あなたは、AI の価値の高い機会を見つけるのに最適な立場にいます。アイデアの技術的な実現可能性と、ユーザー エクスペリエンスへの影響の両方を評価できます。この 2 つの視点は、AI 機能の成功に不可欠です。AI 機能を構築する理由は、斬新さや印象深さではなく、ユーザーの生活をより簡単、迅速、または楽しくすることです。
このモジュールでは、プロダクトの AI ユースケースをアイディエーション、指定、プロトタイピングするための構造化された反復的な方法について説明します。
AI の価値を理解する
次の AI オポチュニティ ツリーは、AI が提供できる価値の大きなカテゴリを定義しています。
ソリューションを構成する価値のカテゴリを以下に示します。リストの下に進むにつれて、複雑さ、リスク、ユーザーへの影響の可能性が高くなる傾向があります。
- 分析情報: 意思決定を改善します。
- 利便性: 手間を省く。
- 自動化: 反復的な作業を置き換えます。
- 拡張: 複雑なタスクやクリエイティブなタスクをサポートします。
- パーソナライズ: 個人のニーズや好みに合わせてプロダクトを調整します。
まず、影響の少ないユースケースを解決してみてください。たとえば、内部 AI システムを使用してより優れたプロダクト分析情報を収集し、内部からプロダクトを改善できます。次に、既存の UX 負債を監査し、AI を使用してユーザーの摩擦と認知的負荷を軽減します。自信と経験を積むにつれて、より複雑なユースケースに移行し、AI の利用を増やすことができます。
とはいえ、パーソナライズを少し取り入れるなど、驚くほど簡単に、低リスクで、有意義な、効果の高い機会が見つかることもあります。
プロダクトの改善点を特定する
適切なアイデアを判断するには、ユーザーが誰であるかをよく理解する必要があります。 UX チームと協力するか、ペルソナをブラッシュアップして、ユーザーを定義します。ユーザー ファースト（またはピープル ファースト）のアプローチを採用し、見つけた AI の機会をプロダクトの具体的なユースケースにマッピングします。
たとえば、次のようなものがあります。
- ユーザーの明示的なニーズや課題を動機としている。
- チームメンバーまたは自分自身が提案した。この場合、ユーザーによる迅速な検証が、「AI のための AI」という罠を回避するために不可欠です。
- 競合他社からヒントを得ることはできますが、慎重に行う必要があります。競合他社のオーディエンスとコンテキストは、お客様のものとは異なる場合があります。早期に検証して、競合他社の成功した取り組みが自社のプロダクトに引き継がれるかどうかをテストします。
たとえば、次の表は、航空券予約ウェブサイトのアイデアを示しています。
ユーザー ジャーニーの各ステップで、AI を使用して付加価値を付加するさまざまな機会を特定できます。
ソリューションを形成する
ここまでで、ユーザー ジャーニーに沿っていくつかの AI のアイデアをマッピングしました。次のステップは、それらのアイデアを具体化し、どれを最初に開発するかを決定するのに十分な確信を得ることです。これはチームの取り組みであり、通常はプロダクト マネージャーが主導します。デベロッパーの主な責任は、計画された AI ソリューションの費用、労力、リスクを見積もることです。
アイデアを具体的にする
まず、各アイデアを迅速かつ包括的な仕様にまとめます。導入で紹介した AI システムのブループリントを使用できます。通常、デベロッパーはソリューション部分に重点を置き、オポチュニティはプロダクト マネージャーが指定します。この演習により、全員が共通の基盤を共有し、調整とディスカッションを行ってから、次に進むことができます。
労力と費用を評価する
次に、アイデアの実装がどれほど難しいかを評価します。たとえば、スマート フィルタを追加するには、LLM API を使用したプロンプトベースの解析のみが必要になる場合があります。これは、プロトタイプ作成と実行が迅速で、調整が容易です。一方、パーソナライズされた予約アシスタントには、カスタム データ パイプライン、予約 API、慎重な人間参加型のメカニズムが必要であり、はるかに大きな負担となります。
複数のディメンションで労力と費用を確認します。
- データの準備状況: 必要なデータがすでに揃っているか。AI に対応させるために、どの程度のクリーニング、前処理、ラベル付けが必要ですか。
- モデルの成熟度: 適切な事前トレーニング済みモデルがすでに存在するか、それとも一からトレーニングする必要があるか。
- レイテンシ: 機能がシームレスで有用であると感じられるようにするには、モデルがどの程度の速度で応答する必要があるか。
- 統合の複雑さ: 接続する必要があるシステムの数。バックエンド、API、UI、サードパーティ ツールはありますか？タッチポイントが多いほど、費用とリスクが高くなります。
- 運用コスト: 各モデルの呼び出しまたは推論の費用はどのくらいか。スケーリングの月間使用量と予算を見積もります。プロトタイプ段階では「安価」な機能でも、数千人のユーザーが利用するようになると、コストが高くなる可能性があります。
ユーザーにとっての隠れたコストを考慮します。AI は、プロダクトに不確実性や通常のミスをもたらす可能性があります。クライアントサイド AI では、機能がユーザーのデバイスで実行されるため、帯域幅、ストレージ、エネルギーが消費されます。この機能は、ユーザーが費用に納得できるだけの価値があるものでなければなりません。
