Jak używać AI do prowadzenia badań jak badacz

Przeczytaj transkrypcję:

Testujemy transkrybowanie naszych podcastów za pomocą programu komputerowego. Wybaczcie wszelkie literówki, ponieważ bot nie zawsze działa w 100% poprawnie.

Hannah Clark: Od niepamiętnych czasów ludzie prowadzili badania w niewłaściwy sposób. Nie potrzebowaliśmy AI, żeby stosować źle skalkulowane skróty, wyciągać szerokie wnioski na podstawie skąpych danych, tworzyć niezręczne persony oparte na założeniach czy przeprowadzać boleśnie nieprzydatne wywiady z użytkownikami. Nic więc dziwnego, że teraz, gdy AI już istnieje, społeczność badawcza obawia się, że ta technologia może jeszcze bardziej zaszkodzić jakości badań. Jednak w dzisiejszym odcinku przyglądamy się sposobom, w jakie AI może faktycznie pomóc standaryzować i demokratyzować dobre badania na dużą skalę.

Moim dzisiejszym gościem jest Cori Widen, liderka badań użytkowników w Photoroom. Jeśli jeszcze nie znacie Photoroom, ta firma przyciąga wiele uwagi dzięki innowacyjnym sposobom wykorzystywania AI, a Cori opowiedziała mi fascynująco o tym, jak wszystko zaczyna się na poziomie kultury organizacyjnej. Rozmawiamy o tym, jak nastawienie firmy wzbudza entuzjazm wobec odkrywania możliwości, a także o praktycznych sposobach, w jakie zespoły mogą wykorzystywać AI do lepszego rozumienia, prowadzenia i stosowania wartościowych badań. Zaczynajmy.

A tak przy okazji — co tydzień prowadzimy takie rozmowy. Jeśli brzmi to dla was interesująco, może warto zasubskrybować podcast? Dobrze, zaczynajmy.

Witajcie ponownie w podcaście dla menedżerów produktu. Jest dziś ze mną Cori Widen. Jest liderką badań użytkowników w Photoroom.

Cori, bardzo dziękuję, że znalazłaś czas w swoim napiętym grafiku, żeby się ze mną spotkać.

Cori Widen: Bardzo dziękuję. Ogromnie się cieszę, że tu jestem.

Hannah Clark: Ja również. Cori od dawna ze mną współpracuje i to jeden z pierwszych razy, kiedy naprawdę udało nam się porozmawiać, a nie tylko kontaktować się przez e-mail. To bardzo ekscytujące. Czuję się, jakbym rozmawiała ze starą przyjaciółką albo dawną korespondencyjną znajomą.

Cori Widen: Tak. To bardzo ekscytujące. Zgadzam się.

Hannah Clark: Zacznijmy tak jak zawsze. Czy możesz opowiedzieć mi trochę o swoim doświadczeniu i o tym, jak znalazłaś się w obecnym miejscu?

Cori Widen: Jasne. Pracuję w branży technologicznej od około 13 lat.

Przez większość tego czasu zajmowałam się marketingiem produktu, ale ponieważ metody badań są częścią pracy większości osób w marketingu produktu, prowadziłam wywiady z użytkownikami i robiłam podobne rzeczy. W pewnym momencie po prostu stwierdziłam: właściwie najbardziej podoba mi się ta część, czyli badania użytkowników.

Najpierw przeszłam więc na pełnoetatowe stanowisko badaczki w Lightrix, a teraz pracuję w Photoroom. Kieruję tam badaniami użytkowników.

Hannah Clark: Świetnie. Dziś skupimy się na zatwierdzonych przez badaczkę sposobach wykorzystywania AI do celów badawczych, co jest obecnie bardzo gorącym tematem. Zacznijmy więc od kontrowersyjnej kwestii, czyli używania AI do analizy jakościowej.

Jak obecnie łączysz AI z pracą manualną w sposób, z którym czujesz się dobrze i pod którym możesz się podpisać? Jak zmieniało się to z czasem?

Cori Widen: To zdecydowanie kontrowersyjny temat. Zanim opowiem, gdzie jestem teraz, wspomnę, jak ten proces się rozwijał — również podchodziłam do tego z rezerwą.

