duyệt từng bước): Với các tác vụ nhiều bước (agentic workflow), AI trình bày kế hoạch và xin phép trước khi thực hiện từng bước quan trọng. Người dùng có thể approve, chỉnh sửa, hoặc dừng lại. Pattern này xuất hiện trong các AI agent như Cursor, Devin, và các AI automation tool.
Preview Mode (Xem trước trước khi thực hiện): Tương tự dry-run trong lập trình – AI cho người dùng xem những gì sẽ xảy ra nếu tiếp tục, trước khi thực sự thực hiện. Pattern này đặc biệt quan trọng với các thao tác không thể hoàn tác.
Thinking / Reasoning Visibility (Hiển thị quá trình suy nghĩ): Một số AI Product hiển thị chain-of-thought – quá trình AI “suy nghĩ” trước khi đưa ra câu trả lời. ChatGPT với chế độ o1, Claude với Extended Thinking đều làm điều này. Pattern này không chỉ tăng transparency mà còn giúp người dùng phát hiện sai sót trong logic của AI sớm hơn.
Edit and Override (Chỉnh sửa và ghi đè): Người dùng có thể chỉnh sửa output của AI trực tiếp, và AI không “phản đối” hay reset về phiên bản gốc. Pattern này tôn trọng quyền quyết định cuối cùng của người dùng. Trong AI coding tool như Cursor hay GitHub Copilot, developer có thể accept một phần suggestion và sửa phần còn lại.
Branch – Chia nhánh để người dùng lựa chọn giải pháp & kết quả phù hợp
Nhóm 5 – Trust Builders: Xây dựng niềm tin
AI tạo ra output có thể đúng hoặc sai. Người dùng không có cách nào biết chắc mà không tự kiểm tra. Trust Builder patterns giải quyết vấn đề này bằng cách cung cấp đủ thông tin để người dùng tự đánh giá.
Source Citation (Trích dẫn nguồn): Hiển thị nguồn thông tin AI dùng để tạo ra câu trả lời. Perplexity AI là ví dụ điển hình – mỗi câu trả lời đều kèm footnote dẫn về nguồn gốc. Bing AI và Google AI Overview cũng làm tương tự. Pattern này chuyển trách nhiệm kiểm chứng về phía người dùng, nhưng đồng thời cũng tăng đáng kể độ tin cậy của output.
Confidence Indicator (Chỉ số độ tin cậy): Một số sản phẩm hiển thị mức độ chắc chắn của AI với từng output – thông qua ngôn ngữ (“Mình không chắc chắn hoàn toàn, nhưng…”), badge, hoặc visual cue. Pattern này đặc biệt quan trọng trong các ứng dụng y tế, pháp lý, tài chính nơi sai sót có hệ quả nghiêm trọng.
Disclaimer và Limitation Notice (Thông báo giới hạn): Chủ động thông báo cho người dùng về những gì AI không biết hoặc không nên được tin tưởng hoàn toàn. Claude thường thêm caveat vào các câu trả lời về thông tin nhạy cảm hoặc cần cập nhật. Pattern này đôi khi bị xem là annoying nhưng thực ra bảo vệ cả người dùng lẫn nhà sản xuất.
Opt-out và Anonymity (Từ chối và ẩn danh): Cho người dùng quyền không cho AI dùng dữ liệu của họ để train model, hoặc dùng sản phẩm mà không cần đăng nhập. Pattern này liên quan đến privacy UX – một nhánh ngày càng quan trọng khi người dùng nhận thức hơn về dữ liệu cá nhân.
Consent – Thông báo cho user biết về sự đồng thuận của họ
Nhóm 6 – Identifiers: Dấu ấn thương hiệu trong AI Product
Nhóm pattern cuối cùng – và thú vị nhất từ góc độ design – là các cách thương hiệu thể hiện tính cách của mình thông qua chính giao diện AI, không phải qua logo hay màu sắc thuần túy.
