บริษัทต่างๆ สร้างผลิตภัณฑ์ SaaS ด้าน AI ได้อย่างไร

การสร้างผลลัพธ์ที่มีโครงสร้างภายใน UI จริง

คุณลักษณะ AI บางอย่างที่สร้างผลกระทบมากที่สุดไม่ได้สร้างเนื้อหา แต่ สร้างโครงสร้างที่คุณสามารถสร้างได้

Excalidraw AI เป็นตัวอย่างที่สมบูรณ์แบบ คุณอธิบายโฟลว์ที่คุณต้องการได้ เช่น "ผู้ใช้ลงทะเบียน ตรวจสอบอีเมล และเข้าสู่แดชบอร์ด" จากนั้น AI จะเขียนโค้ด Mermaid.js เพื่อให้ตรงกัน ไดอะแกรมจะปรากฏขึ้นทันทีและแก้ไขได้ทั้งหมดภายในแอป คุณไม่ได้เริ่มจากศูนย์ แต่คุณจะได้รับฐานที่ชาญฉลาดและมีโครงสร้างที่เหมาะกับกรณีการใช้งาน

นี่ไม่ใช่กราฟิกแบบคงที่ มันเป็นโค้ดที่คิดและแปลงเป็นเวิร์กโฟลว์ภาพที่คุณสามารถจัดการได้

เครื่องมืออื่นๆ ก็กำลังสำรวจสิ่งนี้ด้วยเช่นกัน เช่น Uizard ซึ่งเปลี่ยนคำเตือนให้เป็นรูปแบบ UI และ Retool ที่ AI กำหนดค่าส่วนหน้าและส่วนหลังของแบบสอบถามตามเป้าหมายของผู้ใช้

ในกรณีทั้งหมดเหล่านี้ LLM ไม่เพียงแต่ช่วยให้ผู้ใช้เคลื่อนไหวได้เร็วขึ้นเท่านั้น แต่ยังสร้างผลลัพธ์เป็น ภาษาพื้นเมืองของผลิตภัณฑ์ อีกด้วย

ตัวแทนสนับสนุนการตัดสินใจที่สร้างขึ้นในเวิร์กโฟลว์

เครื่องมือ SaaS ส่วนใหญ่ถือว่าผู้ใช้รู้ว่าต้องทำอะไรต่อไป AI กำลังเปลี่ยนแปลงสิ่งนั้น

ขณะนี้ เรากำลังเห็นตัวแทนแบบฝังที่สามารถ อ่านสถานะปัจจุบันของโครงการ ปัญหา หรือเอกสาร และเสนอการดำเนินการครั้งต่อไปได้

ใน Linear AI จะสรุปจุดบกพร่องและปัญหา จากนั้นจึงแนะนำการจัดลำดับความสำคัญตามความรุนแรง ความถี่ หรือสถานะการขัดขวาง ไม่ใช่แค่สรุปตั๋วเท่านั้น แต่ยังตีความความเร่งด่วนและผลักดันทีมให้ดำเนินการ โดยรับบทบาทเป็น ตัวแทน AI ในแนวตั้ง ที่ทำหน้าที่เป็นสะพานเชื่อมระหว่างแผนกต่างๆ

Asana AI กำลังทำสิ่งที่คล้ายกันกับข้อมูลโครงการ โดยจะค้นหางานที่ติดขัด เจ้าของงานไม่ตรงแนว หรือตารางเวลาที่เลื่อนลอย และเสนอการอัปเดตอย่างเงียบๆ เพื่อปรับสมดุลงานใหม่

ตัวแทนประเภทนี้จะไม่สร้างเนื้อหา แต่จะอ่านสัญญาณภายในระบบ เช่น ความคืบหน้าของงาน การมอบหมาย อินพุต และดำเนินการเล็กๆ น้อยๆ ที่เป็นประโยชน์เพื่อเปลี่ยนทิศทางของงาน