早い段階で労力を評価することで、価値が高く、摩擦の少ない成果に集中し、データ、インフラストラクチャ、経験が成熟するまで、より複雑なアイデアを先送りできます。
障害モードを推定する
モデルが誤った判断を下し、機能が期待どおりに動作しないことがあります。何が起きているのか、どこでエラーが発生したのかをユーザーに伝える必要があります。そうすれば、ユーザーは入力を変更して目的の結果を得られるかどうかを判断できます。
たとえば、旅行代理店を運営しているとします。あなたの会社は、旅行者にパーソナライズされたインスピレーションを提供したいと考えています。ユーザーから、これを独自に行うためのツールを求められており、プロダクト チームはそれを実装するよう求めています。しかし、パーソナライズにはユーザーの関心に関する多くのシグナルが必要であり、そのようなシグナルを収集するデータベースは設定されていません。これにより、パーソナライズが失敗し、関連性のないインスピレーションが提供されるため、ユーザーはこの機能を放棄することになります。パーソナライズされたデータの可用性に関する理解は、チームの価値の見積もりに反映されているはずです。
考慮すべき重要な AI 障害モードは他にもあります。
- ハルシネーション: モデルが、もっともらしく見えるものの、実際には存在しない出力を生成します（存在しないフライトをでっち上げるなど）。
- バイアス: モデルがトレーニング データに基づいて不公平な一般化を示したり、増幅したりして、差別的または不公平な結果につながります。たとえば、モデルは、認識された性別や人種に基づいて、ファースト クラスのフライトを希望するユーザーと、エコノミーを希望するユーザーを想定する場合があります。
- コールド スタート問題: パーソナライズされた旅行ツールの例で示したように、初期データが不足しているため、システムは新規ユーザーやアイテムに価値を提供できません。
- パフォーマンスの低下: 実際のデータが進化し、元の分布から離れるにつれて、モデルの精度が低下します。これはモデルドリフトとも呼ばれます。
プロトタイプ
コスト、労力、障害モードに関する入力は、最初は精度が低くなります。信頼性を高めるには、特定の AI 機能のプロトタイプを作成して検証するのが最善の方法です。プロトタイピングを使用すると、完全なビルドに着手する前に、コア技術の前提条件（データの準備状況、レイテンシ、精度）を迅速にテストできます。特に、AI のような、まだ十分に研究されていない新しいテクノロジーでは、研究や分析よりも構築する方が早く学習できます。
Vertex AI や Replit などの AI 駆動型コード生成ツールを使用すると、プロトタイピング プロセスのスピードを大幅に向上させ、リスクを軽減できます。
「小さなものをリリースし、その動作を観察して、継続的に改良する」という考え方を採用します。
次のベスト プラクティスを適用します。
- 早い段階でエンドツーエンドで構築する。モデルの精度だけでなく、AI システムのブループリント（データ、インテリジェンス、ユーザー エクスペリエンス）で定義されているフロー全体をテストします。このビルドには、AI を使用したユーザー エクスペリエンスのすべての部分を反映する必要がありますが、すべてのアプリケーション機能を表す必要はありません。
- ショートカットから始める。API と事前トレーニング済みモデルを使用して、価値を迅速に検証します。
- すべてをログに記録する。入力、出力、ユーザーの編集を追跡して、一般的な障害モードを確認し、潜在的な障害を評価します。
- 実際のデータでテストする。初期のテストでは、ユーザーの自然で雑然とした行動を捉える必要があります。
- フィードバックと制御メカニズムを追加する。ユーザーがエラーを報告したり、出力を調整したり、結果を確認または修正したりできるようにします。
ほとんどの場合、プロトタイピングは評価と仕様策定と並行して行われます。
重要なポイント
抽象的な AI の可能性を、具体的で価値の高いプロダクトのアイデアに変換する方法を学びました。デベロッパーの強みは、技術的な実現可能性とユーザー エクスペリエンスを結び付けることにあります。AI がさまざまなカテゴリで価値を創出する方法を学び、これらの機会をプロダクトのユーザー ジャーニーにマッピングし、構造化されたフレームワークを使用して、それらを特定、評価、優先順位付けする方法を学びました。
AI は、絶え間ない反復によって成功を収めることを忘れないでください。早期にリリースし、ユーザーの声に耳を傾け、ユーザーを観察し、迅速に改良します。すべてのプロトタイプは、AI がプロダクトの価値と魅力を高める方法を理解するためのステップです。
リソース
- AI の発見を正しく行う。AI のユースケースのアイディエーション、検証、優先順位付けに関するガイド。
- AI Radar: 業界全体でユースケースを特定して優先順位を付けるための、検出および意思決定支援ツール。
理解度をチェックしましょう
複雑なタスクやクリエイティブなタスクでユーザーを支援する AI の機会は、どのカテゴリに分類されますか。
AI のアイデアの労力と費用を評価する際、「統合の複雑さ」とは何を指しますか。
AI の障害モードにおけるコールド スタート問題とは何ですか。
AI 機能のプロトタイピングに推奨されるマインドセットは何ですか？
プロトタイピング時にログを保持することが重要なのはなぜですか。