ChatGPT kasutamine teenusedisainis - mida päriselt teha saab?

ChatGPT ja sarnased tööriistad on muutnud seda, kuidas me kasutajate vajadusi analüüsime, mustreid tuvastame ja uusi lahendusi loome. Kuid AI kasutamine ei tähenda enam lihtsalt tehnoloogiaga eksperimenteerimist – oluline on, kuidas sellest päriselt väärtust sünnib.

Selle loo aluseks on praktiline kogemus: viisime koos Kristiinaga E-Riigi Akadeemia eGovernance 2025 konverentsil läbi töötoa, kus katsetasime AI võimalusi teenusedisaini erinevates etappides.

See artikkel ei ole samm-sammult juhend ega ainuvõimalik retsept. Pigem on see üks võimalik teekond ja inspiratsiooniallikas. Meie enda kogemus sellest, kuidas AI-d kasutada teenusedisainis nii, et tulemuseks oleksid paremad otsused ja sügavam arusaam. Jagatud näited ja töövõtted on mõeldud selleks, et julgustada katsetama, kohandama ja leidma oma meeskonnale sobivaimaid viise AI võimaluste rakendamiseks.

4-etapiline teenusedisaini töövoog koos AI’ga

Protsessi ülevaade

Aga kuidas see kõik siis ikka päriselt töötab? (Sest noh, teooria on tore, aga praktika on see, mis loeb.)

Töötoas katsetasime nelja-etapilist lähenemist, kus läksime samm-sammult mööda teenuse disaini teekonda üldisemast taustaloomest kuni konkreetse tegevusplaanini.

Ehk siis need neli etappi olid:

1. AI-toega uuringute tegemine - See aitab luua vestlusesse põhjaliku konteksti teenuse ja kasutajate kohta.
2. Andmepõhised persoonad - Loome teostatud uuringute ja taustamaterjalide põhjal detailsed persoonad, mis aitavad meil disainiotsuseid teha.
3. Kasutajateekonna disain - Kaardistame avastamise, platvormil olemise ja külastuse järgsed kogemused.
4. Strateegilised soovitused - Genereerime tegevusplaanid koos rakendamise detailidega

Miks selline lähenemine hea on? Iga etapp annab sulle midagi kasulikku ka iseseisvalt, kuid koos loovad nad tervikliku pildi, mis on nii strateegiliselt terviklik kui taktikaliselt teostatav.

Ja seda kõike hakkame me tegema kõige tavalisemas AI tööriistas – ChatGPTs. Aga seejuures on nüüd oluline meeles pidada, et tervet seda protsessi tuleks teha ühes vestluses, sest nii koguneb sinna vajalik kontekst, mida ChatGPT saab kasutada igas järgmises faasis.

‍

Etapp 1: AI-toega uuringud ja konteksti loomine

Kõige tavalisem viga, mida inimesed tehisintellektiga töötades teevad on see, et nad alustavad kohe sellest, et käsutavad ChatGPT persoonasid looma või kasutajalugusid arendama.

Päriselt on aga vaja luua vestlusesse üldist tausta - konteksti, millele tuginedes saaks keelemudel hakata täpsemaid vastuseid pakkuma. Ehk siis esimene samm on hoopis uurimistöö ja konteksti loomine vestluses. Ja see võiks koosneda kahest osast - kiired faktid ja sügavam analüüs.

Kiire faktide kogumine

Soovitan alustada põhiasjadega. Sa pead vestlusesse sisse tooma baasinfo:

• mida su teenus tegelikult teeb,
• kuidas see end positsioneerib ja
• kus see turul asub.

See kõlab iseenesestmõistetavalt, aga sind üllataks, kui sageli meeskonnad selle sammu vahele jätavad, sest arvavad, et ChatGPT “teab juba”  nende ettevõtete või teenust. Jah su teenuse info võib olla keelemudelis kajastatud, aga see on vaja tuua ka siia vestlusesse. Ja nüüd on variant, et laed selle üles failidena või vaatad, kuidas sinu teenus paistab välja keelemudeli ja internetiotsingute põhjal.

