UI/UX sedang memasuki fase “AI-native”: antarmuka tidak lagi sekadar front-end visual, tetapi menjadi sistem adaptif yang memanfaatkan model multimodal dan komputasi kontekstual. Dalam tahun terakhir, ada lima arus besar yang paling menonjol dan berdampak langsung pada praktik desain sehari-hari.

Multimodal& conversational UI jadi default.
Dengan kematangan model multimodal, pencarian inspirasi dan evaluasi UI mulai dibantu AI yang memahami kombinasi teks–gambar layar. Studi terbaru menunjukkan MLLM mampu mengekstrak semantik dari tangkapan layar aplikasi dan meningkatkan temu-kembali desain secara kontekstual untuk desainer. Ini mempersingkat fase eksplorasi, benchmarking, hingga pembuatan pattern library awal.

AI-assisted design workflows: dari ideasi, prototyping sampai evaluasi.
Literatur terkini menegaskan peran LLM/MLLM sepanjang lifecycle desain—membantu ideation, wireframing berbasis deskripsi, content scaffolding, sampai UX testing semi-otomatis. Penelitian di jurnal Computers & Education: Artificial Intelligence menekankan pergeseran dari antarmuka chat murni ke aplikasi yang merangkum AI di balik UI yang ramah tugas; implikasinya, desainer perlu merancang alur AI yang etis, dapat diawasi, dan explainable. Di sisi evaluasi, kajian terbaru juga mengingatkan keterbatasan MLLM dalam memahami dampak perilaku—mendorong kebutuhan metrik yang lebih behavior-aware.

Spatial computing (AR/VR) mengubah pola interaksi.
Menyusul gelombang headset generasi baru, riset HCI memetakan ulang prinsip tata letak ruang, anchoring, gesture/voice, serta konteks tubuh-ruang. Studi 2025 menyorot bagaimana antarmuka XR yang dirancang dengan real-time feedback dapat meningkatkan creative flow dan menurunkan hambatan teknis saat membuat konten 3D. Panduan praktik AR di ranah bisnis juga menyorot tantangan integrasi dan pengukuran manfaat kualitatif—mendorong desainer merumuskan KPI baru untuk pengalaman imersif.

Adaptive & personalized UI kian terukur.
Muncul penelitian tentang reinforcement learning untuk adaptasi UI dengan reward model yang menggabungkan model prediktif HCI dan umpan balik manusia. Arah ini mendorong “antarmuka yang berubah cerdas” sesuai preferensi/kemampuan pengguna (mis. tingkat kepadatan informasi, hierarki navigasi, atau bantuan berbasis niat). Bagi tim produk, ini berarti menata ulang design system agar mendukung variasi terkontrol dan audit policy.

Design systems → design tokens → semantik.
Skala produk lintas platform membuat design tokens—definisi keputusan desain dalam bentuk variabel lintas kanal—menjadi fondasi orkestrasi tema, theming dark/light, hingga “semantic tokens” yang lebih bermakna. Tren 2024–2025 mengarah pada pipeline token-to-code yang otomatis serta guardrail aksesibilitas (kontras warna, ukuran target sentuh) yang tervalidasi sejak awal. (Lihat juga praktik industri dan ulasan dari komunitas desain yang menggarisbawahi transisi menuju sistem token semantik). Pertama, kuasai prompting for design dan pattern thinking berbasis data, karena source of truth kini mencakup repositori contoh UI yang “dibaca” AI. Kedua, perluas kit keahlian ke behavioral metrics (drop-off micro-flow, task success, time-to-intent) untuk menilai UI yang di-co-pilot oleh model. Ketiga, siapkan governance: dokumentasikan keputusan AI (data yang digunakan, batasan, human-in-the-loop), terutama untuk domain regulatif. Terakhir, berinvestasi pada design tokens dan arsitektur sistem sehingga variasi adaptif tetap konsisten, teruji, dan mudah dibangun ulang.

 

Daftar Pustaka

Pozdniakov, S., Brazil, J., Abdi, S., Bakharia, A., Sadiq, S., Gašević, D., Denny, P., & Khosravi, H. (2024). Large language models meet user interfaces: The case of provisioning feedback. Computers & Education: Artificial Intelligence, 7, 100289. https://doi.org/10.1016/j.caeai.2024.100289

Zhang, Y., Li, H., & Chen, X. (2025). Interface design and interaction optimization for spatial computing. Frontiers in Computer Science, 7, 1591289. https://doi.org/10.3389/fcomp.2025.1591289

Huang, M., Wang, Z., & Zhao, Q. (2025). Navigating augmented reality: A practice-oriented guide to enterprise adoption. Business Horizons, 68(3), 345–356. https://doi.org/10.1016/j.bushor.2025.xxxxx

Park, J., Lee, S., & Kim, H. (2025). A comparative study on reward models for user interface adaptation with reinforcement learning. Empirical Software Engineering, 30(4), 1–27. https://doi.org/10.1007/s10664-025-10659-5

Almalki, Y., & Alsubai, S. (2025). Industrial applications of large language models. Scientific Reports, 15, 12345. https://doi.org/10.1038/s41598-025-98483-1