Jak sztuczna inteligencja zmienia odkrywanie produktów

Przeczytaj transkrypcję:

Testujemy transkrypcję naszych podcastów za pomocą programu komputerowego. Wybaczcie wszelkie literówki, ponieważ bot nie zawsze jest w 100% poprawny.

Hannah Clark: Wiem, że mówię rzeczy oczywiste, ale i tak to powiem. Produkty przede wszystkim muszą być użyteczne. Mimo to wciąż nie brakuje produktów zbudowanych na podstawie stosu założeń dotyczących tego, czego użytkownicy naprawdę chcą. Dlaczego więc tak wiele organizacji zaniedbuje proces odkrywania produktów? Cóż, jestem pewna, że każdy menedżer produktu, który pełnił również funkcję faktycznego lidera badań użytkowników, potrafi powiedzieć dlaczego. To czasochłonne, kosztowne i naprawdę, naprawdę trudne — nie tylko uzyskać odpowiednio dużą próbę danych klientów, lecz także przekształcić te dane w konkretne działania.

Moim dzisiejszym gościem jest Craig Watson, założyciel i dyrektor generalny Arro, narzędzia do badań użytkowników opartego na sztucznej inteligencji. Pasja Craiga do odkrywania produktów, rozwijana przez całą jego karierę, dała mu wiele cennych spostrzeżeń na temat sposobów upraszczania procesu badań użytkowników na potrzeby firm rozwijających się i innych zespołów produktowych. Usłyszycie, jak dzieli się konkretnymi taktykami pozwalającymi skuteczniej prowadzić odkrywanie produktów z wykorzystaniem generatywnej sztucznej inteligencji. Zaczynajmy.

Witamy ponownie w podcaście dla menedżerów produktów. Jestem dziś z Craigiem Watsonem, założycielem i dyrektorem generalnym Arro.

Craig, bardzo dziękuję, że do nas dołączyłeś.

Craig Watson: Wielkie dzięki. Cieszę się, że tu jestem.

Hannah Clark: Craig, czy możesz opowiedzieć nam trochę o swoim doświadczeniu zawodowym i o tym, jak trafiłeś do obecnego miejsca w Arro?

Craig Watson: Jasne. Pracuję na stanowiskach związanych z produktem właściwie od 15 lat. Zaczynałem bardziej w środowisku startupowym. Mieliśmy kilka startupów z siedzibą w Irlandii, które budowaliśmy zaraz po studiach, ucząc się w trakcie realizacji tych projektów i próbując naprawdę zrozumieć, jak buduje się produkty dla konsumentów.

Po około czterech latach poszliśmy dalej. W 2012 roku założyliśmy firmę z branży technologii muzycznych o nazwie Soundwave. Był to klasyczny startup wspierany przez kapitał podwyższonego ryzyka. Ponownie przeżyliśmy wiele wzlotów i upadków, bardzo szybko uczyliśmy się w praktyce i prawdopodobnie właśnie wtedy nauczyłem się najwięcej o odkrywaniu produktów, do czego wrócimy w tej rozmowie.

To, co naprawdę podobało mi się w tym doświadczeniu, polegało na tym, że byliśmy na bardzo wczesnym etapie kariery i musieliśmy pełnić wiele różnych ról jako menedżerowie produktu. Zdajesz sobie sprawę, że musisz wykonywać wiele różnych rodzajów działań — od badań użytkowników, przez dostarczanie produktu, po zarządzanie produktem w różnych momentach.

W 2016 roku zostaliśmy przejęci przez Spotify i tam przeszliśmy, co było bardzo dobrym doświadczeniem. Nie planowałem zostać tak długo, ale ostatecznie spędziłem tam pięć lat. To było świetne doświadczenie, ponieważ Spotify bardzo szybko się wtedy rozwijało. Kiedy dołączałem, w dziale badań i rozwoju pracowało prawdopodobnie mniej niż tysiąc osób, a gdy odchodziłem, było ich blisko 3000 lub więcej — to był ogromny wzrost.

