✅دیزاین سیستمی که می‌تونید بهش اعتماد کنید

سال‌هاست که در حوزه دیزاین سیستم (design system) کار می‌شه و همیشه با یک سری مشکل تکراری روبه‌رو می‌شیم: رمپ‌های رنگی (color ramps) که دستی و با آزمون و خطا ساخته می‌شن، تم‌هایی که به‌طور خاموش کنتراست (contrast) رو نقض می‌کنن، توکن‌هایی (tokens) که بین فیگما و ریپو دچار انحراف (drift) می‌شن، و دستیارهای هوش مصنوعی که چون هیچ منبع مشخصی از سیستم ندارن، مجبورن مقادیر هگز (hex) رو از خودشون بسازن.

Escala Tokens دقیقاً برای حل همین مشکلات ساخته شده؛ ابزاری که یک دیزاین سیستم قابل‌اعتماد تولید می‌کنه:

🟡رمپ‌های رنگی که بر اساس دسترس‌پذیری (accessibility) محاسبه می‌شن، نه با چشم تنظیم
🟡 تم‌هایی که به پریمیتیوها (primitives) ارجاع می‌دن، نه اینکه کپی‌شون کنن
🟡 خروجی‌هایی که دقیقاً همون‌جایی می‌شینن که باهاش کار می‌کنید: فیگما، ریپوی خودتون، توکن‌های استاندارد W3C، و CSS

💙یک نکته مهم دیگه: این ابزار یک سرور MCP هم داره؛ یعنی دستیار هوش مصنوعی شما به‌جای حدس‌زدن، سیستم واقعی رو می‌خونه. نتیجه‌ش یکپارچگی‌ایه که از طراحی به دست میاد، نه از ریویو کدها.

همه‌مون این روزها سریع‌تر از همیشه می‌سازیم؛ فقط باید مطمئن بشیم روی چیزی می‌سازیم که پایه محکمی داره.

فعلاً به گفته سازنده اش Cesar Durango در مرحله بتا (beta) هست.

https://escalatokens.com/

#دستیار_هوش_مصنوعی #دیزاین_سیستم #ابزار #دسترسی_پذیری

🫶 @SodehDesign
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅ طراحان تجربه فارسی‌زبان، روی یک نقشه

یه پروژه‌ی جالب و عمومی جدیدا لانچ شده که طراح‌های تجربه‌ی فارسی‌زبان، از داخل ایران تا هر گوشه‌ی دنیا، می‌تونن خودشون رو روی نقشه‌ی جهان ثبت کنن 🌍

🗺این نقشه برای همه‌ی ماست، فرقی نمی‌کنه کدوم نقش رو داشته باشید:

طراح رابط کاربری • طراح تجربه کاربری • طراح UI/UX • طراح محصول • پژوهشگر تجربه کاربری • طراح دیزاین سیستم • طراح تعامل • نویسنده تجربه کاربری • طراح خدمات • متخصص دسترس‌پذیری • استراتژیست تجربه کاربری • طراح تجربه هوش مصنوعی و ایجنت • طراح تجربه کارکنان • طراح تجربه مشتری • طراح تجربه یادگیری • توسعه‌دهنده و برنامه‌نویس • و هر نقش دیگه‌ای که با تجربه سروکار داره

چیزی که این ایده رو برام جذاب کرد، اینه که جای خالیش واقعاً حس می‌شد. ما یه جامعه‌ی بزرگ، رو به رشد و پراکنده‌ایم که توی شهرهای مختلف ایران (و با مهاجرت خیلی‌هامون) کشورهای مختلف کار می‌کنیم، ولی هیچ‌وقت تصویر روشنی از خودمون نداشتیم: کجاییم، چند نفریم، کی نزدیک‌مونه!

✨ چرا ارزش داره ثبت کنید:
🟡 شبکه‌سازی: پیدا کردن هم‌زبان‌هایی که تو شهر یا کشور شما کار می‌کنن
🟡 شناخت جامعه: دیدن اینکه طراح‌های فارسی‌زبان کجای دنیا پخش شدن
🟡دیده شدن: کنار بقیه‌ی همکارها، روی نقشه‌ای که مال همه‌ست
🟡 پروژه‌ی عمومی: برای جامعه‌ست و با حضور همین جامعه کامل می‌شه
🟡و حتی در آینده گزارش‌های وضعیت کاری، فعالیت‌ها و.. این حوزه

به نظرم هرچی نقشه پرتر بشه، ارزشش برای همه‌مون بیشتر می‌شه و در آینده هم قراره چیزهای بیشتری بهش اضافه بشه .

خودتون رو ثبت کنید و برای دوست‌ها و همکارهاتون هم بفرستید که اونا هم اضافه بشن!
💎 https://persianuxmap.com/

❤️این یک تبلیغ نیست، یک حمایت دوستانه از سوده دیزاین است. حمایت از فعالیت‌های ارزشمند جامعه دیزاین، را فراموش نکنیم.

#طراحی_محصول #طراحی_خدمات #حمایت #پروژه_عمومی

🫶 @SodehDesign
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅رهبری طراحی خدمات (Service Design Leadership)

رهبری در طراحی خدمات شکل‌های متفاوتی دارد. گاهی بخشی از عنوان شغلی رسمی شماست و سازمان آگاهانه آن را از شما انتظار دارد، و گاهی نقشی است که خودتان در نبودِ هر حمایت رسمی به عهده گرفته‌اید. ممکن است تیمی از متخصصان کاربرمحور (User-Centred Practitioners) را هدایت کنید، یا در جایگاهی مسئول ارائه‌ی یک خدمت یا برنامه (Service / Program Delivery) باشید.

💎نقش رهبری طراحی خدمات در کسب‌وکارها

در بسیاری از کسب‌وکارها، تجربه‌ی مشتری حاصل کار ده‌ها تیم جداست: فروش، پشتیبانی، عملیات، فناوری و مالی. هر کدام بخش خودشان را بهینه می‌کنند، اما کسی مسئول «کل خدمت» از نگاه مشتری نیست. رهبر طراحی خدمات دقیقاً همین شکاف را پر می‌کند. او با دیدن خدمت به‌صورت یک سیستم یکپارچه (End-to-End)، فاصله‌ی میان استراتژی و اجرا، و میان تجربه‌ی مشتری (Front-stage) و فرایندهای پشت صحنه (Back-stage) را کم می‌کند. ارزش او برای کسب‌وکار فقط بهبود چند نقطه‌ی تماس (Touchpoint) نیست؛ او بر ساختارها، بودجه، شیوه‌ی تصمیم‌گیری و فرهنگ سازمان اثر می‌گذارد تا خدمات بهتر نه یک پروژه‌ی مقطعی، بلکه نتیجه‌ی طبیعیِ نحوه‌ی کار سازمان باشد. نتیجه‌ی این نقش در عمل، کاهش هزینه‌های ناشی از خطا و دوباره‌کاری، افزایش وفاداری مشتری و سرعت بیشتر در پاسخ به تغییرات بازار است.

