Несколько лет назад я пришёл в компанию, которая готовилась выпустить на рынок новый сложный IT-продукт. В первый же день выяснилось: релиз — через два месяца. У меня не было ничего — ни позиционирования, ни исследований рынка, ни даже ясного ответа, кто наш клиент и почему он должен выбрать именно нас.
Продукт существовал в закрытой бете с несколькими спящими пользователями — и всё это на рынке серверных операционных систем, который был мне абсолютно незнаком и исторически недружелюбен к новичкам.
Это была классическая ситуация, когда discovery и delivery происходят одновременно: нужно разбираться в продукте, готовить релиз и выстраивать маркетинговую стратегию в одной фазе и с теми же ресурсами.
Мне нужен был способ быстро и дёшево получить рабочие гипотезы. И решение оказалось странным: поговорить с людьми, которых не существует.
В это статье расскажу короткий кейс, как я пришел к использованию LLM в проведении интервью, а также поделюсь всеми промтами и гайдами в конце материала!
А если хочешь узнать подробнее про весь продуктовый кейс, то жми SelectOS: от ранней беты до 4 500+ установок
Если отступить на шаг назад и спросить себя, зачем мы проводим кастдевы и ищем jobs-to-be-done, ответ будет простым: не ради процесса, а ради инсайтов о проблемах, мотивациях и барьерах аудитории. Именно они потом превращаются в фичи, позиционирование и месседжи.
Синтетические интервью — разговоры с детально смоделированными персонами — позволяют расширить пространство гипотез до выхода в реальный рынок. Это не способ узнать правду, а способ быстрее нащупать направления, которые стоит проверять.
Критики справедливо замечают: синтетическим персонам нельзя доверять — они ненастоящие. Но есть неудобный контраргумент: реальные люди тоже искажают реальность. Они говорят социально одобряемые вещи, рационализируют постфактум и не всегда понимают собственные мотивы.
После любого интервью — живого или синтетического — гипотезы всё равно приходится проверять. Разница лишь в том, с каким количеством идей ты выходишь на эту проверку.
Речь не о замене живых клиентов ИИ. Речь о том, как использовать языковые модели как инструмент ускоренного мышления, когда рынок сложный, аудитория закрытая, а времени хронически не хватает.
Классический продуктовый ментор предложит понятный путь: пятнадцать–двадцать глубинных интервью, аккуратный синтез, несколько хорошо проработанных гипотез. Если половина из них сработает — это отличный результат.
Но есть и другая логика — грубая, неакадемичная, зато быстрая.
Сто дешёвых гипотез с конверсией 10% против десяти дорогих с конверсией 50%.
В первом случае «рабочих» гипотез больше, а ресурсы на их проверку остаются. Ключевая метрика здесь — не точность, а скорость цикла «идея → проверка».
За несколько недель я провёл больше пятнадцати синтетических интервью с персонами, которые покрывали весь спектр потенциальной аудитории. У каждого была своя логика, свои страхи и свои компромиссы. И именно здесь начали появляться инсайты, которых не было в первом касании с продуктом.