С развитием искусственного интеллекта (ИИ) скорость разработки программного обеспечения значительно увеличилась, что создает новые вызовы для исследовательских команд. Важно понять, как исследования могут адаптироваться к этой новой реальности и какие подходы могут помочь в этом процессе.

Быстрее, чем исследование

С появлением ИИ-агентов, способных писать код, экономика разработки программного обеспечения претерпевает изменения. Ранее создание функционала могло занимать месяцы, и исправление ошибок после релиза требовало значительных затрат времени и ресурсов. Теперь, когда ИИ позволяет быстро вносить изменения, команды все чаще предпочитают сначала выпустить продукт, а затем анализировать его эффективность. Однако, если релиз происходит быстрее, чем исследование пользователей, возникает вопрос: как исследование может оставаться актуальным?

Стоимость программного обеспечения

На протяжении большей части своей истории разработка программного обеспечения была дорогой и трудоемкой. Ошибки, допущенные в процессе, могли требовать целого цикла релиза для исправления. С появлением ИИ-агентов стоимость исправления ошибок значительно снизилась. Это, в свою очередь, ослабляет необходимость в длительных предварительных исследованиях, так как команды могут быстро вносить изменения и адаптироваться к полученным данным.

Исследование в процессе разработки

Подход, известный как "исследование в процессе разработки" (research-in-the-loop), интегрирует UX-исследования в цикл разработки программного обеспечения, поддерживаемого ИИ. Это позволяет командам адаптировать свои исследовательские активности к более быстрым циклам разработки. Исследование может помочь определить, какие данные необходимо собирать до, во время и после релиза, а также какие методы исследования могут быть наиболее актуальными в каждом конкретном случае.

От требований к инструментам

С помощью ИИ команды могут объединить исследовательские и продуктовые требования в одном документе. Это позволяет ИИ-агентам создавать необходимые инструменты для сбора данных одновременно с разработкой функционала. Например, если команда разрабатывает новый функционал для поддержки тикетов, она может сразу же прописать, какие данные необходимо собирать для анализа эффективности этого функционала.

Количественные и качественные исследования

С увеличением объема данных, которые можно собирать, количественные исследования становятся более доступными. Каждое обновление может генерировать данные от реальных пользователей. Однако количественные данные не всегда объясняют, почему пользователи ведут себя определенным образом. Для этого необходимы качественные исследования, которые могут быть проведены параллельно с количественными. Команды могут использовать регулярные сессии для изучения новых функций и анализа пользовательского опыта.

Новые навыки для исследователей

Исследование в процессе разработки требует от исследователей новых навыков. Это включает в себя умение писать требования, которые могут быть реализованы ИИ-агентами, а также способность работать с инструментами аналитики и интерпретировать данные. Несмотря на новые вызовы, основные навыки исследования, такие как формулирование вопросов и анализ данных, остаются важными.

Открытые вопросы

Несмотря на очевидные преимущества, подход "исследование в процессе разработки" вызывает множество вопросов. Как сбалансировать различные виды исследований? Как оценивать системные эффекты? Как избежать предвзятости в интерпретации данных? Эти вопросы требуют дальнейшего изучения и обсуждения.

Как начать

Не обязательно реорганизовывать команду, чтобы начать внедрять новые подходы. Можно попробовать применить их на одном релизе, написав исследовательский раздел, который будет включать гипотезы, критерии успеха и данные для отслеживания. Это поможет команде лучше понять, какие данные необходимо собирать и как их использовать для улучшения продукта.

Исследования на скорости ИИ

Сейчас, когда стоимость разработки снижается, у исследователей появляется возможность интегрировать свои исследования в каждый релиз. Это открывает новые горизонты для понимания потребностей пользователей и улучшения качества программного обеспечения. Как и фотограф с цифровой камерой, исследователи могут делать больше "снимков" и находить лучшие решения, но при этом им необходимо знать, какие из них стоит сохранить.