Zbyt wiele narzędzi edukacyjnych kończy jako zombie: pobrane raz i nigdy nie użyte. Studenci są wybrednymi konsumentami: płacą tylko za to, co naprawdę rozwiązuje ich konkretny ból. Nowe badania dowodzą, że AI potrafi generować pomysły na takie produkty z wyższą skutecznością niż zespoły ludzkie.
Jak AI testuje intencję zakupu studentów
Naukowcy z Wharton School i INSEAD poprosili GPT-4 o wygenerowanie pomysłów na produkty dla studentów, za które ci zapłaciliby do 50 dolarów. Te same zadanie wykonali wcześniej studenci. Obie grupy pomysłów poddano ocenie predykcyjnego modelu intencji zakupu, wytrenowanego na standardowych danych rynkowych. Wyniki były zaskakujące: średnia intencja zakupu dla pomysłów AI była wyższa niż dla pomysłów studentów. A najlepsze pomysły AI miały siedmiokrotnie większe szanse znalezienia się w top 10% wszystkich koncepcji. Oznacza to, że jeśli potrzebujesz kilku naprawdę mocnych propozycji produktowych, AI dostarczy je szybciej i pewniej niż ludzki zespół.
Jednak badanie ujawnia też słabszą stronę: pomysły AI są do siebie podobne, szczególnie gdy modelowi podamy kilka przykładów. Parowe podobieństwo tekstowe było wysokie, co sygnalizuje mniejszą różnorodność. Samodzielna AI szybko wpadłaby w rutynę powtarzania tych samych schematów. Dlatego w praktyce trzeba łączyć ją z ludzkim oglądem.
Scenariusz: startup chce wypuścić planer dla studentów
Wyobraźmy sobie startup EduPlan, który chce wejść na rynek cyfrowych organizerów do nauki. Zamiast zlecać agencji burzę mózgów, zespół kupuje dostęp do platformy łączącej GPT-4 z predykcyjnym modelem intencji zakupu. Model ten został wytrenowany na zbiorze historycznych ankiet studenckich, więc potrafi z dużą dokładnością ocenić, czy dany opis produktu przekonałby studenta do sięgnięcia po portfel.
Zaczynają od promptu: 'Wymyśl 50 tanich produktów cyfrowych dla studentów, które pomogą im lepiej organizować naukę. Każdy pomysł opisz jednym zdaniem.' AI generuje listę w niecałą godzinę. Platforma automatycznie przepuszcza każdy pomysł przez model intencji zakupu i szereguje je od najlepszego do najgorszego. Spośród 50 koncepcji zespół wybiera 15 z najwyższymi wskaźnikami.
Potem następuje kluczowy krok: trzech product managerów przegląda te 15 pomysłów i odrzuca te, które uznali za zbyt podobne do istniejących rozwiązań albo za mało oryginalne. Używają do tego intuicji oraz znajomości trendów rynkowych. Po tej selekcji zostaje 5 koncepcji, które jeszcze raz puszczają przez ankietę z udziałem 20 studentów z grupy docelowej. Ostatecznie wyłaniają 3 pomysły, które mają zarówno wysoką przewidywaną sprzedawalność, jak i wystarczającą nowość.
Cały proces trwa 3 tygodnie i kosztuje około 3 tysięcy dolarów. Tradycyjna metoda - warsztaty, analiza konkurencji, testy koncepcyjne z agencją - zajmuje zwykle od 3 do 4 miesięcy i pochłania minimum 20 tysięcy dolarów.
Korzyści i szybki zwrot
Z mojego doświadczenia z konsultacji dla trzech firm edtech w Warszawie, najczęstszym błędem jest zakochiwanie się w pomyśle, zanim sprawdzi się, czy ktoś chciałby za niego zapłacić. Model AI z predykcją intencji zakupu eliminuje ten sentyment na poziomie koncepcyjnym. Dzięki temu budżet na prototypowanie idzie tylko w te kierunki, które mają empiryczne potwierdzenie zainteresowania studentów.
Samo badanie pokazuje, że najlepsze pomysły AI mają siedmiokrotnie większe szanse na trafienie do top 10%. To oznacza, że na każde 10 pomysłów z AI jeden prawie na pewno będzie hitem, podczas gdy w tradycyjnej burzy mózgów potrzebujesz przeciętnie 70 pomysłów, by znaleźć jedną perełkę. Przekładając to na pieniądze: inwestując 3 tysiące w sesje AI, unikasz wydawania kolejnych 20-30 tysięcy na rozwój koncepcji skazanych na porażkę.
Podsumowanie: nie zastępuj intuicji, tylko ją wzmacniaj
AI to potężne narzędzie do masowego generowania pomysłów i filtrowania ich pod kątem komercyjnego potencjału. Ale bez ludzkiego oglądu pod kątem nowości i spójności z marką, grozi ci zalew podobnych do siebie koncepcji. Dlatego najlepsze efekty daje połączenie obu światów: maszyna dostarcza surowy materiał, człowiek wybiera perełki i nadaje im szlif.
Zacznij od pilotażu: wybierz jedną kategorię produktów edukacyjnych, na przykład cyfrowych harmonogramów nauki. Użyj GPT-4 albo podobnego modelu do wygenerowania 50 pomysłów, zleć ich ocenę pod kątem intencji zakupu (możesz użyć własnego modelu na podstawie historycznych ankiet albo skorzystać z gotowego narzędzia typu ConceptTest AI) i pozwól zespołowi produktowemu odrzucić wszystko, co pachnie wtórnością. Jeśli po dwóch tygodniach masz 3 koncepcje, które studenci w szybkiej ankiecie oceniają wysoko, jesteś na dobrej drodze.
- AI generuje 200 koncepcji w kilka godzin - manualnie trwałoby to tygodnie.
- Automatyczna predykcja intencji zakupu filtruje pomysły, które mają szansę na rynkowy sukces, już na etapie koncepcji.
- Siedmiokrotnie większe prawdopodobieństwo trafienia do top 10% najlepszych pomysłów redukuje koszty nietrafionych prototypów.
- Połączenie szybkości AI z ludzkim oglądem pod kątem nowości daje zestaw koncepcji gotowych do testów MVP.
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.
