Hoppa till innehåll

AI i produktdiscovery: gör syntesen själv först

Torn Studio6 min läsning

Torn Studio är en AI-byrå som bygger webbplatser, digitala produkter och innehåll. Otraditionellt.

Kort svar

Använd AI i produktdiscovery som andra läsare. En person syntetiserar varje intervju först, en modell syntetiserar den sedan, och de två läsningarna jämförs. Teresa Torres regel från december 2025 är att det inte är någon genväg att dumpa transkript i en modell. Modeller är bra på skrivbordsresearch, klustring och utkast, och missar det kunden lät bli att säga.

Ett produktteam som intervjuar kunder har numera en modell som sammanfattar intervjuerna på sekunder, klustrar feedbacken och skriver ett utkast till möjlighetsträdet före lunch. Frågan är vad det gör med teamets förståelse av sina kunder, och det ärliga svaret från dem som har prövat är att allt hänger på vem som läser först.

Vad är en modell bra på i discovery?

Tre saker, och det är de arbetsamma delarna. Skrivbordsresearch: att läsa en marknad, en konkurrentuppsättning eller en förordning och lämna tillbaka en strukturerad sammanställning med luckorna markerade. Klustring: att ta två hundra supportärenden eller hundra enkätsvar och gruppera dem efter problemet under ytan, som en person sedan kontrollerar. Utkast: att göra en syntes till en intervjuguide, en hypoteslista eller en första version av ett möjlighetsträd.

Studion använde en modell så för sin egen produkt, den här webbplatsen: artikelfrågorna kommer ur en skörd av sökförslag i tio marknader, gjord den 30 augusti 2026 med ett skript vem som helst kan köra om, och ordningen den gav satte prioriteringen för tre innehållskluster. Skörden är en mätning, så den går att kontrollera, och den har ett känt hål: den ger en ordning och inga volymer, vilket är varför prioriteringen förblir en hypotes tills ett betalverktyg fyller den kolumnen.

Vad missar en modell i en intervju?

Det kunden lät bli att säga. Teresa Torres, vars metod för löpande discovery de flesta produktteam använder i någon form, publicerade sin hållning den 2 december 2025 efter ett halvårs experiment: ”You still need to synthesize every interview individually. Dumping transcripts into an LLM isn’t a shortcut.” Hennes praktik, upprepad i en intervju i april 2026, är den här artikeln rekommenderar: gör din egen syntes först, be sedan modellen om sin, och jämför. Varje gång fångar personen sådant modellen missade, och modellen fångar sådant personen missade.

Nielsen Norman Group kom fram till samma sak från researchhållet i juni 2024, om AI-genererade ”syntetiska användare”: ”UX without real-user research isn’t UX.” De legitima användningar de tillåter — skrivbordsresearch, hypotesgenerering, förberedelse av en intervjuguide — är de tre sakerna ovan. Konceptvalidering och beslut är de två saker en syntetisk respondent aldrig får bära.

Vad är regeln om andra läsaren?

Varje intervju läses två gånger, i fast ordning.

  • Personen som höll intervjun skriver syntesen först: problemet med kundens ord, den lösning kunden använder i dag, och det som förvånade intervjuaren.
  • Modellen läser samma transkript och skriver sin egen syntes, från en prompt som ber om samma tre saker och om citaten den stödde sig på.
  • De två läggs bredvid varandra. Avvikelserna är resultatet: var och en är antingen något personen missade eller något modellen hittade på, och båda är värda en minut.

Ordningen är hela metoden. Läs modellen först, och personens syntes blir en redigering av den. Det är den lata syntes Torres varnar för, och det snabbaste sättet för ett team att sluta förstå sina kunder samtidigt som det producerar fler dokument om dem.

Hur ändrar det här vad en produktchef gör?

Det flyttar timmarna. Torres egen bild från samma samtal i december 2025 är att de verkliga vinsterna kommer från expert plus AI, och att nybörjare plus AI oftast är bättre än ingenting. Expertens jobb är att vara första läsare, att skriva prompten som ställer rätt tre frågor, och att avgöra vad avvikelserna betyder. Det är ett produktbeslut, med samma form som i att bestämma vad som ska byggas härnäst: nedskrivet, med det som valdes bort.

Samma drag — mät först, rangordna sedan, besluta skriftligt — är hur studion ordnar processer i vilka processer ni ska automatisera först, och det är därför de två artiklarna liknar varandra.