การสอนใช้งานแบบ AI-native ที่ปรับให้เข้ากับผู้ใช้

ขั้นตอนการใช้งานส่วนใหญ่นั้นเป็นแบบคงที่ — เพียงแค่คลิกไม่กี่ครั้งหรืออาจมีรายการตรวจสอบ แต่ LLMs ทำให้สามารถเริ่มต้นด้วยสิ่งที่ผู้ใช้ ต้องการ แล้วสร้างสิ่งต่างๆ ขึ้นมาโดยรอบสิ่งนั้นได้

ใน Coda การสอนงานใหม่นั้นดูเหมือนการสนทนามากกว่า คุณบรรยายสิ่งที่คุณกำลังพยายามทำ เช่น วางแผนให้ทีมทำงานนอกสถานที่ จัดการงานส่งมอบให้ลูกค้า ติดตามนิสัย จากนั้น AI จะสร้างโครงร่างพื้นที่ทำงานขึ้นมาเพื่อให้คุณเริ่มต้นได้ ตาราง ปุ่ม สูตร ต่างๆ ก็มีพร้อมอยู่แล้ว

Guidde ใช้แนวทางที่แตกต่าง: ใช้ข้อมูลเมตาของผลิตภัณฑ์และ AI เพื่อสร้างคำแนะนำในแอปโดยอัตโนมัติตามข้อมูลที่คุณป้อน คุณบอกประเภทของคำแนะนำที่คุณต้องการ จากนั้น Guidde จะสร้างขั้นตอนให้เองโดยไม่จำเป็นต้องบันทึกด้วยตนเอง

สิ่งที่เคยเป็นทัวร์ตอนนี้กลายเป็นจุดเริ่มต้น

คุณแสดงออกมาด้วยเจตนา ผลิตภัณฑ์ตอบสนองต่อโครงสร้าง

จากผลลัพธ์ที่มีโครงสร้างไปจนถึงการออนบอร์ดแบบปรับตัว ทุกกรณีการใช้งานที่เราครอบคลุมนั้นอาศัย โครงสร้างพื้นฐานที่สามารถจัดการภาษาธรรมชาติ บริบท หน่วยความจำ และผลลัพธ์แบบไดนามิก ได้ เครื่องมือบางส่วนเหล่านี้ทำงานเบื้องหลัง เครื่องมืออื่นๆ จะถูกฝังไว้ในผลิตภัณฑ์โดยตรง stack -

มาดูแพลตฟอร์มที่สำคัญที่สุดที่ขับเคลื่อน SaaS แบบ AI ในตอนนี้กัน — แพลตฟอร์มที่ช่วยคุณสร้างตัวแทน จัดการ RAG Pipeline จัดโครงสร้างอินพุต และเสียบปลั๊ก LLMs เข้าสู่เวิร์กโฟลว์ที่เป็นจริง

1. Botpress

Botpress คือสิ่งที่คุณต้องใช้เมื่อคุณกำลังสร้างตัวแทนที่ต้องทำมากกว่าแค่ตอบคำถาม ออกแบบมาเพื่อทีมที่ต้องการ ควบคุมการทำงานของ AI อย่างแท้จริง โดยผสานตรรกะ หน่วยความจำ กระแสการดำเนินการ และการปรับใช้หลายช่องทางไว้ในที่เดียว

คุณสามารถเชื่อมต่อกับแบ็กเอนด์ใดๆ ก็ได้ ส่งบริบทข้ามเทิร์น จัดการการเรียก API และทริกเกอร์ผลลัพธ์จริง ทั้งหมดนี้จากภายในการสนทนาเดียวกัน โดยเฉพาะอย่างยิ่งในสถานการณ์ที่การแชทต้องขับเคลื่อนพฤติกรรม ไม่ใช่แค่เสนอคำตอบ ไม่ว่าจะเป็นการออนบอร์ดผู้ใช้ การกำหนดตารางการเยี่ยมชม การจัดการการดำเนินงานภายใน หรือการกำหนดเส้นทางการสนับสนุน Botpress ทำให้รู้สึกไร้รอยต่อ

