Ринок змінюється швидше, ніж завершується дослідження: як дизайнеру працювати з продуктами на основі штучного інтелекту

Штучний інтелект змінив не лише продукти, якими ми користуємося, а й сам процес їх створення. Те, на що раніше йшли тижні, зараз вирішується за лічені хвилини.

Кілька років тому команда витрачала декілька тижнів – аналіз конкурентів, формування бачення майбутньої функції, використання результатів дослідження протягом наступних місяців. Сьогодні у продуктах на основі штучного інтелекту ситуація може змінитися ще до того, як дизайн потрапить у розробку.

Нові моделі з’являються одна за одною. Функції, які ще вчора були конкурентною перевагою, швидко стають стандартом, а моделі взаємодії формуються буквально на очах у користувачів. Через це продакт командам доводиться по-іншому дивитися на дослідження, конкурентний аналіз і навіть довгострокове планування.

У своєму інтерв'ю Senior Product Designer Віктор Житомирський розказує про те, чому традиційний підхід до конкурентного аналізу у сфері штучного інтелекту перестає працювати, а також розмірковує, як у таких умовах змінюється сама роль продуктового дизайнера.

Чому традиційний конкурентний аналіз перестає працювати у сфері штучного інтелекту?

Проблема не в тому, що конкурентний аналіз став непотрібним. Навпаки, він став ще важливішим. Але змінилася його цінність.

У більш стабільних категоріях можна було дослідити кілька основних конкурентів, подивитися на їхні функції, користувацькі сценарії, позиціонування, сильні та слабкі сторони й отримати досить актуальну картину ринку. У сфері штучного інтелекту цей знімок ринку дуже швидко втрачає актуальність.

Уявімо, що команда досліджує помічників на основі штучного інтелекту. Ми порівняли, хто має голосове керування, пам’ять, роботу з файлами, пошук в інтернеті або можливість виконувати певні дії. Поки ми закінчимо аналіз, хтось із конкурентів уже додасть дві нові функції, інший повністю перебудує модель взаємодії, а ще одна компанія покаже підхід, якого на момент початку дослідження взагалі не існувало.

Через це я намагаюся дивитися не лише на те, що конкурент має зараз, а й на те, чому ця функція з’явилася, яку проблему вона вирішує і куди загалом рухається категорія.

Порівняння функцій досі корисне, але саме по собі воно дедалі менше допомагає ухвалювати довгострокові продуктові рішення.

Що робити, якщо дослідження застаріває ще до завершення дизайну?

Перше – перестати сприймати дослідження як одноразовий етап на початку проєкту.

Класична схема виглядає приблизно так: ми провели дослідження, сформували висновки, створили концепцію, перейшли до дизайну, а потім — до розробки.

Для продуктів на основі штучного інтелекту ця модель стає значно більш циклічною. Ви можете вже працювати над концепцією, коли на ринку з’являється новий сигнал, який змушує повернутися до початкових припущень.

Але це не означає, що треба нескінченно переробляти дизайн після кожного оновлення у конкурента.

Тут важливо відділяти поточний стан ринку від напрямку його розвитку. Якщо дослідження лише фіксує те, що існує сьогодні, воно справді швидко старіє. Якщо ж його результатом стають більш фундаментальні висновки — як змінюються очікування користувачів, які моделі взаємодії набирають вагу, які технологічні обмеження зникають, – ці висновки живуть значно довше.

Наприклад, конкретна реалізація пам’яті штучного інтелекту у продукті може змінитися за кілька місяців. Але тенденція до того, що користувачі очікують від штучного інтелекту більшої контекстуальності, персоналізації та можливості контролювати те, що система про них пам’ятає, – значно фундаментальніша.

Саме такі закономірності я і намагаюся винести з дослідження.

Як штучний інтелект змінив саму швидкість процесу розробки? Чи повинно дослідження теж стати швидшим, чи, навпаки, глибшим?

З одного боку, швидкість виконання роботи сильно зросла. Сьогодні можна значно швидше створити кілька концепцій, інтерактивний прототип або навіть просту функціональну версію продукту. Те, на що раніше могли піти дні, іноді можна перевірити за години.

Але швидше ухвалювати слабко обґрунтовані рішення – це погана ідея. Дослідження не обов’язково повинно ставати довшим, але воно має ставати більш зосередженим.

Мені важливіше швидко відповісти на правильні запитання, ніж зібрати величезну таблицю з десятками конкурентів. Яку реальну проблему ми намагаємося вирішити? Чому користувач зараз поводиться саме так? Чому кілька продуктів незалежно один від одного рухаються в одному напрямку? Чи є це новим очікуванням користувача, чи просто технологічним експериментом?

Штучний інтелект прискорює створення рішень. І саме тому якість запитань, які команда ставить до початку роботи, стає ще важливішою.

Чи означає популярність певного рішення, що воно справді працює?

