Banki wydają miliony na badania, ale ich nowe produkty często nie trafiają do cyfrowych tubylców. Zamiast kolejnych ankiet i fokusów product ownerzy mogą teraz wykorzystać generatywną AI, która według najnowszych badań generuje pomysły o siedmiokrotnie większej szansie na rynkowy sukces.
Technologia, która czyta intencje zakupowe
Punktem wyjścia jest badanie, które porównało pomysły studentów z pomysłami wygenerowanymi przez GPT-4. Ocena rynkowa wykazała, że koncepty AI osiągały średnio wyższe prawdopodobieństwo intencji zakupu, a najlepsze z nich trafiały do top 10% siedmiokrotnie częściej niż te ludzkie. Modele językowe podczas promptowania zero-shot (sam opis zadania) i few-shot (kilka przykładów) masowo produkują warianty cech produktu, spośród których można wybrać te najbardziej obiecujące.
Scenariusz: konto dla studenta w 48 godzin
Product owner w średnim banku dostaje cel: zaprojektować konto, które w pierwszym roku zdobędzie 15% rynku wśród studentów. Budżet na research ograniczony, czasu mało. Uruchamia sesję z modelem GPT-4. Prompt: "Wygeneruj 50 pomysłów na funkcje konta bankowego dla studentów w wieku 18-24 lat. Każda funkcja ma zwiększać skłonność do otwarcia konta i regularnego używania aplikacji. Podaj opis i szacowany wpływ na konwersję." Model zwraca listę w kilka minut.
Korzyści i zwrot z inwestycji
Konwencjonalne badania rynkowe dla nowego produktu bankowego to wydatek rzędu 200-500 tys. zł i trzy do sześciu miesięcy pracy. AI redukuje koszt ideacji do kilkuset dolarów za zapytania API i skraca czas do kilku godzin. W efekcie bank może pozwolić sobie na testowanie nie pięciu, ale setki wariantów, zanim zainwestuje w rozwój.
Podsumowanie
Product ownerzy w bankach, którzy nie eksperymentują jeszcze z generowaniem pomysłów przez LLM-y, zostawiają na stole szybką przewagę konkurencyjną. Wystarczy zacząć od małego pilotażu: wybrać jeden produkt, wygenerować 100 pomysłów, ocenić je z zespołem i przetestować 3 najlepsze. Ryzyko jest minimalne, a potencjalna nagroda – nowe konto idealnie skrojone pod cyfrowych tubylców – realna i mierzalna.
- Siedmiokrotnie większa szansa na top 10% pomysłów
- Wyższa średnia intencja zakupu w testach rynkowych
- Redukcja czasu ideacji z tygodni do godzin
- Możliwość testowania setek wariantów przed inwestycją
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Using Large Language Models for Idea Generation in Innovation
Autorzy: Lennart Meincke, Karan Girotra, Gideon Nave, Christian Terwiesch, Karl T. Ulrich
This research evaluates the efficacy of large language models (LLMs) in generating new product ideas. To do so, we compare three pools of ideas for new products targeted toward college students and priced at 50 dollars or less. The first pool of ideas was created by university students in a produ...
arXiv: arxiv.org/abs/2607.27553
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
