Perspective AI: kako Rippling ubrzava brzinu isporuke proizvoda AI-vođenim korisničkim istraživanjem

Perspective AI je u maju 2026. objavio ovu studiju slučaja o Ripplingу, platformi za upravljanje radnom snagom vrednoj 16,8 milijardi dolara, sa godišnjim ponavljajućim prihodom (ARR) od preko milijardu dolara. Riplingova produktna strategija izgrađena je oko onoga što njegovi osnivači nazivaju compound startup modelom: umesto fokusiranja na jedan proizvod, kompanija istovremeno gradi više integrisanih proizvoda — HR, IT i finansije — sa više od deset produktnih linija, od kojih svaka generiše više od milion dolara ARR-a. Novi proizvodi dostiže taj prag u roku od pet do šest meseci od lansiranja.

Centralni argument studije slučaja je da brza isporuka stvara drugi problem kada kompanija dostigne Ripplingov obim. Propusnost inženjeringa više nije usko grlo. Usko grlo je znati šta tačno graditi, za koji tip kupca i dovoljno brzo da se održi zamajac brzine. Pristup Ripplinga tom problemu je fokus članka.

U martu 2026. Rippling je lansirao Rippling AI, koji izvršava tokove rada na prirodnom jeziku u oblastima HR-a, IT-a i finansija na osnovu objedinjenih podataka o zaposlenima. Vrednosna ponuda proizvoda je konkretna: jedan AI agent koji može da deluje u deset integrisanih proizvoda vredniji je od deset point-solution asistenata od kojih svaki vidi samo sopstveni izolovani skup podataka. Arhitektura se oslanja na zajedničku osnovu podataka koju je Rippling gradio godinama razvijajući susedne proizvode.

Model korisničkog istraživanja koji podržava tu brzinu je deo gde studija slučaja nudi najprenosiviji uvid. Rippling koristi AI-moderisane intervjue umesto sekvencijalnih sesija koje vodi istraživač. AI-posredovani razgovori odvijaju se paralelno s stotinama korisnika, a nalazi se automatski sintetišu. Jedna referentna vrednost citirana u članku: timovi koji koriste ovaj pristup prosečno održe 47 korisničkih razgovora po PM-u po kvartalu — otprilike jedan dnevno — u poređenju sa tradicionalnim ručnim tempom od tri do pet nedeljno. Istraživačka operacija skalira se sa brzinom razvoja proizvoda umesto da zaostaje za njom.

Članak takođe identifikuje šta samo podaci o ponašanju ne mogu da urade. Metrike korišćenja pokazuju šta korisnici rade; ne beleže zašto je korisnik skoro otišao, šta bi ga navelo da kupi susedni proizvod, ili kakav bol nema rešenja ni u jednom postojećem proizvodu. Taj signal zahteva razgovor, a AI-moderisani intervjui su u članku prikazani kao mehanizam za njegovo prikupljanje brzinom koja odgovara tempu isporuke Ripplinga.

Širi princip, izvan specifičnog Ripplingovog konteksta, jeste tretiranje korisničkog istraživanja kao kontinuirane infrastrukture, a ne kao serije epizodičnih projekata vezanih za konkretna lansiranja. Za PM u kompanijama s više produktnih linija ili brzim ciklusima iteracije, Ripplingov model nudi praktičan razlog zašto kvalitativno istraživanje u velikom obimu nije luksuz, već preduslov za brzinu koju već ostvaruju.