Футуролог Эй Джей Бабб, основатель MxP Studio и ведущий программы Facing Disruption , объединяет людей и искусственный интеллект для ускорения инноваций и роста бизнеса.
В кабинетах руководителей и центрах разработки продуктов зарождается тихий, но всепроникающий страх: страх создать что-то не то. В нашем неустанном стремлении к эффективности и скорости, подпитываемом все более совершенным искусственным интеллектом, нас все чаще соблазняют обходные пути. Один из таких заманчивых путей — концепция «синтетического клиента» — созданные ИИ персоны и симуляции, предназначенные для проверки идей продуктов без сложного, неудобного и зачастую непростого взаимодействия с реальными людьми. Речь идет не только о небольших командах разработчиков; речь идет об организациях, делающих значительные стратегические ставки на основе данных от цифровых «призраков», влияющих на все — от медицинских услуг до проектирования корпоративного программного обеспечения. Ставки огромны, и компании могут вкладывать огромные ресурсы в оптимизацию решений для проблем, которых не существует, или, что еще хуже, для пользователей, которые ведут себя совершенно не так, как их реальные прототипы.
Эта важнейшая тенденция легла в основу недавней, поучительной дискуссии на веб-трансляции «Встреча с переменами», где ведущий Эй Джей Бабб приветствовал опытного ветерана в области разработки продуктов и консультанта по инновациям. Гость, имеющий опыт руководящей работы в сфере новых технологий и трансформации предприятий, представил взвешенную, но провокационную точку зрения. Мы рассмотрели, как заманчивое обещание инструментов тестирования на основе ИИ и синтетических клиентов во многих случаях становится очередным предлогом для продуктовых команд, чтобы обойти основополагающую, зачастую сложную, работу по изучению потребностей клиентов. Это не отрицание потенциала ИИ; это важнейший анализ того, как ИИ, при неправильном применении, может усиливать существующие организационные дисфункции, а не решать их, ведя нас по пути, где сложная работа по пониманию реальных человеческих потребностей автоматизируется, что чревато для нас собственной опасностью.
Схема, которую мы уже видели: избегание реальных клиентов
Давайте будем честны: общение с клиентами может быть мучительным. Часто это вызывает дискомфорт. Они могут сказать не то, что вы хотите услышать. Они ставят под сомнение ваши блестящие предположения. А иногда они просто не имеют смысла, по крайней мере, в рамках той аккуратной, логической структуры, которую вы построили в своей голове. Это не новое явление. Команды разработчиков продуктов десятилетиями искали способы абстрагироваться от реальных пользователей. Помните славные времена фокус-групп? Комната, полная незнакомцев, часто получающих деньги за свое мнение, предлагающих идеи, которые могут как соответствовать, так и не соответствовать реальному поведению. Или зависимость от опросов, которые, предоставляя количественные данные, часто упускают из виду важнейший вопрос «почему», стоящий за вопросом «что». Даже сейчас, имея огромные массивы аналитики, многие команды используют данные для подтверждения своих предубеждений, а не для того, чтобы по-настоящему учиться.
Основная проблема кроется в фундаментальной человеческой черте: предвзятости подтверждения. Мы ищем информацию, которая подтверждает наши существующие убеждения, и отвергаем информацию, которая им противоречит. В разработке продуктов это проявляется в том, что команды тяготеют к методам исследования, которые дают предсказуемые результаты, или, что еще хуже, результаты, которые просто повторяют их предвзятые представления. В статье Harvard Business Review 2017 года была освещена эта давняя проблема, отмечалось, как часто менеджеры «поддаются предвзятости подтверждения, ища данные, которые подкрепляют их убеждения, а не данные, которые их оспаривают». Поэтому, когда появляется новый инструмент, обещающий «подтвердить» ваши идеи продукта в больших масштабах, без трения человеческого взаимодействия, это кажется божественной находкой. Это опасное утешение, создающее иллюзию подтверждения без тщательного обучения, которое обеспечивает подлинное взаимодействие с клиентами. В глубине души команды часто больше хотят подтверждения, чем обучения, и это желание толкает их к методам, которые предлагают идеальное, хотя и фальшивое, зеркало.