Myślę, że dotyczyło to całej społeczności badawczej. Po pierwsze, nie ufałam AI, że dobrze wykona swoją pracę, a na początku rzeczywiście tak nie było. To była całkowicie uzasadniona obawa. Druga rzecz, o której ludzie nie mówią wystarczająco często, jest taka, że ja naprawdę lubiłam swoją pracę. Nie czekałam na pojawienie się AI, żeby ktoś powiedział: „Pozwól, że ją ulepszę”.

„Pozwól, że rozwiążę ten problem”. Lubiłam takie rzeczy jak analiza jakościowa i sam proces jej prowadzenia. Na początku nie byłam więc szczególnie podekscytowana, ale stało się jasne, że trzeba nauczyć się, jak to wykorzystywać, albo zostać w tyle. Kiedy zaczęłam używać AI do analizy jakościowej, moim pierwszym krokiem było wykonywanie dokładnie tego samego procesu manualnego, który zawsze stosowałam, równocześnie próbując wykorzystywać AI. Porównywałam oba doświadczenia i sprawdzałam, co AI robi dobrze, czego nie robi dobrze oraz jak osiągnąć ten idealny punkt pod względem wiarygodności.

To był proces pełen prób i błędów. Myślę, że będzie się on stale zmieniał, ponieważ AI również nieustannie się rozwija. Na ten moment mogę jednak opisać, jak wygląda mój proces. Dobrze, myślę, że pomocny będzie konkretny przykład. Załóżmy więc, że analizuję strategiczny projekt badawczy, a większość danych pochodzi z wywiadów z użytkownikami.

Mam wszystkie transkrypcje w ramach jednego projektu. Są przechowywane w Dovetail, a następnie używamy narzędzia o nazwie Dust do zadawania pytań AI na podstawie wszystkich transkrypcji znajdujących się w Dovetail. Zasadniczo używam więc AI do zadawania pytań dotyczących zestawu transkrypcji z danego projektu.

Mam przed sobą pytania badawcze, które opracowałam manualnie. Zaczynam tworzyć prompty dla AI i proszę je o cytaty związane z naszymi pytaniami badawczymi. Załóżmy na przykład, że chcę dowiedzieć się czegoś o problemach w konkretnym przepływie albo o podobnej kwestii. Proszę AI o znalezienie cytatów z transkrypcji rozmów z użytkownikami.

Cytatów odnoszących się do danego pytania badawczego. W ten sposób zastępuję proces ręcznego tagowania wywiadów. Wielu badaczy korzysta z różnych narzędzi do ręcznego oznaczania wywiadów według tematów powiązanych z pytaniami badawczymi. Ja używam do tego AI. Następnie biorę cytaty z każdego tematu, umieszczam je na tablicy w Miro i tworzę diagram podobieństwa — tak jak zawsze analizowałam wywiady.

Nadal robię to manualnie. Na podstawie diagramu podobieństwa formułuję wnioski dotyczące projektu. Wykorzystuję AI także w jeszcze jednym miejscu: przedstawiam jej moje wnioski i proszę ją o zakwestionowanie ich albo wskazanie w transkrypcjach informacji sprzecznych z przedstawionymi przeze mnie wnioskami. Chodzi o sprawdzenie, czy czegoś nie pominęłam, oraz kontrolę uprzedzeń i podobnych kwestii.

To mój „frankensteinowski” proces łączący pracę manualną i AI w analizie.

Hannah Clark: Wspomniałaś, że twoja ogólna opinia na temat AI się zmieniła. Myślę, że wiele osób przeszło podobną drogę — od pewnej obawy do stopniowej zmiany podejścia. Jak wyglądało to u ciebie?

Cori Widen: Na początku czułam, że w firmach istnieje duża presja, żeby nauczyć się wykorzystywać AI.

Była jednak pozbawiona wyraźnego kierunku: „To zwiększy twoją efektywność, pomoże ci lepiej wykonywać pracę” i tak dalej. Nie byłam pewna, jak dokładnie ją zastosować, a większość moich początkowych prób nie była zbyt udana. AI nie radziła sobie szczególnie dobrze z zastąpieniem mnie w żadnej części procesu badawczego.