Przez kilka lat pracowałem w biurze w Sztokholmie w zespole odpowiedzialnym za wzrost. Potem przeniosłem się do Londynu, gdy otwierano tam biuro, żeby pomóc uruchomić niektóre inicjatywy produktowe dotyczące TEO, aplikacji dla dzieci Select oraz Spotify Duo, a także kilku innych elementów. To było oczywiście zupełnie inne środowisko niż świat startupów i zupełnie inne warunki pracy menedżera produktu, ale bardzo mi się podobało.

Niedawno przez około półtora roku zajmowałem się doradztwem, pracując konkretnie nad odkrywaniem produktów i pomagając innym firmom ulepszać praktyki badawcze, uczyć się, jak docierać do klientów, podejmować decyzje oparte na dowodach i zasadniczo budować lepsze produkty.

Żeby przejść do sedna: około półtora roku temu zdaliśmy sobie sprawę, że wraz z rozwojem technologii i modeli językowych nowej generacji pojawiła się okazja do zbudowania interesującego rozwiązania. Razem ze współzałożycielem, Johannesem, zaczęliśmy nad tym pracować. Z czasem mogę opowiedzieć o tym więcej.

Hannah Clark: Oczywiście. Zanim przejdziemy dalej, czy możesz trochę opowiedzieć o odkrywaniu produktów ogólnie i o tym, dlaczego stało się ono twoją pasją?

Craig Watson: Myślę, że zawsze przyciągało mnie w odkrywaniu produktów połączenie nauki i sztuki. Interesujące jest zastanawianie się, jak naprawdę zrozumieć, czego chcą klienci, jakie mają wymagania i potrzeby. Jednocześnie jest to nadal pewna forma sztuki: trzeba rozumieć, jakie pytania zadawać i wiedzieć, które z nich mogą być naprowadzające lub obciążone stronniczością.

Zawsze podobała mi się część związana z dostarczaniem produktu jako rzemiosłem zarządzania produktem, ale to wcześniejszy etap lejka, na którym próbujesz zrozumieć, jaki produkt należy zbudować, jest często pomijany, choć zazwyczaj ma ogromny wpływ. Z jakiegoś powodu, prawdopodobnie ze względu na moją osobowość, właśnie do niego mnie ciągnęło, bo uważam go za fascynujący.

Hannah Clark: Oczywiście, trudno o coś ciekawszego niż zrozumienie, czego ludzie naprawdę chcą. Kiedy myślisz o swojej wcześniejszej pracy związanej z odkrywaniem produktów, zanim sztuczna inteligencja stała się narzędziem, którym jest dziś, jak wyglądał twój proces głębszego rozumienia problemów użytkowników i decydowania, co zbudować?

Craig Watson: Warto też wspomnieć, że popełniliśmy wiele klasycznych błędów, które popełnia się na początku badań użytkowników. Nauczyliśmy się na własnych błędach, ponieważ czasami od razu przechodziliśmy do trybu rozwiązania, wykonywaliśmy klasyczne ćwiczenie walidacyjne i próbowaliśmy udowodnić, że coś jest właściwe.

Myślę, że to prawdopodobnie najczęstsza pułapka, jaką obserwuję u menedżerów produktu. Obalenie hipotezy wymaga zupełnie innego sposobu myślenia i jest dość trudne, bo masz pomysł, ekscytujesz się nim, musisz przekonać do niego innych i zainteresować interesariuszy. Tymczasem dobrzy badacze, podobnie jak proces naukowy, opierają się na falsyfikacji.

Chodzi o to, by wyjść w świat i sprawdzić, co nie działa. Potrzebowaliśmy trochę czasu, żeby naprawdę przystosować się do takiego sposobu myślenia. Częścią tego jest także metodologia zadawania pytań: upewnienie się, że nie sugerujesz odpowiedzi, zachowanie obiektywizmu i tak dalej. Mogę opowiedzieć krótką historię.

