4 listopada 2026Zaktualizowano Fathy Shalaby13 min czytania
Pytania do wywiadów product discovery: scenariusz dla produktów AI
25-minutowy scenariusz wywiadu dla founderów, product engineerów i PM-ów testujących pomysł na produkt AI: niedawne zachowania, obejścia, zaufanie i to, co się dzieje, gdy wynik jest błędny.
Udostępnij
Ten artykuł został przetłumaczony z języka angielskiego. Przeczytaj oryginał
Dobre pytania do wywiadów product discovery proszą ludzi o odtworzenie niedawnego, prawdziwego zadania: co je wywołało, co zrobili, gdzie coś się zacięło, ile kosztowało obejście i, w przypadku produktów AI, gdzie zaakceptowaliby automatyzację i jak sprawdziliby jej wynik. Nigdy nie zaczynają się od „czy używałbyś AI, które…”. Poniższy scenariusz zajmuje 25 minut i kończy się zobowiązaniem, a nie komplementem.
Najważniejsze wnioski
Pytaj o ostatni raz, a nie o zwykły raz. Teresa Torres ostrzega, że ogólne pytania sprawiają, iż ludzie przeceniają swoje nawyki, bo zapominają o wyjątkach (Product Talk).
Produkty AI wymagają dodatkowych pytań o weryfikację i awarie. Nawet wśród programistów 84% używa narzędzi AI lub planuje to robić, a mimo to więcej osób nie ufa dokładności AI (46%), niż jej ufa (33%) (Stack Overflow, 2025).
Pięć do sześciu wywiadów na wąski segment to rozsądny początek; w klasycznym badaniu 34 z 36 częstych tematów pojawiło się już w pierwszych 6 wywiadach (NN/g, 2021).
Oceniaj wywiady po zachowaniach i zobowiązaniach, nigdy po liczbie odpowiedzi „tak”.
Każdą rundę kończ jedną z czterech decyzji: badać dalej, zrobić prototyp, przetestować alternatywę bez AI albo przerwać.
Dlaczego pomysły na produkty AI potrzebują wywiadów discovery?
Narzędzie AI do kodowania może zamienić pomysł w działający prototyp w jedno popołudnie. Ta szybkość nic nie mówi o tym, czy problem jest częsty, ważny lub nadaje się do AI. Większość pomysłów nie przechodzi testu: w Microsoft tylko około jedna trzecia dobrze zaprojektowanych eksperymentów poprawiła metrykę, na którą celowała (Kohavi, Crook & Longbotham, 2009). Garść skoncentrowanych rozmów pomaga wybrać, który prototyp zbudować, a który odpuścić.
AI dodaje drugie pytanie do zwykłego „czy to prawdziwy problem?”: „czy ludzie zaufaliby oprogramowaniu w tej części i co się stanie, gdy się pomyli?”. Badanie User Interviews z 2025 roku wykazało, że 80% z 485 badaczy używa AI, ale 91% martwi się o dokładność i halucynacje (User Interviews, 2025). Twoi użytkownicy będą mieć podobne wątpliwości. Wywiad to miejsce, w którym dowiadujesz się, które z nich blokują adopcję.
Udostępnij
Ten scenariusz sprawdza się dla founderów działających solo, product engineerów i PM-ów. Całą sekwencję discovery wokół niego znajdziesz w poradniku o procesie product discovery.
Wybierz decyzję, zanim napiszesz pytania
Zapisz decyzję, którą masz nadzieję podjąć po wywiadach:
Czy powinniśmy zrobić prototyp tworzenia odpowiedzi supportu wspomaganego przez AI?
Który krok w obecnym workflow powoduje najwięcej poprawek?
Czy użytkownik potrzebuje wygenerowanej odpowiedzi, czy szybszego sposobu znalezienia i zweryfikowania właściwej informacji?
Co wymaga zatwierdzenia przez człowieka, zanim system AI będzie mógł działać?