Не обов’язково. Популярність рішення часто означає лише те, що воно стало впізнаваним або його почали повторювати інші.

У технологічних продуктах це трапляється постійно: одна велика компанія запускає новий патерн, він швидко отримує увагу, а через кілька місяців схожі рішення з’являються в десятках інших продуктів. У якийсь момент виникає відчуття, що це вже майже стандарт.

Але стандарт і ефективність – не одне й те саме.

Рішення могло з’явитися через конкретні бізнесові, технічні або продуктові обмеження однієї компанії. Воно могло добре працювати для її аудиторії, але гірше – для іншого сценарію. А іноді продукт просто достатньо великий, щоб його рішення почали сприймати як правильне ще до того, як з’явилися реальні докази його ефективності.

Тому для мене важливо дивитися не на те, скільки компаній повторили певний патерн, а на те, яку проблему він вирішує і яку поведінку користувача змінює.

Особливо в AI це критично. Наприклад, якщо кілька продуктів додають одну й ту саму механіку взаємодії, це ще не означає, що вона вже довела свою цінність. Можливо, ми просто спостерігаємо одночасний експеримент усієї індустрії.

Тому популярність я сприймаю радше як сигнал, який варто дослідити, а не як доказ того, що рішення потрібно повторювати.

Як дослідження допомагає не тільки знаходити нові функції, а й відмовлятися від них?

На мій погляд, це одна з недооцінених функцій дослідження.

У швидкозмінному ринку завжди виникає страх щось пропустити. Конкурент запускає нову функцію – і команда одразу починає обговорювати, чи потрібна вона нам.

Але наявність функції у конкурента ще не означає, що вона створює цінність для нашого продукту.

Хороше дослідження допомагає сказати: так, ця технологія цікава, але для нашого сценарію вона не вирішує достатньо важливої проблеми. Або навпаки: функція виглядає не дуже ефектно, але розв’язує постійну проблему, яку ми бачимо і у своїх користувачів.

Робота досвідченого спеціаліста часто полягає не в тому, щоб генерувати якомога більше ідей, а в тому, щоб допомогти команді зрозуміти, які з них не варто реалізовувати.

Тому для мене результат хорошого дослідження – це не список із двадцяти можливих функцій. Іноді найкращий результат – це дві або три речі, у яких команда впевнена, і ще десять, від яких вона свідомо відмовилася.

Чи можна взагалі планувати продукт на основі штучного інтелекту на рік уперед, якщо ринок змінюється настільки швидко?

Можна, але потрібно по-іншому ставитися до того, що саме ми плануємо.

Якщо план розвитку на рік уперед – це детальний список конкретних функцій і моделей взаємодії, велика його частина, ймовірно, застаріє.

Але бачення продукту може залишатися дуже стабільним.

Наприклад, потреба користувача може полягати в тому, щоб менше витрачати часу на рутинну роботу. Це не зміниться через те, що наступного місяця з’явиться нова модель або новий автономний помічник на основі штучного інтелекту.

Так само довгостроковими можуть бути принципи продукту: користувач повинен зберігати контроль, система має бути зрозумілою, певні дії повинні бути оборотними, а штучний інтелект має використовувати контекст там, де це справді допомагає.

А ось конкретний спосіб реалізації цих принципів може змінюватися.

Тому я б розділяв стабільне бачення і гнучкий шлях до нього. Продукт може знати, де хоче бути через рік, але не повинен вдавати, що вже сьогодні знає всі екрани й функції, які приведуть його туди.

Як усе це змінює роль продакт дизайнера?

Чим швидшим стає створення самого інтерфейсу, тим менше професійна цінність дизайнера може будуватися лише навколо здатності цей інтерфейс намалювати.

Особливо у сфері штучного інтелекту.

Дизайнер дедалі частіше працює на перетині досліджень, продуктової стратегії, технологій і проєктування взаємодії. Йому потрібно не просто отримати вимогу й знайти для неї хороший інтерфейс, а допомогти команді зрозуміти саму проблему.

Часто процес починається з досить розмитого запиту або нової технологічної можливості. І саме тоді потрібно дослідити ринок, конкурентів і поведінку користувачів, сформувати кілька можливих напрямків, перетворити їх на концепції та винести на обговорення з продуктовою і технічною командами.

Після цього різні частини рішення можуть допрацьовувати різні люди. Але хтось повинен створити початкову рамку, навколо якої команда взагалі почне предметну дискусію.

Тому я дедалі менше сприймаю дизайнера як людину, яка перебуває в кінці процесу й "візуалізує рішення".

У сильних продуктових командах дизайнер може бути дослідником, інтерпретатором, стратегом, фасилітатором і автором концепції одночасно.

І тут є певна іронія: штучний інтелект робить створення інтерфейсів дедалі швидшим, але саме через це робота, яка відбувається до появи першого екрана, стає дедалі важливішою.