Ta presja jednak nie zniknęła. Stopniowo, gdy ChatGPT coraz lepiej radził sobie z obsługą większych fragmentów danych, ustąpiłam i zaczęłam tworzyć własne skrypty do bardzo podstawowych zadań, takich jak podsumowywanie wywiadu. To nieco zmieniło moje podejście, ale myślę, że prawdziwym przełomem był stosunkowo niedawny moment, kiedy dołączyłam do Photoroom. Photoroom jest wyjątkowy pod względem podejścia do AI — zarówno AI skierowanej do użytkowników, jak i wykorzystywanej wewnętrznie przez firmę.

Czy istnieje presja, żeby ją wdrażać? Oczywiście. Opisałabym ją jednak jako ekscytującą presję. Wszyscy są bardzo podekscytowani różnymi zastosowaniami, jakie znajdują dla AI w swoich dziedzinach i zawodach.

Panuje więc atmosfera, w której ludzie dzielą się tym, co osiągnęli, i naprawdę interesują się tym, jak inni wykorzystują AI. To środowisko zmieniło moje nastawienie z: „Och nie, jestem badaczką i muszę wymyślić, jak używać AI” na coś, co jest faktycznie ciekawą i przyjemną częścią mojej pracy.

Hannah Clark: Świetnie. Chciałabym jeszcze trochę porozmawiać o kulturze w Photoroom, bo to naprawdę interesujące. Myślę, że jest to ważny czynnik wpływający na wdrażanie AI w firmach, a samo w sobie jest to ogromne zagadnienie.

Porozmawiajmy teraz o asystentach AI, ponieważ wspomniałaś, że sposoby wykorzystywania AI przez ciebie się zmieniły. Możliwość skuteczniejszego używania AI okazała się prawdziwym przełomem. Myślę, że wszyscy wiedzą już, że asystenci AI są coraz popularniejsi, a ty stworzyłaś kilku, którzy okazali się bardzo pomocni w twoim procesie. Jakie dokładnie rodzaje asystentów stworzyłaś i jakie problemy ostatnio pomagają ci rozwiązywać?

Cori Widen: Przychodzą mi na myśl dwa główne. Jeden z nich nazywa się „Wydobywanie informacji z wywiadów z użytkownikami” — nie jest to zbyt kreatywna nazwa, ale dokładnie opisuje jego działanie. Każdy wywiad z użytkownikiem przeprowadzony w Photoroom jest przechowywany w Dovetail, a dzięki API mamy dostęp do transkrypcji i możemy zadawać pytania. Właśnie do tego służy ten asystent.

Rozwiązuje różne problemy moje, Becky — mojej współbadaczki — oraz innych interesariuszy. Dla nas, badaczek, jest ważną częścią procesu analizy. Jak wspomniałam, pomaga znajdować cytaty zamiast ręcznie tagować informacje podczas analizy projektu. Dla interesariuszy jest świetnym sposobem na samodzielne przeszukiwanie wszystkich przeprowadzonych dotychczas wywiadów, bez konieczności kontaktowania się z nami i proszenia o odszukiwanie raportów.

Mogą zapytać właściwie o wszystko dotyczące użytkowników albo użytkowników konkurencyjnych produktów. Na przykład: „Podaj mi listę wszystkich problemów, jakie ludzie mieli z tłami tworzonymi przez AI albo z jakąś funkcją w Photoroom”. Oszczędza nam to czas, a także przybliża interesariuszy do użytkowników, ponieważ mogą samodzielnie wyszukiwać informacje i wchodzić z nimi w interakcję.

To jeden asystent. Drugi jest nowszy i służy do generowania scenariuszy wywiadów. W Photoroom wiele osób prowadzi wywiady z użytkownikami, ale często brakuje czasu na przygotowanie dobrego scenariusza przed rozmową, a także wiedzy o najlepszych praktykach — na przykład o tym, jak zadawać użytkownikom pytania, żeby uzyskać potrzebne wnioski.

Generator scenariuszy wywiadów przyjmuje informacje o tym, czego chcemy się dowiedzieć, kim są użytkownicy, z którymi przeprowadzamy rozmowy, oraz czego chcemy się od nich nauczyć. Następnie generuje scenariusz wywiadu, w większości zgodny z najlepszymi praktykami. Dzięki temu niezależnie od poziomu wiedzy można stworzyć scenariusz, który nie zawiera pytań sugerujących odpowiedź ani nie prosi użytkowników o przewidywanie ich przyszłych zachowań.