Selleks kasuta ChatGPT’s “Otsi veebist” tööriista ja esita alltoodud prompt:

Prompt:

See annab vestlusesse kiire info selle kohta, mida sinu teenusest/tootest/ettevõttest veebimaterjalide põhjal hetkel teada on.

Põhjalik taustauuring

Nüüd läheb asi mõnevõrra põnevaks. Me ei otsi lihtsalt infot selle kohta, mida su teenus teeb. Me tahame teada, mis paneb inimesi üldse sinu teenust otsima.

Mõtle sellele nii: keegi ei ärka hommikul mõttega “vau, täna tahan ma kindlasti just seda teenust proovida”. Neil on mingid mured, probleemid või väljakutsed, millele nad lahendust otsivad. Ja just selle konteksti mõistmine eristab pealiskaudset disaini sellisest, mis päriselt ka tulemusi toob.

Järgnev prompt aitab meil süveneda nendesse käitumuslikesse ja motivatsioonilistesse kihtidesse. Sellisesse sügavusse, kuhu tavaline uurimistöö tavaliselt ei jõuga.

Aga selle prompti jaoks kasuta ChatGPT Põhjaliku uuringu funktsionaalsust.

Prompt:

Aga kuidas me teame, et see info on usaldusväärne?

See on hea küsimus ja seda peakski küsima. Jah, tehisintellekt võib vahel “hallutsineerida”, eriti kui jutt käib konkreetsetest numbritest või värsketest arengutest. Samas ka traditsioonilistes kasutajauuringutes on omad probleemid ja kallutatus. Vähemalt AI puhul saame infot kontrollida ja võrrelda erinevaid allikaid.

Mis töötab:

• Kontrolli süvauuringus viidatud allkaid;
• Vajadusel tee täiendav otsing ja ära toetu vaid ühele allikale;
• Keskendu käitumismustritele ja trendidele, mitte konkreetsetele numbritele;
• Kiiresti arenevate valdkondade puhul kasuta viimase 12-18 kuu andmeid.

Millal peaks häirekellad helisema:

• Kui näed väga täpseid statistilisi andmeid (eriti ilma selge allikaviiteta);
• Kui vastused tunduvad liiga ideaalselt sinu oletustega kokku sobivat;
• Kui info on vastuolus sellega, mida sa oma klientidelt otse kuuled.

Ära muretse, kui sa ei saa täiuslikke andmeid - eesmärk on saada piisavalt head teadmised, et teha paremaid otsuseid kui sa saaksid piiratud traditsioonilise uuringuga.

Etapp 2: Persoonade loomine

Nüüd jõuame selle osani, mis on üsna lõbus ja mille kohta kõik arvavad, et oskavad seda teha. “Persoonad? Kindlasti, meil on need olemas. Sara, 34, turundusjuht, armastab kohvi ja tõhusust.”

Aga just siin peitub põhiline viga. Me kipume kergesti jääma üsna pinnapealseks. Vanus, ametinimetus, kohvi eelistus – see ei ütle sulle midagi eriliselt kasulikku selle kohta, kuidas paremat teenust disainida. See, mida sa tegelikult pead mõistma, on situatsiooniline kontekst ja inimese psühholoogia, mis käitumist juhib.

Mõtle sellele teisiti. Selle asemel, et küsida “kes see inimene on?” küsi “millises olukorras nad on, kui nad meie teenust vajavad, ja milline on nende olukord või seisund, kui nad meid leiavad?”

Põhiliste persoonade loomine

Uuring, mille sa just tegid, annab AI-le konteksti, mida tal vaja on, et luua persoonad, mis on märksa elulisemad, sest suurtes mudelites olev andmete mastaap on lihtsalt nii palju suurem, kui meie suudaksime seda ise kogudes ja sünteesides tekitada. AI suudab tuvastatud mustrid tuginevad miljarditele kasutajate interaktsioonidele, kirja pandud uurimustele, analüüsidele jne.

Ja veel üks asi: sa ei küsi AI-lt kasutajate väljamõtlemist. Sa küsid temalt tegelike käitumusmustrite sünteesimist, lähtudes samas vestluses juba läbi viidud uuringutele ja info kogumisele.

