✅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

✅اسکیل کاربردی هوش مصنوعی: از گفت‌وگو تا بینش محصول

وقتی تعداد زیادی گفت‌وگوی کاربر یا پیام بازخورد دارید، آمار به‌تنهایی نمی‌گوید کاربران واقعاً دنبال چه چیزی بوده‌اند.

اسکیل Conversation Insight Synthesiser که نوشتم و پیوست کردم برای تحلیل دسته‌ایِ گفت‌وگوهای کاربران، تیکت‌های پشتیبانی و بازخوردهای متنی است. متن‌ها را به آن می‌دهید و کمک می‌کند الگوهایی را پیدا کنید که ممکن است در شاخص‌های کلی دیده نشوند:

🟡کاربران چه کاربردهای تازه یا پیش‌بینی‌نشده‌ای را امتحان کرده‌اند؟
🟡کجاها سردرگم شده‌اند یا به مانع خورده‌اند؟
🟡بین واژه‌هایی که کاربران به کار می‌برند و اصطلاحات محصول چه فاصله‌ای هست؟
🟡 چه چیزی را برای محصول طراحی کرده‌ایم، اما در گفت‌وگوها اثری از آن نیست؟ و برعکس؟

خروجی‌اش فقط فهرستی از تم‌ها نیست: یافته‌ها را با نقل‌قول‌های واقعی و تعداد تکرارشان مستند می‌کند و در پایان دقیقاً سه اقدام پیشنهادی می‌دهد:

۱. یک بهبود برای پرامپت یا رفتار دستیار
۲. یک تغییر در تجربه کاربری یا راهنمای محصول
۳. یک موضوع برای بررسی بیشتر

برای طراحان محصول و خدمات و مدیران محصول، این Skill می‌تواند کمک کند از دل گفت‌وگوهای پراکنده، مسئله‌های قابل‌اقدام بیرون بکشند؛ از اصلاح متن‌های رابط کاربری گرفته تا کشف نیازهایی که هنوز در نقشه محصول جایی ندارند.

💎نکته: تعدادها مربوط به همان نمونه‌ای است که بررسی شده، نه همه کاربران. اگر نمونه فقط شامل شکایت‌ها باشد، نتیجه هم درباره الگوهای نارضایتی است؛ نه تجربه کلی کاربران.

💎پی‌نوشت: اسکیل/ Skill در هوش مصنوعی مجموعه‌ای از دستورالعمل‌ها و روش‌های آماده است که به هوش مصنوعی یاد می‌دهد یک کار مشخص را بهتر و منظم‌تر انجام دهد.

#Skill #Claude
#هوش_مصنوعی #مدیریت_محصول #توسعه_محصول
#طراحی_خدمات

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

✅کنفرانس آنلاین AI Champions امروز برگزار می‌شود!

امروز در کنفرانس آنلاین AI Champions، متخصصان شرکت‌هایی مثل Google، Amazon، DoorDash، Samsung، Miro و Zapier درباره تجربه‌های واقعی‌شون از به‌کارگیری هوش مصنوعی صحبت می‌کنن؛ از ساخت ایجنت‌های هوشمند و جا انداختن پروژه‌های AI در کار روزانه گرفته تا استفاده امن از هوش مصنوعی در منابع انسانی، سنجش اثربخشی آموزش و کاربرد AI در محصول‌ها و سازمان‌ها.

برنامه چهار ساعته‌ست و شامل سخنرانی‌ها و پرسش‌وپاسخ زنده با بیش از ۲۰ سخنران می‌شه.

🗓️ امروز، پنجشنبه ۷ آبان ماه/ ۲۹ اکتبر
🕢 ساعت ۱۹:۳۰ تا ۲۳:۳۰ به وقت تهران
🎟️ ثبت‌نام رایگان: https://conf.cosprints.ai

#رویداد #طراحی_محصول #مدیریت_محصول #هوش_مصنوعی

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

✅هوش مصنوعی سرعت ساخت را بالا برده؛ حالا ساختنِ چیز درست، گلوگاه اصلی است

جف (Jeff Chow)، مدیر ارشد محصول و فناوری در Miro، در سخنرانی اخیرش یادآوری می‌کند که نقش محصول در عصر هوش مصنوعی به «نوشتن ارزیابی برای Agentها» یا «تأیید خروجی آن‌ها» خلاصه نمی‌شود. ارزش اصلی طراحان و مدیران محصول همچنان در حل مسئله، هم‌راستا کردن تیم و تعیین ریتم کار است؛ با این تفاوت که حالا باید این کارها را سریع‌تر و پیوسته‌تر انجام دهیم.