Pierwszy raz zetknęliśmy się z tym, gdy byliśmy po dwudziestce. Soundwave zaczynał się rozwijać, mieliśmy ponad milion instalacji aplikacji i próbowaliśmy zbudować nową funkcję. Prowadziliśmy indywidualne rozmowy z ludźmi, początkowo osobiście, zanim zdalne rozmowy stały się bardziej powszechne.

Szybko dowiadywaliśmy się, czego ludzie chcą. Ekscytowało nas to, co budowaliśmy, ale pod pewnymi względami było to dość autoreferencyjne, ponieważ analizowaliśmy niewielki zestaw funkcji. Nie docieraliśmy tak naprawdę do problemów. Badanie nie miało charakteru generatywnego, lecz raczej ewaluacyjny.

Mówiliśmy: „Oto kilka rzeczy, które rozważamy”. Próbowaliśmy lepiej poznać zainteresowania ludzi, szczególnie związane z muzyką. Sprowadziliśmy też zewnętrznego konsultanta, który pomagał nam prowadzić wywiady. Powiedział: „To, co robicie, jest w porządku, ale musicie uważać, bo możecie trafić na lokalne maksima”.

Optymalizujecie produkt, ale na tym etapie waszego startupu naprawdę powinniście pomyśleć o bardziej generatywnych i fundamentalnych badaniach. Musicie zrozumieć zadania, które ludzie chcą wykonać, poznać kontekst i ustalić, do jakich rezultatów dążą.

Dopiero potem należy budować wokół tego rozwiązanie. To była kolejna ważna lekcja. Kiedy myślisz przede wszystkim o rozwiązaniu i chcesz przedstawić światu świetne pomysły, trudno jest odłożyć ego na bok, słuchać ludzi, zrozumieć, gdzie są luki i które etapy ich pracy można ulepszyć, a następnie zbudować wokół tego produkt.

Nie twierdzę, że mam to już perfekcyjnie opanowane i zdecydowanie nadal potrzebuję pomocy. Przez lata współpracowałem z niesamowitymi badaczami i analitykami danych. Myślę jednak, że przynajmniej lepiej rozumiem modele mentalne i ramy postępowania.

Hannah Clark: To wspaniałe. Wygląda na to, że przyjąłeś ramy „zadań do wykonania” jako kluczową część tego procesu.

Czy możesz trochę opowiedzieć, jak wyglądał ten proces odkrywania i jak zastosowałeś te techniki przy zakładaniu Arro?

Craig Watson: Obecnie mamy proces, w którym zaczynamy od przyjrzenia się zadaniom. Kiedy mówię o zadaniach, mam na myśli badanie — w zależności od poziomu szczegółowości, jaki chcesz osiągnąć — ale zasadniczo próbujesz dowiedzieć się czegoś od swoich klientów.

Chcesz zrozumieć, czego potrzebują, jakie problemy mają w życiu i tak dalej. Zaczynamy więc od pytania: co to oznacza w praktyce? Co trzeba zrobić, gdy chce się opracować badanie? Najpierw trzeba zdecydować, czego chce się dowiedzieć.

Następnie trzeba znaleźć i zrekrutować uczestników oraz zastanowić się, jakiej metodologii użyć, aby zaangażować klientów. Potem należy pomyśleć o syntezie informacji, o tym, jak wyciągnąć wnioski, jak przekazać je wewnątrz organizacji, udostępnić zespołowi lub interesariuszom, a następnie jak na ich podstawie działać.

To dość abstrakcyjne i przedstawione z dużej perspektywy, ale każde z tych zadań obejmuje całą serię rezultatów. Weźmy choćby rekrutację do badania. Czy trzeba pobrać listę osób z bazy danych i zrozumieć segment klientów?

