How AI accelerates discovery 3–5 times

Що всередині

•Контекст: Discovery в епоху генеративного ШІ, який став частиною майже всього;

•Класичний Discovery: Double Diamond Model і роль Product Manager у процесі;

•Чому цикл продакт-роботи може тривати 8–12 тижнів і як його скорочувати до 2–3 тижнів;

•Визначення: ШІ, LLM (Large Language Model), AI-агенти та нюанс перекладу «Intelligence»;

•Що реально стоїть за PMF: customer research, competitor research, патерни, прототипи, feasibility, business impact;

•Біль Discovery сьогодні: фрагментація інструментів, ізоляція даних, довгий синтез, пропущені можливості, складне вирівнювання зі стейкхолдерами;

•Вплив генеративного ШІ на PDLC і на ранні етапи: продуктивність, швидкість research, якість output, time to market;

•Як ШІ пришвидшує CastDev, market research, пошук патернів і формування гіпотез;

•Гігієна мислення: як не застрягнути в аналізі, не підтверджувати упередження і не копіювати галюцинації;

•AI-powered Discovery як послідовність кроків: рамка → збір → синтез → рішення → наступна ітерація.

Лекція буде корисною для

•Продакт-менеджерів, які хочуть пришвидшити Discovery і перестати бути behind девелопменту;

•Дизайнерів і дослідників, які синтезують якісні інсайти з інтерв’ю, форм та відгуків;

•Команд, які працюють у швидкому ринку і не хочуть втрачати можливості через повільний цикл рішень;

•Фахівців, які використовують LLM і агентів для research, але хочуть зберігати контроль за якістю висновків.

Контекст і позиція: Discovery у світі генеративного ШІ

Discovery описується в умовах, де генеративний ШІ вже не просто «в кожній прасці», а виглядає частиною майже всього, що можна уявити. У такому світі важливо зберігати ясність: Product Discovery лишається єдиним способом дізнатися, чого користувачі хочуть, бо без розмови з людьми продукт лишається в зоні припущень.

Далі вводиться принципова рамка: генеративний ШІ не замінює продакта в Discovery і «не забирає етап цілком». Натомість ШІ пришвидшує весь процес end-to-end, забираючи найбільш марудні частини роботи, тоді як людина присутня на кожному етапі.

Принцип: Discovery лишається контактом із реальністю; ШІ прискорює дорогу до висновків, але не підміняє реальність.

Discovery по класиці: Double Diamond і сфера відповідальності продакта

Як «класика» береться Double Diamond Model (British Design Council): визначення проблеми, Discovery, Definition, далі розробка і доставка рішення. Після визначення проблеми збирається контекст: середовище, конкуренти, користувачі, інсайти. Потім іде аналіз, синтез і формулювання задачі, варіантів вирішення та гіпотез. Далі — тестування через прототипи й інші форми перевірки. Останній крок — ітерації, які можуть тривати дуже довго.

Результат у широкому сенсі описується як рух до Product Market Fit (PMF), а у вузькому — як відповідь на конкретний біль або можливість для конкретних користувачів.

Окремо проговорюється, що Double Diamond загалом лежить у сфері відповідальності Product Manager. У нових продуктах і нових фічах зона роботи продакта зазвичай стартує з визначення проблеми й тягнеться приблизно до середини девелопменту, далі починається домінування delivery-частини, хоча межі залежать від компанії.

Принцип: Double Diamond — це не ритуал; це спосіб звести проблему, інсайти, гіпотези й тестування до рішення.

Чому продакт часто behind і навіщо стискати Discovery

У середньому фаза «визначити, що робимо і як», до передачі в розробку, може тривати 8–12 тижнів. Девелопмент здатен закривати частину роботи за кілька спринтів, особливо якщо розробники використовують ШІ. Через це продакт часто стає behind від темпу delivery.

Звучить ідея скорочення до 2–3 тижнів як спосіб вирівнятися з девелопментом: рішення формуються швидше, команда швидше розуміє, що саме робити далі, і встигає в темп змін на ринку.

Принцип: Темп ринку карає повільний синтез; стискання Discovery зберігає можливості, які інакше «проїжджають хайп-трейном».

Визначення: ШІ, LLM і AI-агенти

ШІ визначається як комп’ютерна система, здатна автономно оперувати в складних середовищах і вчитися на власному досвіді. У цьому визначенні важливі автономність, складність середовища і навчання на досвіді.

Окремо проговорюється нюанс перекладу: Artificial Intelligence не зводиться буквально до «інтелекту», бо Intelligence може означати також розвідку, обізнаність та інші сенси.

LLM (Large Language Model) описується як нейронна мережа, здатна розуміти та створювати будь-який текст. «Текст» у цій рамці включає код, звичайний текст, вірші, статті, шахові партії й усе, що може виглядати як текстова послідовність. Більшість AI-асистентів — це взаємодія саме з LLM.

AI-агенти визначаються як системи, здатні самостійно обирати та використовувати доступні інструменти для досягнення цілі. Саме цей компонент «інструментальної дії» робить агентів корисними у задачах, де потрібні не тільки тексти.

