Research z AI: skoro możemy zbudować prawie wszystko, skąd wiedzieć, co warto budować?

Jeszcze niedawno stworzenie działającego prototypu było samo w sobie sporym przedsięwzięciem. Dziś możemy zrobić wstępny research, przejrzeć konkurencję, wygenerować kilka kierunków rozwiązania, a chwilę później zobaczyć pierwszy prototyp. Próg wejścia w budowanie mocno się obniżył. Za to coraz ważniejsze staje się pytanie pojawiające się chwilę wcześniej: co właściwie warto zbudować?

Tu AI potrafi zrobić naprawdę dużo, pod warunkiem że nie zaczniemy researchu od wpisania „przeanalizuj konkurencję”.

Audyt ma więcej sensu, kiedy wiadomo, czego szukamy

Wyobraźmy sobie platformę z filmami. Biznes chciałby zwiększyć sprzedaż, ale jako punkt wyjścia do pracy produktowej jest to dość szeroki cel. Możemy zejść poziom niżej i zauważyć, że nowi użytkownicy mają problem z wyborem filmu z dużego katalogu. Wtedy pojawia się znacznie bardziej konkretny cel: chcemy ułatwić osobie odwiedzającej serwis po raz pierwszy znalezienie interesującej treści. Dopiero z takim kontekstem warto uruchamiać AI.

Jeżeli chcemy zrobić audyt istniejącego serwisu, dobrze jest również określić sposób, w jaki model ma go przeprowadzić. Możemy dać mu własną checklistę albo gotową procedurę zapisaną jako instrukcja. W ekosystemie AI coraz częściej spotkamy określenie skill, czyli po prostu zapisaną wiedzę o tym, według jakich kroków model ma wykonać określone zadanie. Przykładem może być Design Critic. Taka instrukcja opisuje, na co model ma patrzeć podczas oceny interfejsu, jakie pytania sobie zadać i w jakiej formie zwrócić wynik. Możemy ją przechowywać jako zwykły plik Markdown i podłączać do kolejnych analiz, zamiast za każdym razem budować rozbudowany prompt od początku. Jest tu jednak pułapka, którą łatwo przeoczyć. Kiedy podajemy modelowi sam adres strony, warto sprawdzić, co właściwie zobaczył. W wielu przypadkach AI pobiera publiczny kod strony i na jego podstawie próbuje odtworzyć jej działanie. Może wtedy trafnie komentować nawigację czy treść, a jednocześnie pisać bardzo przekonująco o hierarchii wizualnej, której tak naprawdę nie widziało. Przy analizie warstwy wizualnej możemy więc dodać screenshoty, link do Figmy albo skorzystać z rozwiązania pracującego bezpośrednio w przeglądarce. I niezależnie od sposobu dobrze przejrzeć wynik samodzielnie. Raport AI jest materiałem, z którym dalej pracujemy, a nie automatycznie zatwierdzonym audytem.

Deep Research warto zrobić w dwóch przebiegach

Podobny problem pojawia się przy analizie rynku. Jedno duże polecenie może wygenerować długi raport, ale mamy wtedy ograniczoną kontrolę nad tym, jakie przykłady i źródła model uznał za istotne. Bardzo praktyczny jest prostszy sposób pracy. W pierwszym kroku możemy wykorzystać Perplexity albo Deep Research, żeby znaleźć rozwiązania warte dalszego oglądania. Jeśli pracujemy nad wyborem filmów, możemy poszukać serwisów streamingowych, platform festiwalowych, katalogów treści czy innych produktów rozwiązujących podobny problem. Na tym etapie warto samemu przejrzeć listę oraz źródła i zdecydować, co rzeczywiście jest dla nas interesujące. Dopiero później zlecamy właściwą analizę.

W poleceniu możemy już wskazać, czego szukamy: jak serwisy pomagają osobom bez sprecyzowanych preferencji odkrywać treści, jak budują zaufanie do rekomendacji, jakie wzorce interfejsu wykorzystują i co mówią na ten temat dostępne badania. Różnica jest spora. W drugim przebiegu AI nie musi już zastanawiać się jednocześnie, czego szukać i jak to zinterpretować. Pracuje na znacznie lepiej określonym polu. Perplexity pozwala przy okazji wejść w wykorzystane źródła. Warto to robić. Nawet bardzo dobrze wyglądający raport może zawierać wniosek, który po wejściu w materiał źródłowy okazuje się mocno naciągnięty.

