‏وقتی AI سرعت رو می‌بره ولی تفکر رو نه

استیو بلنک، پدر متدولوژی Customer Discovery و Lean Startup، اخیراً مقاله‌ای منتشر کرده که توش از یه پدیده جالب و نگران‌کننده حرف می‌زنه: دانشجوهای دوره Lean LaunchPad دانشگاه استنفورد با کمک ابزارهایی مثل Claude Code، Replit و v0 تونستن در یک هفته اول به MVP (محصول اولیه قابل ارزیابی) برسن — کاری که تا همین یه سال پیش ماه‌ها طول می‌کشید. بلنک می‌گه جدول زمانی‌ای که پانزده سال برای تدریسش وقت گذاشته، الان با ضریب ده فشرده شده.

اما مشکل اصلی اینجاست: بلنک این اتفاق رو به یه حمله DDoS تصادفی (Denial of Service — نوعی حمله سایبری که با ترافیک زیاد سیستم رو از کار می‌ندازه) تشبیه می‌کنه. وقتی سه تیم در یک هفته ده MVP می‌سازن، دیگه وقت و پهنای باند ذهنی‌ای نمی‌مونه که بفهمن هر کدوم از این MVP‌ها چی دارن می‌گن. نتیجه؟ تیم‌ها تحلیل و حتی ارتباطات رو هم به AI واگذار می‌کنن و کل خروجی به یه محتوای بی‌روح و بی‌معنی تبدیل می‌شه.

جف گاتلف، نویسنده این مقاله، معتقده که مشکل اصلی نه ابزار هست نه مهارت استفاده از اون‌ها — بلکه نبود انضباط در مدیریت محصول هست. تیم‌های محصول در شرکت‌ها الان بیشتر از چیزی که بتونن اعتبارسنجی کنن گزینه تولید می‌کنن، بیشتر از چیزی که بشه مقایسه کرد واریانت می‌سازن، و اصلاً از قبل تعریف نکردن که موفقیت یعنی چی.

راه‌حل پیشنهادی گاتلف سه لایه داره: اول، تعریف نتیجه مطلوب قبل از هر چیز — نه فیچر، نه user story، بلکه تغییر رفتار مشتری یا نتیجه تجاری مشخص. دوم، پرامپت‌نویسی هدفمند — به جای «پنج طراحی مختلف بده»، بگی «کمکم کن نرخ تبدیل خرید رو تو شش هفته ۱۵٪ بالا ببرم». این دو پرامپت خروجی‌های کاملاً متفاوتی تولید می‌کنن. سوم، فرهنگی که توقف رو پاداش می‌ده — تیمی که می‌ایسته و می‌پرسه «آیا داریم مشکل درست رو حل می‌کنیم؟» باید ببینه این کار ارزشمنده، نه اینکه جمعه‌ها توضیح بده چرا چیزی ship نکرده.

بلنک یه مفهوم جدید هم معرفی کرده: MPO یا Minimum Productive Outcome (حداقل نتیجه مفید) به عنوان جانشین MVP. گاتلف این ایده رو خوب می‌دونه اما می‌گه فقط یه لیبل نیست — یه MPO واقعی یعنی تغییر مشخصی در رفتار انسانی که تیم می‌خواد ایجاد کنه، در یه بازه زمانی مشخص، با کمترین میزان ساخت که بشه سیگنال درستی ازش گرفت. اگه خروجی AI این نتیجه رو جابجا نکنه، هیچ ارزشی تحویل داده نشده.

در نهایت نکته مهم اینه که Customer Discovery (فرایند کشف نیاز واقعی مشتری) رو نمی‌شه به AI سپرد. مشاهده مستقیم، مکالمه با کاربر و تفکر انتقادی درباره سیگنال‌های بازار همچنان کار انسانه. AI می‌تونه سرعت تولید رو بی‌نهایت بالا ببره، اما در دنیایی که هزینه تولید تقریباً صفر شده، ارزش واقعی از پیدا کردن اون MPO درست میاد.

نکات کلیدی:

• AI سرعت ساخت MVP رو ده برابر کرده، اما توانایی تحلیل و یادگیری تیم‌ها همون‌قدر مونده
• تولید بیش از حد گزینه، تیم رو دچار «DDoS تصادفی» می‌کنه — همه چیز می‌سازن ولی هیچ‌چیز نمی‌فهمن
• مشکل اصلی ابزار نیست؛ نبود انضباط در تعریف نتیجه مطلوب قبل از شروع کاره
• پرامپت‌نویسی هدفمند (نتیجه-محور به جای خروجی-محور) کیفیت کار با AI رو اساساً تغییر می‌ده
• MPO جانشین پیشنهادی MVP است: تعریف پیشین تغییر رفتار مشتری، نه فقط یه محصول اولیه
• تماس مستقیم با مشتری و تفکر انتقادی همچنان غیرقابل واگذاری به AI هستن