Ehhez szorosan kapcsolódnak a következő kérdések:
van a termékfejlesztési folyamatunkban olyan bizonytalanság, információhiány vagy információs túlterhelés, amely miatt rosszabb vagy lassabb döntéseket hozunk?
98 lektorált kutatást feldolgozva, és ezekből építettek fel egy olyan modellt, amely végigköveti az AI szerepét a teljes újtermék-fejlesztési folyamaton.
Öt összekapcsolódó területet azonosít:
milyen információfeldolgozási képességeket ad az AI,
hol alkalmazható a termékfejlesztésben,
milyen előnyök keletkezhetnek belőle,
milyen szervezeti feltételek szükségesek hozzá,
és milyen problémák korlátozzák a használatát.
Lényegesebb az a gondolat, hogy ugyanazt az AI-t egészen másképpen kell használni egy termék fejlesztés elején, közepén és végén.
A termékfejlesztés valójában bizonytalanság csökkentés
Egy új termék fejlesztésének elején általában nem azért van problémánk, mert kevés adatot tudunk feldolgozni.
Sokszor azt sem tudjuk biztosan, melyik adat fontos, honnan származnak.
Nem világos, hogy a vevői probléma valóban fájdalmas-e, merre mozdul a piac, milyen technológia válik elérhetővé, mi történik a versenytársaknál, és a húsz érdekes ötlet közül melyikben van valódi üzleti lehetőség.
Pontosan ezért ezt „fuzzy front endként”, vagyis ködös kezdeti szakaszként írja le a termékfejlesztés szakirodalma. Később a bizonytalanság egyre inkább műszaki kérdéssé válik: működik-e a termék, gyártható-e, milyen kompromisszum van költség és teljesítmény között. A piacra lépés környékén pedig a fő kérdések már a kereslethez, árazáshoz, ellátáshoz és a tényleges használathoz kapcsolódnak.
Ugyanaz az AI-megoldás nem lehet minden szakaszban egyformán jó, és nem is ugyanúgy használjuk.
A fejlesztés elején elsősorban keresni, összekapcsolni és értelmezni kell.
A közepén egyre inkább tervezni, szimulálni és tesztelni.
A végén pedig koordinálni, monitorozni és tanulni.
Ez már önmagában használható keretet ad egy cégnek.
Az elején ne az AI-tól kérj ötletet – mutasd meg neki a problémád világát
A generatív AI használatának egyik legkézenfekvőbb módja ma az ötletgenerálás. Beírunk egy kérdést, és néhány másodperc alatt húsz termékötletet kapunk.
Azonban ez csak a lehetőség felszíne.
Az AI érdekesebb szerepe abban van, hogy olyan mennyiségű, különböző formátumú információt képes együtt vizsgálni, amelyet egy kis fejlesztőcsapat emberi erővel nehezen tudna áttekinteni.
Online értékelésekből, közösségi médiából, szabadalmakból, tudományos publikációkból és más szöveges forrásokból képes mintázatokat, vevői problémákat, technológiai jeleket és új lehetőségeket keresni.
Egy kisebb magyar gyártó cégnek ehhez természetesen nincs szüksége több millió online értékelésre.
Képzeljünk el egy húsz-harminc fős műanyagipari vagy vegyipari beszállítót. Valószínűleg már most is rengeteg értékes tudással rendelkezik: reklamációk, elveszített ajánlatok indokai, értékesítői jegyzetek, szerviztapasztalatok, ügyfélinterjúk, korábbi fejlesztések, beszállítói információk és különböző szakmai dokumentumok formájában.
Ezek az információk különböző embereknél és különböző fájlokban élnek.
Egy hasznos első AI-projekt ezért nem feltétlenül az lenne, hogy „generáljunk száz innovációs ötletet”.
Sokkal érdekesebb lehet összegyűjteni a meglévő információkat, majd azt kérni az AI-tól,
hogy keressen bennük visszatérő vevői problémákat,
szokatlan felhasználási módokat,
egymással összefüggő panaszokat,
elvesztett üzletek mögött meghúzódó mintázatokat
vagy olyan problémákat, amelyekre a cég meglévő technológiája más alkalmazásban megoldást adhatna.
Az AI ebben az esetben nem ötlet automata, inkább egyfajta nagyító, ami összegyűjti az értékes fényt és koncentrálja.
A több ötlet azonban nem feltétlenül jobb innováció
A generatív AI rendkívül gyorsan képes kitágítani a megoldási teret, és a vizsgált kutatások szerint az AI által létrehozott ötletek mennyiségben és újszerűségben gyakran jól teljesítenek. A megvalósíthatóság azonban már jóval bizonytalanabb. Ráadásul a több ötlet új problémát teremt: valakinek ki kell választania, melyek érdemelnek további figyelmet.
