CX Czwartek #183: Kto naprawdę ma kontrolę?

AI coraz mocniej wchodzi w obszary, które do tej pory wymagały ludzkiej oceny: analizuje dane, rekomenduje rozwiązania, tworzy treści, a czasem podejmuje decyzje. Jednocześnie zmienia się sposób, w jaki użytkownicy znajdują informacje i korzystają z produktów.

W tym wydaniu przyglądamy się więc trzem różnym wymiarom kontroli: ile odpowiedzialności możemy przekazać AI, co zrobić, żeby nasze treści były dla niej w ogóle dostępne oraz czy wysoka retencja rzeczywiście oznacza, że użytkownicy chcą zostać.

Ile decyzji możemy oddać AI?

Kiedy AI analizuje setki opinii klientów i wskazuje jeden dominujący problem, łatwo potraktować jego wniosek jako punkt wyjścia do dalszych decyzji, zanim ktokolwiek zdąży go naprawdę zakwestionować. To pokazuje, że samo „human in the loop” niewiele mówi o tym, kto faktycznie podejmuje decyzję i na jakim etapie człowiek może jeszcze wpłynąć na jej wynik. Autor tego tekstu na blogu Medium proponuje spojrzenie na delegowanie zadań AI przez pryzmat poziomu odpowiedzialności: czym innym jest wygenerowanie pomysłu, czym innym analiza danych, a czym innym podjęcie decyzji, która ma realne konsekwencje dla firmy lub użytkownika. Im większa stawka, tym ważniejsze staje się pozostawienie człowiekowi nie tylko prawa do zaakceptowania wyniku, ale przede wszystkim możliwości jego zakwestionowania. To ciekawy tekst o tym, jak projektować współpracę z AI tak, żeby delegowanie decyzji nie oznaczało stopniowego oddawania kontroli.

Niewidoczna treść

Coraz więcej mówi się o optymalizacji treści pod wyszukiwarki AI, ale zanim zaczniemy myśleć o cytowaniach czy schema, warto sprawdzić, czy AI w ogóle może dotrzeć do naszych treści. Analiza Vercel i MERJ pokazuje, że crawlery takie jak GPTBot czy ClaudeBot często pobierają JavaScript, ale go nie wykonują, przez co treści renderowane dopiero po stronie przeglądarki mogą być dla nich niewidoczne. Ciekawie wypadają też popularne sposoby na poprawę widoczności: schema nie przyniosło w badaniu Ahrefs istotnego wzrostu cytowań, a pliki llms.txt praktycznie nie są wykorzystywane przez boty. Autorzy proponują więc wrócić do podstaw i zadbać przede wszystkim o to, by treść była łatwa do odczytania, zrozumienia i wykorzystania przez modele AI.

Czy użytkownik zostaje, bo chce?

Dwie osoby mogą wyglądać w dashboardzie identycznie: jedna zostaje, bo produkt rzeczywiście odpowiada jej potrzebom, druga, bo odejście jest zbyt trudne. Autor artykułu na Medium nazywa tę drugą sytuację „studnią uwięzienia” i proponuje patrzeć na retencję przez trzy różne mechanizmy: preferencję, wygodę i przymus. W przypadku produktów opartych na AI problem jest szczególnie złożony, bo koszt zmiany narzędzia może obejmować nie tylko dane, ale też pamięć, kontekst projektów, biblioteki promptów, konfigurację agentów czy infrastrukturę. Co ważne, wysoka retencja wymuszona lock-inem nie oznacza zadowolenia - frustracja może ujawniać się w dodatkowej pracy, poprawkach, powtarzaniu promptów czy korzystaniu z nieoficjalnych narzędzi. To ciekawy tekst o tym, dlaczego możliwość odejścia powinna być traktowana jako część jakości produktu, a nie problem, którym firma zaczyna się zajmować dopiero wtedy, gdy klient chce ją opuścić.