طراحان و رهبران فعال این حوزه می‌توانند در چهار تیپ رهبری دسته‌بندی شوند:

🟡 رهبر ایده (Idea Leader): با روایت و استراتژیِ الهام‌بخش، سازمان را به سمت خدمات بهتر هل می‌دهد.
🟡 رهبر فنی (Technical Leader): مشاوره‌ی قابل‌اتکا درباره‌ی بهترین شیوه‌ی طراحی و ارائه‌ی خدمت می‌دهد.
🟡 رهبر افراد (People Leader): جامعه‌ای از طراحان، پژوهشگران و مدیران محصول را حمایت و توانمند می‌کند.
🟡 رهبر اجرا (Delivery Leader): طراحی یا اجرای یک خدمت یا کل یک برنامه را مدیریت می‌کند.

📌نکته‌ی کلیدی: لازم نیست همه‌ی این نقش‌ها را خودتان بازی کنید، اما اگر هیچ‌کس در سازمان آن‌ها را بازی نکند، مشکل ایجاد می‌شود. ایده بدون اجرا گسسته می‌ماند، و جامعه‌ی متخصص بدون ایده و عمق فنی، بی‌جهت می‌شود. پس بدانید کدام نقش با مهارت و علاقه‌ی شما جور است و برای بقیه، هم‌پیمان پیدا کنید.

💎 دو باور غلط رایج:
۱. رهبری صرفاً حاصل گذر زمان و تجربه است. (نه؛ مهارتی است که باید آموخت.)
۲. با رسیدن به رهبری، کار از ۱۰۰٪ طراحی به ۱۰۰٪ مدیریت تغییر می‌کند. (نه؛ شما هنوز طراحی می‌کنید، فقط متریال طراحی‌تان عوض می‌شود.)

⚡️ هشت حوزه‌ای که رهبر طراحی خدمات «دیزاین» می‌کند:

🟡حاکمیت (Governance): شیوه‌ی تصمیم‌گیری
🟡مالی (Finance): اینکه پول کجا و چطور خرج شود
🟡ساختار (Structures): نقش‌ها و خطوط گزارش‌دهی
توانمندی (Capability): مهارت تیم‌ها و سازمان
🟡ذهنیت (Mindset): روحیه، باورها و انگیزه‌های بلندمدت
🟡حقوقی (Legal): تعامل با قوانین برای ممکن کردن کار بهتر
🟡سیاست و استراتژی (Policy & Strategy)
🟡خدمات (Services): هدایت فنی و استراتژیک طراحی خدمت

رهبر طراحی خدمات همیشه بین تغییرِ عملگرایانه‌ی کوتاه‌مدت و ساختن شرایط بلندمدت برای رشد طراحی خدمات در تعادل است.


#رهبری #طراحی_خدمات #کسب_و_کار

🫶 @SodehDesign
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅کلاف سردرگم (Big Ball of Mud) جدید: چرا سیستم‌های ایجنتیک ما شکننده می‌شوند؟

هوش مصنوعی ساختن را تقریباً رایگان کرده است، و مشکل دقیقاً از همین‌جا شروع می‌شود.

امروز داشتم طبق عادت چندین ساله، یک مقاله جدید را قبل از شروع کار مطالعه میکردم و به مقاله جدیدی رسیدم، NN/g در مطالعه‌ای روی کاربران حرفه‌ای AI الگویی آشنا پیدا کرده است. این کاربران معمولاً پیش‌زمینه فنی ندارند و برای کار روزانه‌شان سیستم‌های پیچیده‌ای با ایجنت و کانتکست می‌سازند. NN/g به آن‌ها «معماران وایب» (Vibe Architects) می‌گوید. الگویی که در کارشان دیده شد «کلاف سردرگم» است: سیستمی که سرهم شده تا امروز کار کند، نه این‌که سال‌ها دوام بیاورد.

قبلاً کمبود زمان، پول و تخصص ما را مجبور به اولویت‌بندی می‌کرد. حالا هیچ چیز ترمز نمی‌کند، پس بیش از اندازه می‌سازیم، چون ساختن حس بهره‌وری می‌دهد.

💎 پنج الگویی که در این مطالعه دیده میشه:

۱. کد دورریختنی (Throwaway Code): یک پیش‌نویس سریع، مثلاً یک فایل rules.md، هیچ‌وقت بازنگری نمی‌شود، اما کل گردش‌کار کم‌کم به آن وابسته می‌شود.
۲. رشد وصله‌پینه‌ای (Piecemeal Growth): یک ویجت ساده آرام‌آرام به داشبورد سازمانی تبدیل می‌شود و هیچ‌وقت به نقطه «تمام‌شده» نمی‌رسد.
۳. فقط کار کند (Keep It Working): وقتی سیستم خراب می‌شود، وصله‌اش می‌کنیم و به AI می‌گوییم «هر جا لازم است درستش کن». کم‌کم دیگر نمی‌دانیم چه چیزی کجاست.
۴. زیر فرش جارو کردن (Sweeping It Under the Rug): پوشه‌هایی شبیه کشوی خرت‌وپرت درست می‌شوند که فقط AI می‌تواند چیزی در آن‌ها پیدا کند.
۵. بازسازی (Reconstruction): این مرحله وقتی می‌رسد که سیستم دیگر به نیاز نمی‌خورد، دیگر کسی آن را نمی‌فهمد، یا روش بهتری برای انجام همان کار پیدا شده است.

پ.ن: سعی کردم ترجمه فارسی خوبی براش بنویسیم😃

🌐 یک تست ساده:
اگر بخواهیم رفتار سیستم‌مان را تغییر دهیم، می‌دانیم کدام بخش از کانتکست را باید عوض کنیم؟
اگر جواب «نه» است، AI تنها کسی است که سر کلاف را پیدا می‌کند و ما فقط امیدواریم که سیستم نشکند.