Рассмотрим классический пример разработки нового инструмента для совместной работы. Команда разработчиков, убежденная в революционности своей функции, может создать прототип. Вместо того чтобы пообщаться с реальными пользователями в их рабочем пространстве, понаблюдать за их естественными рабочими процессами и понять существующие проблемы, они прибегают к внутреннему тестированию или краткой демонстрации с инструкциями. Обратная связь может быть положительной — «Это выглядит великолепно!» — не потому, что это действительно революционно, а потому, что внутренние тестировщики политически мотивированы, или обстановка демонстрации не воспроизводит стрессовую, многозадачную реальность рабочего дня пользователя. Эта поверхностная проверка, усиленная кажущейся эффективностью избегания общения с реальными пользователями, открывает путь к созданию функций, решающих проблемы, которые существуют только в замкнутом кругу команды разработчиков.
Синтетические клиенты – Идеальное зеркало
Привлекательность синтетических клиентов неоспорима. Представьте, что вы создаете тысячи пользовательских аватаров, каждый из которых обладает подробными демографическими данными, поведением и предпочтениями, и все они взаимодействуют с вашим продуктом в смоделированной среде. Что это дает? Быструю проверку, итеративное тестирование в масштабе и объективные выводы, и все это без логистических проблем, связанных с подбором персонала, планированием и анализом реальных отзывов людей. Это звучит как мечта новатора: никаких пропущенных встреч, никаких расплывчатых ответов, только чистые, масштабируемые данные. Но, как подчеркнул наш гость вебинара, эти синтетические клиенты часто представляют собой не что иное, как «ИИ, усиливающий ИИ». По сути, они — идеальное зеркало, отражающее ваши собственные предположения, только в гораздо большем масштабе.
Ключевое ограничение заключается в том, что синтетические клиенты, по определению, работают в рамках заданных вами параметров. Они обучаются на существующих данных, на известных закономерностях и на понимании поведения пользователей дизайнером. Они не могут спонтанно демонстрировать возникающие модели поведения, формулировать невысказанные потребности или раскрывать тонкие психологические и эмоциональные факторы, влияющие на принятие решений. Им не хватает той непредсказуемой «человечности», которая часто содержит наиболее ценные сигналы для подлинных инноваций. Как недавно отмечалось в отчете журнала Technology Review Массачусетского технологического института, хотя ИИ может моделировать сложные системы, воспроизведение человеческой интуиции, эмпатии и способности формулировать будущие потребности остается серьезной проблемой.
Подумайте, в чём недостатки синтетического тестирования. В здравоохранении синтетический пациент может обрабатывать информацию логически, но он не сможет передать тревогу, вызванную новым диагнозом, истощение от хронической болезни или культурные факторы, влияющие на его решения в отношении здоровья. В сложных B2B-продажах синтетический покупатель может следовать сценарию воронки продаж, но он не расскажет вам о внутренних политических баталиях, которые он ведёт, неожиданных сокращениях бюджета или личных карьерных рисках, которые он видит в внедрении нового решения. В случае потребительского продукта, такого как приложение для социальных сетей, синтетические пользователи могут подтвердить потоки пользовательского интерфейса, но они не могут уловить меняющиеся стили общения нового поколения пользователей мемов, неявные социальные нормы или тонкие эмоциональные реакции на различные типы контента. Именно в этих сценариях возникают наиболее важные идеи — идеи, которые синтетические клиенты просто не могут получить, потому что они не способны «не знать» или «чувствовать». Они знают только то, что им запрограммировано знать, или то, что можно вывести из существующих, часто ретроспективных, данных.
Искусственный интеллект не может исправить то, с чем вы не столкнетесь
Вера в то, что ИИ может каким-то волшебным образом исправить присущие организации дисфункции, — опасное заблуждение. Лидеры часто рассматривают технологии как панацею, способ обойти сложную организационную работу по налаживанию сотрудничества, улучшению коммуникации и принятию трудных решений. Но, как метко заметил наш гость, «ИИ не решит внутренние политические проблемы, организационные барьеры и неэффективность». Если ваш процесс разработки продукта страдает от отсутствия четкого распределения ответственности, внутренней борьбы за власть или принятия решений, продиктованных мнением самого высокооплачиваемого сотрудника (HIPPO), ИИ этого не изменит. Он просто предоставит вам более эффективный способ проявления этих проблем.
