Poniższe notatki powstały na podstawie rozmowy z Emmett Connolly, VP of Design w Intercom, w podcaście Dive Club. Wszystkie przemyślenia, obserwacje i wnioski pochodzą od rozmówcy.

TL;DR

Intercom zwiększył wskaźnik rozwiązań swojego AI agenta Fin z 24% do 60% w ciągu dwóch lat, udowadniając skuteczność AI w obsłudze klienta
Procesy projektowania produktów AI są odwrócone względem tradycyjnych – rozpoczyna się od eksploracji technicznych możliwości, następnie projektuje interfejs użytkownika
Cały zespół designerów w Intercom ma za cel dostarczenie kodu do produkcji w drugim kwartale jako część budowania kompetencji technicznych
Centralizacja zespołów projektowych i wprowadzenie work streams zamiast stałych struktur organizacyjnych umożliwia szybką adaptację do zmieniających się potrzeb AI
Nowa zasada projektowania: „agentic by design, CRUD under the hood” – produkty AI powinny być konwersacyjne na powierzchni, jednak z tradycyjnymi kontrolkami dostępnymi w tle
Specjaliści AI w dziedzinie projektowania pracują bezpośrednio z zespołami ML scientists nad modelami i promptingiem, nie ograniczając się wyłącznie do interfejsów
Podejście oparte na „agency vs fear” – designerzy, którzy proaktywnie eksperymentują z AI, zyskają przewagę nad tymi, którzy pasywnie oczekują na zmiany

Emmett Connolly przeszedł fascynującą podróż transformacji 10-letniej firmy SaaS w organizację AI-first. Historia Fin – agenta AI do obsługi klienta, który w ciągu dwóch lat urósł ponad podstawowy biznes Intercom – stanowi studium przypadku proaktywnej autodistrupcji.

Od ChatGPT do dominacji Fin w trzy tygodnie

Moment pojawienia się ChatGPT okazał się przełomowy dla całej organizacji. Connolly wspomina: „To było jak osiągnięcie realizacji w ciągu weekendu. Wielu ludzi rozmawiało ze sobą na Slacku, mówiąc: cholera, czy widzieliście to?”

Intercom dysponował jednak przewagą konkurencyjną – zespół już wcześniej pracował z machine learning i utrzymywał partnerstwo z OpenAI. W rezultacie, w ciągu zaledwie 3-4 tygodni od premiery ChatGPT, firma wypuściła pierwsze funkcje AI. Podstawowe możliwości jak przepisywanie wiadomości czy zmiana tonu stanowiły dopiero początek.

Prawdziwy przełom nastąpił z wprowadzeniem Fin. Według Connolly, jednocześnie z premierą GPT-4 uruchomili pierwszą wersję swojego agenta AI do obsługi klienta. Pierwotne wyniki pokazały wskaźnik rozwiązań na poziomie 24% – obiecujący start, mimo że daleki od doskonałości.

Droga do 60% wskaźnika rozwiązań i lekcje projektowe

Dwa lata później średni wskaźnik rozwiązań Fin wynosi 60%, a niektórzy klienci osiągają znacznie wyższe rezultaty. Jak podkreśla Connolly, nie jest to wyłącznie kwestia wskazania dokumentacji AI i pozwolenia systemowi na przyswojenie informacji.

Connolly wyjaśnia: „Musieliśmy zbudować całą aplikację do trenowania Fin. Myślisz o Fin jako prostym agencie, który prowadzi konwersacje z użytkownikami. Jednak w tle znajduje się wszystko, co wymaga trenowania Fin całą wiedzą o firmie.”

Zespół musiał opracować czterostopniowy przepływ pracy:

Analyze – analiza braków wiedzy Fin
Train – trenowanie nowymi umiejętnościami i wiedzą
Test – sprawdzanie skuteczności wprowadzonych zmian
Deploy – wdrażanie ulepszeń do produkcji

Nowe procesy projektowania – od materiału do interfejsu

Tradycyjny proces projektowania – jobs to be done, wireframes, mockupy wysokiej wierności, badania użytkowników – nie sprawdza się w przypadku produktów AI. Connolly opisuje radykalnie odmienne podejście zastosowane przy tworzeniu funkcji Analyze.

„Nie mogliśmy zastosować linearnego podejścia, ponieważ nie wiedzieliśmy, jaki kształt danych faktycznie zadziała”, stwierdza Connolly.