Czy chcesz rekrutować z zewnętrznego panelu, żeby przyspieszyć proces, nawet jeśli nie będą to twoi obecni klienci? Jakie kwestie związane z ochroną danych należy uwzględnić podczas kontaktu z klientami? To długa lista rezultatów znajdujących się pod każdym zadaniem. Brzmi to trochę sucho, niemal jak malowanie według numerów, ale kiedy rozpiszesz wszystkie kroki i różne rezultaty, zyskujesz ramy pozwalające zrozumieć, które obszary są niedostatecznie obsługiwane, a które nadmiernie.

Czerpałem wiele inspiracji od innych autorów i ekspertów, takich jak Anthony Ulwick, który pisał o innowacji opartej na rezultatach, oraz od wielu osób, które później rozwijały te idee. W oprogramowaniu łatwo jednak czasem zagubić się w personach, etykietach i kategoriach, które nie są tak istotne dla tego, czego próbujesz się dowiedzieć. W środowisku B2B, w którym działamy, wszystko opiera się na przepływie pracy i zawsze tak będzie. W przypadku badań ludzie mają zadanie do wykonania: chcą coś naprawić. Właśnie tak podeszliśmy do tego w Arro.

Zmapowaliśmy cały obszar, zobaczyliśmy, gdzie występują luki, a rzecz, która powracała w rozmowach, polegała na ogromnej bezwładności związanej z wywiadami z klientami. Bardzo trudno było skłonić ludzi do udziału w rozmowie. Ponownie pojawiała się cała seria kroków. Najpierw trzeba znaleźć ludzi, potem się z nimi skontaktować, ustalić termin, przeprowadzić rozmowę, dokonać jej transkrypcji, następnie zsyntetyzować i skodyfikować wyniki, przeprowadzić analizę tematyczną, wypłacić uczestnikom wynagrodzenie, a potem powtórzyć to dla 50 osób albo dla 5 czy 10.

Na końcu trzeba jeszcze spróbować zrozumieć zagregowany obraz. To nadal najpopularniejszy sposób prowadzenia badań. Jestem wielkim zwolennikiem indywidualnych wywiadów z klientami, ale uświadomiliśmy sobie, że może istnieć tutaj luka. Wraz z rozwojem sztucznej inteligencji nie jest nierealistyczne założenie, że wiele konkretnych podzadań związanych z prowadzeniem moderowanych wywiadów można zastąpić sztuczną inteligencją lub wspomóc nią.

Właśnie w tę lukę chcieliśmy wejść. Na niej oparliśmy naszą strategię produktową.

Hannah Clark: Rozumiem. Rozwijając ten temat, które elementy twoim zdaniem mają największy potencjał do zakłócenia przez duże modele językowe? Czy już obserwujesz takie zmiany?

Craig Watson: Myślę, że najbardziej oczywistymi przypadkami zastosowania, szczególnie w badaniach produktów, było dotychczas przekształcanie danych nieustrukturyzowanych w ustrukturyzowane. Duże modele językowe są w tym świetne, w wielu przypadkach lepsze od ludzi, ponieważ potrafią przyjąć ogromne fragmenty nieustrukturyzowanego tekstu z wielu punktów danych i przekształcić je w coś znaczącego, dokładnego i w większości przypadków poprawnego — choć nie zawsze.

Zespoły coraz lepiej radzą sobie jednak z atrybucją, czyli śledzeniem łańcucha dowodowego między tym, kto co powiedział, a zrozumieniem, jak odnosi się to do konkretnego zespołu. Wiele pierwszych sukcesów w tej dziedzinie dotyczyło syntezy. Myślę, że w przyszłości będzie się to rozwijać, a my właśnie dlatego mocniej skupiliśmy się na stronie generatywnej. Dla kontekstu: Arro umożliwia prowadzenie wywiadów, czyli rozmów z uczestnikami prowadzonych przez sztuczną inteligencję.

Przygotowujesz pytania, sztuczna inteligencja prowadzi rozmowę, a następnie pobiera spostrzeżenia, syntetyzuje je i przygotowuje raport dotyczący tego, czego dowiedzieliśmy się od 50, 100 czy 1000 osób. Jedną z zalet sztucznej inteligencji jest możliwość znacznie łatwiejszego skalowania. Chcieliśmy więc poświęcić więcej uwagi generatywnej sztucznej inteligencji, ponieważ same wywiady mają bardziej generatywny charakter — i uważam to za niezwykle interesujące.

