Мани Гревал: Создание AI-ассистента для поддержки — сквозной жизненный цикл продукта

Мани Гревал, автор рассылки Product Management with Mani, опубликовал эту статью, чтобы показать, как выглядит сквозная продуктовая работа при создании AI-продукта — начиная не с технологического решения, а с реальной пользовательской проблемы с измеримыми результатами.

Кейс — это AI-копилот для агентов службы поддержки. Статья проводит читателя через каждый этап жизненного цикла продукта: формулировку проблемы, системную архитектуру, дизайн оценки и поэтапный план внедрения.

Отправная точка Гревала — переосмысление возможности: проблема не в том, чтобы «добавить AI в поддержку», а в том, чтобы «сократить время разрешения при одновременном повышении качества для агентов, обрабатывающих запросы на возврат средств». Такое сужение области намеренно — первая версия охватывает только одну категорию тикетов, что ограничивает риск ранних ошибок и генерирует чистые данные для оценки. Статья прослеживает продукт через четыре этапа разработки: составление ответов, краткое изложение тикетов, рекомендованные действия и ограниченное автономное выполнение. Каждый этап добавляет возможности только после того, как предыдущий доказал надёжность.

Техническая структура делится на три уровня: опыт (что видят и делают агенты), интеллект (что делает модель) и данные (что питает модель и логируется). Аргумент Гревала состоит в том, что PM, сосредоточенные только на модели, упускают, насколько большой продуктовый эффект приходится на правильную реализацию уровней опыта и данных.

Фреймворк оценки объединяет бизнес-метрики (время обработки, процент решений), метрики пользователей (процент принятия агентами, CSAT) и метрики модели (процент галлюцинаций, латентность). Статья прямо говорит об общей ошибке: команды оптимизируют метрики модели на этапе разработки, а затем обнаруживают, что реальное время обработки увеличилось, а не уменьшилось, потому что агенты тратят время на исправление вывода AI, а не на его использование.

На протяжении всей статьи Гревал возвращается к единой формулировке: выпуск AI-продукта означает проектирование системы поддержки принятия решений в условиях неопределённости, а не выпуск модели. Это означает определение того, какой порог уверенности запускает какое действие, какой запасной вариант предусмотрен при ошибке модели и как система улучшается по мере взаимодействия агентов с ней.

Статья наиболее полезна для PM, создающих свой первый AI-ассистированный рабочий процесс в области, где ошибки имеют реальные последствия: поддержка клиентов, операционная деятельность или любой контекст, где ложноположительные результаты стоят дороже, чем плохой пользовательский опыт.