Potem zapisz założenie, które za tym stoi. „Liderzy supportu tracą czas, bo przeszukują stare zgłoszenia, zanim odpowiedzą na nowy problem” da się sprawdzić. „Zespoły supportu potrzebują AI” nie. Jeśli żadna możliwa odpowiedź nie zmieniłaby twojego następnego kroku, plan wywiadów nie jest gotowy.
25-minutowy scenariusz wywiadu product discovery
Wyjaśnij, że badasz workflow, a nie sprzedajesz produktu. Poproś o zgodę przed nagrywaniem i nie zbieraj wrażliwych szczegółów, których nie potrzebujesz. Wytyczne GOV.UK dotyczące wywiadów stawiają zgodę na pierwszym miejscu, przed jakimikolwiek pytaniami (GOV.UK). Sesje trwają tam od 30 minut do 2 godzin; 25 minut wystarczy na jeden workflow i łatwiej o chętnych; Torres radzi prosić o niewiele czasu, a jej przykładowa prośba dotyczy 20 minut (Product Talk).
1. Ustal kontekst (3 minuty)
„Czy możesz opowiedzieć o swojej roli i o tej części workflow, którą się zajmujesz?”
„Kiedy ostatnio wykonywałeś to zadanie?”
„Co się działo, że stało się to potrzebne?”
Poproś o niedawny przykład, a nie o opis idealnego procesu.
2. Odtwórz ostatni raz, kiedy to się zdarzyło (8 minut)
„Co zrobiłeś najpierw?”
„Jakie narzędzia lub osoby były zaangażowane?”
„Gdzie utknąłeś, czekałeś lub powtarzałeś pracę?”
„Co zrobiłeś, gdy zwykła ścieżka nie działała?”
„Co z tego wynikło?”
Podążaj za sekwencją. Jeśli ktoś mówi „Potrzebuję lepszego streszczenia od AI”, zapytaj, co próbował rozstrzygnąć, co przeczytał wcześniej i co zrobił potem. Prawdziwym zadaniem może być wyszukiwanie, porównywanie, zatwierdzanie lub komunikacja, a nie streszczanie.
3. Zrozum obejście i jego koszt (5 minut)
„Jak sobie z tym radzisz dzisiaj?”
„Jak często zdarzało się to ostatnio?”
„Co już próbowałeś?”
„Ile kosztuje obejście w czasie, pieniądzach, ryzyku lub utraconych szansach?”
„Kogo jeszcze to dotyczy?”
Nie pytaj o dokładny koszt roczny, jeśli nigdy go nie śledzono. Zapytaj, co się zmieniło ostatnim razem, gdy wystąpił problem.
4. Zbadaj, gdzie AI mogłoby pomóc (5 minut)
Dopiero gdy obecny workflow jest jasny:
„Który krok, jeśli w ogóle, chciałbyś, żeby wykonało za ciebie oprogramowanie?”
„Gdzie chciałbyś dostać sugestię, ale decyzję podjąć sam?”
„Jakich informacji potrzebowałby system, by dać ci użyteczny wynik?”
„Kiedy musiałbyś sprawdzić wynik w jego źródle?”
„Jakie są konsekwencje, jeśli wynik jest błędny?”
„Czego system nigdy nie powinien robić bez twojej zgody?”
Nie pytaj „Czy użyłbyś do tego AI?”. Ludzie zgadzają się z koncepcjami, nie zmieniając zachowania. Pytaj o zadanie, akceptowalny poziom weryfikacji i awarię, która sprawiłaby, że przestaną. People + AI Guidebook od Google, opublikowany po raz pierwszy w 2019 roku, grupuje swoje wzorce projektowe wokół tych samych tematów: kiedy używać AI, jak je tłumaczyć, jak kalibrować zaufanie, jak równoważyć kontrolę z automatyzacją i jak obsługiwać błędy.
5. Przetestuj prototyp na zadaniu (opcjonalnie, zastępuje część kroku 4)
Jeśli masz prototyp, pomiń prezentację funkcji. Daj realistyczne zadanie i obserwuj:
Co próbują najpierw?
Czego oczekują?
Gdzie się wahają lub poprawiają system?
Jakich dowodów szukają, zanim zadziałają?
Co zrobiliby, gdyby wynik był niepełny lub błędny?