แพลตฟอร์มนี้ยังรองรับเว็บ แพลตฟอร์มต่างๆ เช่น WhatsApp และ Telegram และ SDK ที่กำหนดเองได้ทันที ดังนั้น ตัวแทนของคุณจึงไปในที่ที่ผู้ใช้ของคุณอยู่แล้ว

ฟีเจอร์หลัก:

• ควบคุมเต็มรูปแบบเหนือตรรกะ หน่วยความจำ และการดำเนินการ API
• เครื่องมือในตัวสำหรับการทดสอบ การวิเคราะห์ และการกำหนดเวอร์ชัน
• รองรับหลายช่องทาง (เว็บไซต์, WhatsApp - Slack , กำหนดเอง)
• ส่งต่อข้อมูลไปยังตัวแทนสด โฟลว์สำรอง และวิดเจ็ต UI แบบกำหนดเองได้อย่างง่ายดาย

ราคา:

• แผนฟรี : $0/เดือน พร้อมเครดิต AI $5 รวมอยู่ด้วย
• Plus : 89 เหรียญ/เดือน — รวมการส่งต่อข้อมูลและการวิเคราะห์ของเจ้าหน้าที่แบบเรียลไทม์
• ทีม : $495/เดือน — เพิ่มการจัดการบทบาท SSO ความร่วมมือ
• องค์กร : กำหนดราคาเองสำหรับทีมขนาดใหญ่หรือทีมที่ต้องปฏิบัติตามข้อกำหนดมาก

2. ลังเชน

LangChain เป็นกระดูกสันหลังสำหรับฟีเจอร์ AI มากมายที่ดูเหมือนไม่ใช่การแชทเลย ไม่ว่าจะเป็นตัวแทนการวางแผน ผู้ช่วยนักบินภายใน ผู้ให้คำอธิบายการวิเคราะห์ เป็นต้น LangChain มีความยืดหยุ่น เป็นโมดูล และให้วิธีที่ชัดเจนแก่ผู้พัฒนาในการเชื่อมต่อ LLMs ไปที่เครื่องมือ API และหน่วยความจำ

ความยืดหยุ่นนั้นมาพร้อมกับการแลกเปลี่ยนบางอย่าง LangChain เน้นที่ SDK เป็นอย่างมาก — การประสานงานและการดีบักส่วนใหญ่เกิดขึ้นอย่างลึกซึ้งใน Python หรือ JavaScript พวกเขาได้เปิดตัวตัวสร้างแบบไม่ต้องเขียนโค้ดที่เรียกว่า LangFlow แต่ยังคงอยู่ในช่วงเริ่มต้นและยังขาดการขัดเกลาหรือความเสถียรของประสบการณ์ SDK หลัก

อย่างไรก็ตาม หากคุณต้องการควบคุมอย่างเต็มที่ว่าตัวแทนของคุณคิด วางแผน และดำเนินการอย่างไร นี่คือเครื่องมือที่คนส่วนใหญ่เลือกใช้

ฟีเจอร์หลัก:

• กรอบงานตัวแทนพร้อมการสนับสนุนการใช้เครื่องมือ การวางแผน และหน่วยความจำ
• การสนับสนุนพื้นเมืองสำหรับ OpenAI ฟังก์ชั่น RAG pipeline การค้นหาเวกเตอร์
• การออกแบบแบบโมดูลาร์สำหรับการเชื่อมโยงเวิร์กโฟลว์และขั้นตอนการให้เหตุผล
• ใช้งานได้กับ API, DB เวกเตอร์ และตัวโหลดเอกสารส่วนใหญ่

ราคา:

• LangChain OSS : ฟรีและโอเพ่นซอร์ส
• LangSmith (การดีบัก + การตรวจสอบ): ปัจจุบันฟรี ราคาตามการใช้งานกำลังจะตามมาเร็วๆ นี้