Nowy proces obejmuje następujące etapy:

Material exploration – współpraca designerów AI z zespołami ML scientists nad modelami
Testowanie bez interfejsu – weryfikacja z klientami poprzez raporty w arkuszach kalkulacyjnych
Wstępne prototypowanie – projektowanie podstawowego interfejsu po potwierdzeniu działania modelu
Projektowanie wysokiej wierności – finalizacja na ostatnim etapie, kilka tygodni przed wdrożeniem

Connolly przyznaje: „To było nieco stresujące, ponieważ kilka tygodni przed wdrożeniem nadal intensywnie pracowaliśmy nad frontendem.”

Designerzy uczą się kodowania – konkretny plan działania

Jedna z najbardziej konkretnych inicjatyw w Intercom zakłada, że wszyscy członkowie zespołu projektowego mają za cel dostarczenie kodu do produkcji w drugim kwartale. Nie są to puste deklaracje – organizacja przeprowadza warsztaty i pomaga w konfiguracji lokalnych środowisk deweloperskich.

Connolly podkreśla: „Powiedziałbym to ludziom tylko wtedy, gdy sam to wykonałem. Okazało się znacznie łatwiejsze niż przypuszczałem.”

Dlaczego dostarczanie kodu do produkcji ma taką moc? Connolly porównuje to do analogii jaskini Platona: „Designerzy patrzą na cienie i migotania rzeczywistości na ścianie. To podobne do projektowania w Figmie, podczas gdy ktoś inny realizuje twoją pracę.”

Dostarczanie kodu zapewnia element często brakujący w procesie projektowania – namacalną pętlę zwrotną. „Wykonałem zadanie. Rzeczywiście było inaczej wcześniej, a teraz wszyscy widzą to zgodnie z moją wizją.”

Proces rozpoczyna się od drobnych zadań – poprawek błędów, zmian tekstów, dostosowań CSS czy paddingu. Jednak niektórzy pionierzy już budują kompletne funkcje frontendowe.

Connolly opisuje fascynujący „ruch kleszczy” designerów:

Z jednej strony: szybkie kodowanie w narzędziach jak Lovable – prototypy, które stają się coraz bardziej realistyczne
Z drugiej strony: błędy P3, następnie P2, a w końcu prawdziwe funkcje

„Widzę możliwość przyszłości, w której te trendy spotykają się w środku, a designerzy tworzą od podstaw kompletne aspekty kodu frontend.”

Forward deployed engineers – gdy inżynierowie wykonują pracę designerską

Connolly zwraca uwagę na interesujący trend. OpenAI wprowadziło rolę „forward deployed engineer” – inżynierów, którzy pracują bezpośrednio z klientami, rozumieją ich problemy, syntetyzują je w rozwiązania i proponują odpowiednie solutions.

„Patrzę na to i myślę: to jest designer. Opisujesz rolę designera”, obserwuje Connolly. „To są inżynierowie wykonujący dokładnie to, co robią designerzy, używając swoich umiejętności kodowania do rozwiązywania problemów zorientowanych na projektowanie.”

W rezultacie, jeśli inżynierowie wykorzystują umiejętności projektowe plus kodowanie do rozwiązywania problemów, designerzy nie powinni obawiać się używania umiejętności projektowych plus kodowania do tego samego celu. To naturalna płynność ról, którą należy przyjąć.

Frontend jako idealne pole dla AI

Connolly przedstawia fascynującą obserwację dotyczącą tego, dlaczego AI będzie szczególnie skuteczne w frontend development. „Jeśli zastanowisz się, jeden z najlepszych korpusów treningowych na świecie to kod źródłowy HTML, CSS i JavaScript. To najlepsze otwarte źródło danych.”

Jeśli te systemy mogą wykonywać cokolwiek na świecie, będzie to pisanie doskonałego kodu frontend – zaawansowanego, bezpiecznego, wydajnego i dostępnego.

To oznacza, że granica między designerami a inżynierami frontend może się znacznie zatrzeć. Connolly nie postrzega tego jako „inwazja na terytorium inżynierów”, lecz jako naturalną ewolucję.

Czy to koniec wszystkich aplikacji? Doświadczenia z Cursor i Claude Code

Connolly dzieli się swoimi najnowszymi doświadczeniami z najnowocześniejszymi narzędziami AI. „Moja najnowsza obsesja to używanie Claude Code w środowisku Cursor na komputerze. To sprawiło, że pomyślałem: możliwe, że to ostatni element oprogramowania.”