☑️چند عادت کوچک تا کلاف سردرگم نشود:

سه نوع کانتکست را از هم جدا نگه داریم:
◦ سراسری (Global): چیزهایی که برای کل سیستم صدق می‌کنند.
◦ موضعی (Local): چیزهایی که به یک پروژه یا تسک خاص مربوط‌اند.
◦ محیطی (Ambient): جریان‌هایی مثل ایمیل و اسلک که در دسترس AI هستند.
هنگام درخواست تغییر، نوع کانتکست را نام ببریم، به‌جای این‌که بگوییم «هر جا فکر می‌کنی درستش کن».
کانتکست سراسری را هر از گاهی از اول تا آخر مرور کنیم. باید آن‌قدر کوتاه باشد که در یک نشست خوانده شود.
وقتی کیفیت خروجی‌ها افت کرد، کانتکست موضعی را به‌روز کنیم.

💎 از نگاه طراحی محصول می‌توانیم اینطور به این موضوع نگاه کنیم:
این همان بدهی طراحی و فنی (Design/Tech Debt) آشناست، این بار در سیستم شخصی خودمان. ساختن ارزان شده، اما فهمیدن سیستم ارزان نشده است. هدف این نیست که هیچ‌وقت سیستم را از نو نسازیم. هدف این است که وقتی زمانش رسید، خودمان این بازسازی را هدایت کنیم، نه AI. مهم‌ترین انضباط هم پوشه‌های مرتب نیست، بلکه بازاندیشی دوره‌ای است: هر بخش چه کاری می‌کند، هنوز از آن استفاده می‌کنیم یا نه، و اگر از صفر شروع می‌کردیم چه چیزی را جور دیگری می‌ساختیم.

☑️دوست داشتید مقاله کامل را از اینجا مطالعه کنید
https://www.nngroup.com/articles/big-ball-of-mud-ai/


#ProductDesign #AgenticAI #ContextEngineering
#AgenticAIExperienceDesign #AgentExperienceDesign #AX
#طراحی_محصول #هوش_مصنوعی #طراحی_تجربه_ایجنت

🫶 @SodehDesign
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅چک لیست: قبل از اینکه AI را وارد ساخت محصول کنید

یکی از نکات مهمی که می‌توانیم این روزها به آن به پردازیم این است که سرعت ساخت محصول با AI نباید ما را از Product Thinking دور کند.

امروز با ابزارهایی مثل Coding Agents می‌توانیم در مدت بسیار کوتاهی یک محصول یا Feature بسازیم. اما مسئله اصلی دیگر این نیست که «چقدر سریع می‌توانیم بسازیم؟»

💎مسئله این است: آیا داریم چیز درستی را می‌سازیم؟

در Product Development سنتی، مسیر معمولاً چیزی شبیه این است:
Problem → Research → Decision → Design → Engineering → Ship

اما در AI-native Product Development، بخش زیادی از implementation می‌تواند توسط Agentها انجام شود. بنابراین ارزش تصمیم‌هایی که قبل از ساخت گرفته می‌شوند، بیشتر می‌شود.

قبل از اینکه از AI بخواهیم چیزی بسازد، باید مشخص کنیم:

🟡دقیقاً چه مسئله‌ای را حل می‌کنیم؟
🟡ا Outcome مورد انتظار چیست؟
🟡 ا Happy Path چیست؟
🟡اگر AI اشتباه کند چه اتفاقی می‌افتد؟
🟡ا Worst-case scenario چیست؟
🟡ا Edge Caseها کدام‌اند؟
🟡محصول حداقلیِ قابل‌استفاده و ارزشمند ما چیست؟
🟡خروجی AI چگونه باید Review و Test شود؟
🟡در کدام تصمیم‌ها همچنان Human باید مسئول نهایی باشد؟

💎نکته مهم دیگر این است که AI-generated ≠ production-ready.

هوش مصنوعی می‌تواند کد تولید کند، تست بنویسد، راه‌حل پیشنهاد دهد و iteration را سریع‌تر کند؛ اما همچنان باید کیفیت، امنیت، reliability و پیامدهای تصمیم‌ها بررسی شوند.

در واقع، با قدرتمندتر شدن AI، نقش Product Manager و Designer لزوماً کوچک‌تر نمی‌شود؛ بخش مهمی از کار آنها از ساختن مستقیم به سمت تعریف مسئله، تعیین محدودیت‌ها، طراحی سیستم تصمیم‌گیری و ارزیابی خروجی Agentها حرکت می‌کند.

🌱چک‌لیست کوتاه این فرایند را در فایل پیوست گذاشته‌ام.

#هوش_مصنوعی #طراحی_محصول #مدیریت_محصول

🫶 @SodehDesign
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

📣 آغاز پذیرش چهارمین دوره مدیریت حرفه‌ای کسب‌وکار با گرایش دیزاین دانشگاه تهران

✅آخرین مرحله اخذ پذیرش با افزایش محدود ظرفیت

این دوره با تمرکز بر مدیریت، دیزاین و کسب‌وکار و با رویکردی تجربه‌محور برگزار می‌شود و در دوره چهارم، توجه ویژه‌ای به کاربردهای هوش مصنوعی در کسب‌وکار و مدل‌های کسب‌وکار جدید و تاب‌آور در شرایط بحران خواهد شد.

🟢 مهم‌ترین ویژگی‌های دوره:
🟡 شبکه‌سازی حرفه‌ای و شکل‌گیری ارتباطات کاری مؤثر
🟡 آموزش بین‌رشته‌ای، مبتنی بر نقد، گفتگو و یادگیری جمعی
🟡 انتقال تجربه‌های عملی طراحان، معماران، کارآفرینان و اساتید شاخص داخلی و بین‌المللی
🟡امکان حضور حضوری، آنلاین یا ترکیبی از سراسر ایران و جهان
🟡 اعطای مدرک معتبر دوره جامع «مدیریت حرفه‌ای کسب‌وکار با گرایش دیزاین» دانشگاه تهران

📅 شروع دوره: ۲۳ مهرماه ۱۴۰۵

✔️این دوره تنها یک‌بار در سال برگزار می‌شود.

☑️ متقاضیان می‌توانند برای بررسی در کمیته پذیرش، پورتفولیو و سوابق کاری و حرفه‌ای خود را از طریق تلگرام، واتس‌اپ یا بله ارسال کنند:

📲 09001160230
📱 @DesignMBA
📱 @ut.design.mba

#دوره_آموزشی #دیزاین #دانشگاه_تهران #ADV

👆کاتالوگ چهارمین دوره مدیریت حرفه‌ای کسب‌وکار با گرایش دیزاین دانشگاه تهران

📲 09001160230
📱 @DesignMBA
📱 @ut.design.mba

#دوره_آموزشی #دیزاین #دانشگاه_تهران #ADV

✅ا Figma Agent؛ از نسخه آزمایشی خارج شد

فیگما اخیراً Figma Agent را از مرحلهٔ آزمایشی خارج کرده و برای کاربران (غیر رایگان) در دسترس قرار داده است. این ابزار هوش مصنوعی مستقیماً درون محیط طراحی کار می‌کند و به شما کمک می‌کند تا در جریان کار باقی بمانید.