Pytaj „Czego się tu spodziewałeś?”, a nie „Czy ci się to podoba?”. Jeśli musisz prowadzić ich przez interfejs, zanotuj, co zrobili, zanim cokolwiek wyjaśniłeś.
6. Zakończ konkretnym następnym krokiem (4 minuty)
„Co musiałoby być prawdą, żebyś spróbował tego w swoim workflow?”
„Co powstrzymałoby cię przed użyciem?”
„Kto jeszcze musiałby to zatwierdzić lub wdrożyć?”
„Czy możemy wrócić do rozmowy, gdy wypróbujesz następną wersję na prawdziwym zadaniu?”
Umówiona kontynuacja, dostęp do reprezentatywnego workflow lub gotowość do testów na prawdziwych danych to mocniejszy dowód niż uprzejmy komplement. To wciąż jeden sygnał; porównuj go między osobami i z kosztami zmiany. The Mom Test Roba Fitzpatricka dotyczy właśnie tego problemu: unikania stronniczego feedbacku i ustalenia, czy ktoś naprawdę kupi.
Jakie pytania są specyficzne dla produktów AI?
Standardowe wywiady discovery obejmują zadanie, wyzwalacz, obejście i koszt. Produkty AI dodają cztery ryzyka, które potrzebują własnych pytań:
Ryzyko
Pytanie do zadania
Jak brzmi odpowiedź ostrzegawcza
Dostępność danych wejściowych
„Gdzie dziś są informacje potrzebne do tego zadania? Kto ma do nich dostęp?”
„Głównie w głowach ludzi”
Koszt weryfikacji
„Jak sprawdziłbyś, że wynik jest poprawny? Ile by to trwało?”
„Musiałbym zrobić to od nowa, żeby sprawdzić”
Skutek błędu
„Co się stało, gdy ostatnio to zadanie wykonano źle?”
„Jakiej części nigdy nie pozwoliłbyś oprogramowaniu wykonać samodzielnie?”
Wszystko po pierwszym szkicu
Historia zaufania
„Jaką inną automatyzację próbowałeś do tego? Dlaczego przestałeś?”
„Było prawie dobrze, więc przestałem jej ufać”
Ostatnia odpowiedź jest częsta. W ankiecie Stack Overflow z 2025 roku 66% programistów wskazało „rozwiązania AI, które są prawie dobre, ale nie do końca” jako swoją największą frustrację (Stack Overflow, 2025). Jeśli twoi użytkownicy spędziliby tyle samo czasu na sprawdzaniu wyniku, co na samym zadaniu, wersja z AI może nie być warta budowania. W przypadku workflow o wyższej stawce dobrowolne AI Risk Management Framework amerykańskiego NIST, opublikowane 26 stycznia 2023 roku i rozszerzone o Generative AI Profile 26 lipca 2024 roku, to przydatna lista kontrolna tego, o co pytać w kwestii ryzyka.
Które pytania wywiadu dają stronnicze odpowiedzi?
Unikaj
Zamiast tego pytaj
„Czy użyłbyś narzędzia AI, które to robi?”
„Jak sobie z tym poradziłeś ostatnim razem, gdy to się zdarzyło?”
„Czy to zaoszczędziłoby ci czas?”
„Co robiłeś przed tym krokiem i po nim?”
„Czy podoba ci się ta funkcja?”
„Co próbowałbyś zrobić dalej?”
„Czy zapłaciłbyś X $?”
„Jak płacisz za obecne obejście lub jak je obsadzasz?”
„Czy to rozwiązuje twój problem?”
„Która część twojego obecnego zadania by się zmieniła, a co by zostało?”
„Czy nie frustruje cię, gdy…?”
„Opowiedz mi o ostatnim razie, gdy to się zdarzyło.”
„Jak często zwykle…?”
„Kiedy ostatnio…? A wcześniej?”
