‏هوش مصنوعی خروجی می‌ده، نه نتیجه

این روزها تو جلسات و میت‌آپ‌های AI یه جمله همیشه تکرار می‌شه: «هر چیزی که نمی‌دونی، از خود AI بپرس.» و این واقعاً یکی از قدرت‌های بزرگ هوش مصنوعیه. ولی یه سوال مهم‌تر اینه که آیا داریم از AI می‌خوایم یه چیز بسازه، یا می‌خوایم به یه نتیجه مشخص برسیم؟

بین output و outcome یه فرق اساسی هست. از Claude یا ChatGPT بخوای یه فیچر بسازه؟ می‌سازه. لندینگ پیج طراحی کنه؟ می‌کنه. پروتوتایپ onboarding بزنه؟ با کیفیت! ولی بپرسی «نرخ ریتنشن مشتری‌ها رو بهتر کن» یا «کاری کن کاربرها موفق‌تر باشن»؟ یه جواب می‌گیری که شبیه جواب درسته، اما احتمالاً به دردت نمی‌خوره.

مشکل از ضعف AI نیست. مشکل اینه که برای رسیدن به یه outcome باید بدونی دنبال چه نتیجه‌ای هستی، برای کدوم کاربر، در چه شرایطی، با چه معیار اندازه‌گیری و در مقایسه با چه baseline‌ای. AI بدون این اطلاعات نمی‌تونه تصمیم بگیره که آیا اصلاً ارزش داره اون چیز رو بساز یا نه.

این مشکل جدید نیست. قبلاً هم فریم‌ورک‌ها و design sprint‌ها خروجی سریع‌تر می‌دادن، ولی هیچ‌کدوم بهت نمی‌گفتن دنبال چه نتیجه‌ای باش. فرقش اینه که قبلاً ساخت یه فیچر هفته‌ها طول می‌کشید و این تأخیر باعث می‌شد یه جایی سوال «موفقیت چه شکلیه؟» مطرح بشه. AI این فرصت رو گرفته؛ فیچر ظرف یه بعدازظهر آماده‌ست و سوال outcome اغلب پرسیده نمی‌شه.

AI مثل یه آینه‌ست. تیم‌هایی که قبلاً یه فیچر در فصل شیپ می‌کردن و اسمش رو استراتژی می‌ذاشتن، حالا چهل فیچر شیپ می‌کنن و اسمش رو velocity می‌ذارن. سرعت بالا رفته، ولی قضاوت و تفکر استراتژیک جا موند. AI تیم‌ها رو بهتر نمی‌کنه؛ فقط با وضوح بیشتری نشون می‌ده که پیش از AI هم چه اتفاقی واقعاً داشت می‌افتاد.

تیم‌هایی که بیشترین بهره رو از AI می‌برن اون‌هایی نیستن که بهترین prompt library رو دارن. اون‌هایی هستن که قبل از AI هم می‌دونستن دنبال چه outcome معناداری هستن. برای این تیم‌ها، AI یه شتاب‌دهنده روی استراتژی واقعیه. برای بقیه، شتاب‌دهنده‌ایه روی کار اشتباه.

برای اینکه این موضوع رو عملی کنی، یه آزمایش ساده داریم: از AI بخواه بدون پیشنهاد فیچر، به تو کمک کنه یه رفتار کاربری رو تغییر بدی. بذار AI ازت بپرسه که مشتری دقیقاً کیه، دنبال چی می‌گرده، موفقیت چطور اندازه گرفته می‌شه، چه baseline‌ای داریم و چه شواهدی فرضیه رو تأیید یا رد می‌کنن. اگه جواب این سوال‌ها رو نداری، باید بری پیداشون کنی — و همین نشون می‌ده که این اطلاعات از مکالمات محصول تیمت هم غایب بودن.

بعد از اینکه AI یه سری فرضیه داد، ازش بخواه هر کدوم رو بر اساس داده‌های تو توجیه کنه. ایده‌های AI رو با ایده‌های خودت مقایسه کن و فقط چیزی بساز که قابل اندازه‌گیری باشه. نتایج رو به AI بده و بخواه با پیش‌بینی‌های اولیه‌اش مقایسه کنه. هدف اینه که یه همکاری مستمر بین تیم محصول و AI داشته باشی تا فقط چیزی به production بره که واقعاً به OKR‌هات کمک می‌کنه.

نکات کلیدی:

• AI در ساختن output عالیه، ولی تنهایی نمی‌تونه outcome تعریف کنه
• اگه تیمت outcome مشخص نداشته، AI این خلأ رو سریع‌تر و آشکارتر می‌کنه
• قبل از prompt زدن باید بدونی: مشتری کیه، دنبال چیه، موفقیت چطور اندازه می‌گیری و baseline چیه
• تیم‌های موفق اون‌هایی هستن که قبل از AI هم تفکر outcome-محور داشتن
• AI رو به عنوان یه همکار مستمر برای تست فرضیه و ریفاین استراتژی استفاده کن، نه فقط یه ابزار ساخت فیچر