Prompt:

Mida teha kui ChatGPT loodud persoonad tunduvad liiga üldsõnalised või geneerilised

Kui see, mida ChatGPT'lt vastuseks saad, tundub kuidagi liiga geneeriline või udune, siis see tähendab, et kas senine kontekst ikkagi ei olnud piisavalt sügav või siis vajab ChatGPT lisa innustust, et kirjeldada persoonat põhjalikumalt. Abiks võib olla alltoodud prompt.

Täpsustamise prompt:

Kuidas sa tead, et need persoonad on tegelikult kasulikud?

Head persoonad ei kirjelda ainult kasutajaid – need aitavad sul disainiotsuseid teha. Kui sa ei saa persoonale vaadates kohe aru, kuidas funktsioone prioritiseerida või milline sõnumeid kõnetaks, siis see ei tööta.

Kvaliteedi kontroll:

• Konkreetsed töökontekstid mitte üldised ametinimetused;
• Mõõdetavad eesmärgid, mis seostuvad su teenuse võimalustega ; 
• Tegelikud valupunktid, mida su uuring tegelikult paljastas;
• Selged erinevused persoonide vahel, mis viitavad erinevatele disainilähemistele;
• Teostatavad teadmised, mis otse mõjutavad tooteotsuseid.

Test on lihtne: näita neid persoonad kellelegi teisele oma meeskonnas. Kas nad saavad kohe aru, kuidas igaühe jaoks erinevalt disainida? Kui mitte, jätka täpsustamist.

Seda, mida sa otsid, on hetk, mil persoonad lõpetavad kasutajate kirjeldamise olemise ja hakkavad disainitööriistadeks saama.

NB! ChatGPT vajab alati tagasisidet! Ära jää kohe esimese vastuse juures pidama - küsi alati juurde ja palu detailiseerida. Anna endapoolseid juhiseid.

Etapp 3: Kasutajateekonna kaardistamine

Enamik teekonna kaarte on sageli soovmõtlemine. Me kaardistame, mida loodame kasutajate kogevat, või mida arvame, et nad peaksid kogema, mitte seda, mis tegelikult juhtub. Ja siin on probleem: me alustame tavaliselt kaardistamist hetkest, kui keegi meie veebilehele satub või meie äppi avab.

Aga see on nagu filmi poolelt pealt alustamine. Meil pole aimugi kõigest sellest, mis nad meie juurde tõi?

Kolmeetapiline lähenemine tunnistab midagi ilmselget, mida enamik meeskondi ignoreerib: kasutajateekond ei alga siis, kui kasutajad sind leiavad. See algab siis, kui nad mõistavad, et neil on probleem. Ja see ei lõpe siis, kui nad su lehelt lahkuvad – sageli algab seal alles tegelik otsustamine.

Otsingu- ja avastamisfaas

See on etapp, mida traditsiooniline teekonna kaardistamine sageli ignoreerib, kuigi see võib olla kõige olulisem. Konteksti mõistmine, mis paneb kellegi sinu sarnast lahendust otsima, ütleb sulle rohkem selle kohta, kuidas oma teenust positsioneerida ja disainida, kui kõik see, mis su platvormil juhtub.

Mõtle sellele: milline on kellegi emotsionaalne ja situatsiooniline seisund, kes lõpuks vajab su teenust? Mida teist nad proovinud on? Mis nende praeguses lähenemises ei tööta?

Prompt:

Platvormil olemise kogemus

Järgmine samm on mõista, kuidas kasutaja kogeb sinu teenust või platvormi siis, kui ta juba päriselt sellega suhtleb. Traditsiooniline kasutatavuse testimine annab meile aimu, kuidas väike hulk inimesi sinu liidest kasutab. Tehisintellekti abil saame aga vaadata palju laiemat pilti – analüüsida visuaalset disaini ja tuvastada võimalikke takistusi, tuginedes tuhandetele sarnastele kasutajakogemustele.

Oluline on, et AI suudab seda teha just selle konkreetse persoonaga ja tema taustaga, mille oled eelnevalt loonud. See ei ole lihtsalt üldine kasutatavuse analüüs – vaid võimalus mõista, kuidas just see persoona, oma konkreetsete eesmärkide ja vajadustega, sinu platvormi kogeb.