3. ลูกสน

Pinecone คือ ฐานข้อมูลเวกเตอร์ ที่ปรากฏในระบบ RAG เกือบทุกระบบ และมีเหตุผลที่ดีด้วย Pinecone ทำงานได้รวดเร็ว ปรับขนาดได้ และให้คุณ จัดเก็บและเรียกค้นข้อมูลที่มีมิติสูง ด้วยการตั้งค่าขั้นต่ำ ไม่ว่าคุณจะกำลังจัดทำดัชนีตั๋วสนับสนุน เอกสารภายใน หรือความรู้ที่มีโครงสร้าง Pinecone ช่วยให้คุณนำบริบทที่เกี่ยวข้องเข้าสู่ระบบของคุณได้อย่างง่ายดาย LLM เวิร์กโฟลว์

Pinecone Assistant ที่เพิ่งเปิดตัวใหม่ทำให้การทำงานนี้ง่ายยิ่งขึ้น โดยจัดการการแบ่งส่วน การฝัง และการดึงข้อมูลเบื้องหลัง เพื่อให้ทีมงานสามารถสร้างตัวแทนที่รับรู้ข้อมูลและฟีเจอร์การค้นหาโดยไม่ต้องจัดการโครงสร้างพื้นฐาน

มันไม่ค่อยจะเป็นเพียงสิ่งเดียวในของคุณ stack — แต่เมื่อการเรียกค้นข้อมูลแบบรวดเร็วและผ่านการกรองมีความสำคัญ Pinecone คือสิ่งที่ทีมงานส่วนใหญ่เลือกใช้ เชื่อมต่อกับ LangChain หรือ Cohere แล้วคุณก็จะมีรากฐานที่เชื่อถือได้สำหรับผู้ช่วยที่ใช้ RAG

ฟีเจอร์หลัก:

• การค้นหาเวกเตอร์ที่รวดเร็วและพร้อมสำหรับการผลิต
• ความซับซ้อนในการดึงข้อมูลบทคัดย่อของ Pinecone Assistant (2025)
• ตัวกรองข้อมูลเมตา การจัดทำดัชนีผู้เช่าหลายราย การให้คะแนนแบบไฮบริด
• โครงสร้างพื้นฐานที่ได้รับการจัดการ — ไม่ต้องโฮสต์หรือปรับแต่ง

ราคา:

• Starter : ฟรีเวกเตอร์สูงสุด 5 ล้านตัว
• มาตรฐาน : ตามการใช้งาน การปรับขนาดแบบยืดหยุ่น
• องค์กร : ความสามารถและการสนับสนุนที่ทุ่มเท

4. โคฮีร์

Cohere เริ่มต้นจากการเป็นแพลตฟอร์มยอดนิยมสำหรับการฝังข้อมูลที่รวดเร็วและมีคุณภาพสูง และยังคงครองตลาดนี้มาจนถึงทุกวันนี้ แต่ในช่วงปีที่ผ่านมา Cohere ได้พัฒนาเป็นแพลตฟอร์มที่กว้างขวางขึ้นซึ่งขับเคลื่อนการสร้างแบบเพิ่มการเรียกค้นข้อมูล (RAG) ด้วยเครื่องมือต่างๆ เช่น Rerank API และโมเดล Command R ที่โฮสต์ไว้

Rerank API คือสิ่งที่ Cohere โดดเด่น ช่วยให้คุณสามารถเรียงลำดับผลการค้นหาใหม่ตามความตรงกับคำค้นหาได้ ดังนั้นแทนที่จะส่งชิ้นส่วนดิบ 20 ชิ้นให้กับคุณ LLM คุณส่ง 3 สิ่งสำคัญ ผลลัพธ์: การตอบสนองที่รวดเร็วขึ้น การใช้โทเค็นน้อยลง และคำตอบที่เฉียบคมขึ้นซึ่งให้ความรู้สึกตั้งใจ

คุณยังได้รับการสนับสนุนหลายภาษา การรับรู้บริบทระยะยาว และการโฮสต์แบบเลือกได้ stack ซึ่งจัดการการฝัง การค้นหา และการจัดอันดับใหม่ในที่เดียวโดยไม่ต้องปรับแต่งอย่างละเอียด