Hannah Clark: To naprawdę potężne, ponieważ widzę tu trend nie tylko polegający na zwiększaniu produktywności pojedynczych osób, ale też na poszerzaniu ich zestawu umiejętności poprzez przekazywanie wiedzy i tym podobne. To bardzo ciekawe zastosowanie technologii. Interesujące jest słuchanie o bardziej szczegółowym podejściu bezpośrednio od ciebie.

Porozmawiajmy o inżynierii promptów. To kolejny ogromny temat. Wszyscy próbują robić to lepiej. Wiem, że często słyszymy: „Podaj AI dużo kontekstu”, ale sprawa jest bardziej złożona.

Jakie konkretne techniki odkryłaś, które naprawdę poprawiły jakość wyników otrzymywanych podczas analizy badań użytkowników?

Cori Widen: Po pierwsze, podobnie jak wszyscy inni, wciąż próbuję to rozgryźć. Czasami wyrywam sobie włosy z głowy i pytam: „Dlaczego ona mnie nie rozumie?”.

Jest jednak kilka rzeczy, które okazały się szczególnie pomocne podczas analizy. Po pierwsze, każde pytanie zadane AI formułuję na co najmniej dwa lub trzy różne sposoby. AI nie jest człowiekiem i nie da się dokładnie wiedzieć, jak interpretuje moje pytanie. Często zauważam, że gdy lekko zmienię sposób zadania pytania, otrzymuję inne cytaty użytkowników albo inne fragmenty transkrypcji.

Szczególnie podczas analizy projektu, kiedy chcę mieć pewność, że znalazłam każdy istotny punkt dotyczący danego tematu, korzystam z kilku różnych promptów, za każdym razem sformułowanych inaczej. Zawsze też — nazywam to „marudzeniem AI” — pytam, czy może znaleźć więcej przykładów. Nawet jeśli proszę o wyczerpującą listę cytatów albo przykładów, nigdy nie jest ona naprawdę wyczerpująca.

Zawsze istnieje coś jeszcze. Dlatego proszę o więcej. Nauczyłam się też, że rozmawiając z człowiekiem, mogę zadać cztery czy pięć pytań naraz, bardzo się podekscytować tematem, a rozmowa nadal będzie działać. W przypadku AI to się nie sprawdza. Dlatego staram się, aby prompty zawierały tylko jedno pytanie.

To ciekawe, bo wspomniałaś, że wiele osób mówi o podawaniu jak największej ilości kontekstu. Z własnego doświadczenia z promptami mogę jednak powiedzieć, że istnieje coś takiego jak zbyt duża ilość kontekstu. AI zaczyna tworzyć hierarchię i nadawać priorytet niektórym przekazanym informacjom, ignorując inne.

Próbuję więc znaleźć ten idealny punkt, który w moim przypadku wydaje się przesuwać w stronę jeszcze mniejszej ilości kontekstu.

Hannah Clark: To ciekawe. Tak, zależy też od tego, gdzie wykorzystujesz kontekst. Dobrze wiedzieć, bo pierwszy raz słyszę, żeby ktoś powiedział: „Nie używam całego kontekstu”.

Skoro mowa o pomijaniu niuansów, wspomniałaś wcześniej o problemie polegającym na tym, że AI czasami pomija niuanse w danych albo przedstawia ograniczoną ilość danych jako trend. To rzeczy, które większość badaczy prawdopodobnie potrafiłaby wychwycić. Jak walidujesz analizę AI i upewniasz się, że nie pomijasz ważnych wartości odstających? Co ważniejsze, jeśli dzielisz się tymi umiejętnościami z innymi interesariuszami, jak zapewniasz, że wiedza jest właściwie przekazywana?

Cori Widen: To naprawdę ważne pytania.

Podczas analizy projektu rzadko proszę AI o wnioski. Proszę ją o znalezienie odpowiednich informacji, a następnie sama, jako człowiek, formułuję właściwe wnioski. Wspomniany wcześniej asystent do wydobywania informacji z wywiadów z użytkownikami jest często wykorzystywany do zadań wykraczających poza projekty strategiczne.