Celem nie jest przyłapanie rozmówcy. Chodzi o to, by nie podsuwać odpowiedzi, zanim zrozumiesz jego sytuację. Wytyczne GOV.UK mówią to samo: zadawaj otwarte, neutralne pytania, skupiaj się na prawdziwych historiach, a nie na tym, jak rzeczy „powinny” wyglądać, i milcz tak często, jak to możliwe (GOV.UK). Szerszy zbiór pytań znajdziesz w poradniku z pytaniami do wywiadów z klientami.
Ile wywiadów product discovery powinieneś przeprowadzić?
Nie ma liczby, która dowodzi popytu, ale są użyteczne przedziały. Nielsen Norman Group sugeruje zacząć od 5–6 uczestników i kontynuować tylko tak długo, jak uczysz się czegoś nowego (NN/g, 2021). Przegląd 23 badań z 2022 roku wykazał nasycenie w ciągu 9–17 wywiadów w dość jednorodnych grupach (Hennink & Kaiser, 2022). Torres zaleca szukanie wzorców po trzech–czterech wywiadach, a potem prowadzenie ich co najmniej raz w tygodniu.
W praktyce: wybierz jeden wąski segment, przeprowadź 5–6 wywiadów, zrób syntezę i zdecyduj, czy kolejne 5 ma pogłębić ten sam segment, czy przetestować drugi. Jeśli rozważasz dwa segmenty, przeprowadzaj wywiady z nimi osobno, a nie łącznie. Wywiady odsłaniają workflow i powody; nie powiedzą ci, jak częsty jest problem na rynku. Cotygodniowy rytm, jak w continuous discovery, jest lepszy niż jednorazowy zryw.
Jak zapisywać dowody, nie zamieniając każdego wywiadu w prośbę o funkcję?
Zaraz po każdej rozmowie zapisz:
Rolę osoby i istotny kontekst.
Niedawne zadanie, które opisała lub wykonała.
Bezpośrednie obserwacje, z sygnaturą czasową źródła.
Jej obecne obejście i jego skutek.
To, co powiedziała, że AI mogłoby zrobić, oddzielnie od tego, co zaobserwowałeś.
Twoją interpretację i jej ograniczenia.
Pytanie lub decyzję, która pozostaje otwarta.
Szablon wywiadu z klientem ma te pola gotowe. Między rozmowami porównuj osoby o podobnych rolach i workflow, zanim połączysz ich opinie. Temat powinien mieć przykłady wspierające i widoczne wyjątki. Jeden entuzjastyczny uczestnik to powód, by dowiedzieć się więcej, a nie dowód popytu. Szablon syntezy wywiadów zamienia notatki w wnioski, a synteza badań klientów z pomocą AI pokazuje, jak użyć modelu na transkrypcjach, nie tracąc ścieżki audytu.
Przykład krok po kroku
Produkt i liczby są poglądowe.
Founderka działająca solo testuje narzędzie AI, które pisze odpowiedzi dla małych zespołów supportu e-commerce. W 2 tygodnie przeprowadza wywiady z 6 liderami supportu, wszyscy ze sklepów z 2–5 agentami.
5 z 6 opisuje ostatnie trudne zgłoszenie tak samo: wolna była nie pisanie odpowiedzi, lecz znalezienie historii zamówień i wcześniejszej rozmowy.
4 z 6 mówi, że zaakceptowaliby sugerowaną odpowiedź, ale nigdy nie pozwoliliby jej wysyłać zwrotów bez zatwierdzenia.
2 osoby próbowały już narzędzia AI do odpowiedzi; obie przestały, bo musiały przepisywać większość szkiców.
3 zgadzają się na testowanie kontynuacji na prawdziwych zgłoszeniach.
Jej decyzja: najpierw przetestować alternatywę bez AI, czyli panel boczny, który wciąga do zgłoszenia historię zamówień i wcześniejsze wiadomości, bo dowody wskazują na wyszukiwanie, a nie pisanie. Pomysł szkiców od AI zostaje w discovery, z notatką, jakie dowody by go ożywiły.
Zdecyduj, co dały wywiady
Pod koniec rundy wybierz jeden z czterech następnych kroków:
Badać dalej: problem może mieć znaczenie, ale grupa użytkowników lub workflow są wciąż niejasne.