💎 اما Figma Agent چیست؟
یک دستیار هوشمند است که درست در کنار شما، درون بوم رسم فیگما (Canvas) کار می‌کند. برخلاف ابزارهای چت معمول، این Agent واقعاً متوجه جریان کار شما است و با شما همکاری می‌کند.

💎کارهایی که انجام می‌دهد:
🟡ویرایش و بهبود طراحی‌ها: تغییر المان‌های طراحی و بهینه‌سازی لایه‌ها
🟡ایجاد نسخه‌های جدید: کاوش ایده‌های متنوع و راهکارهای مختلف
🟡استفادهٔ خودکار از معیارهای طراحی: اعمال خودکار Components و استانداردهای تیمی شما
🟡ادغام بازخورد: جمع‌آوری نظرات و بهبود طراحی بر اساس آنها
🟡حذف کارهای تکراری: خودکارسازی کارهایی که هر روز تکرار می‌شود
قابلیت‌های پیشرفته
🟡ایجاد ابزارهای سفارشی: بدون نیاز به برنامه‌نویسی، می‌توانید از Agent بخواهید ابزارهایی بسازد که نیاز تیم شما را برطرف کند (مثلاً وارد کردن HTML یا ایجاد طرح‌بندی برای داشبورد).
🟡جلوه‌های بصری پیشرفته: ایجاد افکت‌های زیبای طراحی صرفاً با دستورات متنی، بدون خستگی‌ناپذیر تنظیمات دستی.
🟡درک بهتر سیاق: می‌توانید اسناد تحقیق، متون محصول، و حتی فایل‌های Figma دیگر را به گفتگو اضافه کنید تا Agent بهتر بفهمد منظور شما چیست.

🌱نکته مهم: Figma Agent تنها برای کاربران طرح‌های پولی در دسترس است و کاربران پلن رایگان (Free Plan) به این ابزار دسترسی ندارند.

💎چرا این بهتر است؟ Agent نه‌تنها یک ابزار هوشمند است؛ بلکه متوجه Design System و منطق کارکردی تیم شما است. شما و Agent می‌توانید به‌طور هم‌زمان روی یک پروژه کار کنید و یکدیگر را تکمیل کنید. در حالی‌که شما بر روی تصمیم‌های حیاتی تمرکز می‌کنید، Agent کارهای ساده و تکراری را بر عهده می‌گیرد.

#هوش_مصنوعی #طراحی_محصول #فیگما

🫶 @SodehDesign
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅وقتی ساختن محصول با AI آسان‌تر شده، مزیت رقابتی کجاست؟

با ورود ابزارهای هوش مصنوعی، ساخت پروتوتایپ و توسعه نرم‌افزار سریع‌تر و ارزان‌تر شده است. اما این به معنای آسان‌تر شدن ساخت یک محصول موفق نیست.

⭐️چند نکته مهم درباره طراحی و توسعه محصولات AI:

🟡پروتوتایپ، محصول نهایی نیست.
ساخت یک نمونه اولیه جذاب با AI ساده‌تر شده، اما تبدیل آن به محصولی پایدار، قابل اعتماد و آماده استفاده در دنیای واقعی همچنان به تصمیم‌های فنی و طراحی جدی نیاز دارد.

🟡 برای همه طراحی نکنید.
به‌جای تلاش برای جذب تمام کاربران، یک گروه مشخص را انتخاب کنید و نیازهای واقعی آن‌ها را عمیق‌تر بشناسید. تمرکز روی یک مسئله مشخص می‌تواند مزیتی ایجاد کند که تقلید از آن دشوارتر است.

🟡عمق راهکار از تعداد قابلیت‌ها مهم‌تر است.
اضافه‌کردن قابلیت‌های بیشتر یا استفاده از مدل‌های پیشرفته‌تر، لزوماً محصول بهتری نمی‌سازد. حل دقیق یک مسئله در بستر گردش کار واقعی کاربر، ارزش بیشتری ایجاد می‌کند.

🟡 زیرساخت، مزیتی است که ممکن است دیرتر دیده شود.
بعضی فرصت‌های بزرگ محصولی، نتیجه سرمایه‌گذاری‌های بلندمدت روی فناوری و زیرساخت‌هایی هستند که در ابتدا کاربرد تجاری مشخصی ندارند. توانایی تشخیص و بهره‌برداری از این ظرفیت‌ها می‌تواند مسیر رشد یک کسب‌وکار را تغییر دهد.

🟡رشد سریع با موفقیت پایدار متفاوت است.
افزایش سریع درآمد یا تعداد کاربران فقط بخشی از تصویر است. حفظ مشتری، هزینه ارائه خدمات، کیفیت تجربه و توانایی ایجاد ارزش مستمر، تعیین می‌کنند که یک محصول تا چه اندازه می‌تواند دوام بیاورد.

🟡با عمومی‌شدن AI، محل رقابت تغییر می‌کند.
وقتی ابزارها و مدل‌های قدرتمند در دسترس افراد و شرکت‌های بیشتری قرار می‌گیرند، صرف استفاده از AI دیگر تمایز کافی نیست. شناخت حوزه تخصصی، کیفیت تجربه کاربری، یکپارچگی با گردش کار و ارزش واقعی برای مشتری اهمیت بیشتری پیدا می‌کنند.

💎این تغییر چه معنایی برای طراحان محصول دارد؟
ارزش طراح دیگر صرفاً در توانایی تبدیل ایده به صفحه، وایرفریم یا پروتوتایپ نیست.

⚡️ارزش اصلی در توانایی‌های زیر شکل می‌گیرد:

☑️ تشخیص مسئله‌ای که واقعاً ارزش حل‌کردن دارد.
☑️شناخت عمیق کاربران و زمینه استفاده از محصول.
☑️طراحی گردش کار متناسب با نیازهای واقعی.
☑️تبدیل خروجی AI به تجربه‌ای قابل اعتماد و قابل استفاده.
☑️اتصال تصمیم‌های طراحی به اهداف کسب‌وکار.
☑️ایجاد تمایز فراتر از قابلیت‌های عمومی ابزارهای هوش مصنوعی.


