Perspective AI: как Rippling ускоряет продуктовый выпуск с помощью AI-исследований клиентов
Кейс-стади, опубликованный Perspective AI в мае 2026 года, исследует Rippling — платформу для управления персоналом с оценкой $16,8 млрд и годовой выручкой более $1 млрд. Продуктовая стратегия Rippling строится на том, что её основатели называют моделью compound startup: вместо фокуса на одном продукте компания одновременно создаёт несколько интегрированных продуктов — HR, IT и финансы — при этом более десяти продуктовых линеек каждая генерирует свыше $1 млн ARR. Новые продукты достигают этого порога в течение пяти-шести месяцев после запуска.
Центральный тезис кейса: быстрый выпуск создаёт вторую проблему, как только компания достигает масштаба Rippling. Пропускная способность разработки больше не является узким местом. Узкое место — это знание, что именно строить, для какого типа покупателей и достаточно быстро, чтобы поддерживать маховик скорости. Подходу Rippling к этой проблеме посвящена основная часть статьи.
В марте 2026 года Rippling запустила Rippling AI, которая выполняет рабочие процессы, заданные на естественном языке, в сферах HR, IT и финансов на основе единых данных о сотрудниках. Ценностное предложение продукта конкретно: единый AI-агент, способный работать в десяти интегрированных продуктах, значительно ценнее, чем десять точечных ассистентов, каждый из которых видит только свой изолированный набор данных. Архитектура опирается на общую информационную базу, которую Rippling создавала годами, разрабатывая смежные продукты.
Модель клиентского исследования, обеспечивающая эту скорость, — именно там кейс предлагает наиболее применимый урок. Rippling использует AI-модерируемые интервью вместо последовательных сессий под руководством исследователя. AI-опосредованные беседы проходят параллельно с сотнями пользователей, а результаты синтезируются автоматически. Один из приводимых в статье ориентиров: команды, использующие этот подход, проводят в среднем 47 клиентских разговоров на одного PM в квартал — примерно один в день, — тогда как при традиционном ручном подходе — три-пять в неделю. Исследовательская операция масштабируется вместе со скоростью разработки продукта, а не отстаёт от неё.
В статье также указывается, чего одни только поведенческие данные сделать не могут. Метрики использования показывают, что делают клиенты; они не фиксируют, почему пользователь почти ушёл, что побудило бы его купить смежный продукт или какую боль не решает ни один существующий продукт. Этот сигнал требует диалога, и AI-модерируемые интервью статья представляет как механизм его сбора со скоростью, соответствующей темпу выпуска Rippling.
Более широкий принцип, выходящий за рамки специфического контекста Rippling, — воспринимать клиентское исследование как непрерывную инфраструктуру, а не как серию эпизодических проектов, привязанных к конкретным запускам. Для PM в компаниях с несколькими продуктовыми линейками или быстрыми циклами итерации модель Rippling даёт практическое обоснование того, почему качественное исследование в масштабе — не роскошь, а предпосылка для скорости, которую они уже стремятся достичь.