В Альфа‑Банке запустили AI Product Insight — AI‑модуль для продуктового Discovery, который позволяет радикально ускорить проверку гипотез и сократить издержки на исследования. Решение создано командой CPO Константина Климшина и специалистами ReML (R77.ai; выходцы из МФТИ). Главная цель — не просто «ускорить в 2 раза», а дать возможность проверять гипотезы на порядок быстрее, что критично для инновационных продуктов с высокой ценой ошибки, таких как «Альфа‑Босс».

Почему это было нужно

Для B2B‑продуктов длинные циклы Discovery — норма: сложные клиенты, долгие сделки, необходимость минимизировать риски. Но для прорывных решений ждать по три месяца ради одной гипотезы — слишком дорого. Каждая гипотеза упиралась в три узкие места:

  • Разрозненные данные о клиенте. Информация о CX была раскидана по десяткам источников: интервью, чаты, VoC, звонки контакт‑центра, комментарии менеджеров. Вручную собрать из этого целостную картину почти невозможно.

  • Дорого и долго. Рекрутинг респондентов и заказ качественных/количественных исследований требовали отдельного бюджета и недель ожидания.

  • Долгий путь от инсайта до фичи. Продуктовые команды успевали проверить лишь 1–3 гипотезы за квартал из‑за большого объёма ручной работы.

Как устроен AI Product Insight

Модуль объединяет четыре ключевых блока:

  1. Поиск по базе знаний — быстрые ответы на вопросы о клиенте со ссылками на первоисточники.

  2. Валидация продуктовых гипотез — проверка гипотезы по имеющимся данным с оценкой процента подтверждённости.

  3. Синтетический клиент — модель поведения клиента на базе методологии «Майндсеты» из сервис‑дизайна. Можно выбрать конкретный образ или роль и «поговорить» с ним: под капотом — знания из транскрибаций реальных интервью.

  4. Проверка идеи на образах — прогон одной гипотезы сразу на нескольких сегментах, чтобы увидеть разницу в реакции.

Технически команда ReML реализовала алгоритмы кластеризации болей и потребностей, модель поведения пользователей, интеграцию с системами сбора данных и провела тестирование, снизив типичные для ИИ‑решений риски (галлюцинации, нестабильность ответов).

Кто и как использует модуль

  • CPO и продуктовые менеджеры задают вопросы о поведении, задачах и точках взаимодействия клиента с банком, проверяют гипотезы и уточняют ответы через синтетического клиента.

  • Дизайнеры прогоняют гипотезы о мотивах и барьерах клиентских архетипов через синтетического клиента и сверяют с базой реальных интервью — вместо того чтобы описывать персону «на глаз».

  • Цифровые продажи ищут данные о продажах в цифровых каналах, проводят интервью с синтетическими клиентами разных образов, чтобы понять интересы сегментов и момент, когда предложение органично впишется в их бизнес‑ритм.

Результаты:

  • Time‑to‑discovery: сократился с 3 месяцев до 1 месяца (цель достигнута), для части задач полный цикл Discovery теперь закрывается даже за один день.

  • Стоимость исследований: часть работ, которые раньше заказывали на стороне и выделяли под них отдельный бюджет, теперь выполняют внутри модуля — это даёт существенную экономию.

  • Time‑to‑market: стартовали от 180 дней, ближайшая цель — 120 дней, стратегическая — 90 дней.