Як побудувати AI-напрям в компанії. Ґайд для продакт-менеджерів

💡 Усі статті, обговорення, новини про продукти — в одному місці. Приєднуйтесь до Product спільноти!

Привіт! Мене звати Денис Латиш, я Product Manager AI R&D-напряму в EdTech-компанії Headway. Вона створює продукти з мікронавчання, які допомагають розвиватися мільйонам користувачів у світі. Один із флагманських продуктів — однойменний застосунок, що є лідером за кількістю завантажень у ніші книжкових самарі.

Мій шлях в IT почався дев’ять років тому з позиції Python Engineer. До продакт-менеджменту я прийшов через ролі тимліда операційної команди розробки та продакт-оунера у B2B-продукті. Останній рік я розбудовую AI-напрям у Headway. Нещодавно розповідав про наш досвід та перші кроки запуску нового юніту на DOU Product Meetup. Ділюсь деталями в цьому матеріалі.

Пролог

Почнемо з контексту. Наприкінці 2022 — початку 2023 року розпочалася «третя хвиля» розвитку штучного інтелекту. OpenAI запустив ChatGPT, який набрав перший мільйон користувачів всього за 5 днів. Midjourney представили четверту версію своєї моделі для генерації зображень, а якість отриманого контенту вражала.

Про АІ, зокрема генеративний, згадували дедалі частіше. Його потенційний вплив на різні сфери обговорювали на пленарних дискусіях, виступах, подкастах, а експерти ніші порівнювали поточний стан ШІ з винайденням струму чи смартфона й пророкували кардинальні зміни у світі завдяки глибокому проникненню технології в наше життя. Компанії ж досить швидко почали впроваджувати рішення різної складності у свої продукти та сервіси. Було зрозуміло, що тепер АІ стає доступним та досяжним для бізнесів різних розмірів.

Нині вплив AI уже відчули всі галузі — від банківського сектору до кібербезпеки та Defence Tech. Ба більше, AI уже тривалий час є частиною звичної рутини. Він допомагає розблокувати комп’ютер, перевірити листи на спам, підібрати найкращі апартаменти чи шлях до заданої точки на карті. Однак, попри величезний потенціал штучного інтелекту, ми не розуміли, як саме його можна використати у Headway. Тому почали з головного.

Збираємо команду

У Headway ми поділяємо концепцію, описану у книзі Джима Коллінза «Від хорошого до величного»: найголовніше в бізнесі — це хто робитиме ті чи інші речі, а що саме робити — уже на другому місці. У короткостроковій перспективі можна скористатися допомогою експертів. Для гри в довгу необхідно зосередити ресурси та досвід всередині компанії, щоб почати акумулювати знання та цінний досвід саме в розрізі вашого бізнесу.

Під час запуску нового напряму найкраще спрацюють невеликі кросфункціональні команди, що об’єднують фахівців з різними навичками, досвідом та поглядами. Найскладнішим для нас було зрозуміти, які конкретно зони та як ми можемо закрити на початку. Ми розуміли, що буде багато досліджень, спілкування з користувачами, важливо зануритися в технічну сторону, досить швидко робити прототипи та реалізовувати MVP.

Наша команда складалася з Android-інженера з сильною технічною експертизою, продуктового дизайнера, UX-ресьорчерки та продакт-менеджера. На початкових етапах можна не наймати ML-розробника чи AI-ресьорчера, але точно потрібна людина, готова зануритися в prompt-інженерію.

Починаємо шлях

На початку нам було важливо зрозуміти, над чим саме можемо працювати та на чому варто фокусуватись. Для цього важливо врахувати можливості технології та потенційну цінність для бізнесу.

Ми зосередилися на діскавері-фазі з глибоким фокусом на АІ. План дій передбачав такі кроки:

1. Розібратися в специфіці штучного інтелекту, зокрема генеративного.
2. Дослідити, як та на що в продукті він може впливати.
3. Вивчити, які інструменти уже є на ринку.
4. Зрозуміти, які рішення використовують наші прямі та непрямі конкуренти.

