Рынок меняется быстрее, чем завершается исследование: как дизайнеру работать с продуктами на основе искусственного интеллекта

Искусственный интеллект изменил не только продукты, которыми мы пользуемся, но и сам процесс их создания. То, на что раньше уходили недели, теперь решается за считанные минуты.

Несколько лет назад команда тратила несколько недель на анализ конкурентов, формирование видения будущей функции и использование результатов исследования в течение последующих месяцев. Сегодня в продуктах на основе искусственного интеллекта ситуация может измениться ещё до того, как дизайн попадёт в разработку.

Новые модели появляются одна за другой. Функции, которые еще вчера были конкурентным преимуществом, быстро становятся стандартом, а модели взаимодействия формируются буквально на глазах у пользователей. Из-за этого командам приходится по-другому смотреть на исследования, конкурентный анализ и даже долгосрочное планирование.

В своём интервью старший продуктовый дизайнер Виктор Житомирский рассказывает о том, почему традиционный подход к конкурентному анализу в сфере искусственного интеллекта перестаёт работать, а также размышляет о том, как в таких условиях меняется сама роль продуктового дизайнера.

Почему традиционный конкурентный анализ перестает работать в сфере искусственного интеллекта?

Проблема не в том, что конкурентный анализ стал ненужным. Наоборот, он стал еще важнее. Но изменилась его ценность.

В более стабильных категориях можно было изучить нескольких основных конкурентов, посмотреть на их функции, пользовательские сценарии, позиционирование, сильные и слабые стороны и получить достаточно актуальную картину рынка. В сфере искусственного интеллекта этот срез рынка очень быстро теряет актуальность.

Представим, что команда исследует помощников на основе искусственного интеллекта. Мы сравнили, у кого есть голосовое управление, память, работа с файлами, поиск в интернете или возможность выполнять определенные действия. Пока мы закончим анализ, кто-то из конкурентов уже добавит две новые функции, другой полностью перестроит модель взаимодействия, а ещё одна компания продемонстрирует подход, которого на момент начала исследования вообще не существовало.

Поэтому я стараюсь смотреть не только на то, что есть у конкурента сейчас, но и на то, почему эта функция появилась, какую проблему она решает и в каком направлении в целом движется категория.

Сравнение функций по-прежнему полезно, но само по себе оно всё меньше помогает принимать долгосрочные продуктовые решения.

Что делать, если исследование устаревает ещё до завершения дизайна?

Во-первых, перестать воспринимать исследование как разовый этап в начале проекта.

Классическая схема выглядит примерно так: мы провели исследование, сформулировали выводы, создали концепцию, перешли к дизайну, а затем — к разработке.

Для продуктов на основе искусственного интеллекта эта модель становится гораздо более циклической. Вы можете уже работать над концепцией, когда на рынке появляется новый сигнал, который заставляет вернуться к исходным предположениям.

Но это не означает, что нужно бесконечно переделывать дизайн после каждого обновления у конкурента.

Здесь важно отделять текущее состояние рынка от направления его развития. Если исследование лишь фиксирует то, что существует сегодня, оно действительно быстро устаревает. Если же его результатом становятся более фундаментальные выводы — как меняются ожидания пользователей, какие модели взаимодействия набирают вес, какие технологические ограничения исчезают, — эти выводы остаются актуальными гораздо дольше.

Например, конкретная реализация памяти искусственного интеллекта в продукте может измениться за несколько месяцев. Но тенденция к тому, что пользователи ожидают от искусственного интеллекта большей контекстуальности, персонализации и возможности контролировать то, что система о них помнит, — гораздо более фундаментальна.

Именно такие закономерности я и пытаюсь извлечь из исследования.

Как искусственный интеллект изменил саму скорость процесса разработки? Должно ли исследование тоже стать быстрее или, наоборот, глубже?

С одной стороны, скорость выполнения работы сильно возросла. Сегодня можно значительно быстрее создать несколько концепций, интерактивный прототип или даже простую функциональную версию продукта. То, на что раньше могли уйти дни, иногда можно проверить за часы.

Но быстрее принимать слабо обоснованные решения — это плохая идея. Исследование не обязательно должно становиться более длительным, но оно должно становиться более целенаправленным.

Для меня важнее быстро ответить на правильные вопросы, чем составить огромную таблицу с десятками конкурентов. Какую реальную проблему мы пытаемся решить? Почему пользователь сейчас ведет себя именно так? Почему несколько продуктов независимо друг от друга движутся в одном направлении? Является ли это новым ожиданием пользователя или просто технологическим экспериментом?

Искусственный интеллект ускоряет создание решений. И именно поэтому качество вопросов, которые команда задает перед началом работы, становится еще важнее.