Рассмотрим «парадокс ускорения ИИ». Компании вкладывают значительные средства в инструменты ИИ для ускорения разработки и тестирования, полагая, что это приведет к более быстрому проникновению на рынок и улучшению качества продукции. Однако, если базовый процесс несовершенен — если команды создают функции, основываясь на внутренних предубеждениях, а не на подтвержденных потребностях клиентов, или если разные отделы работают изолированно с противоречащими приоритетами, — то ИИ просто помогает вам создавать неправильные вещи быстрее. В итоге вы получаете список задач, переполненный не только функциями, но и функциями, которые никому на самом деле не нужны, и все это выпускается с впечатляющей скоростью. Исследования McKinsey по трансформации с помощью ИИ постоянно подчеркивают, что внедрение технологий без соответствующих организационных и культурных изменений часто приводит к неоптимальным результатам, подчеркивая, что наибольшая ценность ИИ достигается тогда, когда он интегрирован в фундаментально обоснованные процессы.
Мы уже видели, как это происходит с другими инструментами «повышения эффективности». Программное обеспечение для управления проектами не исправило неэффективные команды; оно просто предоставило им цифровое пространство для отслеживания недопониманий. Гибкие методологии, призванные способствовать адаптивной разработке, часто превращались в жесткие ритуалы, которые заслоняли подлинное сотрудничество. Искусственный интеллект, применяемый к процессам, изобилующим политическими маневрами, избеганием рисков или неспособностью эффективно расставлять приоритеты, просто предоставляет усовершенствованный механизм для ускорения этих же неэффективностей. Настоящие узкие места не технические; они человеческие и организационные. У вас может быть самая передовая в мире платформа для синтетического тестирования, но если ваша команда разработчиков не может преодолеть собственные препятствия и определить реальные проблемы, то все это тестирование — всего лишь очень дорогостоящая форма самообмана.
Антиутопия от ИИ к ИИ: утрата человеческого контекста
Одна из самых провокационных мыслей, прозвучавших в ходе вебинара, касалась потенциального антиутопического будущего, где весь цикл разработки будет управляться искусственным интеллектом: «Кто-то задал мне вопрос: „Нужно ли нам вообще общаться друг с другом в будущем? Будет ли это просто общение ИИ с ИИ?“» Представьте себе систему проектирования на основе ИИ, генерирующую интерфейсы продукта, которые затем передаются в среду разработки на основе ИИ, тестируются синтетическими клиентами, также управляемыми ИИ, а полученные данные анализируются другим ИИ для определения следующей итерации. В этом сценарии оптимизация становится цикличной. Машины ведут переговоры друг с другом, совершенствуют дизайн и улучшают показатели на основе критериев, которые изначально были установлены — вероятно, несовершенно — людьми, но которые теперь автономно развиваются в замкнутом цикле.
Опасность здесь заключается в потере «человеческой неразберихи», которая, вопреки распространенному мнению, часто содержит наиболее ценные сигналы для инноваций. Реальные люди непоследовательны, эмоциональны, иррациональны и очаровательны в своей непредсказуемости. Именно эти качества определяют изменения в культуре, потреблении и поведении. Система искусственного интеллекта, оптимизированная для эффективности и предсказуемости, отсеет эту неразбериху, рассматривая ее как шум. Но что, если этот «шум» на самом деле является зарождающимся сигналом о новом прорывном тренде? Как отмечает в своей работе доктор Кейт Кроуфорд, выдающийся исследователь в области ИИ, системы ИИ наследуют предвзятость и слепые пятна своих создателей и данных, которыми они питаются, что потенциально может привести к усилению существующего неравенства или систематическому игнорированию новых человеческих потребностей.
Когда машины в основном взаимодействуют с машинами, мы рискуем создавать продукты, идеально оптимизированные для искусственных условий, но потерпевшие сокрушительный провал в реальном мире. Решаем ли мы человеческие проблемы или просто оптимизируем ради самой оптимизации? Речь идёт не только о характеристиках продукта; речь идёт о самой цели предприятия. Если технология существует для служения человечеству, то исключение человеческого фактора из цикла обратной связи, создание эхо-камеры между ИИ, принципиально отрывает технологию от её истинного предназначения. Реальный мир не работает с идеально чистыми наборами данных; это яркая, хаотичная симфония человеческого опыта, которая сопротивляется стерильному алгоритмическому описанию.