✨ به نظرم نکته مهم این است که هرچه ساختن محصول آسان‌تر شود، کیفیت تصمیم‌گیری درباره اینکه چه چیزی، برای چه کسی و چرا باید ساخته شود، اهمیت بیشتری پیدا می‌کند. در عصر AI، مزیت رقابتی فقط در سرعت ساخت نیست؛ در انتخاب مسئله درست و خلق ارزش متمایز است.
به نظرم حتی با آمدن هوش مصنوعی و سونامی ساخت ابزارها و محصولات هوش مصنوعی، بار دیگر باید کتاب تست مامان را بازخوانی کنیم😁️️️️️️

#هوش_مصنوعی #طراحی_محصول #مدیریت_محصول #حل_مسئله

🫶 @SodehDesign | @SodehTransform
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅از AI Canvas تا AI-Native Product Development : چرا سازمان‌ها باید فراتر از ابزارها فکر کنند؟

هوش مصنوعی در حال تغییر چرخه توسعه محصول است؛ از کشف و تعریف مسئله (Discovery) و تحلیل نیازهای کاربران تا طراحی، توسعه، آزمایش و بهبود محصول پس از عرضه.

اما نکته مهم این است که استفاده از AI صرفاً برای سریع‌تر انجام‌دادن فعالیت‌های فعلی، لزوماً به معنای توسعه محصول بهتر نیست. اگر مسئله اشتباه انتخاب شود، هوش مصنوعی می‌تواند همان مسئله را سریع‌تر و با هزینه کمتری به یک راهکار نامناسب تبدیل کند.

در این شرایط، سازمان‌ها به بازنگری در شیوه همکاری تیم‌های محصول، دیزیاین و مهندسی و همچنین سازوکارهای تصمیم‌گیری نیاز دارند.

💎اینجاست که مفهوم AI Canvas اهمیت پیدا می‌کند.
در واقع AI Canvas را می‌توان در قالب رویکردهای مختلفی برای ساختن درکی مشترک از مسئله، ارزش کسب‌وکار، قابلیت‌های هوش مصنوعی و الزامات اجرای راهکار به کار گرفت. یک بوم یکپارچه برای توسعه محصول مبتنی بر AI می‌تواند موضوعات زیر را کنار هم قرار دهد:

🟡 ا Problem & Business Value: دقیقاً چه مسئله‌ای را حل می‌کنیم و ارزش آن برای کاربر و کسب‌وکار چیست؟

🟡 ا User & Agent Experience: تعامل انسان با محصول یا ایجنت هوش مصنوعی چگونه شکل می‌گیرد؟

🟡ا AI Capabilities & Data: استفاده از AI چه قابلیت‌هایی ایجاد می‌کند و به چه داده‌ها و زیرساخت‌هایی نیاز داریم؟

🟡ا Evaluation & Feedback: کیفیت خروجی‌ها، عملکرد سیستم و موفقیت محصول را چگونه ارزیابی می‌کنیم؟

🟡 ا Risk & Governance: مسئولیت تصمیم‌ها، حریم خصوصی، قابلیت اطمینان و نظارت انسانی چگونه تعریف می‌شوند؟

البته AI Canvas یک چارچوب استاندارد واحد با تعریف ثابت نیست؛ بنابراین، اجزای آن باید متناسب با هدف و زمینه استفاده مشخص شوند.

تغییر اصلی در سطح سازمان اتفاق می‌افتد: وقتی تولید ایده، طراحی و توسعه سریع‌تر می‌شوند، مزیت رقابتی صرفاً در سرعت ساختن نیست؛ بلکه در انتخاب مسئله درست، کیفیت تصمیم‌گیری، یادگیری مستمر و توانایی تبدیل قابلیت‌های AI به ارزش واقعی نهفته است.

در نهایت، پرسش مهم برای مدیران محصول، رهبران دیزاین و تیم‌های مهندسی این نیست که چگونه AI را به فرایند فعلی اضافه کنیم؛ بلکه این است که با حضور AI، کدام بخش‌های فرایند توسعه محصول، تقسیم مسئولیت‌ها و مدل تصمیم‌گیری سازمان باید بازطراحی شوند؟

#طراحی_محصول #مدیریت_محصول #هوش_مصنوعی #تحول_هوش_مصنوعی

🫶 @SodehDesign
😎 @SodehTransform
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅بازطراحی Mobbin: از کتابخانه طراحی تا همکار AI دیزاینرها

در پست جدید مدیرعامل وبسایت Mobbin ، دو سال از آخرین بازطراحی گذشته و حالا صفحه اصلی بهتر نشان می‌دهد Mobbin به چه چیزی تبدیل شده. ویژگی‌های جدید:

🟡حالا Mobbin برای عامل‌ها (agents) هم ساخته شده: دانش عملی طراحی، منابع و بینش‌ها برای کمک به تصمیم‌گیری بهتر عامل‌های هوش مصنوعی در طراحی.

🟡جستجوی یکپارچه‌تر: کتابخانه فقط اپلیکیشن‌های موبایل و وب نیست؛ حالا سایت‌های بازاریابی و انیمیشن‌ها هم در همان جا قابل جستجو هستند.

🟡بخش اختصاصی MCP: اتصال Mobbin به گردش‌کار طراحی عامل‌محور حالا در صفحه اصلی معرفی شده تا راحت‌تر پیدا شود.

🟡داستان مشتریان B2B: روایت تیم‌هایی مثل Cursor، OKX و Sanctum درباره استفاده از Mobbin در فرآیند طراحی‌شان.

🟡 فوتر بازیگوش: تعامل‌های ریز و جزئیات خلاقانه‌ای که به آن اضافه شده.

💎به درد ما طراح‌ها چطور می‌خورد؟
ا Mobbin یک کتابخانه مرجع طراحی است: مجموعه‌ای از اسکرین‌شات‌ها و الگوهای واقعی از اپلیکیشن‌های موبایل، وب، سایت‌های بازاریابی و انیمیشن‌ها که طراح‌ها می‌توانند در یک جا جستجو کنند و برای الهام گرفتن، مقایسه و تصمیم‌گیری درباره تعامل‌ها و چیدمان‌ها از آن استفاده کنند.

هدف اصلی آن کمک به طراح‌ها و تیم‌های محصول است که به‌جای شروع از صفر، از نمونه‌های واقعی و تأییدشده‌ی محصولات دیگر کمک بگیرند و کارشان سریع‌تر و با کیفیت بهتر پیش برود.

در کنار این، Mobbin به سمت ابزار کار با عامل‌های هوش مصنوعی هم حرکت کرده است. با MCP و بخش‌های جدید صفحه اصلی، هدف این است که عامل‌ها هم بتوانند به دانش طراحی و منابع Mobbin دسترسی داشته باشند و در گردش‌کار طراحی عامل‌محور کمک کنند.