Принцип: LLM допомагає думати і формулювати; агент допомагає діяти через інструменти.

Що стоїть за PMF: верхівка айсберга і «під капотом»

PMF подається як результат великої кількості циклів Discovery. Те, що видно зовні, — лише верхівка. Під капотом зазвичай є:

•Тонни customer research;

•Сотні ітерацій competitor research і уточнення конкурентів;

•Пошук зв’язків, патернів і кореляцій у даних;

•Генерація ідей, прототипування і провалення прототипів;

•Оцінка feasibility;

•Оцінка business impact і готовності платити достатньо, щоб продукт мав сенс.

Навіть якщо задача важлива, а рішення класне, без готовності платити на рівні, що перекриває витрати і дає прибуток, продуктова логіка «не сходиться».

Принцип: Discovery має перевіряти не тільки «чи болить», а й «чи платять» та «чи можна зробити».

Що «ламає» Discovery: інструменти, дані, синтез і швидкість змін

Вказуються типові системні проблеми сучасного Discovery.

•Фрагментація інструментів під різні задачі;

•Ізоляція даних у різних системах і форматах;

•Складність поєднати інформацію докупи;

•Найдовший етап — складання й синтез, а не самі інтерв’ю;

•Світ змінюється швидше, ніж завершується синтез, і можливість може бути втрачена;

•Довгий цикл прийняття рішень і важке вирівнювання зі стейкхолдерами та ЛПР;

•Вигорання як наслідок нескінченної обробки.

Ключова думка: якщо дані ізольовані, «відкриття» майже неможливі, бо картина не складається в одне ціле.

Принцип: Проблема Discovery — не в кількості інтерв’ю, а в зведенні даних у спільну картину.

Що показують дані: продуктивність, швидкість research, якість output і time to market

Наведено результати дослідження McKinsey: 40% продуктів відзначили підвищення продуктивності завдяки генеративному ШІ, і така сама частка — зменшення часу на research та інші context-heavy задачі. Приблизно 30% відзначили підвищення якості output через структурованість і передбачуваність. 5% компаній відзначили прискорення time to market.

Підкреслюється, що time to market є ключовою метою: «нам треба робити все це швидше». Поточний ефект поки не виглядає гігантським, але очікується, що з глибшим проникненням інструментів він стане помітнішим.

Принцип: Найбільша вигода — скорочення context-heavy роботи; це і є «паливо» для швидшого time to market.

Типовий розподіл часу в Discovery і непорушний «якір»

Описано типовий розподіл часу в класичному Discovery для нових фіч або продуктів:

•35% — дослідження користувачів: інтерв’ю, опитування, аналіз результатів;

•25% — дослідження конкурентів і ринку;

•20% — пошук зв’язків між зібраними речами, синтез;

•15% — формування гіпотез;

•5% — інші активності.

Непорушний «якір» формулюється прямо: продукти поки що купують люди, а не агенти. Тому розмови з людьми лишаються базою Discovery.

Принцип: ШІ пришвидшує обробку, але truth-сигнали лишаються людськими: розмови з користувачами не «делегуються» повністю.

CastDev: прискорення інтерв’ю, нотаток і витягу інсайтів

У CastDev описується набір задач: спланувати інтерв’ю, провести, записати, зробити нотатки, обробити і звести інформацію. До ШІ аналіз півгодинного інтерв’ю міг тривати від однієї години до «умовної нескінченності».

ШІ змінює це через:

•AI-асистента на дзвінку для нотаток, інгейджменту та підказок запитань;

•Швидкий пошук інсайтів через промпт: jobs to be done, болі, можливості, ідеї покращень;

•Порівняння групи інтерв’ю: спільні теми, протиріччя, різні бажання та оцінки;

•Симуляції ICP як додатковий інструмент мислення з застереженням: «не вірити всьому» і не підміняти цим реальність.

Принцип: AI-асистент знімає навантаження інтерв’юера; інтерпретація і висновки лишаються відповідальністю людини.

Дослідження ринку: Always-on Discovery, неочевидні конкуренти і аналіз «в браузері»

До ШІ market research асоціюється з великими таблицями, а пошук конкурентів — з частково випадковим гуглінням і спробами не пропустити нових гравців. З ШІ з’являється можливість Always-on Discovery: невеликий pet-проєкт може регулярно переглядати сторінки конкурентів і звітувати про зміни: новий дизайн, позиціонування, банери, фічі.

Deep Research допомагає знаходити неочевидних конкурентів, особливо в B2C. AI-браузери й агенти дають змогу аналізувати сторінки конкурентів прямо «на місці» і отримувати гіпотези, сентимент-аналіз та інші підказки під час перегляду.

Додається ідея «перетворити агента на експерта» через промпт, наприклад, в ролі консультанта. Водночас підкреслюється: треба чітко визначати, що саме хочеться дізнатися; якщо питання нечітке, варто ітерувати його зі ШІ як із thinking buddy.