Где синтетическое тестирование действительно работает
Важно признать, что синтетическое тестирование не лишено достоинств. Как и любой инструмент, его ценность заключается в правильном применении. Существуют законные, конкретные сценарии использования, где моделирование на основе ИИ и синтетические среды могут принести ощутимую пользу, особенно когда цель состоит в проверке уже имеющихся знаний, а не в выявлении того, чего вы не знаете. Ключевой принцип здесь таков: используйте ИИ для более быстрого выявления ошибок в контролируемых условиях, используйте людей для обнаружения того, о чём вы даже не догадываетесь спросить.
Один из важнейших аспектов — тестирование концепций на ранних этапах. Прежде чем вкладывать значительные средства в разработку, синтетические клиенты могут быстро предоставить обратную связь по широкому спектру предлагаемых функций или вариантов дизайна. Это можно рассматривать как сверхбыстрое A/B-тестирование идей, помогающее отсеять явно нежизнеспособные варианты без особых усилий со стороны человека. Например, финансовая компания может использовать синтетических клиентов для оценки множества вариантов формулировок нового документа о соответствии нормативным требованиям, обеспечивая ясность и понимание до того, как он попадет к реальному клиенту. Речь идет не о глубоком исследовании, а о быстрой итерации на основе известных переменных.
Еще один важный вариант использования — масштабируемое и производительное тестирование. Моделирование взаимодействия тысяч или миллионов одновременно работающих пользователей с системой позволяет провести стресс-тестирование инфраструктуры, выявить узкие места в производительности и подтвердить стабильность системы. Это особенно важно для корпоративного программного обеспечения или критической инфраструктуры, где сбои имеют серьезные последствия. Регрессионное тестирование также приносит огромную пользу — синтетические тесты позволяют быстро убедиться в том, что новые развертывания кода не нарушили существующие функции, что дает возможность тестировщикам сосредоточиться на более сложных, исследовательских тестах. Например, крупный облачный провайдер может использовать синтетических пользователей для постоянного мониторинга производительности и доступности своих сервисов в различных регионах, выявляя незначительные ухудшения, которые впоследствии могут стать серьезными проблемами.
Таким образом, суть ясна: синтетические клиенты превосходно справляются с количественной проверкой в рамках заданных границ. Они могут сказать, работает ли кнопка, соблюдается ли алгоритм действий или может ли система справиться с нагрузкой. Но они не могут сказать, должна ли эта кнопка вообще существовать, действительно ли алгоритм действий решает глубинную проблему клиента или соответствует ли вся система меняющимся потребностям человека. Для поиска решений, для проявления эмпатии, для понимания непредсказуемого будущего реальное взаимодействие с человеком остается незаменимым.
Откровенный разговор о реальных пользователях
Если синтетические клиенты — это лёгкий путь, то взаимодействие с реальными пользователями — это бесценная, зачастую сложная и трудоёмкая работа, которую нельзя сократить. Речь идёт не просто о проведении опроса; это глубокое, эмпатическое исследование, которое добирается до корней человеческого поведения и мотивации. Такие методы, как контекстное исследование, когда исследователи наблюдают за пользователями в их естественной среде, за выполнением ими реальных задач, позволяют получить информацию, которую ни одна симуляция ИИ не сможет воспроизвести. Интервью по модели «задача, которую нужно выполнить» (Job-to-be-Done, JTBD) выходят за рамки поверхностных желаний, чтобы выявить лежащую в основе «задачу», которую клиент пытается выполнить, желаемый прогресс и трудности, с которыми он сталкивается — концепция, разработанная ведущими учёными из Гарвардской школы бизнеса и неизменно демонстрирующая свою эффективность в обеспечении более стабильных потребностей клиентов и успешных инноваций.
Анализ взаимодействий со службой поддержки клиентов, звонков отдела продаж, ответов на маркетинговые кампании — это богатейшие источники качественных данных, которые часто упускаются из виду в пользу числовых показателей. Каждый недовольный звонок, каждый восторженный отзыв, каждый нерешительный вопрос содержат важные сигналы о существующих проблемах, неудовлетворенных потребностях и новых возможностях. Именно здесь ИИ может стать мощным союзником. Хотя ИИ не может провести по-настоящему эмпатичное интервью в формате «Что нужно сделать», он может анализировать закономерности в тысячах расшифрованных интервью, чатов службы поддержки клиентов или комментариев в социальных сетях. Он может помочь синтезировать качественные данные в больших масштабах, выявляя повторяющиеся темы, изменения настроений и новые языковые конструкции, которые могут быть упущены аналитиками-людьми. Исследование Gartner подчеркивает эту двойственность, предполагая, что роль ИИ в клиентском опыте смещается от прямого взаимодействия к интеллектуальной помощи, предоставляя операторам и исследователям более совершенные инструменты анализа данных.
«Подход AJ» — и философия, лежащая в основе концепции «Встреча с изменениями» — действительно воплощает этот баланс: начинайте с клиентов, используйте ИИ для анализа, а затем снова проверяйте с помощью клиентов. Это непрерывный цикл человекоцентрированного исследования, дополненный технологиями, но никогда не заменяемый ими. Представьте себе команду разработчиков продукта, проводящую десятки качественных интервью для определения проблемной области. Затем ИИ может быстро обработать эти стенограммы, выявив наиболее распространенные болевые точки и предложив решения. Отфильтрованные с помощью ИИ данные затем используются для следующего этапа прототипирования или генерации конкретных гипотез, которые затем проверяются с помощью реальных пользователей посредством юзабилити-тестирования или структурированных интервью. Эта симбиотическая связь гарантирует, что технология служит человеческой потребности в понимании, а не становится препятствием для него.
Что это значит для продуктовых команд?
Для директоров по продуктам, лидеров инноваций и менеджеров по продуктам это не просто академическая дискуссия; она имеет глубокие последствия для того, как вы структурируете свои команды, распределяете ресурсы и измеряете успех. Не позволяйте погоне за скоростью заменить фундаментальную потребность в проверке. Возможность быстро выпускать функции бессмысленна, если эти функции неактуальны для ваших клиентов или усиливают их существующие проблемы. Лидеры должны прививать культуру, в которой любопытство к клиенту имеет первостепенное значение, где поощряется здоровый скептицизм в отношении внутренних предположений и где решения по продукту строго основаны на внешней реальности, а не только на внутреннем консенсусе или синтетических данных.
Руководители продуктовых команд должны предложить своим командам простой, ощутимый тест: «Можете ли вы назвать 10 клиентов, с которыми вы общались за последние две недели? Можете ли вы сформулировать их основные проблемы и то, что ими движет?» Если ответ «нет», или если все названные клиенты — это внутренние заинтересованные стороны, значит, есть проблема. UX-исследователи, часто находящиеся на передовой линии понимания потребностей клиентов, должны быть наделены полномочиями и защищены от давления, требующего простого получения данных, соответствующих уже существующим представлениям. Они — глаза и уши организации на рынке, и их выводы, часто качественные и тонкие, должны цениться так же высоко, как и любые количественные данные. Роль исследовательской функции в разработке корпоративных продуктов подвергается пристальному вниманию из-за давления со стороны требований к скорости, но, как отмечает Forrester Research, наибольшую отдачу от инвестиций приносит хорошо выполненное, стратегическое исследование клиентов.
В конечном итоге, это требует фундаментального изменения мышления: от сосредоточения исключительно на результатах (выпущенные функции, завершенные тесты) к результатам (решенные проблемы, созданная ценность для реальных пользователей). Это означает инвестирование в навыки и процессы для подлинного изучения потребностей клиентов, рассматривая это не как нечто желательное, а как неотъемлемый краеугольный камень разработки продукта. Искусственный интеллект может быть невероятным усилителем, но он будет усиливать все, что вы ему предоставите. Если ваши входные данные основаны на ошибочных предположениях и организационных «слепых пятнах», ИИ создаст высокоэффективный, идеально оптимизированный путь к неактуальности.
Практические рекомендации для руководителей
Чтобы справиться с соблазном синтетического тестирования клиентов, необходим проактивный, ориентированный на человека подход. Вот конкретные шаги для различных групп заинтересованных сторон:
Для директоров по инновациям и вице-президентов по продуктам:
Внедрить обязательное взаимодействие с клиентами: четко обозначить в организации требование о том, что все циклы разработки продукта должны включать прямое качественное взаимодействие с клиентами на каждом значимом этапе. Сделать ключевым показателем эффективности не только скорость разработки, но и показатели взаимодействия с клиентами (например, количество внешних интервью за спринт, количество наблюдаемых пользовательских сессий).
Инвестируйте в исследовательский потенциал: укрепите и расширьте возможности ваших команд по UX-исследованиям и анализу потребительских предпочтений. Предоставьте им ресурсы, обучение и стратегическое влияние для проведения глубоких, контекстуальных исследований. Воспринимайте их как центральную нервную систему, связывающую ваш продукт с рыночной реальностью.
Определите четкие сценарии использования тестирования ИИ: установите внутренние правила, определяющие, когда уместно использовать синтетических клиентов и инструменты тестирования ИИ. Сосредоточьтесь на проверке известных переменных (например, производительность, нагрузка, базовое тестирование предпочтений) и строго запретите их использование для первичного выявления клиентов или определения проблемы.
Для менеджеров по продуктам:
Выступайте в роли представителя интересов клиента: возьмите на себя ответственность за защиту реальных потребностей клиента. Заблаговременно планируйте и проводите интервью с клиентами, наблюдательные исследования и тестирование удобства использования. Не перекладывайте эту важную работу полностью на исследователей; сотрудничайте с ними.
Оспаривайте предположения: активно ищите информацию, которая противоречит вашим гипотезам. Не бойтесь ошибаться на ранних этапах. Используйте такие инструменты, как разработка, основанная на гипотезах, и бережливое экспериментирование, чтобы систематически проверять основные предположения с реальными пользователями.
Используйте ИИ для синтеза, а не для поиска: применяйте инструменты ИИ для анализа больших объемов качественных данных о пользователях (стенограммы интервью, заявки в службу поддержки) с целью выявления закономерностей, тем и настроений, что позволит вам сосредоточиться на более глубоком понимании ситуации и проявлении эмпатии.
Для UX-исследователей:
Просвещайте заинтересованные стороны: активно разъясняйте командам разработчиков продукта и руководителям ограничения синтетического тестирования и незаменимую ценность качественных, ориентированных на человека исследований. Делитесь убедительными историями и выводами реальных пользователей, иллюстрирующими глубину понимания, которую может обеспечить только человеческое взаимодействие.
Внедряйте ИИ с соблюдением этических норм: изучите, как ИИ может улучшить ваш рабочий процесс — для транскрипции, выявления тем или визуализации данных — но всегда сохраняйте человеческий контроль при интерпретации и соблюдении этических принципов. Избегайте алгоритмической предвзятости при анализе данных.
Сосредоточьтесь на невысказанных потребностях: отдавайте приоритет методам исследования, которые выявляют скрытые потребности и помогают пользователям сформулировать проблемы, о существовании которых они даже не подозревали. Это ваше уникальное ценностное предложение в мире, где автоматизация становится все более распространенной.
Заключение: Непреходящая ценность человеческой неразберихи
По мере того, как мы всё глубже погружаемся в будущее, основанное на искусственном интеллекте, легко поддаться очарованию обещаний лёгкой проверки и безграничной эффективности. Но история инноваций — это, по сути, человеческая история — повествование о понимании трудностей, выявлении неудовлетворенных желаний и создании решений, которые действительно улучшают жизнь. Искусственный клиент, предлагая заманчивую скорость и масштаб, рискует превратить разработку продукта в самореферентную эхо-камеру, оторванную от тех самых людей, которым он призван служить. Да, это мощный инструмент, но его неправильное использование может усилить организационную близорукость и создать ослепительно эффективные пути к утрате актуальности.
Истинный прорыв заключается не в автоматизации каждого взаимодействия, а в разумном использовании ИИ для усиления наших сугубо человеческих способностей к эмпатии, творчеству и проницательности. Это означает удвоение усилий в сложной, зачастую неприятной, работе по истинному выслушиванию наших клиентов – пониманию их контекста, их эмоций, их невысказанных потребностей. Ценные сигналы для прорывных инноваций часто кроются в запутанной, иррациональной и совершенно непредсказуемой сфере человеческого опыта. Наша способность обрабатывать эту запутанность, слушать с открытым умом и строить с подлинной эмпатией в конечном итоге определит, будем ли мы создавать решения для будущего, сформированного человеком, или просто оптимизировать их для прошлого, созданного ИИ.
Источник:
https://www.facingdisruption.com/p/the-synthetic-customer-trap-why-ai