☝️ mobbin.com

#منابع #طراحی_محصول #دیزاین #هوش_مصنوعی #محصول

🫶 @SodehDesign
😎 @SodehTransform
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

👇کاتالوگ چهارمین دوره مدیریت حرفه‌ای کسب‌وکار با گرایش دیزاین دانشگاه تهران
✅ تنها یک روز مانده تا پایان ثبت‌نام

📲 09001160230
📱 @DesignMBA
📱 @ut.design.mba

#دوره_آموزشی #دیزاین #دانشگاه_تهران #ADV

📣پذیرش چهارمین دوره مدیریت حرفه‌ای کسب‌وکار با گرایش دیزاین دانشگاه تهران

✅افزایش محدود ظرفیت
✅ تنها یک روز مانده تا پایان ثبت‌نام

این دوره با تمرکز بر مدیریت، دیزاین و کسب‌وکار و با رویکردی تجربه‌محور برگزار می‌شود و در دوره چهارم، توجه ویژه‌ای به کاربردهای هوش مصنوعی در کسب‌وکار و مدل‌های کسب‌وکار جدید و تاب‌آور در شرایط بحران خواهد شد.

🟢 مهم‌ترین ویژگی‌های دوره:
🟡 شبکه‌سازی حرفه‌ای و شکل‌گیری ارتباطات کاری مؤثر
🟡 آموزش بین‌رشته‌ای، مبتنی بر نقد، گفتگو و یادگیری جمعی
🟡 انتقال تجربه‌های عملی طراحان، معماران، کارآفرینان و اساتید شاخص داخلی و بین‌المللی
🟡امکان حضور حضوری، آنلاین یا ترکیبی از سراسر ایران و جهان
🟡 اعطای مدرک معتبر دوره جامع «مدیریت حرفه‌ای کسب‌وکار با گرایش دیزاین» دانشگاه تهران

📅 شروع دوره: ۲۳ مهرماه ۱۴۰۵

✔️این دوره تنها یک‌بار در سال برگزار می‌شود.

☑️ متقاضیان می‌توانند برای بررسی در کمیته پذیرش، پورتفولیو و سوابق کاری و حرفه‌ای خود را از طریق تلگرام، واتس‌اپ یا بله ارسال کنند:

📲 09001160230
📱 @DesignMBA
📱 @ut.design.mba

#دوره_آموزشی #دیزاین #دانشگاه_تهران #ADV

✅نقش هوش مصنوعی در دیزاین دسترس‌پذیر محصولات و خدمات دیجیتال

برای فرد نابینا یا کم‌بینا، استفاده از یک وب‌سایت یا اپلیکیشن فقط به دیدن صفحه وابسته نیست؛ باید بتوان با صفحه‌خوان آن را فهمید، با صفحه‌کلید بین بخش‌ها حرکت کرد و دکمه‌ها و فرم‌ها را درست شناخت. اگر یک دکمه اسم مناسبی نداشته باشد، ترتیب حرکت بین اجزای صفحه به‌هم‌ریخته باشد یا یک بخش تعاملی از دسترس صفحه‌خوان جا بماند، استفاده از محصول می‌تواند دشوار یا حتی ناممکن شود.
اینجاست که AI for Accessibility می‌تواند تفاوت ایجاد کند. ابزارهای هوشمندِ دسترس‌پذیری به تیم‌های طراحی و توسعه کمک می‌کنند مشکلات را زودتر و در مقیاس بزرگ‌تر پیدا کنند؛ پیش از آنکه محصول به دست کاربران برسد.
به عنوان مثال محصولات Evinced با تحلیل رابط کاربری و کد، می‌تواند مشکلاتی را شناسایی کند که بررسی ساده‌ی کد ممکن است از آن‌ها عبور کند؛ از جمله نام‌های دسترس‌پذیرِ جاافتاده، نقش نادرست اجزا و دشواری‌های پیمایش با صفحه‌کلید. این بررسی‌ها برای وب و اپلیکیشن‌های موبایل قابل استفاده‌اند. گزارش‌ها هم مشکل‌ها را با شدت و راهنمای رفع آن‌ها به تیم نشان می‌دهند. دستیارهای هوش مصنوعیِ متصل به ابزارهای Evinced می‌توانند در فرایند توسعه، یافته‌ها را بررسی کنند و برای اصلاح هر مورد راهنمایی بدهند.

تغییر مهم این است که دسترس‌پذیری می‌تواند از یک بررسیِ دیرهنگام و دستی، به بخشی از روند همیشگی ساخت محصول تبدیل شود: مشکل‌ها زودتر دیده می‌شوند، تیم‌ها برای رفعشان راهنمایی می‌گیرند و بررسی‌ها در طول تغییرات محصول ادامه پیدا می‌کند. یعنی توجه به نیاز کاربران نابینا می‌تواند از همان مرحله‌ی طراحی و کدنویسی آغاز شود، نه فقط پس از آماده‌شدن محصول.

هوش مصنوعی البته به‌تنهایی تجربه‌ی واقعی افراد نابینا را جایگزین نمی‌کند. آزمون با صفحه‌خوان و مشارکت خود کاربران همچنان ضروری است؛ AI ابزاری برای کمک به تیم‌هاست تا موانع بیشتری را زودتر پیدا و برطرف کنند.
به مناسبت روز جهانی نابینایان، یادمان باشد دسترس‌پذیری یعنی ساختن تجربه‌ای که همه بتوانند مستقل‌تر از آن استفاده کنند. 💙

#روز_جهانی_نابینایان #دسترس‌پذیری #هوش_مصنوعی

🫶 @SodehDesign
😎 @SodehTransform
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅ سوده دیزاین | همراه داوران مسابقه طراحی داکس ۱۴۰۵

خوشحالم که در دور سوم مسابقه طراحی داکس، تابستان ۱۴۰۵، در کنار دیگر اعضای تیم داوری، آثار ارسالی رو بررسی و ارزیابی می‌کنم. ✨

⚡️تیم داوری:
سیما سریع الاطلاق فرد
سوده محمدآبادی
غزاله سروش
پوریا حسن‌زاده
امیرحسین گل محمدی

مسابقه طراحی داکس فرصتیه برای محک‌زدن مهارت‌ها، ساختن یک کیس‌استادی ارزشمند و رقابت با طراحانی که به رشد فکر می‌کنن، و در این مسابقه، پروژه‌ها بر اساس معیارهایی مثل خلاقیت، کاربردپذیری، کاربرمحوری، زیبایی بصری، وضوح مستندات، قابلیت اجرا، مقیاس‌پذیری و دسترس‌پذیری ارزیابی می‌شن.