Zadajemy mu pytania dotyczące użytkowników: „Z czym użytkownicy mają największe trudności w przypadku X?” i tak dalej. Uważam, że jest to bardzo trudne zadanie, dlatego zawsze przestrzegam dwóch zasad. Po pierwsze, gdy proszę AI o wniosek, proszę ją o wskazanie każdej transkrypcji wykorzystanej do jego stworzenia.

Czasami cytuje tylko dwie transkrypcje spośród setek. Mogę wtedy wejść do tych transkrypcji i sprawdzić, czy rzeczywiście mamy do czynienia z prawidłowym wnioskiem. Dzięki informacji o źródle mogę użyć ludzkiej oceny. Druga rzecz to zawsze proszenie o wartości odstające.

Jeśli AI przedstawia mi wniosek, mówię: „Dobrze, a teraz podaj jak najwięcej przykładów użytkowników, których zachowanie jest sprzeczne z tym konkretnym wnioskiem”. Pomaga mi to spojrzeć na wszystkie dane, a następnie wyciągnąć własne, bardziej zniuansowane wnioski. Jeśli chodzi o interesariuszy korzystających z agenta AI, stworzyliśmy w Notion instrukcję jego używania, do której każdy ma dostęp.

To zasoby, z których niektórzy korzystają, a inni nie. Wciąż próbuję więc ustalić, jak zapewnić spójność wszystkim osobom, gdy tworzymy coś, co ma odblokować dostęp do danych o użytkownikach dla całej firmy.

Nie mam jeszcze dokładnej odpowiedzi.

Hannah Clark: Myślę, że to proces, który wciąż trwa. Pokazuje on wartość ludzkiego nadzoru niezależnie od tego, do czego wykorzystujemy AI. Nadal trzeba być ekspertem w danej dziedzinie, aby sprawdzać pracę i upewniać się, że AI jest traktowana raczej jak pracownik, którym kierujesz, niż jak ktoś o takim samym poziomie umiejętności jak ty.

To problem, z którym mierzy się wiele osób: jak upewnić się, że nasza wewnętrzna wiedza jest zgodna z tym, jak ktoś próbuje używać AI w konkretnym celu.

Skoro tak dużo rozmawiałyśmy o wartościach i sposobie funkcjonowania firmy, możemy przejść do wartości Photoroom, które umożliwiły ci takie podejście do AI. Porozmawiajmy o wartościach Photoroom w kontekście wykorzystywania AI.

Wiele mówiłaś o tym, że kultura Photoroom jest ważnym czynnikiem wpływającym na wdrażanie technologii i zaangażowanie w jej wykorzystywanie. Co oznacza demokratyzacja badań? Jak zmieniła sposób, w jaki interesariusze wchodzą w interakcję z wynikami badań UX i jak je cenią?

Cori Widen: Tym, co od początku najbardziej podobało mi się w Photoroom, było ich prawdziwe skoncentrowanie na użytkownikach. Liderzy poświęcali czas na rozmowy z użytkownikami. Już podczas procesu rekrutacyjnego zdałam sobie sprawę, że oczekuje się, iż ludzie w Photoroom będą rozmawiać z użytkownikami i analizować dane jakościowe, a nie tylko ilościowe.

Nie każda firma tak działa. W Photoroom decyzje opierają się na interakcjach z użytkownikami i kontakcie z danymi jakościowymi. Ta praktyka istniała na długo przed moim dołączeniem do firmy. Początkowo trochę się jej obawiałam, bo muszę przyznać, że moje podejście do demokratyzacji znajdowało się zawsze na drugim końcu spektrum: uważałam, że badania powinni prowadzić badacze.

To świetnie, jeśli menedżerowie produktu, projektanci i inne osoby rozmawiają z użytkownikami, ale nie uważałam pełnej demokratyzacji za najlepszą drogę. Myślę, że w Photoroom naprawdę wiele się nauczyłam. Byłam otwarta na wypróbowanie czegoś nowego. Zrozumiałam, że najważniejsze jest to, iż w firmie, w której ludzie kontaktują się z użytkownikami i oczekuje się od nich uwzględniania danych jakościowych, bardziej ceni się badania użytkowników i chętniej wykorzystuje ich wyniki.

To jeden z problemów, o których badacze użytkowników mówią zapewne bardzo często: nieustannie muszą występować w obronie użytkownika i swoich ustaleń. W Photoroom kultura organizacyjna sprawia natomiast, że wszyscy bardzo chcą poznawać te wnioski.