Означает ли популярность того или иного решения, что оно действительно работает?

Не обязательно. Популярность решения часто означает лишь то, что оно стало узнаваемым или его начали повторять другие.

В сфере технологических продуктов это происходит постоянно: одна крупная компания запускает новый паттерн, он быстро привлекает внимание, а через несколько месяцев похожие решения появляются в десятках других продуктов. В какой-то момент создаётся ощущение, что это уже почти стандарт.

Но стандарт и эффективность — не одно и то же.

Решение могло появиться из-за конкретных бизнес-, технических или продуктовых ограничений одной компании. Оно могло хорошо работать для её аудитории, но хуже — для другого сценария. А иногда продукт просто достаточно крупный, чтобы его решение начали воспринимать как правильное ещё до того, как появились реальные доказательства его эффективности.

Поэтому для меня важно смотреть не на то, сколько компаний повторили определенный паттерн, а на то, какую проблему он решает и какое поведение пользователя меняет.

Особенно в области ИИ это критично. Например, если несколько продуктов внедряют одну и ту же механику взаимодействия, это ещё не означает, что она уже доказала свою ценность. Возможно, мы просто наблюдаем одновременный эксперимент всей отрасли.

Поэтому популярность я воспринимаю скорее как сигнал, который стоит изучить, а не как доказательство того, что решение нужно повторять.

Как исследование помогает не только находить новые функции, но и отказываться от них?

На мой взгляд, это одна из недооцененных функций исследования.

На быстро меняющемся рынке всегда возникает страх что-то упустить. Конкурент запускает новую функцию — и команда сразу начинает обсуждать, нужна ли она нам.

Но наличие функции у конкурента ещё не означает, что она создаёт ценность для нашего продукта.

Хорошее исследование помогает сказать: да, эта технология интересна, но для нашего сценария она не решает достаточно важной проблемы. Или наоборот: функция выглядит не очень эффектно, но решает постоянную проблему, которую мы наблюдаем и у своих пользователей.

Работа опытного специалиста часто заключается не в том, чтобы генерировать как можно больше идей, а в том, чтобы помочь команде понять, какие из них не стоит реализовывать.

Поэтому для меня результат хорошего исследования — это не список из двадцати возможных функций. Иногда лучший результат — это две или три вещи, в которых команда уверена, и ещё десять, от которых она сознательно отказалась.

Можно ли вообще планировать продукт на основе искусственного интеллекта на год вперед, если рынок меняется настолько быстро?

Можно, но нужно по-другому относиться к тому, что именно мы планируем.

Если план развития на год вперёд — это подробный список конкретных функций и моделей взаимодействия, то большая его часть, вероятно, устареет.

Но видение продукта может оставаться очень стабильным.

Например, потребность пользователя может заключаться в том, чтобы тратить меньше времени на рутинную работу. Это не изменится из-за того, что в следующем месяце появится новая модель или новый автономный помощник на основе искусственного интеллекта.

Так же долгосрочными могут быть принципы продукта: пользователь должен сохранять контроль, система должна быть понятной, определённые действия должны быть обратимыми, а искусственный интеллект должен использовать контекст там, где это действительно помогает.

А вот конкретный способ реализации этих принципов может меняться.

Поэтому я бы разделял стабильное видение и гибкий путь к нему. Продукт может знать, где хочет быть через год, но не должен делать вид, что уже сегодня знает все экраны и функции, которые приведут его туда.

Как всё это меняет роль продуктового дизайнера?

Чем быстрее становится создание самого интерфейса, тем меньше профессиональная ценность дизайнера может строиться исключительно на способности нарисовать этот интерфейс.

Особенно в сфере искусственного интеллекта.

Дизайнер всё чаще работает на стыке исследований, продуктовой стратегии, технологий и проектирования взаимодействия. Ему нужно не просто получить задание и найти для него хороший интерфейс, а помочь команде понять саму проблему.

Часто процесс начинается с довольно расплывчатого запроса или новой технологической возможности. И именно тогда нужно изучить рынок, конкурентов и поведение пользователей, сформировать несколько возможных направлений, превратить их в концепции и вынести на обсуждение с продуктовой и технической командами.

После этого разные части решения могут дорабатывать разные люди. Но кто-то должен создать исходную основу, вокруг которой команда вообще начнёт предметную дискуссию.

Поэтому я всё реже воспринимаю дизайнера как человека, который находится в конце процесса и "визуализирует решение".

В сильных продуктовых командах дизайнер может быть исследователем, интерпретатором, стратегом, фасилитатором и автором концепции одновременно.

И здесь есть определенная ирония: искусственный интеллект делает создание интерфейсов всё быстрее, но именно из-за этого работа, которая происходит до появления первого экрана, становится всё важнее.