⚡️چند نکته برای طراحان محصول، مدیران محصول و طراحان خدمات:

🟡 مسئله را تیمی تعریف کنید. همه باید بدانند چرا روی این مسئله کار می‌کنند و قرار است برای چه کسی چه چیزی را بهتر کنند. زمینه و هدف را فقط به مدیر محصول یا عامل هوش مصنوعی نسپارید.

🟡هوش مصنوعی را برای فکر کردنِ بیشتر به کار بگیرید. اگر ابزارها بخشی از کارهای اجرایی و آماده‌سازی را انجام می‌دهند، وقت آزادشده را صرف پرسش‌های مهم‌تر کنید: آیا مسئله درستی را حل می‌کنیم؟ آیا به اندازه کافی بلندپروازیم؟ چه راه‌های تازه‌ای برای حل آن وجود دارد؟

🟡 با تصمیم‌های کوچک و روشن، هم‌راستایی بسازید. تصمیم‌ها فقط در جلسات راهبردی گرفته نمی‌شوند؛ اولویت‌بندی، تغییر یک جریان کاربری یا انتخاب یک مسیر فنی هم تصمیم‌اند. دلیل تصمیم‌ها را ثبت کنید تا هم تیم و هم عامل‌ها بتوانند آن را دنبال کنند.

🟡 از نمونه‌سازی برای گفت‌وگو استفاده کنید، نه نمایشِ جواب نهایی. نمونه اولیه لازم نیست بی‌نقص باشد. آن را برای هم‌فکری درباره تجربه، معماری اطلاعات و چالش‌های کاربر به کار ببرید و بازخورد تیم را به تصمیم‌های مشخص تبدیل کنید.

🟡 همکاری را حفظ کنید. وقتی ساخت سریع‌تر می‌شود، خطرِ تولید خروجی‌های زیاد و پراکنده هم بالا می‌رود. همکاری میان‌رشته‌ای کمک می‌کند بینش‌ها، داده‌ها، محدودیت‌ها و تصمیم‌ها در یک مسیر مشترک جمع شوند.

🟡 ریتم کار را بالا ببرید و جسورانه‌تر هدف بگذارید. اگر تیم سریع‌تر یاد می‌گیرد و اجرا می‌کند، می‌تواند فرضیه‌ها را زودتر بیازماید، تصمیم‌ها را بیشتر بازبینی کند و سراغ مسئله‌های بزرگ‌تری برود.


💎نکته تکمیلی:
به شخصه معتقدم در عصر هوش مصنوعی، کیفیت جلسات و حتی موضوعاتی مثل تفکر دیزاین سازمانی اهمیت بیشتری پیدا می‌کند. جلسه‌ی خوب فقط برای گزارش‌دادن نیست؛ فرصتی است تا افراد با زمینه‌ها و تخصص‌های مختلف مسئله را با هم بفهمند، ایده‌ها را به چالش بکشند و به تصمیم‌های روشن برسند. هوش مصنوعی می‌تواند به آماده‌سازی و ثبت خروجی جلسه کمک کند، اما طراحی گفت‌وگو، شنیدن صداهای متفاوت و ساختن هم‌راستایی همچنان به ما وابسته است. تفکر دیزاین هم نباید فقط در تیم طراحی یا مرحله‌ی ایده‌پردازی بماند؛ باید به شیوه‌ی کار کل سازمان تبدیل شود: مسئله را از نگاه آدم‌ها تعریف کنیم، راه‌حل‌ها را زود و کم‌هزینه آزمایش کنیم و بر اساس شواهد یاد بگیریم. هرچه تولید خروجی آسان‌تر می‌شود، ارزش سازمانی بیشتر در این است که جلسه‌ها به فهم مشترک منجر شوند، فهم مشترک به تصمیم برسد و تصمیم‌ها با بازخورد واقعی اصلاح شوند.

▶️لینک مشاهده این سخنرانی در یوتیوب

#تفکر_دیزاین_سازمانی #طراحی_محصول
#طراحی_خدمات #رهبری #مدیریت_محصول #هوش_مصنوعی

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