Myślę, że największą obawą badaczy w środowisku, w którym demokratyzacja jest tak szeroka, jest ryzyko, że badania nie będą prowadzone właściwie. To również było jednym z moich lęków, ponieważ prowadzenie badań wymaga konkretnych umiejętności. Odkryłam jednak, że w środowisku, w którym ludzie regularnie kontaktują się z użytkownikami, są oni naprawdę zainteresowani najlepszymi praktykami.

Każdy chce dobrze przeprowadzić wywiad, gdy regularnie rozmawia z użytkownikami. Każdy chce, aby testy użyteczności były dokładne. Jedną z ciekawych części naszej pracy w badaniach użytkowników jest możliwość pomagania ludziom w rozwijaniu tych umiejętności tam, gdzie występują braki.

Hannah Clark: Myślę, że to jedna z tych kwestii, szczególnie jeśli chodzi o podejście do najlepszych praktyk badawczych. Może to tylko moje odczucie, ale gdy człowiek uświadamia sobie, jak wiele umiejętności i niuansów wymaga skuteczne prowadzenie badań użytkowników i wywiadów, pojawia się myśl: „Nie zdawałam sobie sprawy, jak wiele jeszcze nie wiem”.

Cori Widen: Całkowicie się zgadzam.

Hannah Clark: Kilka lat temu nagrałyśmy świetny odcinek ze Steve’em Portig­alem o prowadzeniu wywiadów z użytkownikami. Przed rozmową z nim nigdy wcześniej nie prowadziłam takich wywiadów — poza wywiadami podcastowymi — a on w ciągu zaledwie 20 minut pokazał w niezwykle pouczający sposób, jak wiele, nawet w naszym własnym zachowaniu, może wpływać na wynik rozmowy.

Myślę więc, że bardzo ciekawe jest to pragnienie przekazywania wiedzy i pomagania ludziom w coraz lepszym rozmawianiu z użytkownikami.

Cori Widen: Zabawne, że o tym wspominasz, ponieważ Steve napisał książkę zatytułowaną „Interviewing Users”.

Dosłownie napisał o tym książkę. Dawałam ją interesariuszom więcej niż raz. Ludzie reagowali: „Naprawdę istnieje cała książka na ten temat?”, a ja odpowiadałam: „Tak, zdecydowanie. Jest aż tyle rzeczy do poznania”.

Hannah Clark: To naprawdę świetne, bo jak powiedziałaś, każda firma chce uwzględniać prawdziwe opinie użytkowników i ich rzeczywiste potrzeby w swoich produktach. Aby skutecznie je wykorzystywać, trzeba mieć wystarczająco dużo informacji, a także informacje wysokiej jakości. Bardzo cieszą mnie sposoby, w jakie AI pomaga zdobywać poparcie dla pracy badaczy i wspierać ludzi w promowaniu znaczenia badań. Jestem zdecydowaną zwolenniczką badaczy — chyba da się to zauważyć.

Patrząc w przyszłość: w jaki jeszcze sposób, twoim zdaniem, badania UX będą korzystać z AI? Czy widzisz jakieś możliwości, które pojawią się w najbliższym czasie, ale jeszcze nie są dostępne?

Cori Widen: Nie mam wystarczającej wiedzy technologicznej, żeby powiedzieć, jak dobra będzie ta technologia i kiedy to nastąpi. Kiedy jednak myślę o tym, jak rola badacza będzie ewoluować wraz z rozwojem AI i coraz szerszym jej wdrażaniem, widzę już dziś, że mam znacznie więcej czasu na współpracę z interesariuszami, ponieważ AI bardzo zwiększa moją efektywność.

Gdybym miała sformułować jedną luźną prognozę, powiedziałabym, że rola badacza przekształci się z samego wykonywania badań i udostępniania wniosków — choć oczywiście nadal będzie obejmować prowadzenie badań tam, gdzie jest to potrzebne — w poświęcanie znacznie większej ilości czasu na współpracę z interesariuszami, na przykład burze mózgów i pracę nad rozwiązaniami.

Będziemy mieć na to czas, a także wiarygodność i informacje, które szybciej wniesiemy do takich rozmów.