Dlaczego ma taki potencjał? „Możesz robić wszystko, absolutnie wszystko na swoim komputerze przez ten interfejs. Możesz kazać mu napisać skrypt na komputerze i uruchomić ten skrypt, który wykonuje cokolwiek.”

Przykład z jego przepływu pracy: „Tak publikuję treści na moim blogu. Wcześniej wykonywałem polecenia GitHub samodzielnie, teraz po prostu wchodzę do Claude Code i mówię: opublikuj najnowszy post na moim blogu. Przygotowuje element GitHub i informuje: gotowe, już jest dostępne.”

To alternatywny sposób myślenia o używaniu komputera – jak posiadanie „bardzo nerdowskiego administratora systemu Linux” obok siebie.

Debata o „thin wrapper” i prawdziwych firmach AI

Connolly porusza istotną debatę w branży AI. Kiedy coś jest „tylko cienką otoczką wokół ChatGPT”, a kiedy reprezentuje prawdziwą wartość?

Prawdziwe firmy AI-first, takie jak Intercom, Lovable czy Granola, to nie jest przekazywanie prompta dalej. „To opakowywanie nie tylko doskonałego doświadczenia użytkownika, ale także wielu ulepszeń modelu i zabezpieczeń wokół przekazywania informacji tam i z powrotem.”

Przykład: gdy ChatGPT dodał funkcję notatek ze spotkań, czy Granola zostało natychmiast wyeliminowane? „Nie, ponieważ Granola to w rzeczywistości dość znaczący produkt, nawet jeśli wydaje się bardzo prosty na powierzchni.”

Kluczowa obserwacja: koszt przejścia w narzędziach AI rośnie poprzez personalizację i kontekst. „Gdy wprowadzisz kontekst do narzędzia, koszt przejścia staje się ekstremalny, aby przenieść to do innego narzędzia, które nie wie o tobie tyle.”

Gdzie jesteśmy w rozwoju AI? Lekcje z historii internetu

Connolly wykorzystuje mocne analogie historyczne, aby pokazać nasze obecne położenie względem AI. Wyniki z Lovable często przypominają mu GeoCities czy MySpace – „wszystko ma tło Starfield, lasery, jest zabawne i jednorazowe, istnieje pod adresami URL typu electric toothbrush.”

„Jednak nie patrzyłbyś na te stare strony Starfield z animowanymi GIF-ami 'w budowie’ i powiedział: internet jest głupi i nigdzie nie prowadzi. Musisz patrzeć i zastanawiać się: gdzie internet się rozwija od tamtego momentu?”

Kolejna analogia: pole wyszukiwania Google z 2004 roku versus interfejs ChatGPT z 2024 roku. „Patrzę na interfejs pojedynczego prompta Google z 2004 roku i interfejs ChatGPT z 2024 roku i myślę: oba to tylko zaczątkowe początki czegoś masywnego.”

Moment spaghetti każdej nowej technologii

Connolly przywołuje moment Will Smith jedzącego spaghetti – jeden z pierwszych viralowych filmów AI, gdzie wszystko wyglądało dziwnie. „Każdy nowy przypadek użycia AI musi przejść przez ten moment spaghetti.”

W tym momencie istnieją dwa typy ludzi:

Ci, którzy wskazują palcem: „patrz, ma sześć palców!”
Ci, którzy myślą: „dobrze, to nieco dziwne, ale czy wyobrażacie sobie, gdzie to będzie za niedługo?”

„Te cykle się kondensują i stają coraz krótsze. Nie ma czasu na wskazywanie palcem szóstego palca. Musisz zacząć wyobrażać sobie możliwości.”

Reorganizacja zespołów – work streams zamiast sztywnych struktur

Intercom przeprowadził fundamentalną zmianę organizacyjną. Zamiast tradycyjnych zespołów produktowych wprowadzono work streams – obszary pracy, które można uruchamiać lub wyłączać w zależności od potrzeb.

Connolly wyjaśnia: „Work stream może trwać od trzech tygodni do ponad roku. Jeden DRI (Directly Responsible Individual) dla work streamu oznacza bardzo scentralizowaną odpowiedzialność.”