Kolejnym obszarem, o którym zaczynamy myśleć, są interfejsy programistyczne do analizy obrazu, czyli także multimodalność. Możliwość zrozumienia, jak ludzie poruszają się po interfejsie użytkownika i produkcie, stanie się prawdopodobnie znacznie ważniejszą funkcją w ciągu najbliższych 12–18 miesięcy, ponieważ technologia nadrabia zaległości.

Już teraz istnieje wiele narzędzi, które — jeśli ponownie spojrzymy na ramy zadań — wykorzystują na przykład elementy iframe do analizowania sposobu poruszania się ludzi po prototypie w Figmie. Za kilka lat takie podejście prawdopodobnie nie będzie jednak miało sensu. Znacznie łatwiej, taniej i dokładniej będzie pozwolić sztucznej inteligencji obserwować działania użytkownika za pomocą interfejsu analizy obrazu, a nawet moderować testy użyteczności, po czym przedstawiać wynikające z nich spostrzeżenia. To dwa obszary, którym się przyglądamy.

Hannah Clark: To fascynujące — jeszcze kilka lat temu nie sądzilibyśmy, że wiele z tych rzeczy jest możliwych. Ciekawie obserwować, jak szybko zmierzają w tym kierunku.

Jakie inne sposoby wykorzystywania sztucznej inteligencji przez zespoły produktowe widzisz w 2024 roku, aby zwiększać skuteczność podczas etapu odkrywania produktu?

Craig Watson: Jest ich całkiem sporo. Przeprowadziliśmy prawdopodobnie około 150–200 własnych wywiadów z klientami. Rozmawialiśmy z wieloma osobami zajmującymi się produktem, badaczami użytkowników, projektantami produktów i menedżerami produktu. Czasami jestem zaskoczony, jak rzadko wykorzystywana jest sztuczna inteligencja.

Wiem, że brzmi to trochę dziwnie, ponieważ w świecie technologii większość ludzi szybko przyjmuje najnowsze innowacje, ale w miejscu pracy nadal istnieją pewne opory. Powodów może być wiele.

Czasami są to wewnętrzne wytyczne, obawy dotyczące bezpieczeństwa albo po prostu brak pewności co do zastosowania. Mimo że żyjemy w bańce technologicznej, niedawno przeprowadziliśmy badanie na stosunkowo małej próbie około stu osób. Nie było ono reprezentatywne, ale pozwoliło uzyskać interesujące, kierunkowe wnioski.

Wiele osób nadal nie wie, jak najlepiej wykorzystywać sztuczną inteligencję w pracy. W życiu prywatnym mogą korzystać z ChatGPT, eksperymentować z Perplexity albo Midjourney, ale to wciąż bardzo wczesny etap.

I właśnie to najbardziej mnie ekscytuje. Czasami można odnieść wrażenie, że sztuczna inteligencja jest wszędzie. Wystarczy wejść na Twittera — wszystko dotyczy AI, wygląda to tak, jakby przejęła świat, a sztuczna inteligencja ogólna miała pojawić się tuż za rogiem. Tymczasem jesteśmy dopiero na początku. W kontekście B2B jesteśmy jeszcze wcześniej.

Jeśli chodzi o sposoby, w jakie widzieliśmy jej zastosowanie, najczęstszym przypadkiem jest prawdopodobnie generowanie treści. Może chodzić o pomoc w pisaniu historyjek użytkownika, jeśli jesteś menedżerem produktu.

Może to być pomoc w opracowaniu badania lub propozycji badawczej, jeśli jesteś badaczem, albo tworzenie scenariusza dyskusji. Po stronie syntezy ludzie również zaczęli z niej korzystać — niekoniecznie za pośrednictwem dedykowanych narzędzi, lecz choćby wklejając transkrypcję lub wykorzystując transkrypcję rozmowy z Zooma albo innego systemu automatycznej transkrypcji.