Så gör studion discovery

Torn Studio tar produktrollen för grundare och produktteam, prissatt per uppdrag, och discovery är de första två till fyra veckorna av den: intervjuer syntetiserade av en person och sedan av en modell, en skriven problemlista där avvikelserna behålls, och en sida per beslut. Det teamet har kvar efteråt är listan och resonemanget, i en form som fortsätter att användas när uppdraget är slut.

Underlag

Vad den här artikeln vilar på — en mätning vi gjort, en daterad källa eller ett beslut vi tagit och vad det kostade.

  • Mätning

    Vilka fraser inom product management som har mätbar efterfrågan i sökförslag, per marknad

    Mätobjekt: Sökmotorernas autokomplettering i tio marknader och sex tjänsteområden

    Metod: Skörda autokompletteringsförslag per utgångsfras och marknad med scripts/keyword-harvest.ts och rangordna dem med scripts/keyword-analyse.ts. Ordningen inom en marknad är verklig; volymer saknas.

    Resultat: Product management har mätbar efterfrågan bara på engelska; nio av tio svenska förslag är driftbrus.

  • Beslut

    Sajtens artikelfrågor tas ur den uppmätta skörden och ett skrivet frågeinventarium, och en fråga utanför det läggs in där först, mot tre kriterier.

    Vad det kostade: Autokomplettering ger en ordning och inga volymer, så prioriteringen är en hypotes tills ett betalverktyg fyller kolumnen, och en fråga marknaden ännu inte formulerat får vänta även när studion vill skriva den.

  • Källa

    Synthetic Users: If, When, and How to Use AI-Generated “Research”

    Utgivare: Nielsen Norman Group

Vanliga frågor

Kan vi låta en modell sammanfatta våra kundintervjuer?
Ja, som andra läsare. Skriv er egen syntes först, be sedan modellen om sin egen från samma transkript, och jämför. Torres hållning från december 2025 är att det inte är någon genväg att dumpa transkript i en modell, och hennes praktik är att jämföra de två läsningarna varje gång.
Vad brukar en AI-sammanfattning av en intervju utelämna?
Det kunden lät bli att säga: lösningen de använder i dag, tvekan före ett svar, motfrågan de ställde. En modell sammanfattar det som står i transkriptet; personen i rummet bär resten, vilket är varför personen läser först.
Vad kan vi använda en modell till i skrivbordsresearch?
Att läsa en marknad, en konkurrentuppsättning eller en förordning och lämna tillbaka en strukturerad sammanställning med luckorna markerade, och att klustra en stor hög ärenden eller enkätsvar efter problemet under ytan. Båda resultaten är hypoteser som en person kontrollerar; inget av dem är ett fynd.
Hur märker vi att vår discovery har blivit lat?
När modellens sammanfattning är det första någon läser. Tecknet är ett team som producerar fler dokument om kunderna medan färre kan citera en. Lösningen är ordningen: person först, modell sedan, jämför.
Vad mätte studion med en modell i sin egen discovery?
Sökefterfrågan bakom den här sajtens artiklar: en skörd av sökförslag i tio marknader och sex tjänsteområden den 30 augusti 2026, körd med ett skript en läsare kan köra om. Den ger en ordning och inga volymer, och prioriteringen den satte förblir en hypotes tills ett betalverktyg fyller den kolumnen.
Hur lång tid tar discovery hos Torn Studio?
Två till fyra veckor i början av ett uppdrag, med priset fast innan arbetet börjar. Resultatet är en skriven problemlista där avvikelserna mellan människans och modellens läsning behålls, och en sida per beslut som teamet fortsätter att använda efteråt.

Källor

  1. Customer Interview Analysis — All Things Product Podcast with Teresa Torres & Petra Wille — Product Talk

    Underlag för Torres hållning den 2 december 2025: varje intervju syntetiseras individuellt, att dumpa transkript i en modell är ingen genväg, och de verkliga vinsterna kommer från expert plus AI.

  2. “Building is cheap now, but don’t build everything”: Teresa Torres on AI product management — airfocus

    Underlag för praktiken i april 2026: egen syntes först, sedan modellen, sedan jämförelse, där varje läsning fångar sådant den andra missade.

  3. Synthetic Users: If, When, and How to Use AI-Generated “Research” — Nielsen Norman Group

    Underlag för slutsatsen från juni 2024 att UX kräver research med riktiga användare, och för de tre tillåtna användningarna av syntetiska respondenter.