Ha eddig egy workshopon húsz ötlet keletkezett, amelyekből nehéz volt kiválasztani a megfelelőket, akkor nem biztos, hogy sokat javítottunk a helyzeten azzal, hogy AI segítségével kétszáz ötletünk lett.
Az AI használatának ezért össze kell kapcsolódnia bizonyítékok keresésével.
Milyen vevői problémát old meg az ötlet?
Milyen adat támasztja ezt alá?
Mi a kritikus feltételezés?
Mit lehet egy hét alatt kipróbálni?
Mi lenne az az eredmény, amely alapján elengednénk?
A vállalatnak nem az a célja, hogy több ötlete legyen.
Hanem hogy gyorsabban különbséget tudjon tenni érdekes ötlet és bizonyítható lehetőség között.
A fejlesztés közepén az AI valódi értéke az lehet, hogy olcsóbbá teszi a tanulást
Amikor egy termékkoncepció már megszületett, a probléma megváltozik.
Most már nem annyira azt keressük, mit lehetne csinálni, hanem azt próbáljuk megtudni, hogy az elképzelés valóban működik-e.
Ebben a szakaszban az AI többféleképpen gyorsíthatja a fejlesztést. Generálhat vizuális és műszaki alternatívákat, támogathatja a 3D megjelenítést, kódot készíthet, lehetővé tehet egyszerű low-code vagy no-code prototípusokat, illetve optimalizálhat különböző konstrukciókat.
A fizikai termék fejlesztésének egyik legdrágább része, hogy a tanuláshoz gyakran valódi prototípust kell készíteni. Anyag kell hozzá, gépidő, mérnöki kapacitás, majd vizsgálni, mérni és újratervezni kell.
Hol tudnánk olcsóbban hibázni?
Ha egy szimulációval három gyenge változatot ki lehet szűrni, mielőtt legyártjuk őket, már értéket teremtettünk. Ha AI segítségével egy nap alatt létrehozható egy egyszerű szoftveres prototípus, amelyhez korábban külső fejlesztő kellett volna, gyorsabban tanulhatunk. Ha öt különböző csomagolási vagy termékkialakítást még a fizikai prototípus előtt meg lehet mutatni vevőknek, olcsóbbá válik a rossz elképzelések elvetése.
Kisebb vállalatoknál ez talán az AI egyik legfontosabb előnye.
Nem feltétlenül az, hogy kevesebb ember kell, hanem hogy ugyanaz az öt ember több kísérletet képes lefuttatni ugyanannyi idő alatt.
Az AI előnye különösen jelentős lehet startupoknál és KKV-knál, mert olyan innovációs tevékenységeket tesz elérhetővé számukra, amelyek korábban meghaladták volna szervezeti kapacitásukat.
A virtuális vevő nem valódi vevő
Generatív AI segítségével létre lehet hozni mesterséges personákat, virtuális felhasználókat és szimulált visszajelzéseket, amelyek hasznosak lehetnek akkor, amikor nehéz valódi ügyfelekhez hozzáférni.
Csakhogy a szimulált ügyfél továbbra sem vásárló.
Az AI által generált személyek és visszajelzések reprezentativitása korlátozott lehet, ezért a való világban történő ellenőrzést és az emberi értékelést nem helyettesíthetik.
AI-val lehet előkészíteni a vevői beszélgetést, de nem érdemes AI-val kiváltani a vevőt.
Használhatjuk hipotézisek készítésére, interjúkérdések összeállítására, lehetséges reakciók feltérképezésére és eredmények feldolgozására, de amikor azt szeretnénk megtudni, hogy valaki valóban problémának érzi-e a helyzetet és hajlandó-e fizetni a megoldásért, továbbra is érdemes valódi emberrel beszélni.
A piacra lépésnél már nem a kreativitás a fő probléma
A termékfejlesztés vége felé ismét megváltozik az AI szerepe.
Itt már jellemzően nem az a kérdés, milyen legyen a termék, hanem az, hogyan tudjuk a piacra vitelt összehangolni. Marketing, ár, kereslet, készlet, gyártás, értékesítés és ügyfélszolgálat egyszerre kezd mozogni.
Ebben a helyzetben az AI egyre inkább automatizálhat strukturált feladatokat. Készíthet különböző célcsoportokra szabott szöveget, képet vagy videót, segíthet kampányokat optimalizálni, figyelheti a versenytársakat, támogathatja az árazást, keresletet jelezhet előre és segíthet a készlettervezésben.
Kisebb vállalat esetében természetesen sokkal kisebb léptékben ugyanez a logika működhet.
