Wprowadzenie nowego smaku jogurtu czy limitowanej edycji przekąski to zawsze ryzykowna gra. Z danych Nielsena wynika, że nawet 85 procent premier produktów spożywczych znika z półek w ciągu dwóch lat. Działy R&D firm FMCG mierzą się z tym samym problemem od dekad: jak tanio i szybko wybrać te kilka koncepcji, które konsumenci faktycznie wrzucą do koszyka.
Nie chodzi o zastąpienie ludzi, tylko o lepsze pomysły
Badanie opublikowane przez zespół z Wharton School i INSEAD dostarcza twardych liczb. Porównano w nim pomysły na nowe produkty stworzone przez studentów wzornictwa z tymi, które wygenerował GPT-4. Wynik: koncepcje AI miały średnio wyższą intencję zakupu. Ale to nie średnia robi tu różnicę. Prawdziwa przewaga leży na szczycie listy: pomysł wygenerowany przez AI miał siedmiokrotnie większą szansę trafić do najlepszych 10 procent wszystkich ocenianych koncepcji.
Z mojego doświadczenia z trzech pilotaży w firmach spożywczych wynika, że menedżerowie innowacji nie potrzebują setek przeciętnych pomysłów. Potrzebują dwóch, trzech perełek na kwartał, które mają realną szansę przetrwać na półce dłużej niż jeden sezon. AI, jak pokazuje to badanie, dostarcza właśnie takich perełek. Szybciej i taniej niż tradycyjne burze mózgów.
Scenariusz: limitowana edycja chipsów na Euro 2024
Wyobraźmy sobie konkretny przypadek. Producent słonych przekąsek planuje wypuścić trzy limitowane smaki chipsów na mistrzostwa Europy w piłce nożnej. Tradycyjnie proces wygląda tak: zespół R&D przez cztery tygodnie wymyśla 20 propozycji, potem dwa miesiące testów konsumenckich, wybór trzech finalistów, produkcja próbna. Całość trwa od czterech do sześciu miesięcy i kosztuje, ostrożnie licząc, około 200 do 400 tysięcy złotych, zanim pierwsza paczka trafi do dystrybucji.
Z modelem GPT-4 i odpowiednim promptowaniem few-shot ten sam zespół może w ciągu jednego dnia wygenerować 100 koncepcji smakowych wraz z nazwami, profilami sensorycznymi i argumentami marketingowymi. System analizuje przy tym dane z mediów społecznościowych, trendy wyszukiwania Google i historyczne wyniki sprzedaży podobnych edycji limitowanych. Z tych 100 pomysłów algorytm predykcji intencji zakupu odsiewa 10 najlepszych. Zespół R&D ocenia je pod kątem wykonalności produkcyjnej i wybiera trzy do szybkiego testu konsumenckiego online. Cały proces zamyka się w dwa tygodnie, a koszt spada poniżej 80 tysięcy złotych.
Jedno zastrzeżenie, które warto tu postawić: badanie wyraźnie pokazuje, że pomysły AI są mniej nowatorskie i bardziej do siebie podobne, zwłaszcza przy promptowaniu few-shot. Jeśli więc twoja marka konkuruje wyłącznie na szokującej innowacyjności, sam generator pomysłów nie wystarczy. Potrzebujesz dodatkowego etapu, w którym ludzie świadomie wprowadzają kontrast i odrzucają zbyt podobne koncepcje. Ale w FMCG, gdzie większość premier to warianty znanych produktów, a nie rewolucje, ta wada jest akceptowalna.
Korzyści i rachunek ekonomiczny
Policzmy to dla średniej firmy FMCG wprowadzającej 12 nowych produktów rocznie. Przy tradycyjnym procesie R&D koszt opracowania jednej koncepcji do etapu testu konsumenckiego to około 25 do 35 tysięcy złotych, uwzględniając czas pracy zespołu, badania fokusowe i prototypowanie. Przy 12 premierach rocznie daje to 300 do 420 tysięcy złotych rocznie.
Wdrożenie pipeline'u opartego na LLM do generowania i wstępnej selekcji pomysłów obniża ten koszt o około 60 procent, głównie przez eliminację wczesnych badań jakościowych i skrócenie czasu pracy zespołu. Do tego dochodzi oszczędność wynikająca z mniejszej liczby nietrafionych premier: jeśli wcześniej 2 z 12 produktów wycofywano po roku ze stratą około 150 tysięcy złotych każda, a teraz tylko 1, to dodatkowe 150 tysięcy złotych zostaje w budżecie.
Nie ma jeszcze długoterminowych badań ROI dla tego podejścia w FMCG, bo technologia jest świeża. Ale opierając się na danych z pilotaży w branży kosmetycznej i spożywczej, szacuję zwrot z inwestycji w ciągu 6 do 9 miesięcy przy nakładzie początkowym około 100 do 150 tysięcy złotych na integrację modelu z wewnętrznymi danymi sprzedażowymi.
Od czego zacząć
Nie polecam od razu budować wewnętrznego systemu. Zacznij od dwutygodniowego pilotażu z zewnętrznym dostawcą, który ma doświadczenie w promptowaniu modeli do zadań kreatywnych w FMCG. Daj mu dostęp do anonimizowanych danych sprzedażowych z ostatnich dwóch lat dla jednej kategorii produktowej. Poproś o wygenerowanie 50 koncepcji i oceń je z zespołem R&D pod kątem intencji zakupu, wykonalności i dopasowania do marki. Porównaj z 50 pomysłami, które zespół wygenerował tradycyjnie w ostatnim kwartale. Jeśli wyniki pokryją się z tym, co pokazuje badanie Wharton, masz twardy argument dla zarządu.
- 7x większa szansa na pomysł w top 10% wszystkich koncepcji
- Redukcja kosztów R&D o około 60% dzięki eliminacji wczesnych badań fokusowych
- Skrócenie czasu od pomysłu do testu konsumenckiego z 4 miesięcy do 2 tygodni
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.
