Od Discovery do Delivery: jak projektować produkty AI, które rozwiązują realne problemy

Wiele produktów AI zaczyna się od zdania „wykorzystajmy AI, żeby...". To zwykle zły początek, bo zaczyna od technologii, a nie od problemu. Efekt jest przewidywalny: imponujące demo, które po kilku tygodniach przestaje być używane, bo nie wpisało się w pracę ludzi, dla których miało powstać.

Dobra wiadomość jest taka, że projektowanie produktów AI nie wymaga zupełnie nowej wiedzy. Wymaga rzetelnego discovery i konsekwentnego delivery, z kilkoma dodatkowymi pytaniami, które w klasycznym oprogramowaniu pojawiają się rzadziej.

Dlaczego produkty AI potrzebują dobrego discovery jeszcze bardziej

W tradycyjnej aplikacji ta sama akcja daje ten sam wynik. W produkcie opartym na AI wynik bywa niepewny: model może się mylić, odpowiadać różnie na podobne pytania albo brzmieć przekonująco, gdy nie ma racji. To zmienia kilka rzeczy:

• zaufanie staje się elementem produktu. Użytkownik musi wiedzieć, kiedy może polegać na wyniku, a kiedy go sprawdzić,
• jakość nie jest zero-jedynkowa. Trzeba ustalić, jaka dokładność jest wystarczająca w danym zastosowaniu,
• dane decydują o możliwościach. Pomysł bez dostępu do właściwych danych często nie ma szans na realizację,
• koszt pomyłki zależy od kontekstu. Błąd w propozycji tytułu maila to drobiazg, błąd w analizie dokumentu prawnego może być kosztowny.

Dlatego etap discovery nie jest formalnością. To właśnie tu rozstrzyga się, czy AI jest w ogóle właściwym narzędziem.

Discovery: od czego zaczynać

1. Problem, a nie technologia

Pierwsze pytanie brzmi: jaki problem ma konkretna grupa osób i jak go dzisiaj rozwiązuje? Warto zejść do poziomu rzeczywistej pracy: co robi człowiek krok po kroku, gdzie traci czas, gdzie się myli, co go frustruje.

Dobrym sygnałem jest problem, który jest powtarzalny, kosztowny (w czasie, pieniądzach lub jakości) i widoczny dla samych zainteresowanych. Jeśli użytkownicy nie odczuwają bólu, produkt nie znajdzie odbiorców, nawet jeśli technologia jest znakomita.

2. Czy AI jest tu właściwym rozwiązaniem?

To pytanie jest pomijane najczęściej. Część problemów lepiej rozwiązuje prosta automatyzacja, reguła biznesowa lub poprawa procesu. AI ma sens, gdy zadanie wymaga rozumienia języka, pracy z nieustrukturyzowanymi danymi, rozpoznawania wzorców lub generowania treści, a reguły byłyby zbyt liczne lub zbyt kruche.

Proste kryterium: jeśli da się opisać rozwiązanie kilkoma jednoznacznymi regułami, najpewniej nie potrzebujesz AI.

3. Dane i wykonalność

Zanim zaczniesz projektować, sprawdź:

• jakie dane są potrzebne i czy masz do nich dostęp,
• w jakiej są jakości i formie,
• czy wolno ich użyć (RODO, poufność, umowy z klientami),
• gdzie działać będzie rozwiązanie i jakie systemy trzeba zintegrować.

Te odpowiedzi często ustalają realny zakres lepiej niż ambitna wizja.

4. Miara sukcesu zdefiniowana z góry

Zanim coś powstanie, ustal, po czym poznasz, że produkt działa. W produktach AI warto myśleć o trzech poziomach:

• jakość wyniku: jak często odpowiedź jest poprawna i użyteczna,
• użyteczność dla użytkownika: czy skraca pracę, czy ludzie z tego korzystają i wracają,
• wartość biznesowa: czas, koszt, jakość lub przychody, które da się zmierzyć.

Bez tego każdy test kończy się subiektywnym „wygląda dobrze".

