I min forrige artikkel undersøkte jeg hvordan AI kan hjelpe oss med å skape funksjonelle personas mer effektivt. Vi så på å bygge personas som fokuserer på hva brukerne prøver å oppnå i stedet for demografiske profiler som ser bra ut på plakater, men som sjelden endrer designbeslutninger. Men å skape personas er bare halve kampen. Den største utfordringen er å få denne innsikten i hendene på folk som trenger dem, i det øyeblikket de trenger dem. Hver dag tar folk i hele organisasjonen beslutninger som påvirker brukeropplevelsen. Produktteam bestemmer hvilke funksjoner som skal prioriteres. Markedsføringsteam lager kampanjer. Økonomiteam designer faktureringsprosesser. Kundestøtteteam skriver svarmaler. Alle disse beslutningene former hvordan brukerne opplever produktet eller tjenesten din. Og de fleste av dem skjer uten innspill fra faktiske brukere. Problemet med hvordan vi deler brukerforskning Du gjør forskningen. Du skaper personasene. Du skriver rapportene. Du holder presentasjonene. Du lager til og med fancy infografikk. Og hva skjer så? Forskningen sitter i en delt stasjon et sted, og samler sakte digitalt støv. Personas blir referert i kickoff-møter og deretter glemt. Rapportene blir skummet én gang og åpnet aldri igjen. Når en produktsjef bestemmer seg for å legge til en ny funksjon, graver de sannsynligvis ikke gjennom fjorårets forskningsdepot. Når økonomiteamet redesigner e-postfakturaen, konsulterer de nesten helt sikkert ikke brukerpersonene. De gjetter sitt beste og går videre. Dette er ikke en kritikk av disse lagene. De er opptatt. De har frister. Og ærlig talt, selv om de ønsket å konsultere forskningen, ville de sannsynligvis ikke vite hvor de skulle finne den eller hvordan de skulle tolke den for deres spesifikke spørsmål. Kunnskapen forblir låst inne i hodene til UX-teamet, som umulig kan være tilstede for hver beslutning som tas på tvers av organisasjonen. Hva om brukere faktisk kunne snakke? Hva om vi, i stedet for å lage statiske dokumenter som folk trenger å finne og tolke, kunne gi interessenter en måte å konsultere alle brukerpersonene dine på en gang?
Se for deg en markedssjef som jobber med en ny kampanje. I stedet for å prøve å huske hva personene sa om meldingspreferanser, kunne de ganske enkelt spørre: «Jeg vurderer å lede med et rabatttilbud i denne e-posten. Hva ville brukerne våre synes?» Og AI, som trekker på alle dine forskningsdata og personas, kan svare med et konsolidert syn: hvordan hver persona sannsynligvis vil reagere, hvor de er enige, hvor de er forskjellige, og et sett med anbefalinger basert på deres kollektive perspektiver. Ett spørsmål, syntetisert innsikt på tvers av hele brukerbasen din.
Dette er ikke science fiction. Med AI kan vi bygge akkurat denne typen system. Vi kan ta all den spredte forskningen (undersøkelsene, intervjuene, støttebillettene, analysene, selve personasene) og gjøre den om til en interaktiv ressurs som alle kan spørre etter for tilbakemeldinger i flere perspektiv. Bygge User Research Repository Grunnlaget for denne tilnærmingen er et sentralisert arkiv med alt du vet om brukerne dine. Tenk på det som en enkelt kilde til sannhet som AI kan få tilgang til og hente fra. Hvis du har gjort brukerundersøkelser over lengre tid, har du sannsynligvis mer data enn du er klar over. Det er bare spredt over forskjellige verktøy og formater:
Undersøkelsesresultater på undersøkelsesplattformen din, Intervjuutskrifter i Google Docs, Kundestøttebilletter i ditt helpdesk-system, Analysedata i ulike dashboards, Sosiale medier omtaler og anmeldelser, Gamle personas fra tidligere prosjekter, Brukervennlighetstestopptak og notater.
Det første trinnet er å samle alt dette på ett sted. Det trenger ikke å være perfekt organisert. AI er bemerkelsesverdig god til å forstå rotete input. Hvis du starter fra bunnen av og ikke har mye eksisterende forskning, kan du bruke AI dype forskningsverktøy for å etablere en baseline.