Samm 1: Ekraanipiltide analüüs

Tee 3–4 ekraanipilti oma teenuse võtmelehtedest (näiteks avaleht, registreerumine, põhifunktsioonid, hinnastamine) ja lae need ChatGPT-sse üles.

Prompt:

Järgneva kaalutlemise faas peale sinu veebi külastamist või teenuse kasutamist

Sageli jääb meil märkamata üks väga oluline osa kasutajateekonnast: mis juhtub pärast seda, kui inimene on sinu lehelt või äpist lahkunud? Välja arvatud juhul, kui pakud impulssostu toodet, toimub tegelik otsus sageli alles hiljem – siis, kui kasutaja juba kaalub, võrdleb ja arutab võimalusi.

See faas on tihti just see koht, kus otsus kas sinu kasuks või kahjuks tegelikult küpseb. Inimesed harva teevad lõpliku valiku kohe – nad uurivad edasi, konsulteerivad kolleegide või sõpradega, loevad arvustusi ja lasevad mõttel settida. Selle protsessi mõistmine aitab sul märgata, millised küsimused või kahtlused võivad veel õhku jääda ning kuidas saaksid kasutajat otsustamisel toetada.

Prompt:

Miks need kolm etappi tegelikult olulised on

Selle lähenemise tugevus ei seisne ainult selles, et saad põhjalikuma ülevaate – iga etapp avab sulle täiesti erinevad võimalused oma teenuse või toote täiustamiseks.

Otsingu- ja avastamisfaas aitab mõista, kuidas kasutajad üldse sinu teenuseni jõuavad ja millised probleemid või vajadused neid käivitavad. Kui inimesed ei leia sind siis, kui nad aktiivselt lahendusi otsivad, võib põhjus peituda hoopis sinu sisu või nähtavuse strateegias.

Platvormil olemise kogemus toob esile kasutatavuse ja sõnumite selguse küsimused. Kuid nüüd saad neid hinnata mitte abstraktsete reeglite järgi, vaid just selle persoonaga, tema ootuste ja emotsioonide kaudu.

Järgneva kaalutlemise faas paljastab, kus tegelikult tekivad takistused otsuse tegemisel. Sageli keskendutakse ainult platvormi kogemusele, kuid tegelik “hõõrdumine” võib toimuda hoopis pärast esimest külastust – siis, kui kasutaja veel mõtleb, võrdleb ja küsib nõu.

Kui kaardistad kõik kolm etappi, saad lõpuks tervikliku pildi sellest, kus kasutajad tegelikult takerduvad – ja veelgi olulisem, kus sul on kõige suurem võimalus nende kogemust päriselt paremaks muuta.

Etapp 4: Strateegilised soovitused ja rakendamine

Nüüd jõuame faasi, kus kogu eelnev analüüs ja teadmised tuleb tõlkida konkreetseteks sammudeks ja tegevusteks. Sageli jäävad uurimisprojektid toppama just siin – teadmisi kogutakse, teekondi kaardistatakse, aga lõpuks pannakse kirja vaid üldised soovitused nagu “paranda avalehte” või “lihtsusta registreerumist”. Need võivad küll olla õiged, aga sageli jäävad need liiga üldiseks ega vii tegelike muutusteni.

Probleem ei seisne teadmiste puudumises, vaid selles, et teadmised ei muutu automaatselt strateegiaks. On suur vahe sellel, kas tead, et “kasutajad on hinnainfo pärast segaduses” või oskad öelda: “siin on täpne tegevusplaan, kuidas seda parandada, millises järjekorras ja milliste ressurssidega”.

AI teeb siin tõeliselt väärtuslikuks see, et ta suudab keerulistest ja mitmekihilistest teadmistest sünteesida selgeid, rakendatavaid tegevusplaane, mis arvestavad nii mõju, teostatavuse kui ka ressursside ja ajaga.

Strateegiliste soovituste loomine

Võti on paluda AI-l teha seda, milles ta on tugev: mustrite leidmine ja süntees erinevate andmepunktide vahel. Sa ei küsi temalt lihtsalt uusi ideid, vaid palud tal siduda kogu eelnev info – kasutajateekonnad, valupunktid, motivatsioonid – ja pakkuda konkreetseid, prioriteeditud soovitusi.