💎در فرایند داوری، برای انتخاب برگزیده‌ها به چه چیزهایی توجه می‌کنیم؟

🏆 بهترین دیزاینر: انسجام فرایند طراحی؛
از درک مسئله و تحلیل داده‌ها تا شکل‌گیری ایده و اجرای راه‌حل نهایی

🏆 برترین پروتوتایپ: کامل‌بودن مسیرها، کیفیت تعاملات و روان‌بودن پروتوتایپ
🏆 برترین پژوهشگر: کیفیت پژوهش، دقت در یافتن ریشه مسئله و استفاده از یافته‌ها در تصمیم‌های طراحی
🏆 برترین مستندساز: نظم مستندات، وضوح مراحل و کیفیت روایت مسیر طراحی
🏆 برترین ایده‌پرداز: خلاقیت ایده، تناسب با نیاز کاربر و توانایی حل محدودیت‌های مسئله
🏆 برترین طراح AI: استفاده هوشمندانه از هوش مصنوعی و تأثیر آن بر تصمیم‌های طراحی

منتظر اعلام نتایج باشید… ✨

https://dux.studio | @duxstudio | اطلاعات بیشتر

#DUXAwards #Summer1405 #Design
🫶 @SodehDesign
😎 @SodehTransform
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅طراحی خدمات در دوران ارزان شدن ساخت

سال‌ها ارزش طراحی خدمات (Service Design) بر یک وعده ساده استوار بود: کمی زودتر فکر کنیم تا بعداً اشتباه‌های پرهزینه نکنیم. این استدلال حالا زیر فشار است. وقتی ساختن یک سرویس دیجیتال ارزان‌تر و سریع‌تر می‌شود، بسیاری از سازمان‌ها تفکر پیش از ساخت را مانع می‌بینند، نه سرمایه‌گذاری. به همین دلیل فکر می‌کنم باید این تغییر را جدی گرفت، هرچند معنایش پایان طراحی نیست.

⭐️ساخت بیشتر، به معنی فهم بیشتر نیست⭐️

امروز نمونه‌سازی (prototyping) در همه‌جا دیده می‌شود. اما خیلی از نمونه‌ها فقط وسیله‌ای برای ایده‌های ضعیف‌اند. وقتی همه می‌توانند نمونه بسازند، تازه نیاز به پرسش‌های سخت‌تر می‌شود: این سرویس برای چه کسی ارزش ایجاد می‌کند؟ با سرویس‌های دیگر چه تعارضی دارد؟ اگر کار کند، چه تغییری در تجربه‌ی کل مشتری ایجاد می‌کند؟ این پرسش‌ها کار اصلی طراح خدمات است و با سرعت ساخت کم نمی‌شود، برعکس، بیشتر می‌شود.

💎جای طراح خدمات کجاست؟
به نظر من، جایگاه ما بیشتر در مرز میان انسان و فناوری است، جایی که فرآیندهای سازمان، آدم‌ها و ابزارها به هم می‌رسند. وقتی فناوری وارد واقعیت شلوغ یک سازمان می‌شود، معمولاً همه‌چیز پیچیده‌تر از برنامه‌ی اولیه پیش می‌رود. این همان جایی است که تفکر سیستمی و نگاه چندلایه‌ی خدمات به کار می‌آید.

⚡️مثال‌های مشخص‌تر:
🟡تغییر نقش‌ها: وقتی بخشی از یک فرآیند خودکار می‌شود، باید بفهمیم تجربه‌ی کاربر و کارکنان چطور تغییر می‌کند و نقطه‌ی تحویل بین انسان و ماشین کجاست.
🟡 بازآموزی: افرادی که کار قبلی‌شان تغییر کرده، به مسیر جدید نیاز دارند. این یک چالش طراحی سازمانی است، نه فقط آموزشی.
🟡دانش سازمانی: وقتی نیروها بدون انتقال دانش خارج می‌شوند، بخشی از تجربه‌ها و درک زمینه‌ای هم از بین می‌رود. طراح خدمات می‌تواند مسیری برای حفظ و بازگرداندن این دانش طراحی کند.

💎عامل‌ها (agents) و تجربه‌ی عامل (agent experience)
عامل‌ها دیگر فقط چت‌بات نیستند. آن‌ها می‌توانند وظیفه‌ای را بگیرند، در وب جستجو کنند، از سیستم‌ها استفاده کنند و برای رسیدن به هدف برنامه بچینند. ابزارهایی مثل Deep Research نمونه‌ی ساده‌ای از این رفتار هستند.

☑️پیامدش برای سرویس‌ها این است که:
✔️ وب‌سایت و سرویس شما ممکن است اول توسط یک agent دیده شود، نه انسان. پس باید برای خوانده‌شدن و استفاده‌شدن توسط عامل هم طراحی شود، مثلاً با اطلاعات ساختارمند و قابل فهم برای ماشین.
✔️ کاربرانی که با agent کار می‌کنند می‌توانند رفتارهای غیرمنتظره و تعداد زیادی موارد لبه‌ای (edge cases) ایجاد کنند. برنامه‌ریزی برای چند ده سناریو کافی نیست. باید به فلسفه‌ی طراحی برای عدم قطعیت و مقاومت سیستم فکر کرد.
✔️ در مواردی باید تشخیص داد طرف مقابل انسان است یا عامل. این یک پرسش خدماتی است، نه فقط فنی.

🟢نکاتی که به نظرم باید در نظر بگیریم:

یکی از نکات مهم برای من این است که طراح خدمات (Service Designer) نباید منتظر بماند تا سازمان مسئله را با قالب آشنا برایش مطرح کند. ما باید خودمان مسئله‌ها را زودتر ببینیم و طرحشان کنیم، با لحنی همکارانه نه هشداردهنده. مثلاً:

- «وقتی این بخش خودکار شود، دانش فعلی‌اش کجا می‌ماند؟»
- «اگر کاربران با عامل‌ها (agent)کار کنند، کانال پشتیبانی ما چه شکلی خواهد داشت؟»
- «کدام تصمیم‌ها باید همچنان با انسان باشد و چرا؟»

این یعنی تبدیل شدن به نقشی که هم مسئله را تعریف می‌کند و هم فرصت را. در بسیاری از سازمان‌ها، طراح هنوز بیشتر خدمات‌دهنده‌ی درخواست‌های دیگران دیده می‌شود. این تصویر باید تغییر کند.

پس هدف این نیست که از AI استفاده نکنیم. مسئله این است که بدانیم کجا باید بار کار را واگذار کنیم و کجا باید سختی را حفظ کنیم، چون یادگیری و بینش همان‌جا شکل می‌گیرد.

