Последнее время ловлю себя на одном и том же вопросе: а что люди на самом деле покупают, когда идут учиться? Контент? Практику? Обратную связь? Или просто чтобы кто-то не дал бросить на полпути?
Раньше ответ казался очевидным: знания. Но сейчас объяснение почти любой темы можно получить за минуту в чате с нейросетью. И если обучение — это только доступ к материалам, то конкурировать с ИИ бессмысленно. Значит, ценность где-то в другом месте. Вот об этом и хочу порассуждать.
История, которая меня зацепила
Недавно увидела пост Юрия Ветрова о том, что он запустил собственную учебную платформу. По его словам, около 80% он сделал сам вместе с ChatGPT: дизайн, фронтенд и бэкенд, базу данных, дизайн-систему на React и аналитику. Платформа нужна для его образовательных программ, а со временем должна стать инструментом, который помогает дизайн-менеджеру в повседневной работе.
Но для меня в этом посте важнее всего была оговорка. Архитектуру кода, инфраструктуру, безопасность, тестирование и процесс релизов он прорабатывал с опытным разработчиком Славой Мелом. То есть это не история «ChatGPT сам собрал надёжную систему» и не история «один человек заменил команду». Это история про то, как эксперт в своей теме собрал инструмент под свою практику, а там, где цена ошибки высокая, позвал инженера.
И мне кажется, это очень честная модель. ИИ ускоряет то, что вы и так понимаете. А там, где не понимаешь, нужен человек, который понимает.
Почему это важно именно для обучения
Когда платформу собирает сам автор курса, он лучше всех знает, какую работу она должна делать. Не «чтобы были уроки и личный кабинет», а конкретнее: где человеку нужна практика, где разбор, где он обычно застревает и бросает.
Раньше между этим знанием и работающим продуктом стояла разработка, бюджет и очередь задач. Сейчас это расстояние сильно сократилось. Об этом я подробнее писала в статье про Product Builder: продуктовое мышление остаётся прежним, меняется скорость, с которой от него можно дойти до чего-то, что можно потрогать руками.
Мои эксперименты: CaseLab
Я тоже пробую. Мой главный эксперимент сейчас — CaseLab, бесплатный тренажёр, в котором продуктовые дизайнеры и продакты собирают кейс для собеседования. Он ведёт по шагам: от бизнес-контекста и постановки проблемы через данные, исследование и гипотезы до эксперимента, метрик и финальной защиты.
Самое интересное решение там было методическим: нейросеть не пишет кейс за человека. Если застрял, она предлагает три-четыре направления мысли с пометкой «Гипотеза», а решение и факты остаются твоими. А в режиме, где оформляешь свой реальный опыт, подсказок нет совсем: там нейросеть могла бы только выдумать то, чего не было.
Почему так? Потому что гладкий кейс, который написал ИИ, рассыпается на первом уточняющем вопросе интервьюера. Учит то, что вы сами прошли логику и можете её защитить. Готовый текст этого не даёт.
Есть в CaseLab и автопроверка, но она смотрит на полноту, а не на качество решения: видно, какие разделы пустые или слабые. Оценить по существу, сработает ли кейс на собеседовании, пока может только человек. Поэтому личный разбор у меня отдельный и платный.
Сразу оговорюсь: CaseLab в бете. Говорить, что этот подход доказанно лучше, я пока не могу. Чтобы говорить о результатах, нужны наблюдения и данные, а сейчас у меня в основном вопросы, которые я хочу проверить.
Вопросы, которые я себе задаю
- В какой момент человеку нужна подсказка, а когда полезнее дать ему сначала подумать самому?
- Как сделать обратную связь содержательной, а не просто автоматической?
- Что помогает довести практику до конца, а не бросить на третьем шаге?
- Где ИИ действительно добавляет ценность, а где создаёт только ощущение персонального внимания?
Последний вопрос мне кажется самым коварным. Ответ нейросети выглядит как внимание к вам лично. Но внимание — это когда кто-то понял ход вашей мысли и показал, где он ломается. А это пока не всегда получается даже у очень хороших моделей.
Роль эксперта никуда не девается
ИИ может сделать поддержку доступнее и ускорить подготовку материалов. Но объяснение не всегда верное, а автоматическая проверка не всегда понимает, как человек рассуждал. Нужны методология, критерии качества и человек, который отвечает за то, чему учат и как оценивают результат.
Поэтому мне ближе идея не «заменить преподавателя нейросетью», а заново спроектировать сам процесс обучения:
- что человек делает сам;
- где получает обратную связь и от кого;
- как видит свой прогресс;
- как переносит навык в реальную задачу.
По этой же логике я строю групповые форматы CaseSociety, сейчас это Product Builder Marathon. Люди платят там за то, чего не даст ни один чат: дедлайн, свою реальную задачу, необходимость защищать решения и обратную связь от человека, который задаёт неудобные вопросы.
Что я для себя вынесла
История Ветрова напомнила мне простую вещь: образовательный продукт может начинаться с конкретной практики и понимания, кому и чем она должна помочь. Большая платформа подождёт. ИИ позволяет собрать первую версию самой. Но он не отвечает на вопрос, помогает ли формат учиться.
На этот вопрос отвечают только наблюдения за живыми людьми. Вот этим я сейчас и занимаюсь :)
Больше заметок про продуктовое мышление и сборку продуктов с ИИ — в моём Telegram-канале: t.me/jd_tools_life
Частые вопросы
Заменит ли ИИ преподавателя?
Скорее нет. ИИ ускоряет подготовку материалов и делает подсказки доступнее, но не всегда понимает ход мысли человека. Методология, критерии качества и оценка результата остаются за экспертом.
Можно ли собрать учебную платформу самой с помощью ИИ?
Первую версию — да, это показывает пример Юрия Ветрова. Но архитектуру, безопасность, тестирование и релизы он прорабатывал с опытным разработчиком: там, где цена ошибки высокая, нужен инженер.
Почему в CaseLab нейросеть не пишет кейс за человека?
Готовый текст от ИИ рассыпается на первом уточняющем вопросе интервьюера. Поэтому нейросеть предлагает только направления с пометкой «Гипотеза», а решение и факты остаются за человеком.