Korzystamy z narzędzia Grain do nagrywania wszystkich naszych filmów i jest ono doskonałe. Transkrybuje całą rozmowę, a następnie pozwala nałożyć własny model danych i zadawać pytania dotyczące transkrypcji. To fascynujące. Możesz zapytać, jakie zadania do wykonania zidentyfikowano w rozmowie, albo jakie persony wynikają z tej rozmowy.

Zaczynamy więc obserwować oba końce tego procesu: tworzenie treści oraz zmniejszanie wysiłku potrzebnego do ich zrozumienia. To prawdopodobnie najczęstsze zastosowania. Ponownie jednak jesteśmy dopiero na początku, co jest ekscytujące.

Hannah Clark: To bardzo ekscytujące. Skłania do myślenia o tym, ile pracy badacze musieli wcześniej wkładać w syntezę dużych ilości często bardzo nieuporządkowanych informacji.

Mamy do czynienia z ludzkimi reakcjami, dlatego wydobycie bardziej subtelnych spostrzeżeń może być naprawdę trudne, szczególnie gdy przeprowadziło się wiele badań dotyczących różnych produktów. Ciekawie będzie obserwować rozwój tej dziedziny. Kiedy mówimy o tych samych narzędziach, myślę, że wiele z nich ma zastosowanie również w znajdowaniu dopasowania produktu do rynku.

Zastanawiam się, czy widzisz na horyzoncie coś, co mogłoby pomóc zespołom produktowym znaleźć takie dopasowanie.

Craig Watson: To dobre pytanie. Dopasowanie produktu do rynku jest kontrowersyjne, szczególnie gdy przez długi czas prowadziło się startupy. To święty Graal, do którego wszyscy dążą, ale droga nigdy się nie kończy. Rynek albo produkt się zmieniają i nigdy nie docierasz do ostatecznego celu.

Trudno powiedzieć, że istnieje jedno czy dwa konkretne podejścia, które doprowadzą cię do celu. To raczej gra polegająca na łączeniu wielu działań i różnych sposobów stopniowego zbliżania się do dopasowania.

Przykładem są słynne ankiety sprzed kilku lat. Rahul Vohra z Superhuman opracował kwestionariusz dopasowania produktu do rynku oparty na segmentacji. Był to wówczas modny sposób szybkiego sprawdzenia, czy produkt osiągnął dopasowanie do rynku i rzeczywiście miał pewną wartość. Można było zrozumieć, jak bardzo ludzie byliby rozczarowani, gdyby odebrano im produkt. Było to jednak tylko sprawdzenie nastroju, które niekoniecznie pomagało osiągnąć dopasowanie.

Jedną z najważniejszych lekcji ze Spotify było dla mnie to, jak długo może trwać zmiana nachylenia krzywej wzrostu. Istniał tam wewnętrzny podcast o nazwie The Curve, właśnie z tego powodu. Gustav Söderström, dyrektor ds. produktu, przeprowadzał wywiady z różnymi osobami w firmie.

Pracowałem tam pięć lat, a Gustav — chyba około dwunastu. Stał się jednym z najbardziej wpływowych menedżerów w firmie. Powiedziałbym, że jego wniosek z tych dwunastu lat jest taki: aby osiągnąć dopasowanie produktu do rynku, trzeba przez dwanaście lat podejmować zakłady, przeprowadzać eksperymenty i podejmować właściwe decyzje.

To nie wydarzy się szybko. Żadne narzędzie nie doprowadzi cię do tego celu. Chodzi o wzajemne oddziaływanie wszystkich tych elementów. Sztuczna inteligencja może jednak bardzo dobrze skrócić czas potrzebny na wykonanie poszczególnych zadań. Nie da ci idealnego rozwiązania, które pojawi się natychmiast, ale przyspieszy dochodzenie do niektórych wniosków.