Zalety tego podejścia to możliwość podjęcia decyzji w poniedziałek i dostarczenia rezultatów już w piątek. Dodatkowo można w 100% skupić się na ważnych zadaniach dzięki cross-functional teams obejmującym nie tylko R&D, ale także sales i marketing.

Connolly zauważa: „Początek krzywej S to doskonały czas dla designera, ponieważ jest tyle do wymyślenia. Nie wiemy, jak to wszystko się potoczy.”

Nowi specjaliści – designerzy AI

Intercom utworzył nową rolę: designera AI. Na około 20 product designerów przypada trzech designerów AI, którzy pracują bezpośrednio z zespołem AI składającym się z około 40 naukowców ML i badaczy.

Connolly opisuje: „Pracują bezpośrednio z nimi, często nad modelami. Jest dużo promptingu, dużo analizowania wyników modeli i rozwijania intuicji.”

To nie tylko projektowanie interfejsów – to głębokie, techniczne zrozumienie funkcjonowania modeli, połączone z oceną ilościową.

Agentic by design, CRUD under the hood

Connolly wprowadza nową zasadę projektowania produktów AI: „agentic by design, CRUD under the hood”. To rozwinięcie ich starej zasady „simple by default, flexible under the hood”.

„Coraz częściej możesz to rozłożyć na poziomie funkcji i zapytać: czy istnieje sposób agentowy na wykonanie tego, czy lepiej służy temu stary CRUD?”

Obserwacja: Intercom zbudował agenta AI Fin, jednak backend do trenowania Fin to nadal tradycyjne ekrany SaaS – formularze internetowe identyczne jak 20 lat temu.

Connolly zastanawia się, czy nie powinni byli uczynić trenowania Fin bardziej agentowym – przez rozmowę z wersją teammate Fin, przesyłanie materiałów czy konwersacje.

Balansowanie kontroli vs bezpieczeństwo

Jedno z największych wyzwań projektowych w produktach AI: ile kontroli przekazać użytkownikowi. Connolly używa analogii „ostrza” – zbyt duża kontrola może pozwolić użytkownikom „skaleczyć się” i zniszczyć wskaźnik rozwiązań.

„Z wielką mocą przychodzi wielka odpowiedzialność. Możesz faktycznie zniszczyć swój własny wskaźnik rozwiązań, jeśli wykonasz niewłaściwe działanie z otwartym promptem systemowym.”

Spektrum kontroli:

Informacje statyczne – łatwe i bezpieczne dla użytkownika
Wyszukiwanie danych – wymaga dostępu do większej ilości informacji
Wykonywanie działań – najbardziej potężne, ale i najbardziej ryzykowne

„W przypadku najbardziej zaawansowanych funkcji nadal współpracujemy bezpośrednio z klientami, aby ustalić, co jest bezpieczne im przekazać.”

Znaczenie dla przyszłości designerów

Connolly przekazuje jasny komunikat designerom: „Angażuj się intensywnie i po prostu eksperymentuj”. Początek krzywej S faworyzuje generalistów nad specjalistami. Istnieje wiele łatwo dostępnych możliwości i otwartych pytań.

Kluczowe cechy designera przyszłości:

Filozoficzne dostosowanie – wiara w przyszłość zorientowaną na AI
Zdrowe lekceważenie – ignorowanie sztywnych granic i dogmatów
Mentalność rozwoju – ciekawość, determinacja, wytrwałość
Niski wskaźnik strachu – minimalne obawy przed nowymi technologiami
Samodzielne uczenie się – niezależne zdobywanie nowych umiejętności

Connolly podkreśla: „Gotowość do zakasania rękawów i eksperymentowania, nie rozmawiania czy myślenia o tym, ale faktycznego wypróbowania.”

Przyszłość user research w erze AI

Connolly zastanawia się nad automatyzacją badań użytkowników. „User research zawsze był aspektem manual labor procesu projektowego. Będzie interesujące zobaczyć, czy może się tam wydarzyć coś dobrego, co znacznie to uprości.”

Porównuje to do automatycznego testowania w inżynierii. „Inżynierowie mają testy lint – sprawdzanie, czy występuje regresja w zmianach kodu, które właśnie wykonali. Byłoby świetnie mieć coś takiego automatycznie wbudowane w Figmę.”

Wyobraża sobie narzędzie wytrenowane na doświadczeniach setek tysięcy użytkowników w internecie, które ostrzegałoby o problemach ze standardowymi wzorcami podczas projektowania.