Egy új B2B termék bevezetésekor például ugyanabból a műszaki tartalomból gyorsan készülhet külön magyarázat az ügyvezetőnek, a beszerzőnek és a műszaki vezetőnek.
Az első hónap ajánlatainak eredménye összevethető a korábbi várakozásokkal, az AI pedig segíthet észrevenni, hogy bizonyos szegmensek egészen másképpen reagálnak a termékre.
A termékfejlesztés nem ér véget a termék bevezetéssel
Az AI nemcsak a termék elkészítését gyorsíthatja, hanem bezárhatja a tanulási hurkot.
Ez egy hagyományos gyártó KKV számára talán még érdekesebb, mert ott a termékbevezetést gyakran lezárásnak tekintik.
A fejlesztési projekt befejeződik, a terméket átadják a salesnek, a fejlesztők pedig továbbmennek a következő feladatra.
Pedig ezután keletkezik egy egészen új adatforrás.
Milyen problémával hívják a szervizt?
Mely alkatrészt cserélik?
Milyen funkciót nem használnak?
Mit kérnek újra és újra az értékesítőktől?
Kik rendelnek másodszor?
Hol jelenik meg reklamáció?
Ha ezeket az információkat az AI folyamatosan képes rendszerezni és visszacsatolni a fejlesztőknek, a cég nem egyszerűen termékeket fejleszt.
Tanuló rendszert épít.
Nem mindenhol ugyanannyi AI kell
A vállalatvezetők számára talán az egyik legfontosabb kérdés nem az, hogy használjanak-e AI-t, hanem hogy hol mennyi döntési jogot adjanak neki.
Az egyik végén az AI információt, alternatívákat és javaslatokat ad, miközben az ember dönt. A másik végén már maga a rendszer hajt végre információfeldolgozási és döntési feladatokat.
A termékfejlesztés elején, ahol a probléma bizonytalan, sok az értelmezés és kevés a biztos adat, több emberi ítélőképesség indokolt.
Ahogy a folyamat strukturáltabbá válik, egyre több rutinszerű elem automatizálható.
Nem azért marad az ember a folyamatban, mert „az ember mindig jobb”.
Hanem azért, mert bizonyos döntésekben a kontextus, a felelősség, a stratégiai illeszkedés és a következmények megítélése továbbra is lényeges.
Ez sokkal használhatóbb megközelítés annál az általános szabálynál, hogy „mindig legyen human in the loop”.
Az AI legnagyobb veszélye talán nem az, hogy hibázik, hanem hogy túl meggyőző
Az AI használata könnyen magabiztosságot teremt.
Gyönyörű elemzést készít, világos táblázatot ad, üzleti esetet fogalmaz meg és három tizedesjegyre becsüli a piac méretét.
A gyorsabb információfeldolgozás nem feltétlenül jelent jobb innovációt. Az AI növelheti az információ mennyiségét, ami túlterhelést okozhat, és létrehozhat egy olyan hamis bizonyosságot is, amely miatt a döntéshozó túl korán elköteleződik.
Ezért érdemes az AI által készített elemzések mellett rendszeresen megkérdezni:
Miből tudjuk ezt?
Milyen adatból következik? Mi feltételezés? Mi hiányzik? Mi cáfolná meg? Melyik döntést nem bíznánk erre az eredményre?
Az AI jó döntési partner lehet.
Ehhez azonban nemcsak használni kell megtanulni.
Vitatkozni is kell vele. A technológia önmagában kevés
A sikeres AI-használatot három vállalati feltétel különösen erősen befolyásolja: a vezetés, a szervezeti kultúra, valamint az adat- és IT-infrastruktúra. A vezetőnek legalább annyira értenie kell az AI működését és korlátait, hogy kritikusan tudjon dönteni a használatáról; a kultúrának lehetővé kell tennie a kísérletezést és a tanulást; az információnak pedig hozzáférhetőnek és megfelelő minőségűnek kell lennie.
Ebből egy kisebb vállalat számára érdekes következtetés adódik.
Nem feltétlenül kell először AI-stratégiát írni.
Érdemesebb lehet létrehozni néhány valódi AI-kísérletet.
Nem tréningen tanítani az AI-t, majd remélni, hogy az emberek találnak valami értelmes felhasználást, hanem kiválasztani egy valódi fejlesztési problémát, kipróbálni egy új munkamódot, megmérni az eredményt, megbeszélni, mi működött és mi nem, majd a következő projektnél módosítani.
Az AI-képesség tehát nem egyszerűen promptírási képesség.
Sokkal inkább annak megtanulása, hogy mikor bízzunk benne, mikor ellenőrizzük, mikor kérdezzünk vissza, és mikor ne használjuk egyáltalán.
Megjegyzések
Megjegyzés küldése