I min tidigare artikel undersökte jag hur AI kan hjälpa oss att skapa funktionella personligheter mer effektivt. Vi tittade på att bygga personas som fokuserar på vad användare försöker åstadkomma snarare än demografiska profiler som ser bra ut på affischer men som sällan ändrar designbeslut. Men att skapa personas är bara halva striden. Den större utmaningen är att få dessa insikter i händerna på människor som behöver dem, i det ögonblick de behöver dem. Varje dag fattar människor i hela din organisation beslut som påverkar användarupplevelsen. Produktteam bestämmer vilka funktioner som ska prioriteras. Marknadsteam skapar kampanjer. Ekonomiteam utformar faktureringsprocesser. Kundsupportteam skriver svarsmallar. Alla dessa beslut formar hur användarna upplever din produkt eller tjänst. Och de flesta av dem sker utan någon input från faktiska användare. Problemet med hur vi delar användarforskning Du gör forskningen. Du skapar personas. Du skriver rapporterna. Du håller presentationerna. Du gör till och med snygg infografik. Och vad händer sedan? Forskningen sitter i en gemensam enhet någonstans och samlar långsamt digitalt damm. Personerna blir refererade i kickoff-möten och glöms sedan bort. Rapporterna skummas en gång och öppnas aldrig igen. När en produktchef bestämmer sig för att lägga till en ny funktion, gräver de förmodligen inte igenom förra årets forskningsarkiv. När ekonomiteamet designar om e-postfakturan, konsulterar de nästan säkert inte användarnas personas. De gör sitt bästa och går vidare. Detta är inte en kritik mot de lagen. De är upptagna. De har deadlines. Och ärligt talat, även om de ville konsultera forskningen, skulle de förmodligen inte veta var de skulle hitta den eller hur de skulle tolka den för sin specifika fråga. Kunskapen förblir låst inne i UX-teamets huvuden, som omöjligt kan vara närvarande för varje beslut som tas i hela organisationen. Vad händer om användare faktiskt kunde tala? Tänk om vi, istället för att skapa statiska dokument som människor behöver hitta och tolka, kunde ge intressenter ett sätt att konsultera alla dina användarpersoner på en gång?
Föreställ dig en marknadschef som arbetar med en ny kampanj. Istället för att försöka komma ihåg vad personerna sa om meddelandepreferenser kunde de helt enkelt fråga: "Jag funderar på att leda med ett rabatterbjudande i det här e-postmeddelandet. Vad skulle våra användare tycka?" Och AI:n, som bygger på alla dina forskningsdata och personas, skulle kunna svara med en konsoliderad syn: hur varje persona sannolikt skulle reagera, var de är överens, var de skiljer sig åt och en uppsättning rekommendationer baserade på deras kollektiva perspektiv. En fråga, syntetiserad insikt över hela din användarbas.
Det här är inte science fiction. Med AI kan vi bygga exakt den här typen av system. Vi kan ta all den spridda forskningen (undersökningarna, intervjuerna, supportbiljetterna, analyserna, själva personas) och förvandla den till en interaktiv resurs som vem som helst kan fråga för att få feedback från flera perspektiv. Bygga User Research Repository Grunden för detta tillvägagångssätt är ett centraliserat arkiv med allt du vet om dina användare. Se det som en enda källa till sanning som AI kan komma åt och dra ifrån. Om du har gjort användarundersökningar under en längre tid har du förmodligen mer data än du inser. Det är bara utspridda över olika verktyg och format:
Enkätresultat som sitter i din undersökningsplattform, Intervjuutskrifter i Google Dokument, Kundsupportbiljetter i ditt helpdesksystem, Analysdata i olika instrumentpaneler, Sociala medier omnämnanden och recensioner, Gamla personas från tidigare projekt, Användbarhetstestinspelningar och anteckningar.
Det första steget är att samla allt detta på ett ställe. Det behöver inte vara perfekt organiserat. AI är anmärkningsvärt bra på att göra meningsfulla indata. Om du börjar om från början och inte har så mycket forskning kan du använda AI-djupforskningsverktyg för att fastställa en baslinje.