Branded Loading State (Trạng thái tải có dấu ấn): Cách AI “gõ” hoặc hiển thị response đang được generate là một micro-interaction có tính nhận diện cao. ChatGPT có kiểu streaming text theo từng token tạo cảm giác AI đang “suy nghĩ và gõ”. Claude có pattern tương tự nhưng với nhịp điệu khác. Người dùng nhận ra sản phẩm qua chính animation này.
Micro-copy và Tone of Voice (Giọng văn nhỏ): Cách AI viết câu trả lời, cách đặt câu hỏi ngược lại, cách xin lỗi khi sai – tất cả đều là dấu ấn thương hiệu. Claude được biết đến với tone thận trọng và academic. ChatGPT có tone helpful và thực tế. Gemini có xu hướng súc tích hơn. Những khác biệt này không phải ngẫu nhiên – chúng là quyết định thiết kế về brand personality.
Visual Identity trong AI Output: Cách sản phẩm hiển thị code, format text, render markdown, hiển thị ảnh hay chart – đây là những điểm mà visual identity thương hiệu được lồng ghép vào chính nội dung AI tạo ra. Notion AI giữ output consistent với typography của Notion. Canva AI tạo output trực tiếp trong canvas của Canva.
Cục Orb thể hiện AI đang suy nghĩ hoặc lắng nghe – tạo cảm giác nhận diện thương hiệu của product
Kết luận
AI UX Pattern đang ở giai đoạn hình thành – nhiều pattern đã xuất hiện, được đặt tên, và trở thành kỳ vọng của người dùng, nhưng nhiều pattern khác vẫn đang được thử nghiệm. Đây không phải bất lợi – đây là cơ hội cho designer nắm bắt sớm và đóng góp vào cách lĩnh vực phát triển.
Với người học UI/UX, hiểu AI UX Pattern là hiểu được một lớp thiết kế mà phần lớn curriculum truyền thống chưa phủ đến. Không cần là AI engineer để thiết kế cho AI Product – cần là designer hiểu cách người dùng xây dựng niềm tin với hệ thống không thể dự đoán hoàn toàn.
FAQ về vai trò UI/UX Designer cho AI Product
1. Làm UI/UX Design cho AI Product khác gì với là một UI/UX Designer biết dùng AI?
Đây là hai vai trò khác nhau. Dùng AI trong công việc (Midjourney để tạo ảnh, ChatGPT để viết copy, GitHub Copilot để code) là kỹ năng – người dùng là designer, AI là công cụ hỗ trợ. Design cho AI Product là vai trò – designer chịu trách nhiệm về trải nghiệm của người dùng cuối khi họ tương tác với sản phẩm AI. Hai thứ có thể song song, nhưng không phải cùng một thứ.
2. Tôi có cần hiểu kỹ thuật AI thì mới làm designer cho AI Product được không?
Cần hiểu ở mức người dùng thông minh – biết AI hoạt động như thế nào ở mức khái niệm, biết giới hạn của nó, biết tại sao đôi khi nó sai. Không cần biết cách train model hay viết prompt engineering ở mức kỹ thuật. Nguyên lý tương tự áp dụng cho mọi ngành: designer làm FinTech cần hiểu tài chính đủ để thiết kế cho user, không cần là chuyên gia tài chính.
3. Học gì để trở thành designer cho AI Product?
Nền tảng vẫn là UI/UX căn bản – nếu không thiết kế được sản phẩm thông thường tốt thì cũng không thiết kế được AI Product tốt. Trên nền đó, bổ sung kiến thức về AI literacy (hiểu AI là gì, làm được gì, sai ở đâu), nghiên cứu các sản phẩm AI đang có, và thực hành thiết kế có tính đến các pattern đặc trưng của AI – trust, transparency, human-in-the-loop.
Tại TELOS Academy, nền tảng UI/UX và Product được đưa vào các khóa học căn bản. Kiến thức về AI trong thiết kế sản phẩm – cả dùng AI trong công việc lẫn thiết kế cho AI Product – cụ thể nhất là lớp AI for UI/UX Designer.