Zrobić prototyp: problem jest konkretny, a prototyp może odpowiedzieć na określone pytanie o użyteczność lub wykonalność.
Przetestować alternatywę bez AI: prostsza reguła, lepsze wyszukiwanie lub zmiana procesu mogą rozwiązać zadanie z mniejszym ryzykiem.
Przerwać lub zawęzić: dowody nie uzasadniają jeszcze dalszej pracy nad tą grupą lub tym problemem.
Nie oceniaj wywiadów, licząc odpowiedzi „tak”. Przejrzyj, co ludzie robili, co już próbowali, z czego zrezygnowali, by zająć się problemem, i na co się zgodzili jako następny krok. Szerszą pętlę wokół tych wywiadów opisują AI product discovery dla startupów i customer discovery dla product engineerów.
Gdzie pasuje Specky
Agent badawczy Specky, Alex, może prowadzić takie wywiady z klientami z linku do udostępniania, dzięki czemu founder lub mały zespół utrzyma cotygodniowy rytm bez zapełniania kalendarza. Odpowiedzi trafiają do Product Graph w Specky razem ze zgłoszeniami supportu i innym feedbackiem, gdzie późniejszą specyfikację można prześledzić do wywiadu, który ją uzasadnił. Pytania napisz sam, korzystając z powyższego scenariusza; Specky pomoże je przeprowadzić i zachować powiązane dowody.
Najczęstsze pytania
Jakie są najlepsze pytania do wywiadów product discovery?
Najlepsze pytania odtwarzają konkretne, niedawne zdarzenie: „Opowiedz mi o ostatnim razie, gdy to robiłeś”, „Co zrobiłeś najpierw?”, „Gdzie utknąłeś?”, „Co zrobiłeś zamiast tego?” i „Co z tego wynikło?”. Ujawniają prawdziwe zachowania, obejścia i koszty. Pytania o przyszłość, preferencje lub hipotetyczne funkcje dają uprzejme odpowiedzi, które rzadko przewidują, co ludzie faktycznie zrobią.
Czy pokazywać prototyp AI podczas wywiadu?
Zwykle nie na początku. Najpierw poznaj istniejący workflow, nie pokazując żadnego rozwiązania. Jeśli prototyp jest istotny, wprowadź go później i poproś uczestnika o wykonanie realistycznego zadania, podczas gdy obserwujesz. Dzięki temu oddzielisz prawdziwy problem workflow od reakcji na twoje demo i zapobiegniesz kształtowaniu przez prototyp tego, jak opisują własną pracę.
Czym różni się wywiad o produkcie AI?
Poza zadaniem użytkownika i oczekiwanym rezultatem zbadaj, jakich informacji potrzebowałby system, jak użytkownik zweryfikowałby jego wynik, co się dzieje, gdy się myli, i które działania wymagają zatwierdzenia przez człowieka. Zapytaj o wcześniejszą automatyzację, z której zrezygnowali, i dlaczego. Głębokość tych pytań powinna odpowiadać skutkom błędu w danym workflow.
Czy AI może przeprowadzać za mnie wywiady customer discovery?
AI może pomóc przygotować scenariusz, prowadzić ustrukturyzowane wywiady z linku do udostępniania, porządkować notatki i oznaczać pytania do zgłębienia. Nie zastąpi twojej własnej oceny tego, co oznaczają odpowiedzi, a niektóre rozmowy nadal zyskują na obecności człowieka, który potrafi podążyć za nieoczekiwanym wątkiem. Przejrzyj transkrypty samodzielnie, zanim jakikolwiek wniosek zmieni decyzję.
Jak długo powinien trwać wywiad product discovery?
Dwadzieścia do 30 minut wystarcza na jeden workflow. Wytyczne GOV.UK dopuszczają od 30 minut do 2 godzin w zależności od tematu, ale krótsze sesje łatwiej zorganizować. Przykładowa prośba o wywiad Torres dotyczy 20 minut. Jeśli musisz objąć kilka workflow lub dogłębnie przetestować prototyp, zarezerwuj 45–60 minut zamiast się spieszyć.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing