Discovery Platform – AI-förstärkt Continuous Discovery för Product Managers

Product Managers kör intervjuer, samlar feedback och sitter på mängder av kvalitativ data. Men översättningen från rådata till testbara hypoteser och experiment faller ofta bort. Insikter fastnar i dokument, transkript blir aldrig analyserade, och kopplingen mellan "vad användaren sa" och vilka experiment som faktiskt är värda att köra förblir otydlig.

Customer feedback samlas in, men översätts sällan till testbara hypoteser med definierade metrics.

Jag ville bygga ett verktyg som tar hela discovery-resan på allvar – från intervjutranskript till experiment-ready outcomes.

En fullständig Continuous Discovery-plattform inspirerad av Teresa Torres' ramverk, med AI-driven analys i varje steg.

1. Projekthantering med discovery-kontext

• Definiera problem statement, mål, målgrupp och constraints
• Projektstatus-faser: Setup → Planning → Interviews → Analysis → Results
• Multi-tenant arkitektur från start

2. AI-genererad intervjuguide

• Sonnet 4.5 genererar teman och frågor baserat på projektdefinition
• Frågetyper: open, followup, probe
• "Listen for"-tips per fråga
• Automatisk generering vid projektskapande

3. Transkript-pipeline (3 AI-steg)

Körs automatiskt vid uppladdning via Inngest-bakgrundsjobb.

4. Evidence Extraction & Theme Clustering

• Sonnet 4.5 extraherar evidens: behaviors, pain points, needs, workarounds
• Klustrar evidens till insights med opportunity score
• Beräkning baserat på frekvens × severity × confidence
• Representativa citat per insight

5. Hypothesis & Outcome Generation

• AI genererar hypoteser kopplade till insights
• Föreslår outcomes: experiment, decision, assumption, followup, parked
• Success metrics för experiment
• Varje outcome är designad för att vara experiment-ready — redo att valideras genom A/B-test, user testing eller annan datainsamling

5.5 Opportunity Scoring (Data-Driven Prioritering)

• Kvantifierar kvalitativ data: frequency × severity × confidence
• Ranking av insights baserat på impact potential
• Kopplar customer feedback till mätbara beslutskriterier
• Gör det möjligt att prioritera vilka hypoteser som förtjänar experiment

6. Rounds (Continuous Discovery)

• Iterativa discovery-cykler där varje Round bygger på tidigare insikter
• AI-kontext bevaras mellan intervjuer
• "Ny data finns"-indikator när transkript laddats upp efter analys

7. Passwordless Auth med rollhantering

• Email-verifieringskoder (ingen länkklickning)
• Multi-tenant: users tillhör tenants
• Roller: member, admin, system_owner
• Invite-system för onboarding

Lärdomar & reflektioner

Den största utmaningen var inte AI-anropen – det var att designa ett system där insikter faktiskt bygger på varandra över tid. Varje transcript behöver förstås i kontexten av vad vi redan vet.

En insikt utan definierad metric är bara en åsikt. Plattformen tvingar fram frågan: hur skulle vi veta om detta stämmer?

Separation of concerns visade sig kritisk: transkript-processering (Haiku, snabbt) vs. analys (Sonnet 4.5, resonerande) har helt olika behov.