Cohere จะทำงานได้ดีเมื่อคุณต้องการ ปรับปรุงสิ่งที่โมเดลของคุณมองเห็น ไม่ใช่เปลี่ยนวิธีการทำงาน จับคู่ Rerank API กับเวกเตอร์สโตร์ที่ดี เช่น Pinecone และออร์เคสตราเตอร์อัจฉริยะ เช่น LangChain แล้วคุณจะได้คำตอบที่สั้นกว่า แม่นยำกว่า และอธิบายได้ชัดเจนกว่า

ฟีเจอร์หลัก:

• จัดอันดับใหม่ v3.5 สำหรับการเลือกคำตอบที่คมชัดและคำนึงถึงบริบทมากขึ้น
• โฮสต์ RAG stack ด้วย API ที่มีความล่าช้าต่ำ
• ทำงานได้ดีกับ Pinecone, LangChain และ LlamaIndex

ราคา:

• การฝัง : ฟรีสูงสุด 100,000 แบบสอบถาม/เดือน
• Rerank : ตามการใช้งาน (ติดต่อสอบถามราคา)

5. ลามะอินเด็กซ์

LlamaIndex ถูกสร้างขึ้นจากแนวคิดเฉพาะ: AI ของคุณจะดีแค่ไหนขึ้นอยู่กับข้อมูลที่คุณให้มา และหากคุณกำลังดึงข้อมูลนั้นมาจาก PDF วิกิ ฐานข้อมูล หรือสเปรดชีต LlamaIndex จะช่วยให้คุณเตรียมข้อมูลเหล่านั้นให้พร้อมสำหรับการเรียกค้น โดยมีโครงสร้าง เมตาดาต้า และการกำหนดเส้นทางอัจฉริยะ

ไม่เหมือนกับ Pinecone ซึ่งจัดการการค้นหาเวกเตอร์ หรือ Cohere ซึ่งจัดลำดับความเกี่ยวข้องใหม่ LlamaIndex มุ่งเน้นไปที่ กระบวนการที่ป้อนให้กับโมเดล โดยจะแบ่งส่วนและสร้างดัชนีแหล่งที่มา ติดตามข้อมูลเมตาของเอกสาร และกำหนดเส้นทางการค้นหาตามโครงสร้างและจุดประสงค์ ไม่ใช่เพียงแค่คำสำคัญหรือการฝังเท่านั้น

มีประโยชน์อย่างยิ่งสำหรับทีมที่สร้างผลิตภัณฑ์ AI ที่ต้องอาศัย เนื้อหาเฉพาะโดเมน เช่น คู่มือผลิตภัณฑ์ ข้อมูลลูกค้า บันทึกทางวิศวกรรม ซึ่งบริบทมีความสำคัญและการดึงข้อมูลทั่วไปเกิดความล้มเหลว

LlamaIndex ทับซ้อนกับ LangChain ในบางพื้นที่ แต่มุ่งเน้นไปที่ การเตรียมและจัดทำดัชนีข้อมูล มากกว่าการวางแผนตัวแทนหรือการใช้เครื่องมือ

ฟีเจอร์หลัก:

• การจัดทำดัชนีท่อสำหรับข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง
• การกำหนดเส้นทางการค้นหาอัจฉริยะและการติดตามแหล่งที่มา
• ทำงานร่วมกับ Pinecone, Chroma หรือร้านค้าหน่วยความจำภายใน
• จับคู่ได้ดีที่สุดกับตัวแทนที่ต้องการการเข้าถึงข้อมูลภายในที่มีความน่าเชื่อถือสูง

ราคา:

• โอเพ่นซอร์ส : ฟรี (MIT)