Dessa verktyg kan skanna webben efter diskussioner om din produktkategori, konkurrenters recensioner och vanliga frågor som folk ställer. Detta ger dig något att arbeta med medan du bygger ut din primära forskning. Skapa interaktiva personas När du väl har ditt förråd är nästa steg att skapa personas som AI:n kan konsultera på uppdrag av intressenter. Detta bygger direkt på den funktionella personansats jag beskrev i min tidigare artikel, med en viktig skillnad: dessa personas blir linser genom vilka AI analyserar frågor, inte bara referenserdokument. Processen fungerar så här:
Mata ditt forskningslager till ett AI-verktyg. Be den att identifiera distinkta användarsegment baserat på mål, uppgifter och friktionspunkter. Låt det generera detaljerade personas för varje segment. Konfigurera AI:n för att konsultera alla personer när intressenter ställer frågor och ge konsoliderad feedback.
Det är här som detta tillvägagångssätt avviker avsevärt från traditionella personas. Eftersom AI är den primära konsumenten av dessa personadokument behöver de inte vara skanningsbara eller passa på en enda sida. Traditionella personas är begränsade av mänsklig läsbarhet: du måste destillera allt till punktpunkter och nyckelcitat som någon kan ta till sig med en blick. Men AI har ingen sådan begränsning. Detta innebär att dina personas kan vara betydligt mer detaljerade. Du kan inkludera långa beteendeobservationer, motsägelsefulla datapunkter och nyanserade sammanhang som aldrig skulle överleva redigeringsprocessen för en traditionell personaposter. AI:n kan hålla all denna komplexitet och dra på den när du svarar på frågor. Du kan också skapa olika linser eller perspektiv inom varje persona, skräddarsydda för specifika affärsfunktioner. Din "Weekend Warrior"-persona kan ha en marknadsföringslins (meddelandepreferenser, kanalvanor, kampanjsvar), en produktlins (funktionsprioriteter, användbarhetsmönster, uppgraderingstriggers) och en supportlins (vanliga frågor, frustrationspunkter, upplösningspreferenser). När en marknadschef ställer en fråga, använder AI:n marknadsföringsrelevant information. När en produktchef frågar drar den från produktlinsen. Samma persona, olika djup beroende på vem som frågar.
Personerna bör fortfarande innehålla alla funktionella element som vi diskuterade tidigare: mål och uppgifter, frågor och invändningar, smärtpunkter, beröringspunkter och serviceluckor. Men nu blir dessa element grunden för hur AI:n utvärderar frågor ur varje persons perspektiv och syntetiserar deras åsikter till praktiska rekommendationer. Implementeringsalternativ Du kan ställa in detta med olika nivåer av sofistikering beroende på dina resurser och behov. Det enkla tillvägagångssättet De flesta AI-plattformar erbjuder nu projekt- eller arbetsytafunktioner som låter dig ladda upp referensdokument. I ChatGPT kallas dessa projekt. Claude har en liknande egenskap. Copilot och Tvillingarna kallar dem Spaces eller Gems. För att komma igång, skapa ett dedikerat projekt och ladda upp dina viktigaste forskningsdokument och personas. Skriv sedan tydliga instruktioner som säger till AI:n att rådfråga alla personas när de svarar på frågor. Något som: Du hjälper intressenter att förstå våra användare. När du ställer frågor, konsultera alla användarpersonas i det här projektet och ge: (1) en kort sammanfattning av hur varje persona sannolikt skulle svara, (2) en översikt som belyser var de håller med och var de skiljer sig åt, och (3) rekommendationer baserade på deras kollektiva perspektiv. Dra på alla forskningsdokument för att informera din analys. Om forskningen inte helt täcker ett ämne, sök sociala plattformar som Reddit, Twitter och relevanta forum för att se hur personer som matchar dessa personas diskuterar liknande frågor. Om du fortfarande är osäker på något, säg det ärligt och föreslå vad ytterligare forskning kan hjälpa till.
