В чем ИИ эффективен для продуктового дискавери, а в чем не очень? Результаты моих pop-it'ок

Коротко, что сделал
взял ЦА старшеклассников и для всех этапов продуктового дискавери (от поиска проблемы до выбора и теста решения) применил ИИ, в том числе навайбкодил конечный прототип решения и налил бесплатный траффик школьников для быстрой проверки гипотезы

Что получилось хорошо
1) предварительный количественный анализ проблем на основе спаршенных обсуждений в соц-сетях дал распределение проблем по частотности
2) получилось собрать список аналогичных продуктов, их особенностей, моделей монетизации и бенчмарков, чтоб понять, что уже есть на рынке и как отстроиться от конкурентов
3) 2ч вайбкодинга на lovable → рабочий ленд с бекендом для сбора заявок в supabase и админкой с дешом конверсий

Для чего ИИ был не эффективен
в качественном исследовании не хватило глубины понимания проблем — я спарсил UGC-площадки (соц-сетки, форумы), попросил найти мне проблемы, с которыми сталкивается ЦА и взял интервью у ИИ-аватара, и не было вот этого ощущения понимания потребностей на кончиках пальцев, под какой сценарий я делаю продукт

кажется, тут лучше проводить по-старинке 1-1'ы с 5whys итд, чтоб лучше понять юзера и его потребности

Посмотреть детали эксперимента
кликабельный прототип • дока с дискавери-промптами

❓ А как вы делаете продуктовое дискавери с помощью ИИ: для чего и как используете ИИ, а что делаете по-старинке?