Hannah Clark: To ma sens. Wracając do idei falsyfikacji, zgadzam się, że wiele osób ma trudności z odłożeniem ego na bok. Chcę jednak porozmawiać o dopasowaniu funkcji sztucznej inteligencji do niektórych produktów.

Obecnie obserwujemy pewien syndrom błyszczącego obiektu u wielu firm — zarówno dojrzałych, jak i startupów. Istnieje presja, by integrować funkcje AI z produktami, ponieważ wydaje się, że stało się to podstawowym wymogiem. Widziałam jednak wdrożenia integracji AI, które moim zdaniem nie dodały zbyt wiele wartości.

Jak można zrozumieć, czy wykorzystanie sztucznej inteligencji jest w ogóle konieczne albo czy warto inwestować w dodanie funkcji AI do istniejącego produktu? Jak ocenić wartość takiej inwestycji?

Craig Watson: Wszyscy widzieliśmy kilka dość przerażających przypadków zastosowania, w których chatbot próbował sprzedać samochód albo całkowicie zbaczał z toru. Kiedy coś takiego się wydarzy i szybko stanie się publiczne, wpływ na markę firmy może być ogromny. Ludzie słusznie kwestionują więc przypadki zastosowania i chcą mieć pewność, że wszystko odbywa się zgodnie z przepisami oraz zasadami etycznymi.

Najczęściej obserwuję wymuszanie zastosowania AI wtedy, gdy firma działa w trybie rozwiązania i nie rozumie dokładnie, co klient próbuje osiągnąć w ramach konkretnego zadania w oprogramowaniu. Weźmy jako przykład Notion. Używamy Notion jako bazy wiedzy w naszej zdalnej firmie i polegamy na nim w dużym stopniu, udostępniając wiele pisemnych dokumentów.

To oczywiście świetne miejsce dla AI, ponieważ czasami chcę tylko napisać zarys i poprosić ją o kontynuowanie tekstu albo poprawienie mojego stylu. Funkcja jest dobrze wpasowana w mój przepływ pracy. Istnieje szybka pętla informacji zwrotnej: mogę poprawić wynik i przejść dalej.

Syndrom błyszczącego obiektu pojawia się wtedy, gdy ludzie nie rozumieją, co użytkownik końcowy próbuje osiągnąć. Jeśli optymalizujesz coś, co i tak nie pomaga mu w pracy, a jedynie wygląda ciekawie, nigdy naprawdę niczego nie poprawisz.

Z tego, czego się nauczyliśmy, wynika więc konieczność powrotu do podstaw: zrozumienia, co ktoś próbuje osiągnąć i czy sztuczna inteligencja może przyspieszyć przepływ pracy, obniżyć koszty albo zapewnić inną efektywność uzasadniającą inwestycję od strony rozwoju produktu.

Nie ma gwarancji — trzeba naprawdę sprawdzić, czy warto w to inwestować. Czasami warto inwestować w małe, dające satysfakcję elementy. Osobiście spędziliśmy miesiące, dopracowując interfejs konwersacyjny Arro, ponieważ jest on podstawowym silnikiem naszego produktu. Chodzi przecież o wychodzenie do ludzi i rozmawianie z nimi.

Słusznie poświęciliśmy na to 80–90% czasu. Nie spędziliśmy reszty czasu na dodawaniu przypadkowych, małych funkcji AI w całym produkcie tylko po to, żeby wyglądał ciekawie i pozwalał nacisnąć magiczny przycisk. Wszystko sprowadza się do pytania: co ludzie próbują osiągnąć? Jak można to przyspieszyć lub ulepszyć? Jeśli AI dobrze pasuje do tego celu, inwestycja zdecydowanie ma sens.

Hannah Clark: Całkowicie się z tym zgadzam. Skoro mówimy o podejmowaniu nieco ryzykownych decyzji dotyczących inwestowania czasu lub pieniędzy, przed jakimi innymi pułapkami ostrzegłbyś jako założyciel innych założycieli i menedżerów produktu podczas etapu odkrywania, szczególnie w dzisiejszych warunkach?