Oluline on: mida täpsem ja spetsiifilisem on kontekst, seda kasulikumad on soovitused. Üldised teadmised toovad üldisi soovitusi.

Prompt:

Strateegiast rakendamiseni

Paljud soovitused jäävad toppama “mida” tasemele ega jõua kunagi “kuidas” faasi. Siin jäävad meeskonnad sageli hätta – nad teavad, et midagi tuleb muuta, aga selle tõlkimine konkreetseks projektiks või tegevuskavaks on keeruline.

Järgmine prompt aitab AI-l mõelda nagu projektijuht: kuidas viia soovitus päriselt ellu, arvestades ajakava, ressursse ja riske.

Prompt:

Kui soovitused tunduvad ilmsed (ja miks see võib olla hea)

Kui mõned soovitused tunduvad asjadena, mida sa juba tead, et tuleb parandada, ära lükka neid kõrvale. Väärtus ei seisne alati uute avastuste tegemises – oluline on süsteemne viis, kuidas prioriseerida ja järjestada parandusi tegeliku kasutajamõju põhjal, mitte sisetunde või poliitika järgi.

Mõnikord on kõige väärtuslikum tulemus hoopis kinnitus, et keskendud õigetele probleemidele ja oskad põhjendada, miks just need parandused on kõige olulisemad.

Kuidas kontrollida, kas soovitused on tõesti head

Hea soovitus peaks läbima lihtsa testi: kas suudad sidusrühmale selgelt selgitada, miks see parandus mõjutab kasutajakogemust ja kuidas edu mõõta?

Kvaliteedikontroll:

• Selge seos tuvastatud valupunktide ja pakutud lahenduste vahel
• Realistlik ajakava, mis arvestab tegelikke arendustsükleid
• Mõõdetavad edukriteeriumid, mis seostuvad äri-eesmärkidega
• Ressursside hinnang, mis arvestab sinu meeskonna tegelikku võimekust
• Riski hindamine, mis arvestab võimalikke takistusi

Erinevus heade ja suurepäraste soovituste vahel ei ole keerukuses, vaid spetsiifilisuses ja rakendatavuses. Sa tahad soovitusi, mida su meeskond päriselt ellu viia suudab, mitte lihtsalt inspireerivat soovide nimekirja.

Edasijõudnute nipid ja parimad praktikad

Kui oled selle metoodika juba paar korda läbi proovinud, märkad kiiresti, et suurimad vead ei teki mitte promptide sõnastamises, vaid hoopis selles, kuidas AI-le konteksti antakse.

Paljud inimesed käsitlevad AI-d nagu otsingumootorit – küsivad ühe küsimuse ja ootavad ideaalset vastust. Tegelikult töötab AI palju paremini siis, kui suhtled temaga nagu nutika kolleegiga: annad taustateavet, täpsustad, küsid üle ja ehitad vestlust samm-sammult.

Miks paljud promptid ebaõnnestuvad (ja kuidas seda vältida)

Liiga üldised küsimused annavad üldisi vastuseid. Kui küsid “loo minu teenuse jaoks persoonad”, peab AI ise ära arvama, mis teenus, milline turg ja millised kasutajad. Pole ime, et tulemused jäävad pealiskaudseks.

Lahendus: Mõtle promptidest kui konsultandi juhendamisest. Sa ei ütleks konsultandile lihtsalt “aita meil kasutajatega” – sa selgitaksid oma teenust, turgu, väljakutseid ja piiranguid.

Iteratiivne täpsustamine töötab. Ära oota, et esimene vastus on täiuslik. AI muutub paremaks, kui vestlus areneb ja kontekst täieneb. Iga järgmine küsimus ehitab eelmisele.

Mitme vaatenurga küsimine aitab leida pimedad nurgad. Kui palud AI-l analüüsida erinevaid kasutajasegmente või äärmuslikke juhtumeid, avastad sageli oletusi, millest ise teadlikki polnud.