Walidacja: sprawdź, zanim zbudujesz

Między discovery a budową jest etap, który oszczędza najwięcej pieniędzy: szybkie sprawdzenie założeń na małej skali. W projektach AI sprawdzają się szczególnie trzy sposoby:

• Prototyp na prawdziwych przykładach. Wez kilkanaście lub kilkadziesiąt realnych przypadków od użytkowników i sprawdź, jak model sobie z nimi radzi. To najszybszy test, czy w ogóle warto iść dalej,
• Zestaw testowy do oceny jakości. Zbiór przykładów z oczekiwanymi wynikami pozwala porównywać wersje rozwiązania i mierzyć, czy zmiany pomagają, czy szkodzą,
• Rozwiązanie „zza kulis”. Na początek część pracy może wykonywać człowiek, a użytkownik widzi działający produkt. Dzięki temu uczysz się zachowań i oczekiwań, zanim zainwestujesz w pełną automatyzację.

Prototyp nie musi być piękny. Ma pokazać, czy rozwiązanie działa i czy ludzie chcą z niego korzystać.

Delivery: z prototypu do produktu

Gdy założenia przetrwają walidację, zaczyna się dostarczanie. W produktach AI szczególną uwagę trzeba poświęcić kilku elementom.

Projekt całego doświadczenia, nie tylko modelu. Model to jeden element. Równie ważne są interfejs, sposób prezentowania wyników, możliwość poprawienia odpowiedzi i jasny komunikat, czego system nie potrafi.

Człowiek w pętli. Tam, gdzie koszt błędu jest wysoki, wynik powinien być sprawdzany lub zatwierdzany przez osobę. Z czasem, gdy jakość się potwierdzi, zakres automatyzacji można zwiększać.

Zabezpieczenia i ograniczenia. Określ, co system może robić, a czego nie, jak reaguje na niejasne polecenia i co się dzieje, gdy nie jest pewien odpowiedzi. Lepiej, żeby powiedział „nie wiem", niż zgadywał z przekonaniem.

Bezpieczeństwo i dane. Zadbaj o to, gdzie trafiają dane użytkowników, kto ma do nich dostęp i jakie dane trafiają do zewnętrznych usług.

Monitoring po wdrożeniu. Produkt AI nie jest skończony w dniu startu. Trzeba śledzić jakość odpowiedzi, opinie użytkowników i koszty, bo zachowanie systemu zmienia się wraz z danymi i użyciem.

To nie jest proces liniowy

W opisie discovery i delivery wyglądają jak dwa kolejne etapy. W praktyce to pętla. Wnioski z wdrożenia wracają do discovery: pojawiają się nowe przypadki użycia, wychodzą niespodziewane ograniczenia, zmieniają się oczekiwania ludzi. Dobry zespół produktowy prowadzi oba procesy równolegle i wraca do początku, gdy dane tego wymagają.

W tej pętli szybkie prototypowanie z użyciem AI daje realną przewagę. Skraca czas od pytania do odpowiedzi i pozwala sprawdzać więcej hipotez w ten sam okres.

Najczęstsze błędy

• Zaczynanie od technologii. „Mamy dostęp do modelu, wymyślmy, co z nim zrobić" prowadzi do rozwiązań szukających problemu.
• Pomijanie danych. Odkrycie w połowie projektu, że dane nie istnieją lub nie wolno ich użyć, jest drogie.
• Brak miary jakości. Bez zestawu testowego i jasnych kryteriów nie wiadomo, czy kolejne zmiany poprawiają produkt.
• Za duży zakres na starcie. Lepiej dobrze obsłużyć jeden scenariusz niż słabo dziesięć.
• Ignorowanie ludzi i procesu. Nawet najlepszy model nie pomoże, jeśli nie pasuje do sposobu pracy użytkowników.
• Traktowanie wdrożenia jako końca. Produkt AI wymaga stałej opieki i dalszego uczenia się.

Podsumowanie

Produkty AI, które rozwiązują realne problemy, powstają w tej samej kolejności co każdy dobry produkt: najpierw zrozumienie problemu i ludzi, potem walidacja, dopiero na końcu budowa i rozwój. Różnica polega na tym, że przy AI trzeba dodatkowo zadbać o dane, jakość wyników i zaufanie użytkowników.

Technologia przyspiesza budowanie, ale to nie ona decyduje o sukcesie. Decyduje o nim to, czy zespół wiedział, jaki problem rozwiązuje, i czy potrafił to sprawdzić, zanim zainwestował w pełną realizację.

Masz problem biznesowy, przy którym zastanawiasz się, czy AI to właściwa odpowiedź? Napisz do mnie, a wspólnie sprawdzimy to, zanim zaczniesz budować.