6. เวอร์เซล เอไอ

Vercel AI SDK เหมาะสำหรับทีมงานที่ต้องการให้ AI เป็นส่วนหนึ่งของผลิตภัณฑ์ ไม่ใช่แค่แชทบ็อตที่ทิ้งไว้ในมุมหนึ่ง SDK ช่วยให้คุณสร้างอินเทอร์เฟซที่ตอบสนองได้เหมือนแชทภายในแอปของคุณโดยใช้ React, Svelte หรือ Next.js พร้อมรองรับการสตรีมการตอบสนอง หน่วยความจำ และการเรียกใช้เครื่องมือภายนอกอย่างเต็มรูปแบบ

สร้างขึ้นโดยทีมงานเดียวกับ Next.js ซึ่งแสดงให้เห็นว่าสามารถจัดการสถานะฟรอนต์เอนด์และ UX ได้ดีเพียงใด เวอร์ชันล่าสุดยังเพิ่มการรองรับ MCP ( Model Context Protocol ) ซึ่งเป็นมาตรฐานใหม่สำหรับการจัดโครงสร้างอินพุตของโมเดล การใช้เครื่องมือ และแหล่งข้อมูลพื้นฐาน ซึ่งหมายความว่า API ที่สะอาดขึ้น ปรับแต่งได้ง่ายขึ้น และควบคุมสิ่งที่ผู้ช่วยของคุณทำได้ดีขึ้น

คุณไม่ได้สร้างตัวแทนที่นี่ แต่ถ้าคุณมีอยู่แล้ว นี่คือวิธีเปลี่ยนมันให้เป็นประสบการณ์ผลิตภัณฑ์ที่สมบูรณ์แบบ SDK เหมาะกับฟรอนต์เอนด์ทุกตัว stack และการสนับสนุนสำหรับ MCP การใช้เครื่องมือ และการสตรีมทำให้เหมาะอย่างยิ่งสำหรับอินเทอร์เฟซ AI ที่ต้องรู้สึกเป็นแบบเนทีฟ

ฟีเจอร์หลัก:

• เพิ่มอินเทอร์เฟซ AI ลงในแอป React หรือ Svelte โดยตรง
• การสตรีม ประวัติการแชท การสนับสนุนเครื่องมือ และการต่อสายดิน
• รองรับ MCP สำหรับพฤติกรรมโมเดลที่มีโครงสร้างและควบคุมได้
• สร้างโดยผู้สร้าง Next.js — ปรับให้เหมาะสมสำหรับ UX ของส่วนหน้า

ราคา:

• โอเพ่นซอร์ส SDK : ฟรี
• โฮสติ้ง Vercel : ตามการใช้งาน (การคำนวณ + แบนด์วิดท์)

7. ทำ

Make เปรียบเสมือนเทปกาวสำหรับผลิตภัณฑ์ SaaS โดยเฉพาะอย่างยิ่งในช่วงเริ่มต้นของการรวม AI เข้าด้วยกัน โดยเป็นแพลตฟอร์มอัตโนมัติทางภาพที่ช่วยให้คุณเชื่อมต่อแอปต่างๆ เข้าด้วยกัน ทริกเกอร์เวิร์กโฟลว์ และแม้แต่เสียบปลั๊กโมเดล AI ได้โดยไม่ต้องเขียนโค้ดมากนัก

เหมาะอย่างยิ่งสำหรับการให้ทีมผลิตภัณฑ์สามารถสร้างต้นแบบพฤติกรรม AI โดยไม่ต้องใช้แบ็คเอนด์หรือ เลเยอร์การประสานงาน ที่สมบูรณ์ ต้องการเรียกใช้การติดตามการสนับสนุนเมื่อผู้ใช้ให้ข้อเสนอแนะเชิงลบในแชทหรือไม่ ใช้ Make ต้องการสรุปข้อความนั้นด้วย OpenAI และบันทึกลงใน Hubspot CRM ของคุณ หรือใช้ Make