Konkretne możliwości już dziś

Connolly dostrzega konkretne szanse dla designerów. Systemy projektowe mogą stać się kluczową częścią łańcucha narzędzi, pomagając szybko budować z natywnym systemem projektowym w narzędziach takich jak Lovable.

Centralizacja zespołów zwiększa również znaczenie design ops – więcej „pociągów do utrzymania w ruchu”. Menedżerowie projektowania muszą być bliżej pracy, aby orkiestrować różne work streams i zapewnić spójność.

Mentalność: sprawczość vs strach

Connolly przyznaje: „Jest pewien stopień szczęścia i okoliczności w tym wszystkim. Jednak szczęście sprzyja ludziom, którzy tam czekają, gdy nadchodzi.”

24% designerów w badaniu Lenny’ego było pesymistycznych wobec AI w ich roli. Connolly postrzega to inaczej: „Istnieje znacznie bardziej sprawczy sposób podejścia do tego. Duża możliwość zabawy i surfowania na fali zmieniających się ról.”

Analogia do designerów print vs web: „W początkowych dniach internetu byli designerzy print i młodsi designerzy natywni dla sieci. Designerzy print mieli niesamowite doświadczenie, nauczyłem się od nich wiele. Jednak mogłeś spojrzeć na ich pracę i powiedzieć – to był designer print vs natywny designer web.”

Z czasem internet znalazł swoją natywną ekspresję – bardziej sztywny układ versus bogate, szczegółowe obrazy mapowane z printa. „Czuję, że zobaczymy podobną zmianę mentalności wśród designerów w tej erze adaptacji mentalności AI-first.”

Kluczowa zasada: „Bez względu na to, czy jesteś stolarzem czy web designerem – musisz znać strukturę swojego materiału. Musisz rozumieć, co chce robić i czego nie chce robić.”

Praktyczna lista kontrolna dla designerów

Rozpocznij eksperymentowanie już dziś:

Konfiguracja lokalnego środowiska – poproś przyjaznego inżyniera o pomoc w konfiguracji
Pierwszy PR – znajdź prosty błąd do poprawki lub tekst do zmiany
Eksploracja narzędzi AI – przetestuj Cursor, Lovable lub inne narzędzia AI do kodowania
Prototypowanie w kodzie – zbuduj jednorazowy prototyp zamiast wireframes
Znajdź technical champion – partnera w zespole, który pomoże w nauce

Rozwijaj mentalność:

Jednorazowe eksperymenty – wykonuj wiele małych, jednorazowych eksperymentów
Zrozumienie materiału – poznaj „strukturę” materiału, z którym pracujesz
Sprawczość ponad strach – wybierz proaktywną postawę zamiast oczekiwania
Myślenie przekraczające granice – nie ograniczaj się do tradycyjnych granic roli

Kluczowy insight

Materiał przed interfejsem

Standardowo myślimy: Projektujemy interfejs użytkownika, następnie sprawdzamy czy technologia to obsłuży i czy da się zbudować.

W praktyce okazuje się, że: W projektach AI musisz najpierw zbadać „strukturę” materiału – co AI rzeczywiście potrafi dla twoich danych – a dopiero potem projektować interfejs. Jak stwierdza Connolly o projekcie Analyze: „Nie mogliśmy zastosować linearnego podejścia, ponieważ nie wiedzieliśmy, jaki kształt danych faktycznie zadziała.”

Dlaczego to jest istotne: Tradycyjny proces projektowania zakłada przewidywalny materiał (HTML, CSS, komponenty). AI jest nieprzewidywalny – może genialnie radzić sobie z jednym typem danych, a całkowicie zawodzić z innym.

Test na jutro: Następnym razem gdy planujesz projekt z AI, zamiast zaczynać od wireframes spędź 2-3 dni na „eksploracji materiału” – testowaniu AI z prawdziwymi danymi bez żadnego interfejsu i sprawdź jakie wzorce rzeczywiście działają.

Ten wpis stanowi część kolekcji notatek z wartościowych podcastów, webinarów i innych treści. Oryginalne źródło znajdziesz w podcaście Dive Club – odcinek z Emmett Connolly pt. „Transitioning into the next era of design„.

Tag: Intercom Fin

Jak Intercom zbudował AI chatbota Fin – #EN173

Jak Intercom stał się AI-first company – lekcje dla designerów #EN168