Disse verktøyene kan skanne nettet for diskusjoner om produktkategorien din, konkurrentanmeldelser og vanlige spørsmål folk stiller. Dette gir deg noe å jobbe med mens du bygger ut din primærforskning. Opprette interaktive personas Når du har lagret ditt, er neste trinn å lage personas som AI kan konsultere på vegne av interessenter. Dette bygger direkte på den funksjonelle persona-tilnærmingen jeg skisserte i min forrige artikkel, med en nøkkelforskjell: disse personas blir linser som AI analyserer spørsmål gjennom, ikke bare referanserdokumenter. Prosessen fungerer slik:
Mat forskningsdepotet ditt til et AI-verktøy. Be den identifisere distinkte brukersegmenter basert på mål, oppgaver og friksjonspunkter. Få den til å generere detaljerte personas for hvert segment. Konfigurer AI til å konsultere alle personas når interessenter stiller spørsmål, og gi konsolidert tilbakemelding.
Det er her denne tilnærmingen skiller seg betydelig fra tradisjonelle personas. Fordi AI er hovedforbrukeren av disse persona-dokumentene, trenger de ikke å kunne skannes eller passe på én enkelt side. Tradisjonelle personas er begrenset av menneskelig lesbarhet: du må destillere alt ned til kulepunkter og nøkkelsitater som noen kan ta til seg med et øyeblikk. Men AI har ingen slik begrensning. Dette betyr at personasene dine kan være betydelig mer detaljerte. Du kan inkludere lange atferdsobservasjoner, motstridende datapunkter og nyansert kontekst som aldri ville overleve redigeringsprosessen for en tradisjonell personaplakat. AI kan inneholde all denne kompleksiteten og trekke på den når du svarer på spørsmål. Du kan også lage forskjellige linser eller perspektiver innenfor hver persona, skreddersydd for spesifikke forretningsfunksjoner. Din "Weekend Warrior"-persona kan ha en markedsføringslinse (meldingspreferanser, kanalvaner, kampanjesvar), en produktlinse (funksjonsprioriteringer, brukervennlighetsmønstre, oppgraderingstriggere) og en støttelinse (vanlige spørsmål, frustrasjonspunkter, oppløsningspreferanser). Når en markedssjef stiller et spørsmål, trekker AI på den markedsføringsrelevante informasjonen. Når en produktsjef spør, trekker den fra produktlinsen. Samme persona, forskjellig dybde avhengig av hvem som spør.
Personasene bør fortsatt inkludere alle funksjonselementene vi diskuterte før: mål og oppgaver, spørsmål og innvendinger, smertepunkter, berøringspunkter og tjenestegap. Men nå blir disse elementene grunnlaget for hvordan AI vurderer spørsmål fra hver personas perspektiv, og syntetiserer deres synspunkter til handlingsdyktige anbefalinger. Implementeringsalternativer Du kan sette opp dette med varierende grad av sofistikering avhengig av ressursene og behovene dine. Den enkle tilnærmingen De fleste AI-plattformer tilbyr nå prosjekt- eller arbeidsområdefunksjoner som lar deg laste opp referansedokumenter. I ChatGPT kalles disse prosjekter. Claude har en lignende funksjon. Copilot og Gemini kaller dem Spaces eller Gems. For å komme i gang, lag et dedikert prosjekt og last opp viktige forskningsdokumenter og personas. Skriv deretter klare instruksjoner som forteller AI å konsultere alle personas når de svarer på spørsmål. Noe sånt som: Du hjelper interessenter med å forstå brukerne våre. Når du får spørsmål, konsulter alle brukerpersonene i dette prosjektet og gi: (1) en kort oppsummering av hvordan hver persona sannsynligvis vil reagere, (2) en oversikt som fremhever hvor de er enige og hvor de er forskjellige, og (3) anbefalinger basert på deres kollektive perspektiver. Trekk på alle forskningsdokumentene for å informere analysen din. Hvis forskningen ikke dekker et emne fullt ut, søk i sosiale plattformer som Reddit, Twitter og relevante fora for å se hvordan personer som matcher disse personas diskutere lignende problemer. Hvis du fortsatt er usikker på noe, si det ærlig og foreslå hva ytterligere forskning kan hjelpe.
Denne tilnærmingen har noen begrensninger. Det er grenser for hvor mange filer du kan laste opp, så det kan hende du må prioritere den viktigste forskningen din eller konsolidere personasene dine i ett enkelt omfattende dokument. Den mer sofistikerte tilnærmingen For større organisasjoner eller mer pågående bruk, tilbyr et verktøy som Notion fordeler fordi det kan inneholde hele forskningsdepotet ditt og har AI-funksjoner innebygd. Du kan lage databaser for ulike typer forskning, koble dem sammen og deretter bruke AI til å søke på tvers av alt.