Принцип: Always-on Discovery знімає ризик «пропустити зміни», але якість висновків визначає чіткість питання.

Пошук патернів: сумаризація, кластери, слабкі сигнали і сторітелінг

Задача цього блоку — знайти зв’язки і кореляції у великих масивах різноформатних даних: тексти, короткі й довгі, картинки, відео, якісні та кількісні джерела. До ШІ ризики були типові: «призма експерта», пропуск очевидних висновків, пропуск висхідних трендів.

З ШІ (і ширше — з машинним навчанням) стають простішими такі практики:

•Сумаризація великих обсягів: саппорт-тікети, відгуки, інтерв’ю, вебсторінки, форми;

•Кластерний аналіз для відкритих питань, коли незрозуміло, що саме шукається;

•Пошук слабких сигналів і зародкових трендів із застереженням про good judgment;

•Створення інтерактивних артефактів для презентації: звіти, HTML, презентації.

Принцип: ШІ допомагає «побачити ліс», але рішення, що з цим робити, тримається на good judgment і пріоритетах.

Гіпотези і тестування: генерація варіантів і швидкі перевірки

До ШІ генерація гіпотез була складною: це займало багато часу, спрацьовувала призма експерта, ідей було мало, а тестів ще менше через необхідність робити прототипи, дизайн- чи девелопмент-роботу, копі для лендингів або реклами. З ШІ це змінюється: модель краще тримає формальну структуру гіпотези і може генерувати багато варіантів — десятки або навіть сотні. Далі обирається робочий набір, наприклад 20–30 гіпотез.

ШІ може швидко підготувати артефакти під тестування: лендинги, статті, рекламні тексти. Через це проміжок між гіпотезою і тестом суттєво стискається.

Окремо згадується тестування UI/UX через агента: агент отримує доступ до тестового середовища і «страждає» в продукті, намагаючись виконати задачу. Такий підхід імітує поведінку користувача, який не завжди розуміє інтерфейс, і дає швидкий сигнал без тривалих організаційних циклів.

Принцип: Велика кількість гіпотез має сенс лише тоді, коли тестування стає дешевим і швидким.

Гігієна використання ШІ: як не зламати Discovery

Є чотири прямі застереження щодо якості мислення і процесу.

Уникати аналізу лише з ШІ

Не можна «знати ринок», якщо не було розмов з конкурентами, тестів на власному сайті, читання форм і реальних даних. Агенти поки що не купують продукти, тому потрібно спілкуватися з реальними користувачами. Продакт-менеджер описується як «менеджер по зв’язках з реальністю».

Уникати «переліча аналізу»

ШІ дає змогу аналізувати нескінченно, тому потрібна фінальна точка. Пропонується визначати зупинку датою, а не кількістю артефактів: усе, що зроблено до дедлайну, і є результатом ітерації.

Уникати підтверджень власної думки

Модель може підтвердити будь-що. Тому варто просити контраргументи, критику, роль «адвоката диявола», пошук слабких місць у стратегії.

Уникати бездумного копіювання

ШІ галюцинує і може помилятися, тому піддавати сумніву потрібно все: просити перевірки, просити знайти недоліки і не переносити висновки без критики.

Принцип: Дедлайн, критика і контраргументи захищають від «розумного самообману», який легко масштабується ШІ.

AI-powered Discovery: практична схема процесу

Описується послідовність, де відповідальність чітко розділяється між людиною та інструментом.

•Людина визначає рамку дослідження: кого і для чого досліджувати, який результат потрібен;

•ШІ допомагає збирати дані: транскрипція, нотатки, допоміжні підказки;

•ШІ пришвидшує аналіз і синтез наявних даних, які зазвичай займають найбільше часу;

•ШІ допомагає оформити звіт: структура, графіки, висновки, артефакти;

•Людина приймає рішення: пріоритизація болів, вибір гіпотез, родмап, назва, напрям;

•Наступна ітерація стартує з нової рамки на основі попереднього результату.

Принцип: ШІ прискорює збір і синтез; людина тримає рамку, пріоритети та рішення.

Фінальний висновок і підвищення планки

Фінальний меседж формулюється як підвищення планки навичок: роботу забирає не сам ШІ, а люди, які використовують ШІ краще. Це означає, що в інформаційних технологіях і суміжних ролях вимагатимуться інші набори навичок, а вміння швидко і якісно робити Discovery стає конкурентною перевагою.

Принцип: Планка підвищується через швидкість і якість Discovery; перевага в того, хто краще перетворює ШІ на процес.

Інформація про курс

Описується курс «ШІ для продакт-менеджерів» з фокусом на реальні фреймворки та інструменти, які використовуються в роботі. Фінал курсу — презентація і можливість попрактикуватися з інструментами.

Курс триватиме приблизно 2 місяці й стартує у другій декаді березня. Згадується промокод на 10% знижки та заклик подати заявку. Також пропонується додатися в LinkedIn і переглянути Kapler.io, а презентацію поширять організатори.

Принцип: Освоєння інструментів має завершуватися артефактами й практикою; саме так навички стають «робочими».