ไม่ได้สร้างขึ้นมาสำหรับตัวแทนการวางแผนที่ซับซ้อนหรือการใช้เครื่องมือที่ซับซ้อน แต่สำหรับงานที่คุณต้องเชื่อมต่อ A ถึง B ถึง C เท่านั้น รวดเร็ว ยืดหยุ่น และเป็นมิตร ซึ่งมีประโยชน์อย่างยิ่งเมื่อผลิตภัณฑ์ของคุณไม่ใช่ AI เป็นหลักแต่คุณต้องการฝังปัญญาประดิษฐ์ไว้เบื้องหลัง

ฟีเจอร์หลัก:

• ตัวสร้างภาพพร้อมการรวมแอปที่สร้างไว้ล่วงหน้าหลายร้อยรายการ
• ง่ายต่อการเรียกใช้งานการดำเนินการจากอินพุต AI (เช่น GPT สรุป → อีเมล์/ส่ง/CRM)
• ในตัว OpenAI โมดูลบวก HTTP และ webhook สนับสนุน
• เหมาะอย่างยิ่งสำหรับการดำเนินงานเป็นทีม วงจรข้อเสนอแนะ และการทำงานอัตโนมัติแบบน้ำหนักเบา
  
  

ราคา:

• ฟรี: 1,000 ops/เดือน 2 สถานการณ์ที่ใช้งาน
• แกนหลัก: $9/เดือน — สำหรับทีมขนาดเล็กและการใช้งานเบา
• ข้อดี: 16 เหรียญสหรัฐฯ ต่อเดือน — เพิ่มการดำเนินการ การจัดกำหนดการ และการจัดการข้อผิดพลาด
• องค์กร: กำหนดเอง — สำหรับทีมที่ดำเนินการโฟลว์ที่สำคัญต่อภารกิจ

1. ทำให้ AI เป็นส่วนหนึ่งของผลิตภัณฑ์ ไม่ใช่แค่ส่วนเสริม

AI ควรสนับสนุนประสบการณ์หลักของคุณ ไม่ใช่ปล่อยทิ้งไว้เฉยๆ หากรู้สึกว่าเป็นฟีเจอร์ที่ไม่เชื่อมต่อ เช่น หน้าต่างแชทลอยอยู่ในมุมหนึ่ง ก็จะไม่มีใครใช้

แทนที่จะบูรณาการ AI เข้ากับเวิร์กโฟลว์ที่ผู้คนใช้กันอยู่แล้ว Linear AI รองรับการติดตามปัญหาและจัดลำดับความสำคัญ ใน Coda AI จะสร้างตารางและตรรกะตามเป้าหมายของผู้ใช้ คุณสมบัติเหล่านี้ไม่รู้สึกแยกจากกัน แต่เป็นส่วนหนึ่งของวิธีการทำงานของผลิตภัณฑ์

เริ่มต้นด้วยการระบุจุดที่ผู้ใช้ติดขัดหรือจุดที่งานล่าช้า ใช้ AI เพื่อปรับช่วงเวลาเหล่านั้นให้ราบรื่น ไม่ใช่แค่สร้างความประทับใจ

2. สร้างขึ้นโดยคำนึงถึงเจตนา ไม่ใช่เพียงแค่ข้อมูลอินพุต

LLMs ทำงานได้ดีที่สุดเมื่อพวกเขาเข้าใจว่าเหตุใดบุคคลอื่นจึงทำบางอย่าง ไม่ใช่แค่สิ่งที่พวกเขาพิมพ์ นั่นหมายความว่าผลิตภัณฑ์ของคุณควรจับใจความประสงค์ของผู้ใช้ตั้งแต่เนิ่นๆ และการออกแบบจะต้องดำเนินไปโดยคำนึงถึงเจตนานั้น

นี่คือสิ่งที่ทำให้เครื่องมือเช่น Notion AI หรือ Duolingo Max มีประโยชน์ เพราะไม่เพียงแต่ตอบสนองเท่านั้น แต่ยังสร้างรูปแบบการตอบสนองตามบริบทและเป้าหมายด้วย วิธีนี้จะได้ผลก็ต่อเมื่อคุณจัดโครงสร้าง UX ของคุณเพื่อชี้นำและเรียนรู้จากเจตนาของผู้ใช้ ไม่ใช่จากคำพูดของผู้ใช้เท่านั้น

