Продуктові команди зараз рухаються швидко, але не завжди туди, куди треба. Колонка на UX Collective, яку переклала редакція Deep Digital, пропонує простий образ: водій, який обганяє чергу на дорозі, часто лише опиняється біля наступного червоного світла. Так само швидка робота з AI може дати відчуття прогресу, якого насправді немає. Швидкість зростає, а впевненість, що ви будуєте правильну річ, не зростає.
Авторка починає з особистого спогаду: у дитинстві батько, спокійно їдучи з дозволеною швидкістю вулицею в Бронксі, казав фразу «Going nowhere fast», коли інший автомобіль різко підрізав їх і за двадцять секунд опинявся поруч на тому самому червоному світлофорі. Запитання, яке авторка винесла з цього епізоду, стосується не дороги, а мотивації: чи помітив водій, що його «виграш» часу нічого не дав. Багато світлофорів працюють за таймером, тож обгін однієї зупинки часто лише наближає до наступної. Водій запам’ятовує сам обгін, а не світло, і ціна такої помилки проявляється пізніше, там, де її вже важко пов’язати з причиною.
Цей механізм, за словами автора, сьогодні знайомий продуктовим командам. Десятиліттями в індустрії працювало правило GIGO (garbage in, garbage out): сміття на вході дає сміття на виході. Проблема в тому, що з AI сміття на виході виглядає охайно і переконливо. Модель не оцінює, що є правдою для ваших користувачів, вона передбачає, що є ймовірним. Якщо подати їй власні дані, як нотатки інтерв’ю, звернення до підтримки чи дані інструментації, відповідь спирається на реальність. Якщо подати припущення, модель видасть припущення з упевненим тоном.
Авторка посилається на звіт Atlassian State of Product 2026: за ним продакт-менеджери завдяки AI виграють майже дві години на день, але більшість усе ще почувається в реактивному режимі, а 84% мають сумніви, що їхні продукти досягнуть успіху. Отже, швидкість зросла, а впевненість ні. Швидший результат не означає, що ви знаєте, яку проблему розв’язуєте.
Окрема небезпека — починати з AI. Якщо попросити модель описати потреби користувачів, карти клієнтського досвіду чи персони, результат з’явиться за хвилини. Але він базується на усереднених даних, наявних упереджень і загальних патернах того, що вже написано про тему. Такий підхід, за словами авторки, є «зверху вниз»: він не враховує болю конкретного клієнта сьогодні. У чутливих сферах, як-от найм, фінтех, кредитування чи охорона здоров’я, помилки можуть завдати серйозної шкоди. Натомість «знизу вгору» починається з людей: з дослідження, з мапування системи, в якій існує потреба. Ця робота незграбна, але дозволяє помилятися рано, коли це дешево.
Окремий розділ присвячено так званій пастці синтетичних досліджень. Донелла Медоус у книжці Thinking in Systems описує «обхід правил» — дотримання букви правила, щоб обійти його сенс. Авторка наводить комікс Білла Вотерсона з Calvin and Hobbes, де Calvin обіцяє Санті робити по десять добрих справ щодня до Різдва, а побачивши Сьюзі, вирішує почати з двадцяти завтра. Синтетичні учасники досліджень, згенеровані AI, можуть працювати так само: команда відмічає галочку «ми дослідили користувачів», не поговоривши з жодним.
Авторка згадує, що NN/g повторив три власні дослідження з AI-згенерованими учасниками і дійшов висновку, що відповіді надто поверхові, щоб бути корисними. В одному з досліджень синтетичні учасники стверджували, що пройшли кожен курс, і результат виглядав повним, але був надто добрим, щоб бути правдою. За опитуванням User Interviews 2026 року серед 150 дослідників, 81% використовують AI у роботі, але лише 8% — для симуляції учасників. Найбільші побоювання стосуються якості й точності інсайтів (88%) і того, що стейкхолдери надто довіряють знахідкам, згенерованим AI (79%).
Найновіша відповідь, за логікою тексту, живе в полі: у поведінці користувачів, їхніх обхідних шляхах, хвилі обурених кліків після останнього релізу чи нових потребах, що з’явилися цього кварталу. Ці дані не потрапляють до навчальних наборів моделей. Досліджувати означає не уникати середнього, а отримувати найсвіжішу відповідь. Вихід, за Медоус, полягає не в додаванні правил, а в їхньому перегляді, щоб зусилля людей були спрямовані на мету, а не навколо неї. Для продуктових команд це означає вимірювати не те, чи створили ми персону, а те, чи справді розуміємо користувачів.
Для українського ринку ця теза доволі практична. Команди продуктів у місцевих SaaS-компаніях, fintech та e-commerce, які поспішно перекладають дослідження на AI-персони, ризикують пропустити локальну специфіку: мовні нюанси, платіжні звички, довіру до сервісів у воєнний час. Розумний порядок такий: спершу інтерв’ю, спостереження і дані з підтримки, а вже потім AI для їх обробки і пошуку закономірностей. Так швидкість працює на напрямок, а не замість нього.
4