Після другого кроку ми окреслили три потенційні напрями для подальшої роботи: персональна продуктивність, оптимізація процесів та продуктова трансформація.

Ми вирішили, що персональна продуктивність — не наш основний фокус, хоча це, безумовно, важливо. Наші колеги у Headway вже самостійно досліджували можливості АІ для підвищення ефективності та покращення роботи. До речі, завдяки цьому в нас органічно виник Headway AI Club — внутрішнє ком’юніті компанії для обміну досвідом.

Два інші напрями здавались перспективними. Тому наступною основною задачею для нас стало знайти конкретні зони, які мають потенціал додаткової цінності для бізнесу.

Визначаємося, де використати набутий досвід та знання

Фреймворк Service Blueprint, яким ми скористалися, дає змогу знайти точки перетину шляху користувача з внутрішніми процесами. Ось приклад того, який вигляд може мати шлях нового користувача під час першої сесії: від побаченої реклами до aha-моменту в застосунку.

Ми визначили всі залежності, встановили, хто за що відповідає та на яких етапах потрібні покращення. А ще — визначили, що працює добре й куди краще не втручатися.

Далі перейшли до брейнштормінгу. Спочатку визначили, які задачі та процеси потенційно можуть бути автоматизовані. Після цього згенерували драйвери росту, що найбільше відповідають баченню та потребам бізнесу. Потім думали про те, які рішення можуть потенційно закривати болі наших користувачів.

Вийшло згенерувати дуже багато ідей: простих і складних, корисних (на нашу думку) і просто драйвових. Потім ми визначали їхню релевантність за звичними для продуктових команд критеріями:

• яку цінність дає ідея;
• чи розуміємо ми, як це побудувати та імплементувати;
• чи відповідає ця ініціатива баченню бізнесу та продуктовій стратегії;
• чи буде користувачам зручно цим користуватись;
• і головне — чи дійсно нам потрібен штучний інтелект для побудови обраного рішення.

Далі ми відсортували ідеї та використали цю матрицю пріоритетів:

Вісь Х показує здійсненність задумів, а Y — цінність ідеї для бізнесу. Визначаючи останню, ми брали до уваги бізнес-бачення, продуктову стратегію, потенційне масштабування і навіть командні OKR. Окрім того, знайшли кілька специфічних характеристик, які давали б змогу грамотно оцінювати перші проєкти саме у сфері штучного інтелекту, зокрема:

• оптимальний час для отримання перших результатів (до 3 місяців);
• здатність імплементувати рішення у процеси (проєкт має бути технічно можливим, щоб вистачало знання, експертизи та розуміння, як його зробити);
• чіткі критерії для успіху.

Робимо перші кроки

Цей етап передбачає пропрацювання найкращих юзкейсів. Після матриці пріоритетів найбільш перспективними ідеями виявилися ці чотири:

• Озвучення самарі за допомогою AI. Можливість послухати самарі нонфікшн-бестселерів — одна з функцій застосунку Headway. Ми не планували замінювати штучним інтелектом наших професійних нараторів. Однак він давав би змогу швидко тестувати продуктові ідеї або доцільність упровадження нової мови.

• Автоматизація клієнтської підтримки. Тут AI може допомогти з обробленням запитань та тікетів від користувачів.

• Перевірка рев’ю та фідбеків, аби акумулювати досвід користувачів та застосувати його для подальшого розвитку продукту.

• Персоналізація контенту в бібліотеці на нашому вебсайті відповідно до запиту користувача.

Розробку ідеї найкраще починати з Proof of Concept — підходу, який дає змогу швидко провалідувати напрацювання, виявити ризики, одержати перші інсайти, зекономити час та кошти. Ось за яким планом можна діяти в цьому випадку:

1. Чітко визначити проблему та завдання для ШІ.
2. Встановити критерії успіху — метрики, за якими потрібно оцінювати результати.
3. Зібрати та підготувати дані (за необхідності).
4. Розробити перший прототип (або ж скористатися уже готовим рішенням на ринку).
5. Протестувати та провалідувати гіпотезу.
6. Проаналізувати результати та допрацювати кейси.