Detta tillvägagångssätt har vissa begränsningar. Det finns tak för hur många filer du kan ladda upp, så du kan behöva prioritera din viktigaste forskning eller konsolidera dina personas till ett enda omfattande dokument. Det mer sofistikerade tillvägagångssättet För större organisationer eller mer pågående användning erbjuder ett verktyg som Notion fördelar eftersom det kan hålla hela ditt forskningsförråd och har AI-kapacitet inbyggd. Du kan skapa databaser för olika typer av forskning, länka ihop dem och sedan använda AI:n för att fråga över allt.
Fördelen här är att AI:n har tillgång till mycket mer sammanhang. När en intressent ställer en fråga kan den dra på enkäter, supportbiljetter, intervjuutskrifter och analysdata på en gång. Detta ger rikare, mer nyanserade svar. Vad detta inte ersätter Jag borde vara tydlig med begränsningarna. Virtuella personas är inte ett substitut för att prata med riktiga användare. De är ett sätt att göra befintlig forskning mer tillgänglig och handlingskraftig. Det finns flera scenarier där du fortfarande behöver primär forskning:
När du lanserar något genuint nytt som din befintliga forskning inte täcker; När du behöver validera specifika konstruktioner eller prototyper; När dina förvarsdata börjar bli inaktuella; När intressenterbehöver höra direkt från riktiga människor för att bygga empati.
Faktum är att du kan konfigurera AI för att känna igen dessa situationer. När någon ställer en fråga som går utöver vad forskningen kan svara på, kan AI:n svara med något i stil med: "Jag har inte tillräckligt med information för att svara på det med tillförsikt. Det här kan vara en bra fråga för en snabb användarintervju eller enkät." Och när du gör ny forskning, matas den informationen tillbaka till förvaret. Personerna utvecklas med tiden när din förståelse fördjupas. Detta är mycket bättre än det traditionella tillvägagångssättet, där personas skapas en gång för att sedan sakta föråldras. Det organisatoriska skiftet Om detta tillvägagångssätt slår igenom i din organisation händer något intressant. UX-teamets roll skiftar från att vara portvakter för användarkunskap till att vara kuratorer och underhållare av förvaret. Istället för att lägga ner tid på att skapa rapporter som kanske eller inte kan läsas, lägger du tid på att se till att förvaret förblir aktuellt och att AI:n är konfigurerad för att ge användbara svar. Forskningskommunikation förändras från push (presentationer, rapporter, e-postmeddelanden) till pull (intressenter ställer frågor när de behöver svar). Användarcentrerat tänkande blir fördelat över organisationen snarare än koncentrerat i ett team. Detta gör inte UX-forskare mindre värda. Om något gör det dem mer värdefulla eftersom deras arbete nu har en bredare räckvidd och större genomslagskraft. Men det förändrar arbetets karaktär. Komma igång Om du vill prova detta tillvägagångssätt, börja i det små. Om du behöver en primer om funktionella personas innan du dyker in, har jag skrivit en detaljerad guide för att skapa dem. Välj ett projekt eller team och ställ in en enkel implementering med ChatGPT Projects eller ett liknande verktyg. Samla vilken forskning du än har (även om den känns ofullständig), skapa en eller två personas och se hur intressenter svarar. Var uppmärksam på vilka frågor de ställer. Dessa kommer att berätta var din forskning har luckor och vilka ytterligare data som skulle vara mest värdefulla. När du förfinar tillvägagångssättet kan du expandera till fler team och mer sofistikerade verktyg. Men kärnprincipen förblir densamma: ta all den spridda användarkunskapen och ge den en röst som alla i din organisation kan höra. I min tidigare artikel argumenterade jag för att vi borde gå från demografiska personas till funktionella personas som fokuserar på vad användarna försöker göra. Nu föreslår jag att vi tar nästa steg: från statiska personas till interaktiva som faktiskt kan delta i de konversationer där beslut fattas. För varje dag, i hela din organisation, fattar människor beslut som påverkar dina användare. Och dina användare förtjänar en plats vid bordet, även om det är virtuellt. Mer läsning på SmashingMag
"En närmare titt på personas: vad de är och hur de fungerar | 1", Shlomo Goltz "Hur du kan förbättra din designprocess med databaserade personas", Tim Noetzel "Hur du gör din UX-forskning svår att ignorera", Vitaly Friedman "Hur man bygger starka kundrelationer för användarforskning", Renaissance Rachel