Zamiast kolejnego folderu z raportami możemy zbudować własną bazę researchu

Po audycie i desk researchu zaczyna się inny, bardzo znajomy problem: mamy coraz więcej materiału. Raport z analizy konkurencji. Audyt serwisu. Wcześniejsze badania. Notatki. Transkrypcje. Dokument biznesowy. Możemy wrzucać kolejne pliki bezpośrednio do czatu, ale przy większym projekcie wygodniej stworzyć jedno miejsce, w którym AI będzie pracowało na wybranym przez nas zestawie źródeł. Do takiej pracy dobrze nadaje się NotebookLM. Możemy umieścić w nim raport z Perplexity, wyniki audytu i inne dokumenty, a później zadawać pytania już na podstawie tego konkretnego materiału. Zamiast kolejnego ogólnego researchu dostajemy możliwość rozmowy z własną bazą wiedzy.

Przy okazji warto zainteresować się Markdownem. To bardzo prosty format tekstowy, który dobrze współpracuje z modelami i nie niesie ze sobą całego formatowania dokumentu Word. Raport z researchu możemy zapisać jako .md, później dołączyć go do kolejnego projektu, otworzyć w Obsidianie albo przekazać innemu narzędziu AI. Przy dłuższej pracy takie drobiazgi zaczynają robić zaskakująco dużą różnicę.

Przy badaniach z ludźmi AI dobrze sprawdza się obok badacza

AI może pomóc również wtedy, gdy wychodzimy poza desk research. Możemy wspólnie z nim przygotować scenariusz badania, uporządkować pytania, a po rozmowach przeanalizować transkrypcje i znaleźć fragmenty warte dalszej uwagi. Pojawiają się też moderatorzy AI, którzy potrafią prowadzić rozmowę tekstowo, głosowo albo przez awatara. Innym zastosowaniem są interaktywne persony zasilone wynikami wcześniejszych badań. Jeżeli mamy dużą bazę insightów, możemy później zadawać takiej reprezentacji dodatkowe pytania i wykorzystywać ją podczas pracy nad koncepcją.

Dużo większej ostrożności wymagają syntetyczni użytkownicy, którzy mieliby zastąpić kontakt z prawdziwymi osobami. Model pracuje na pewnej reprezentacji i siłą rzeczy ją uśrednia. Przy każdej kolejnej warstwie symulacji rośnie ryzyko, że będziemy otrzymywać coraz bardziej spójny obraz użytkownika, który coraz mniej przypomina prawdziwych ludzi. A właśnie w badaniach często najciekawsze jest to, że ktoś zrobi coś, czego kompletnie się nie spodziewaliśmy.

AI może najpierw pomóc nam wymyślić pytania

Kiedy mamy już audyt, research rynku i wiedzę o użytkownikach, bardzo kuszące jest polecenie: „wymyśl 20 pomysłów”. AI oczywiście je wymyśli. Prawdopodobnie nawet 200. Ciekawszy sposób polega na wykorzystaniu zebranego materiału do sformułowania dobrych pytań otwierających kierunki projektowe.

Jedną z prostych technik jest How Might We. Dla naszego przykładu moglibyśmy zapytać: „Jak moglibyśmy zmniejszyć paraliż decyzyjny osoby, która nie zna katalogu?” albo „Jak moglibyśmy pomóc nowemu użytkownikowi zaufać rekomendacjom filmów?”. Jeżeli AI ma już w kontekście audyt oraz raport z analizy rynku, możemy poprosić je o przygotowanie takich pytań właśnie na podstawie zgromadzonych materiałów. Później sami wybieramy najciekawsze i pracujemy nad nimi w zespole. Dopiero wtedy możemy dorzucić propozycje modelu, na przykład po trzy kierunki rozwiązania do każdego pytania wraz z krótkim uzasadnieniem. To zmienia jakość brainstormingu, bo AI nie startuje od pustej kartki. Ma za sobą materiał z Discovery.

W bardziej uporządkowanym środowisku możemy pójść jeszcze krok dalej. Do jednego projektu przekazujemy screenshoty produktu, raport z audytu, wyniki Deep Researchu i materiały z badań. Model ma wtedy dostęp do całej historii wcześniejszej pracy i może wykorzystać ją podczas tworzenia pytań oraz koncepcji. Z tak przygotowanego researchu zaczyna powstawać opis tego, co chcemy stworzyć i dlaczego właśnie to. Ten opis możemy później przekazać AI budującemu prototyp.

I chyba właśnie tutaj znajduje się największa zmiana. Możemy coraz szybciej przejść od dokumentów do działającego rozwiązania, dlatego jakość materiału, który wkładamy przed etapem budowania, zaczyna mieć jeszcze większe znaczenie. Samo wygenerowanie kolejnego prototypu jest już zaskakująco łatwe. Znacznie więcej pracy wymaga ustalenie, który prototyp w ogóle zasługuje na powstanie.

Jeżeli chcesz poznać więcej tajników współpracy z AI przy projektach i produktach od koncepcji do wdrożenia zapoznaj się z programem Supercharge: AI+UX – najbliższa edycja startuje 20 października 2026.