ถามว่า: ผู้ใช้กำลังพยายามบรรลุสิ่งใด จากนั้นสร้างจากสิ่งนั้น

3. ให้ผู้ใช้มองเห็นและควบคุมได้

AI ควรสนับสนุนการตัดสินใจ ไม่ใช่ตัดสินใจแบบไร้กรอบ ผู้ใช้ควรเข้าใจว่าโมเดลกำลังทำอะไร ได้รับข้อมูลจากที่ใด และจะปรับเปลี่ยนพฤติกรรมของโมเดลอย่างไร

อินเทอร์เฟซ AI ที่ดีจะอธิบายว่าทำไมจึงแนะนำบางอย่าง อินเทอร์เฟซเหล่านี้ให้ผู้ใช้ลองใหม่ แก้ไข หรือสำรวจทางเลือกอื่นๆ ซึ่งจะช่วยให้ผู้ใช้สร้างความมั่นใจและป้องกันการพึ่งพาการทำงานอัตโนมัติมากเกินไป

เปิดเผยแหล่งที่มาของข้อมูล แสดงตรรกะพร้อมท์เมื่อมีความสมเหตุสมผล และเว้นที่ไว้สำหรับการเขียนแทนด้วยตนเองเสมอ

4. เตรียมพร้อมสำหรับกรณีขอบและความล้มเหลว

LLMs จะไม่ทำงานตามที่คุณคาดหวังเสมอไป อาจเกิดข้อผิดพลาดในบริบท สร้างผลลัพธ์ที่คลุมเครือ หรือตีความคำแนะนำผิด ผลิตภัณฑ์ของคุณควรพร้อมสำหรับสิ่งนั้น

เพิ่มการป้องกัน ใช้คะแนนความเชื่อมั่นเพื่อกำหนดเส้นทางการตอบสนองที่ไม่แน่นอน อนุญาตให้มีทางเลือกอื่นที่เหมาะสมกับโมเดลภาษาขนาดใหญ่หรือการสนับสนุนจากมนุษย์ และที่สำคัญที่สุด ติดตามวิธีที่ผู้ใช้โต้ตอบกับ AI เพื่อให้คุณเรียนรู้ว่า AI ช่วยในส่วนใด และต้องปรับปรุงในส่วนใด

AI ควรปรับปรุงผลิตภัณฑ์ของคุณ ไม่ใช่ทำให้ผลิตภัณฑ์ไม่สามารถคาดเดาได้

5. เริ่มต้นด้วยกรณีการใช้งานที่แข็งแกร่งหนึ่งกรณีและขยายออกไปทีละน้อย

คุณไม่จำเป็นต้องทำให้ผลิตภัณฑ์ทั้งหมดของคุณขับเคลื่อนด้วย AI ตั้งแต่วันแรก ทีมที่ประสบความสำเร็จมากที่สุดจะเริ่มต้นจากสิ่งเล็กๆ เช่น ฟีเจอร์หนึ่ง เวิร์กโฟลว์หนึ่ง และปรับปรุงจนกระทั่งผู้ใช้ต้องพึ่งพามันทุกวัน

อาจเป็นการออนบอร์ด การค้นหาเอกสาร สรุปการวิเคราะห์ หรือการทำงานอัตโนมัติของงาน เน้นที่พื้นที่หนึ่งที่ AI สามารถลดความยุ่งยากหรือเพิ่มความเร็วได้ และทำให้มันทำงานได้ดีก่อนที่จะขยายขนาด

คุณสมบัติที่แข็งแกร่งและเชื่อถือได้ช่วยสร้างความไว้วางใจ เมื่อผู้ใช้ของคุณพึ่งพาคุณสมบัติเหล่านี้ การขยายไปยังกรณีการใช้งานอื่นๆ ก็จะง่ายขึ้นมาก