Привет! Меня зовут Лена, я продуктовый дизайнер в Альфе. До этого три года была дизайн-лидом в Сбере и в travel-tech стартапе. Много работала в паре с исследователями и сама часто проводила простые UX-тесты.
Запрос от бизнеса
В начале квартала пришёл запрос от бизнеса: сделать CJM для объёмного пользовательского сценария. Я думала, что задача на весь квартал — успею записаться в UX-лабораторию и провести полноценное исследование.
Но оказалось, карту ждут… уже на следующей неделе.
В помощь пошёл Scholar GPT
Я вспомнила, что в чате GPT видела подборку нейросетей для UX-исследований. Самая популярная из них — Scholar GPT.
Начала с простого запроса на английском: «Find the latest research on… /мой запрос/» («Найди последние исследования по теме…»). GPT выдал больше 10 свежих академических статей (включая закрытые источники) с кратким резюме по каждой. В моём случае это были исследования про таск-менеджеры для детей: родитель ставит задачу — ребёнок выполняет и получает награду.
Как я выжимала максимум из ИИ
Из всего списка я выбрала две статьи и начала задавать уточняющие вопросы. «What were the characteristics of the participants?» («Кто участвовал в исследовании?») В ответ получила данные по возрасту, финансовому статусу и т.д.
После я попросила его рассказать подробнее: какие барьеры были у респондентов — «Tell me more about Study N: what barriers do users face?». GPT выдал список болей пользователей, вроде страха утечки данных или перегруза геймификацией, которые я потом перенесла в карточки.
Некоторые пункты хотелось ещё больше развернуть, углубиться. Поэтому я просила Scholar GPT объяснить детальнее: «Explain /тема/ in more detail». Это помогло разобраться в новых понятиях и погрузиться в тему.
А что предлагают сами исследователи?
Мне стало интересно: если авторы так глубоко исследовали проблемы, наверняка у них есть идеи по их решению. Спросила: «What do the authors recommend specifically to avoid these biases?». В ответе пришла масса стоящих рекомендаций, вроде, онбординга с прозрачными условиями по сбору личных данных или подсказок родителям для вовлечения детей в диалог про деньги.
Неожиданный поворот: GPT сам нарисовал CJM
Финальным штрихом стал запрос: «If the authors of these studies were to create a customer journey map, what key interactions would they likely highlight? Make it in a table view», — что, если бы авторы статей создали CJM, какие этапы взаимодействия они бы выделили?
GPT в ответ… сделал таблицу в виде CJM.
Не совсем в привычной структуре, но с набором параметров, почти как в полноценной карте (для некоторых тем показывает ещё столбик с эмоциями, но в этот раз задача прочувствовать клиента осталась на нас с продактом).
Что дальше?
Я перенесла результат в Figma. С продактом проверили уместность всех болей и инсайтов, добавили свои кейсы и идеи относительно UX нашего сервиса.
На презентации бизнес утвердил наши идеи и дал зелёный свет на проработку макетов на основе CJM.
Выводы
Chat-GPT сильно сэкономил ресурсы. На исследование ушёл день, на сборку карты — ещё два.
Я лучше погрузилась в задачу — это дало более глубокое понимание причин болей и барьеров пользователей.
Запросы лучше делать на английском и поэтапно. Универсальный промт не сработал: GPT сразу выдал готовую CJM без фактуры. Лучше идти шаг за шагом — от поиска исследований до конкретных инсайтов.
Дисклеймер:
В Идеальном мире на все задачи выделены адекватные сроки, которые устраивают и заказчика и исполнителя, а на профессиональные исследования всегда есть ресурс.
Но мы живём в Реальном мире. И да, в больших корпорациях тоже бывают горящие сроки. Контекст очень быстро меняется, мы стараемся сохранять гибкость и скорость реакции.
GPT может «галлюцинировать» и придумывать данные — всегда проверяйте источники и ссылки. Scholar GPT в этом плане надёжнее, но всё равно не безупречен.
Данные из нейронки скорее отправная точка, которая помогает быстро собрать как можно больше гипотез и набрать фактуру для дальнейшей проработки.
Так мы параллельно запустили профессиональное исследование. Его результаты в итоге на 80% пересеклись с данными из GPT. Остальные 20% — краевые кейсы, которые касались конкретно нашего продукта.
Это ответственность каждого специалиста — насколько доверять и внедрять ИИ-помощников в работу
––
Пишу заметки о безопасной и развивающей цифровой среде для детей в telegram-канале @milkyUX