Hannah Clark: A jeśli chodzi o obecną sytuację — badaczy, którzy dopiero włączają AI do swojego przepływu pracy — podzieliłaś się wieloma praktycznymi wskazówkami, które są bardzo przystępne i można je od razu zastosować. Czy masz jeszcze jakieś rekomendacje dotyczące dobrego punktu wyjścia dla osób pracujących bez podręcznika najlepszych praktyk?

Cori Widen: Szczerze uważam, że najlepiej przede wszystkim zmienić swoje nastawienie. Po prostu zaakceptować, że to się dzieje.

Wiem, że jest to trudne, ale kiedy już to zrobisz, myślę, że wiele osób sugerowałoby rozpoczęcie od małych, krótkich zadań wykonywanych z pomocą AI. Ja uważam odwrotnie. Dobrym punktem wyjścia jest wykorzystanie AI do analizy jakościowej.

To najbardziej wymagająca i w większości przypadków najbardziej czasochłonna część pracy. Warto ustalić, gdzie AI może pomóc. Moja rekomendacja wynika oczywiście z mojego własnego procesu: spróbuj użyć AI do zastąpienia ręcznego tagowania, aby wyodrębniać informacje z danych użytkowników — niezależnie od tego, czy pochodzą z sesji użyteczności, wywiadów czy innych źródeł — kategoryzować je i na tej podstawie prowadzić analizę.

Powodem jest to, że aby zacząć z entuzjazmem korzystać z AI w badaniach, trzeba zrobić coś, co naprawdę wpłynie na przepływ pracy. Ilość czasu i energii, którą można w ten sposób zaoszczędzić, jest ogromna.

Hannah Clark: Na zakończenie: jakie było twoje najbardziej zaskakujące odkrycie podczas wykorzystywania AI do własnych celów? Co było dla ciebie przełomowym momentem?

Cori Widen: W tej kwestii mam dwie odpowiedzi. Przełomowym momentem — być może bardziej oczywistym dla innych osób — było uświadomienie sobie, że jako człowiek nadal mogę odgrywać ważną rolę w tym procesie. Korzystanie z AI nie oznaczało przekazania jej wszystkiego.

Chodzi o zrozumienie, w czym jestem najlepsza ja, a w czym najlepsza jest AI, a następnie połączenie tych możliwości, aby uzyskać najlepszy rodzaj analizy jakościowej. To jedna rzecz. Drugim prawdziwym przełomem była informacja zwrotna od osoby z Photoroom. Powiedziała mi, że gdy firma zatrudniała pierwszego badacza — czyli mnie — największą obawą było to, że badania są znane z powolnego tempa.

Obawiano się więc, że przyjdzie ktoś, kto będzie długo dostarczać wnioski i że nie uda się ich wykorzystywać. Ta osoba powiedziała mi: „Okazuje się, że jesteś całkiem szybka”. Zrozumiałam, że jestem szybka właśnie dlatego, że wykorzystuję AI w tych kluczowych częściach procesu badawczego.

Bez AI nie byłabym tak szybka. Uświadomienie sobie, że dzięki temu jestem cenniejsza dla zespołu, było dla mnie zdecydowanie momentem olśnienia.

Hannah Clark: To naprawdę świetne. Musi być miło czuć, że masz teraz w zanadrzu taką przewagę.

Cori, bardzo dziękuję za udział w rozmowie. Zawsze uwielbiam rozmawiać o badaniach i zawsze uczę się czegoś nowego. Dzisiaj w ciągu tych samych 25 minut udało nam się przyswoić ogromną ilość wiedzy. Bardzo ci za to dziękuję. Gdzie słuchacze mogą śledzić twoją pracę w internecie?

Cori Widen: Nie jestem szczególnie aktywna w internecie. Zawsze chętnie nawiązuję jednak kontakt z innymi badaczami na LinkedIn, więc zapraszam.

Hannah Clark: Świetnie. Bardzo dziękuję, że z nami byłaś.

Cori Widen: Dziękuję.

Hannah Clark: Dziękujemy za wysłuchanie. Aby poznać więcej wartościowych spostrzeżeń, poradników i recenzji narzędzi, zasubskrybujcie nasz newsletter na stronie theproductmanager.com/subscribe. Więcej podobnych rozmów usłyszycie, subskrybując podcast Product Manager w wybranej aplikacji do podcastów.