Fordelen her er at AI har tilgang til mye mer kontekst. Når en interessent stiller et spørsmål, kan den trekke på undersøkelser, støttebilletter, intervjuutskrifter og analysedata på en gang. Dette gir rikere, mer nyanserte svar. Hva dette ikke erstatter Jeg bør være tydelig på begrensningene. Virtuelle personas er ikke en erstatning for å snakke med ekte brukere. De er en måte å gjøre eksisterende forskning mer tilgjengelig og handlingskraftig på. Det er flere scenarier der du fortsatt trenger primær forskning:
Når du lanserer noe genuint nytt som din eksisterende forskning ikke dekker; Når du trenger å validere spesifikke design eller prototyper; Når depotdataene dine blir foreldet; Når interessentertrenger å høre direkte fra ekte mennesker for å bygge empati.
Faktisk kan du konfigurere AI til å gjenkjenne disse situasjonene. Når noen stiller et spørsmål som går utover det forskningen kan svare på, kan AI svare med noe sånt som: "Jeg har ikke nok informasjon til å svare trygt på det. Dette kan være et godt spørsmål for et raskt brukerintervju eller undersøkelse." Og når du utfører ny forskning, strømmer disse dataene tilbake til depotet. Personasene utvikler seg over tid ettersom forståelsen din blir dypere. Dette er mye bedre enn den tradisjonelle tilnærmingen, der personas blir skapt én gang og deretter sakte går ut på dato. Organisasjonsskiftet Hvis denne tilnærmingen slår inn i organisasjonen din, skjer det noe interessant. UX-teamets rolle skifter fra å være portvoktere av brukerkunnskap til å være kuratorer og vedlikeholdere av depotet. I stedet for å bruke tid på å lage rapporter som kanskje eller kanskje ikke blir lest, bruker du tid på å sikre at depotet forblir oppdatert og at AI er konfigurert til å gi nyttige svar. Forskningskommunikasjon endres fra push (presentasjoner, rapporter, e-poster) til pull (interessenter stiller spørsmål når de trenger svar). Brukersentrert tenkning blir distribuert over organisasjonen i stedet for konsentrert i ett team. Dette gjør ikke UX-forskere mindre verdt. Om noe gjør det dem mer verdifulle fordi arbeidet deres nå har større rekkevidde og større innvirkning. Men det endrer arbeidets karakter. Komme i gang Hvis du vil prøve denne tilnærmingen, start i det små. Hvis du trenger en primer på funksjonelle personas før du dykker inn, har jeg skrevet en detaljert guide for å lage dem. Velg ett prosjekt eller team og sett opp en enkel implementering ved hjelp av ChatGPT Projects eller et lignende verktøy. Samle den forskningen du har (selv om den føles ufullstendig), lag en eller to personas, og se hvordan interessenter reagerer. Vær oppmerksom på hvilke spørsmål de stiller. Disse vil fortelle deg hvor forskningen din har hull og hvilke tilleggsdata som vil være mest verdifulle. Etter hvert som du avgrenser tilnærmingen, kan du utvide til flere team og mer sofistikert verktøy. Men kjerneprinsippet forblir det samme: ta all den spredte brukerkunnskapen og gi den en stemme som alle i organisasjonen din kan høre. I min forrige artikkel argumenterte jeg for at vi burde gå fra demografiske personas til funksjonelle personas som fokuserer på hva brukerne prøver å gjøre. Nå foreslår jeg at vi tar neste steg: fra statiske personas til interaktive som faktisk kan delta i samtalene der beslutninger blir tatt. Fordi hver dag, på tvers av organisasjonen din, tar folk beslutninger som påvirker brukerne dine. Og brukerne dine fortjener en plass ved bordet, selv om det er et virtuelt. Mer lesing på SmashingMag
"En nærmere titt på personas: hva de er og hvordan de fungerer | 1", Shlomo Goltz "Hvordan forbedre designprosessen din med databaserte personas", Tim Noetzel "Hvordan gjøre UX-forskningen din vanskelig å ignorere", Vitaly Friedman "Hvordan bygge sterke kunderelasjoner for brukerforskning", Renaissance Rachel