Proof of Concept наших ідей

Озвучення самарі за допомогою AI. Спочатку ми думали про створення штучного голосу або ж клонування голосу реальної людини. Однак будувати подібні рішення з нуля складно, а як це сприймуть користувачі — незрозуміло. Тому знайшли кілька сервісів, де можна швидко й недорого згенерувати потрібний голос.

Далі ми оцінили аудіодоріжки за допомогою «сліпого» тестування, обрали найкращі та запустили A/B-тести, аби порівняти реакцію юзерів на AI та професійних оповідачів, а потім оцінити продуктові метрики.

Виявилося, що підхід чудово підходить для валідації пов’язаних з аудіо продуктових гіпотез, але розробляти власне рішення сенсу немає.

Автоматизація клієнтської підтримки. Багато запитів до сапорту часто повторювалися, тож ми думали про рішення, які будуть автоматично розподіляти тікети за категоріями та надавати стандартизовані відповіді.

Спочатку ми вирішили, що безпечніше та швидше спробувати розробити нескладний MVP на кшталт Copilot, який «підказуватиме» відповіді агентам. Розібравшись у питанні, ми побачили, що частково автоматизувати процеси можна взагалі без ML-алгоритмів — швидка розробка додаткових мікросервісів покрила 15% усіх кейсів.

Персоналізація контенту в бібліотеці за запитами користувачів. Ми розуміємо, як поводяться юзери, та знаємо запити, з якими вони потрапляють на нашу вебсторінку. Тому гіпотеза полягала в тому, що персоналізована під запити юзерів бібліотека буде більш корисною й надасть можливості для кращого залучення.

Розробка окремої моделі під це з самого початку дорога і складна, тож ми скористалися API від ChatGPT і Google Sheets, щоб розподіляти контент за напрямами. Уже перші тести показали, що в рішення є потенціал, а напрям варто розвивати й надалі.

Аналізуємо висновки

За час проєктування нового рішення команда проходить кілька етапів: Proof of Concept, розробка MVP та готовність до повноцінного виробництва. Нині ми на третьому. Серед усіх гіпотез, які тестували протягом цього року, найбільш перспективними виявилися AI-асистент та рекомендаційна система.

Асистент допомагає користувачам знайти найбільш релевантний для них контент у бібліотеці або навіть підказує, з чого почати занурення в нову тему — про те, як готуватися до співбесіди чи налагодити стосунки з близькими. За результатами тестів ми бачимо, що рішення стабільно та ефективно справляється з Jobs to Be Done певних сегментів користувачів. Продуктові метрики також покращилися.

Для нашої команди рекомендаційні системи Netflix та Spotify є орієнтирами. У застосунках Headway та Nibble також працює подібна система: вона оцінює широке коло користувачів та шукає певні патерни в поведінці людей, а далі видає їм відповідні рекомендації. Наша мета на майбутнє — щоб рекомендації видавалися під конкретний досвід, ураховуючи попередні запити та дії. В ідеалі кожна взаємодія користувача з застосунком, навіть мінімальна, має приносити певні інсайти для бездоганної роботи рекомендаційної системи.

Нині система уже впроваджена на iOS та Android, а також локалізована англійською та іспанською мовами. Завдяки цьому ми змогли покращити продуктові метрики, як-от монетизація, User Activation та Retention. У планах — реалізувати ще багато ідей щодо персоналізованого досвіду користувачів.

Найголовніша порада, яку можу дати, — просто розпочніть. Не обов’язково одразу робити квантовий стрибок. До мети наближають маленькі кроки та результати.

Якщо після прочитання цієї статті у вас є запитання або бажання познайомитись та поговорити про впровадження AI у продукт, пишіть мені в LinkedIn.