AI в продуктовых исследованиях

1. Использование AI для исследования клиентов и CustDev Ускорение Discovery: как нейросети заменяют 80% рутины при общении с пользователями.

2. TL;DR Игорь Акимов (ex-Wrike, ex-Bitrix24) рассказывает, как Product Manager может использовать LLM (например, ChatGPT) для этапа Discovery. Основная идея: нейросети могут не только писать письма, но и создавать детальные портреты пользователей (персоны) и даже проходить интервью вместо реальных людей, выдавая результаты, совпадающие с реальностью на 80%. Это позволяет тестировать гипотезы за 30 минут вместо недель рекрутинга.

3. Кому будет полезно

• Роли: Product Managers, UX-исследователи, Product Owners, стартаперы.
• Уровень: Джун / Мидл / Сеньор.
• Условия: Если вы тратите много времени на поиск респондентов или хотите проверить гипотезу до начала разработки.

4. Краткий контекст

• Спикер: Игорь Акимов, сейчас работает в стартапе, ранее Wrike и Битрикс24.
• Тема: Применение AI в процессе исследования продукта (Discovery).
• Окружение: Доклад на митапе ScrumTrek. Обсуждается работа с текстовыми моделями (ChatGPT, Claude и др.) и мультимодальными (GPT-4V).

5. Ключевые идеи

1. Генерация скриптов и вопросов по методологиям

Что сказали: Вместо того чтобы писать вопросы для интервью с нуля, загрузите в AI контекст вашего продукта и попросите составить список вопросов, опираясь на конкретную книгу или метод (например, «Спроси маму» / The Mom Test). Почему это важно: Вопросы, сгенерированные «просто так», часто бывают наводящими и бесполезными. Ссылка на методологию заставляет модель избегать ошибок (например, не спрашивать «Купите ли вы это?»). Как применить на практике: Напишите промпт: «Ты — опытный исследователь. Составь скрипт интервью для продукта X, используя принципы книги Роба Фитцпатрика „Спроси маму“, чтобы выявить боли клиента, а не получить комплименты».

2. Создание синтетических персон (Synthetic Users)

Что сказали: Если у вас есть результаты опросов (даже сухая статистика: пол, возраст, должность), скормите их нейросети и попросите создать «живого» персонажа. AI додумает детали биографии, привычки и контекст, которые типичны для этого кластера. Почему это важно: Это превращает абстрактные цифры в понятный профиль, с которым можно «поговорить». Как применить на практике: Возьмите данные из Google Analytics или опросов, загрузите в чат и попросите: «Создай детальное описание персоны: менеджер 30-39 лет из IT, у которого нет времени на обучение».

3. Симуляция интервью (AI как респондент)

Что сказали: Самая мощная фишка: вы присваиваете чату роль созданной персоны и проводите с ним глубинное интервью. Спикер утверждает, что 80% инсайтов из таких диалогов совпадают с реальными интервью. Почему это важно: Это экономит недели времени. Вы можете протестировать идею за полчаса, не занимаясь рекрутингом респондентов. Как применить на практике: Используйте промпт: «Твоя роль: [Описанная персона]. Отвечай на мои вопросы как этот человек. Не выходи из образа». Спросите о проблемах, барьерах или покажите скриншот интерфейса (через GPT-4V) и попросите критику.

4. Промпт-инжиниринг для менеджеров

Что сказали: Качество ответа напрямую зависит от качества запроса. AI — это ваш стажёр. Ему нужны четкие инструкции, примеры (Few-Shot) и структура. Почему это важно: Если не дать контекст, получите общие слова («воду»). Как применить на практике:

• Используйте технику Chain of Thought («Давай рассуждать шаг за шагом»).
• Размечайте данные XML-тегами (чтобы отделить инструкцию от контекста).
• Обещайте «чаевые» ($100) за качественный ответ (это реально работает на улучшение результата).

6. Примеры и кейсы

• Кейс с английским языком: Спикер создал персону (мужчина с семьей) и спросил, почему тот не учит английский. Ответ AI: «Есть время только после работы, чтобы потупить в соцсетях, максимум 10 минут Duolingo». Это был глубокий и реалистичный инсайт, подтвержденный реальными людьми.
• Кейс с приложением для родителей: Разработчики провели 50 интервью с родителями, сделали приложение, а потом психологи сказали им, что все эти «находки» описаны в книгах 50-летней давности. AI (обученный на этих книгах) мог бы выдать те же результаты за секунды.

7. Ошибки и грабли

• AI — не замена реальности: Нельзя принимать продуктовые решения только на основе AI. Это инструмент для фильтрации гипотез. Обязательно валидируйте ключевые вещи на живых людях.
• Проблема актуальности: GPT-4 (на момент доклада) имеет дату отсечки знаний. Она не знает о событиях прошлой недели или закрытых корпоративных данных.
• Галлюцинации: Нейросеть может придумать факты. Если спросить о несуществующем функционале уверенным тоном, она может «подыграть».

8. Что можно сделать уже сегодня

• [ ] Взять результаты последнего опроса клиентов и попросить ChatGPT сгенерировать 3 детальные персоны.
• [ ] Загрузить скриншот макета (Figma) в GPT-4V, задать роль вашей целевой аудитории и спросить: «Что тебе непонятно на этом экране?».
• [ ] Попросить AI составить список вопросов для CustDev, добавив в промпт фразу «используя методы из книги The Mom Test».
• [ ] Попросить AI визуализировать User Flow или структуру данных, используя формат Mermaid (для построения диаграмм).

9. Цитаты

«Мка (LLM) — это ваш студент-стажёр. Если вы объясните задачу плохо, он сделает плохо. Если ваш коллега не поймет инструкцию, то и нейросеть не поймет».

«Я увидел, что 80% инсайтов, которые я достал из интервью с людьми, абсолютно совпадают с тем, что выдала генерация».

10. Итоговый вывод Игорь Акимов доказывает, что AI уже перестал быть игрушкой для генерации текстов и стал мощным инструментом аналитики. Основная мысль: используйте AI как "симулятор" пользователей для предварительного тестирования гипотез. Самый разумный первый шаг — попробовать «прогнать» свой скрипт интервью на цифровой персоне перед тем, как идти к живым людям, чтобы отсеять плохие вопросы и очевидные ответы.