Vectorial získává v seedovém kole 3 miliony dolarů na testování produktů na simulovaných zákaznících

Umělá inteligence může týmu pomoci vyvinout novou funkci produktu během několika hodin. Zjistit, zda o ni lidé skutečně stojí, však může trvat celé týdny. Vectorial sází na to, že modely lidského chování mohou tuto propast zmenšit, a získala 3 miliony dolarů v počátečním financování, aby simulovaná publika zapojila do vývoje produktů.

Společnost ze San Francisca oznámila financování 20. října. Podle jejího oznámení mezi investory patří Smilegate, SenseAI Ventures a Dent Capital. Vectorial uvádí také podporu ekosystémů Berkeley a Stanfordu a účast produktových lídrů ze společností Meta, Shopify a Mastercard. Plánuje rozšířit své behaviorální datové soubory prostřednictvím nových datových partnerství a vyvinout další verzi svého modelu SAPIENS.

Záměr je jednoduchý: umožnit produktovým, designovým a marketingovým týmům zjistit, jak by různá publika mohla reagovat na digitální prostředí, ještě než mu vystaví skutečné zákazníky. Složitější otázkou je, zda jsou reakce simulovaných zákazníků dostatečně spolehlivé na to, aby pomohly zlepšit rozhodování.

Vytvoření modelu publika pro opakované použití

Vectorial popisuje svou platformu jako dvoufázový systém. Nejprve na základě behaviorálních dat vytvoří model cílového publika. Týmy pak s tímto publikem provádějí simulace a vyhodnocují zákaznické cesty v produktu, koncepty kampaní, sdělení značky nebo AI agenty určené zákazníkům v prostředí webu i mobilních zařízení.

Její model SAPIENS zachycuje demografické, psychologické a behaviorální charakteristiky, včetně rysů, které nejsou v profilu zákazníka přímo viditelné. Cílem je zachytit rozdíly mezi lidmi, místo aby se s tržním segmentem zacházelo jako s jediným průměrným zákazníkem. Designový a marketingový tým pak mohou pracovat se stejným základním modelem publika, ale klást různé otázky.

Vectorial na svém webu uvádí, že zákazníci mohou modelované populace kalibrovat pomocí segmentů CRM, dřívějších průzkumů, přepisů komunikace se zákaznickou podporou a analytických dat o produktech. Popisuje také zpětné testování na základě již dokončené studie, než modelované publikum použijí k zodpovězení nové otázky. Díky tomu lze prakticky ověřit, zda simulace odpovídá konkrétní zákaznické základně.

Produktový tým by tak například mohl porovnat různé varianty úvodního nastavení produktu, než se rozhodne investovat kapacity vývojářů. Vývojář her by mohl zkoumat, jak různé skupiny hráčů reagují na navrhovanou funkci. Společnost zavádějící AI asistenta by mohla sledovat, jak se jeho konverzace mění podle okolností uživatelů. Jde o možné způsoby využití platformy, nikoli o důkaz, že se každá předpovězená reakce po uvedení produktu skutečně dostaví.

Co měří tvrzení o přesnosti

Vectorial uvádí, že vytvořila modely více než 2,5 milionu lidí a dokončila přes 30 000 simulací. Podle oznámení o financování simulace reprodukovaly výsledky dřívějších uživatelských studií s přesností vyšší než 85 %. Oznámení také uvádí, že SAPIENS předpovídá chování o 30 % přesněji než obecné jazykové modely.

Jde o výsledky, které uvádí sama společnost. Na svém současném webu samostatně uvádí přesnost 87 % u studií vyčleněných k ověření a zlepšení o 35 % při shodě se skutečnými názory. Společnost výslovně rozlišuje mezi shodou názorů a přesností předpovědí chování. Tyto údaje je proto třeba chápat jako výsledky různých hodnocení, nikoli jako zaměnitelné měřítko toho, jak dobře software předpovídá lidské chování.

Pro potenciální zákazníky je důležité ověřit, jak si model vede na jejich publiku, u jejich produktu a při rozhodování, jehož výsledky jsou známé. Simulace, která správně seřadí dvě sdělení, odpovídá na jinou otázku než simulace předpovídající přesné procento uživatelů, kteří nakoupí. Vectorial sama připouští, že v kategoriích s omezeným množstvím behaviorálních dat dosahuje při přesných předpovědích slabších výsledků.

Právě tím se simulovaný výzkum liší od nástrojů umělé inteligence, které automatizují pracovní postupy průzkumu trhu. Rychlejší příprava a analýza průzkumů mohou zefektivnit shromažďování poznatků od lidí. Simulátor chování naproti tomu vytváří předpovědi na základě modelu, takže kalibrace a ověřování zásadně ovlivňují hodnotu jeho výstupů.

Od výzkumných zkušeností k produktovým rozhodnutím

Vectorial založili Taranveer Singh, generální ředitel společnosti, Jasmine Kaur, ředitelka pro obchodní záležitosti, a Rahul Garg, produktový ředitel. Jejich zkušenosti propojují modelování chování, zavádění AI ve velkých firmách a vývoj softwarových produktů.

Životopisy zakladatelů popisují Singhovu práci v oblasti behaviorálního výzkumu a umělé inteligence, mimo jiné v Carnegie Mellon a Berkeley AI Research. Kaur se dříve ve společnosti Pfizer věnovala syntetickým uživatelům pro marketing, zatímco Garg vyvíjel produkty ve společnostech včetně Blinkit a Housing.com. Tato kombinace zkušeností pomáhá vysvětlit, proč se Vectorial zaměřuje na začlenění výzkumu do opakovaných produktových rozhodnutí, místo aby prodávala pouze příležitostné průzkumy trhu.

„Do našeho modelu chování dál investujeme, ale samotný model problém nevyřeší,“ uvedl Garg v oznámení. „Proto jsme modely chování zapojili do vývojového cyklu produktu.“

Vectorial uvádí zákazníky ze zdravotnictví, herního průmyslu a obchodu, mezi nimiž jsou Midi Health, GoodRx, Suki AI, boAt, Everkind a Concrete Software. Oznámení uvádí, že zákazníci provádějí přibližně 600 simulací měsíčně, což odpovídá zhruba 40 uživatelským studiím. Tyto údaje o využívání naznačují četnost testování, na kterou se společnost zaměřuje; samy o sobě však nedokládají obchodní dopad každé simulace.

Rychlejší první pohled, skutečné ověření v praxi však zůstává zásadní

Seedové financování podpoří navazování dalších partnerství v oblasti behaviorálních dat a rozvoj SAPIENS 2.0. Rozšíření rozsahu dat je důležité, protože užitečnost platformy závisí na tom, nakolik věrně zachycuje lidi, které chce firma oslovit, včetně skupin, jejichž chování se může lišit od chování většiny.

Největší přínos tohoto přístupu spočívá v tom, že testování může probíhat dříve a častěji. Týmy mohou prozkoumat více možností, odhalit své předpoklady a pustit se do výzkumu s lidmi s přesněji formulovanými otázkami. Vectorial na svém webu uvádí, že skuteční účastníci zůstávají důležití v neznámých situacích a při práci, která vyžaduje přímé důkazy od lidí.

Před startupem tak stojí jasná výzva: ukázat, že opakované simulace vedou k lepším rozhodnutím o produktech, nikoli jen k většímu množství výzkumných výstupů. Pokud se mu podaří tuto souvislost prokázat u různých zákazníků a na různých trzích, mohlo by se modelování cílových skupin stát pravidelným krokem mezi vznikem nápadu a uvedením produktu na trh.