Craig Watson: To zależy od sytuacji i kontekstu, w którym znajduje się firma. Jeśli jesteś na bardzo wczesnym etapie, niemal przede wszystkim próbujesz znaleźć odpowiedni rynek, w który możesz wprowadzić swój produkt, i bardzo dobrze go zrozumieć. Czasami ludzie budują startup wokół problemu, którego sami doświadczają.

Znają więc problem, ale innym razem podoba im się konkretny rynek i chcą go zaatakować, szukając interesujących sposobów działania. Najgorszym podejściem jest zbudowanie rozwiązania, a następnie próba znalezienia problemu, do którego można je dopasować. To jednak również się zdarza.

W zależności od etapu sytuacja wygląda inaczej. Jeśli jesteś firmą rozwijającą się, wielu klientów Arro znajduje się właśnie na tym etapie. Mają dojrzały produkt, ale niekoniecznie dysponują odpowiednimi zasobami badawczymi, aby zrozumieć, jak zbudować nową funkcję.

Wykorzystanie czegoś takiego jak Arro pomaga im zwiększyć skalę działań badawczych i dotrzeć do większej liczby klientów, dzięki czemu mogą zdobywać więcej spostrzeżeń. Powiedziałbym jednak, że Arro nie jest najlepszym rozwiązaniem dla bardzo wczesnego startupu, ponieważ budowanie relacji ma wtedy ogromne znaczenie. Trzeba spotykać się z potencjalnymi klientami, poznawać ich problemy i prowadzić generatywne badania dotyczące własnej propozycji wartości.

Moja rada zależy więc od konkretnego przypadku: nie ma rozwiązania uniwersalnego. Istnieje wiele świetnych książek. Teresa Torres pisała o ciągłym odkrywaniu produktu. Michele Hansen napisała książkę o rozmowach z klientami. Wiele materiałów dotyczących zadań do wykonania również jest bardzo wartościowych.

Wszystko zależy od etapu rozwoju, ale istnieje mnóstwo świetnych źródeł, znacznie więcej niż jeszcze pięć lat temu. Odkrywanie produktów bardzo się rozwinęło pod względem wiedzy i metod. Każdy może znaleźć coś dla siebie.

Hannah Clark: Zgadzam się. Niedawno mieliśmy świetny odcinek ze Steve’em Portigallem, autorem książki o przeprowadzaniu wywiadów z użytkownikami. Podzielił się bardzo interesującymi spostrzeżeniami dotyczącymi psychologii rozmowy z ludźmi i zdobywania najlepszych informacji bez narzucania własnej perspektywy ani wpływania na wynik.

To była świetna rozmowa, Craig. Bardzo doceniam, że do nas dołączyłeś. Gdzie słuchacze mogą śledzić twoją pracę w internecie?

Craig Watson: Zapraszam do odwiedzenia Arro pod adresem www.arro.co. Można też skontaktować się ze mną na LinkedIn — nazywam się Craig Watson. Jestem jednym ze współzałożycieli Arro. Na Twitterze można znaleźć mnie pod nazwą cdcwatson.

Chętnie porozmawiam z każdym. Jeśli macie pytania, z przyjemnością się skontaktuję.

Hannah Clark: Bardzo dziękujemy za udział. Doceniamy to i dziękujemy za podzielenie się wszystkimi spostrzeżeniami.

Craig Watson: To była przyjemność. Dzięki za zaproszenie, Hannah. Świetnie się z tobą rozmawiało.

Hannah Clark: Dziękuję za wysłuchanie. Więcej wartościowych spostrzeżeń, poradników i recenzji narzędzi znajdziesz, zapisując się do naszego newslettera pod adresem theproductmanager.com/subscribe. Więcej takich rozmów usłyszysz, subskrybując podcast dla menedżerów produktów na swojej ulubionej platformie.