Дебби Левитт, CXO в Delta CX, долгое время отказывалась внедрять ИИ в свою работу. Три года назад она протестировала инструменты, обнаружила, что они не способны к критическому мышлению и не могут правильно передать базовые факты, и исключила их из своего процесса.
Год спустя, несмотря на первоначальное разочарование, она решила провести эксперимент, основанный на своей реальной работе, и была поражена результатами. Теперь она использует Claude в качестве партнера при анализе своих исследований, и этап работы, который раньше занимал 2-3 недели, теперь занимает от половины до целого дня. Она утверждает, что качество при этом не пострадало.
На своей сессии Reframe Дебби рассказала, где она доверяет ИИ, где нет, и почему она считает, что когда каждая консалтинговая компания станет работать быстро, единственным фактором конкуренции останется качество самой работы.
Проекты, которые изменили её мнение
Около двух лет назад она провела тест. Она дала Claude анонимизированную доску Miro из проекта по внутренним изменениям: 3100 заметок из 71 интервью. Она намеренно не записывала сессии, чтобы люди говорили свободнее, и записывала заметки в режиме реального времени. Она спросила, что бы ИИ посоветовал клиенту, и сравнила этот список со своей презентацией из 125 слайдов. Они практически совпали. Этого было достаточно, чтобы попробовать применить инструмент в реальной работе.
Первым реальным проектом, где она использовала ИИ, был клиент, который заранее решил, что клиентам с проблемами по претензиям и возвратам просто нужен новый портал. Чтобы начать проект, Дебби приступила к своему обычному процессу исследования и интервью, в результате чего получила гору данных.
Когда она давала Claude общие запросы, он выдавал стандартные советы, такие как «людям нужно больше интеграций». Когда она направила его к исходным транскриптам и поиску первопричин, он стал гораздо полезнее. Её вывод заключался в том, что клиентам не нужен был лучший способ подачи претензии. Им нужно было, чтобы претензии вообще не возникали. Это была проблема проектирования сервиса, а не проект портала, о чем она и сообщила клиенту. Claude помог систематизировать подтверждающие данные, включая поиск цитат и обсуждение с Дебби того, как клиент может устранить эти недостатки, помимо того, что мог предложить новый портал.
Этот проект подтолкнул её к созданию воспроизводимого метода работы с Claude.
Что она оставляет за человеком, а что передает Claude
Рабочий процесс Дебби разделяет исследование на шесть этапов. Три из них полностью человеческие: план исследования, рекрутинг и сами сессии.
У неё есть на то веские причины. Она не считает, что ИИ пишет исследовательские вопросы лучше неё, потому что большая часть того, чему научился ИИ, пришла от людей, которые не являются исследователями. Что касается сессий, она не хочет, чтобы ИИ брал у кого-либо интервью, будь то в чате или голосом, даже если это масштабируемо: «Я предпочту иметь меньший и более человечный набор данных, но более высокого качества».
Есть и более экзистенциальная причина, которую она также озвучила: она не хочет приучать клиентов и руководителей к тому, что ИИ может выполнять фундаментальную работу без неё.
Остальные три этапа — анализ, синтез и предложения по действиям — это партнерство с Claude, которого она называет своим партнером по критическому мышлению. Это работает, потому что она может оценивать полученные результаты. После десятилетий работы в этой области она может отличить, когда Claude выдает мусор, а когда — золото. Она доверяет инструменту только там, где у неё достаточно экспертизы, чтобы проверить его, и нигде больше.
Некоторая экономия времени носит мелкий и практический характер. Она может спросить Claude, кто сказал ту или иную вещь в транскрипте, и получить имя участника и цитату, вместо того чтобы пересматривать видео в поисках этого момента. В сумме именно так анализ сократился с недель до одного дня.
Что исчезает, когда вы исключаете людей
Человеческие этапы — это те, которые определяют, стоит ли анализ хоть чего-то. И именно их команды сокращают в первую очередь, когда клиент хочет ускорить процесс.
Дебби предложила модель того, что теряется, которую она называет «Атомарным соответствием продукта рынку» (Atomic Product-Market Fit). Большинство команд отслеживают соответствие на верхнем уровне: хотят ли люди эту категорию продукта? Дебби утверждает, что оно также существует на двух более детальных уровнях:
- Макро: категория. Людям нужны цифровые доски или программное обеспечение для презентаций.
- Мезо: функции и сервисы. Действительно ли каждая из них служит тем людям, для которых вы создаете продукт?
- Микро: каждая точка взаимодействия, от доверия и ценообразования до потоков, удобства использования и надежности.
Например: PowerPoint — это безопасная ставка на макроуровне, так как людям нужно создавать слайды. Copilot внутри него — это функция мезоуровня, и многие люди её отключают. На микроуровне каждое прерывание и неверное предложение либо завоевывает доверие, либо разрушает его. Вы можете потерять клиентов на любом из этих уровней, в то время как макропоказатели будут выглядеть здоровыми.
Дашборды показывают, что люди ушли, но только наблюдение и общение с людьми объясняют почему. Причины ухода людей часто скрыты в деталях опыта. Claude не может наблюдать за днем клиента, поэтому команда, которая пропускает этап исследования и передает проблему модели, кормит её догадками.
Её совет консультантам: уровни Атомарного PMF — это те темы, которые нужно обсудить с клиентами, прежде чем кто-либо создаст еще одну функцию.
Ограничители, а не робот Дебби
Дебби не обучала навык думать как она. «У меня уже есть я», — сказала она; она хочет, чтобы Claude был Claude, работающим в рамках строгого процесса.
Большая часть проектирования заключается в замедлении ИИ в нужных местах. Навык движется последовательно, поэтому он не может перепрыгнуть от транскриптов к рекомендациям. Он часто останавливается, чтобы спросить, что помнит исследователь и имеет ли смысл та или иная связь. Он помечает слабые данные, такие как малые выборки и наводящие вопросы, что важно, когда клиент настаивает на быстром решении. Он отделяет то, что сказали участники, от того, что они сделали, и ищет обходные пути, потому что люди, которые создали «костыль», перестают видеть проблему.
Последнее окупилось в проекте о людях, покупающих недвижимость за рубежом. Claude заметил, что участники передавали людям наличные, чтобы выполнить задачи. Дебби заметила обходные пути, но не назвала их взятками. Это стало одним из выводов, которые она представила клиенту.
Что осталось продавать
Её вывод прямолинеен. Когда все работают быстро, скорость перестает быть тем, что можно продать. Остаются ценность, доверие, удобство использования и качество. Если работа не решает реальную проблему, говорит она, клиенты это заметят и могут вам этого не простить.
Три вещи, которые стоит внедрить в свою практику
- Решите, какие этапы останутся человеческими, и придерживайтесь этого. Дебби оставляет планирование, рекрутинг и сессии за собой. Выберите свою границу, прежде чем дедлайн выберет её за вас.
- Запрашивайте доказательства, а затем проверяйте их. Скажите модели оставаться в рамках транскриптов, просите искать первопричины и читайте результат самостоятельно. Дебби читает свои результаты вслух, потому что так она с большей вероятностью заметит ошибку.
- Заставьте ИИ остановиться и спросить. Навык Дебби делает паузы для ввода исследователя в ключевых точках. Встройте такие паузы в свой процесс и не просто продолжайте говорить «да».
Переосмыслите, как выглядит качественная работа с клиентами
Reframe — это наша серия вебинаров для агентств и консультантов, переосмысливающих работу профессиональных услуг в эпоху ИИ. Ознакомьтесь с предыдущими сессиями или присоединяйтесь к одной из наших предстоящих живых сессий ниже.