💎ضمن اینکه طراحی خدمات دیگر آن شکل سنتی قبل را کم‌کم دارد از دست می‌دهد، و نمیشود با دانش قدیم نسخه‌های جدید پیچید😉

#طراحی_خدمات #سرویس_دیزاین #هوش_مصنوعی

🫶 @SodehDesign
😎 @SodehTransform
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅ محصول بدون هدف تجاری، تلاشی بی‌نتیجه است

این پست رو براساس چالشی که سال گذشته با تیمی داشتم و دوباره موضوعی پیش اومد که برام یادآوری شد نوشتم، تا شاید برای شما هم کاربردی باشد و اشتباه همراه با هزینه‌ای رو متحمل نشوید.

اغلب تیم‌های محصول گرفتار یک مشکل تکراری‌اند: تلاش زیاد برای «انجام درست محصول»، بدون اینکه روشن باشد این کار چه ارزشی برای کسب‌وکار می‌سازد.

⚡️این چند نکته از نظر من:

🟡اول هدف اثرگذار را روشن کنید
«محصول خوب» هدف نیست. هدف باید قابل اندازه‌گیری و زمان‌دار باشد: چقدر درآمد، چقدر کاهش هزینه، چقدر رشد کاربر، و تا چه تاریخی. وقتی عدد هدف مشخص باشد، بهترین روش‌ها هم کاربردی می‌شوند، چون هر تصمیم باید جواب این سؤال را بدهد: این کار به رسیدن به عدد کمک می‌کند یا نه؟

🟡گزینه‌های رسیدن به هدف را جدی بسنجید
شاید بشود قابلیت‌های نیمه‌تمام را زودتر منتشر و از آن‌ها درآمد گرفت. شاید با گسترش پایه کاربران فعلی هم به نتیجه برسیم. ساخت یک قابلیت بزرگ جدید معمولاً زمان‌بندی طولانی‌تر و ریسک بیشتری دارد. تخمین تقریبی اثر هر گزینه، تصمیم‌گیری را شفاف‌تر می‌کند.

🟡 وقتی درخواست «بزرگ» می‌رسد، اول بپرسید
اگر گفته شد «این را برای بزرگ‌ترین مشتری‌مان بسازید»، نه فوراً رد کنید و نه بی‌چون‌وچرا بپذیرید. بپرسید این مشتری چه سهمی از درآمد دارد و موضوع برای کسب‌وکار چه پیامدی دارد. گاهی آن یک مشتری نیمی از درآمد را تشکیل می‌دهد، و در آن صورت تصمیم منطقی همان است، حتی اگر با قواعد رایج جور درنیاید.

🟡با کسب‌وکار هم‌جهت شوید، نه در جنگ با آن
بسیاری از مدیران محصول دائم از «انجام درست محصول» گله دارند، در حالی که کسب‌وکار اهداف مشخص خودش را دارد. وقتی کار خود را با موفقیت کسب‌وکار هم‌راستا کنید، هم به واقعیت کارتان نزدیک‌تر می‌شوید و هم از جنگ‌های بی‌نتیجه دور می‌مانید. نگاه تجاری لزوماً یعنی کنار آمدن با هر خواسته‌ای نیست؛ یعنی فهمیدن زبان تصمیم‌گیری در سازمان.

🟡گفت‌وگوهای سخت بخشی از کار است
هیچ چارچوب یا ابزاری این کار را آسان نمی‌کند. اما اثرمحور فکر کردن در هر مرحله، شما را برای سخت‌ترین گفت‌وگوهای کاری آماده‌تر می‌کند.

#مدیریت_محصول #طراحی_محصول #محصول
#طراحی_خدمات #دیزاین #حل_مسئله #تجربه‌نگاری

🫶 @SodehDesign
😎 @SodehTransform
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh

✅ یک اسکیل Claude برای اینکه قبل از ساخت، مطمئن شوید مسئله‌ی درستی را انتخاب کرده‌اید

وقتی می‌خواهیم یک قابلیت یا محصول هوش مصنوعی بسازیم، معمولاً زود سراغ راه‌حل می‌رویم: چه چیزی بسازیم؟ از چه مدلی استفاده کنیم؟ تجربه‌ی کاربر چطور باشد؟

اما یک سؤال مهم‌تر هست:
آیا مسئله‌ای که می‌خواهیم حل کنیم واقعاً برای کاربران مهم است؟

اسکیل پیوست یعنی Problem Space Mapper کمک می‌کنه قبل از نوشتن مشخصات محصول یا شروع توسعه، این سؤال را با شواهد واقعی بررسی کنید. کافی است مسئله‌ای را که قصد دارید با هوش مصنوعی حل کنید توضیح دهید؛ اسکیل، نشانه‌های مرتبط را از داده‌های محصول و بازخورد کاربران کنار هم می‌گذارد، از جمله:

🟡موضوع‌هایی که کاربران بارها در بازخوردهایشان مطرح کرده‌اند
🟡بخش‌ها و قابلیت‌هایی که کاربران در آن‌ها با مشکل روبه‌رو می‌شوند یا کار را نیمه‌تمام رها می‌کنند
🟡نشانه‌های سردرگمی یا نارضایتی
🟡 نشست‌هایی که می‌توان برای بررسی رفتار کاربران بازبینی کرد
🟡پاسخ‌های متنی کاربران درباره‌ی میزان رضایت و تجربه‌شان

💎در آخر هم، یه گزارش یک‌صفحه‌ای می‌سازه: چه شواهدی به نفع مهم‌بودن مسئله وجود دارد، چه چیزهایی هنوز روشن نیست و آیا این مسئله ارزش پیگیری دارد یا نه.

این ابزار برای تشخیص کامل و ریشه‌یابی عمیق طراحی نشده؛ کارش ارزیابی سریع اولیه است تا تیم پیش از صرف زمان و هزینه‌ی زیاد، تصویر روشن‌تری از مسئله داشته باشد. اگر شواهد ضعیف یا ناکافی باشند، گزارش همین را صریح می‌گوید. گاهی فهمیدن اینکه یک ایده پشتوانه‌ی کافی ندارد، می‌تواند از ماه‌ها کار روی راه‌حل اشتباه جلوگیری کند.

خلاصه: پیش از اینکه بپرسید «چه چیزی بسازیم؟»،
بررسی کنید «آیا این مسئله واقعاً ارزش حل‌کردن دارد؟»

#Skill #Claude
#هوش_مصنوعی #مدیریت_محصول #توسعه_محصول

🫶 @SodehDesign
😎 @SodehTransform
☝️ Sodeh.me
⚙️ https://linktr.ee/irSodeh