Kui tulemused tunduvad valed (kuidas reageerida)

• Kõik kõlab nagu turundusjutt: Tõenäoliselt pole andnud piisavalt konkreetset konteksti või tegelikke kasutajaprobleeme. AI täidab lüngad üldiste oletustega.
• Persoonad on liiga üldised: Küsi rohkem situatsioonilist tausta, keskendu vähem demograafiale ja rohkem kasutaja olukorrale.
• Soovitused on ilmsed või ebapraktilised: Võib-olla jäi teekonna kaardistamine liiga üldiseks või ei andnud piisavalt infot oma piirangute ja võimaluste kohta.

Pea meeles: enamiku probleemide juur on konteksti täpsuses, mitte AI võimekuses.

Kvaliteedikontroll, mis päriselt loeb

• Uuringute puhul: Kas suudad kolleegile selgitada, miks see teadmine peaks mõjutama disainiprioriteete?
• Persoonade puhul: Näita neid kellelegi, kes ise neid ei loonud – kas nad saavad kohe aru, kuidas igaühe jaoks erinevalt disainida?
• Teekonna kaartide puhul: Kas need toovad välja konkreetsed takistused, mida saad päriselt lahendada?
• Soovituste puhul: Kas saad need muuta realistlikeks projektideks koos ajakava ja mõõdikutega?

Oluline! Käsitle AI poolt loodud tulemusi alati hüpoteesina, mitte lõpliku tõena. Valideeri AI loodud persoonad ja kasutajateekonnad päris kasutajate, andmete ja kogemustega: kas need kattuvad tegelike inimeste ja nende käitumisega? Kas AI visandatud teekonnad peegeldavad päriselt sinu teenuse kasutajate samme? Ainult valideeritud hüpoteesid loovad päris väärtust.

Ja kui pärast selle metoodika järgimist on tulemused ikka liiga üldised, pole probleem tõenäoliselt AI-s, vaid selles, kui täpselt oled ise oma probleemi defineerinud ja kui palju oled konteksti jaganud AI’le.

Kokkuvõte: Mis see tegelikult muudab

Mis siis on selle kõige tegelik väärtus? See ei seisne ainult selles, et AI muudab uurimistöö kiiremaks (kuigi see on kindlasti suur pluss). Oluline on hoopis see, et AI aitab meil ületada piiranguid, mis on seni kujundanud kogu teenusedisaini protsessi.

Traditsioonilised kasutajauuringud on sageli aeganõudvad ja kulukad, mistõttu oleme harjunud töötama väikeste valimite ja piiratud teadmistega. See tähendab, et loome paar persoonat, kaardistame ühe teekonna ja kulutame kuid muudatuste rakendamisele, toetudes üsna kitsale infole.

Aga mis siis, kui need piirangud enam ei kehti? Kui saad põhjalikud kasutajateadmised kätte 90 minutiga, mitte 90 päevaga, muutub kogu lähenemine. Saad kiiresti testida oletusi, uurida mitut kasutajasegmenti korraga ja täiustada nii persoonasid kui ka teekonna kaarte sama paindlikult nagu disainimakette.

See metoodika ei tähenda, et AI asendaks inimese otsuseid – pigem täiendab see meie otsuseid palju rikkalikuma ja laiapõhjalisema kontekstiga, kui meil kunagi varem võimalik oli.

Kas see töötab iga meeskonna ja iga teenuse puhul? Kindlasti mitte alati. Traditsioonilistel uuringutel on endiselt oma koht, eriti väga spetsiifiliste või nišiteenuste puhul, kus AI treeningandmed võivad olla piiratud.

Aga enamiku digitaalsete teenuste puhul annab see lähenemine kiiremini ja paremaid teadmisi kui traditsioonilised meetodid. Kiirus loeb – eriti maailmas, kus kasutajate vajadused ja turuolukord muutuvad kiiresti.

Küsimus ei ole enam selles, kas AI muudab teenusedisaini – see on juba juhtunud. Küsimus on, kas sina ja su meeskond kasutate ära seda uut võimalust või jääte kinni vanadesse piirangutesse.

Proovi seda neljaetapilist protsessi mõne oma teenuse peal. Vaata, mida õpid. Ja siis otsusta ise, kas see muudab ka sinu vaadet kasutajauuringutele ja teenusedisainile.