Kompanija Amplitude, poznata po alatima za produktnu analitiku, objavila je detalje o tome kako njihov proaktivni produkt agent Wave menja način na koji timovi donose odluke o unapređenju proizvoda. Prema studiji slučaja objavljenoj na OpenAI sajtu, Wave je otprilike 80% izgrađen na OpenAI modelima — uključujući GPT‑6.1 Sol, GPT‑6 Luna i GPT‑Image‑2.5 Flare — a rezultat je dramatično skraćenje ciklusa razvoja.
Umesto da timovi nedeljama analiziraju podatke, pišu specifikacije i čekaju na red za razvoj, Wave preuzima značajan deo tog posla. Korisnici mu zadaju oblast proizvoda i metrike koje žele da poboljšaju, a agent zatim kombinuje Amplitude podatke, snimke sesija, korisničke povratne informacije i kod kako bi identifikovao prilike, predložio rešenja i koordinisao implementaciju sa ljudima i coding agentima. Na kraju meri efekat i uči iz rezultata za sledeći ciklus.
Različiti modeli za različite zadatke
Amplitude ne koristi jedan model za sve. GPT‑6.1 Sol pokriva menadžera prilika i duboke istrage koda i podataka, dok GPT‑6 Luna rešava česte, jeftinije zadatke poput skeniranja koda i manjih evaluacionih provera. GPT‑Image‑2.5 Flare generiše produktne mockupe koristeći screenshotove iz snimaka sesija kao vizuelne reference. Kada je prilika spremna za razvoj, tim je može poslati direktno iz Wave-a u coding agente, uključujući Codex, uz tehnički plan i kriterijume prihvatanja.
Ova podela rada nije samo stvar arhitekture — ona se direktno odražava na troškove. U Amplitudeovoj evaluaciji Data Science Agent-a, prosečan trošak modela po zadatku za GPT‑6.1 Sol bio je 51% niži, dok je u evaluaciji Opportunity Investigator iznosio svega 1,34 dolara.
Test na sopstvenoj koži: 160% više angažovanja
Amplitude je Wave testirao na sopstvenoj početnoj strani. Generičke „suggestion cards“ trebalo je da pomognu korisnicima da započnu razgovor sa AI agentom, ali analiza 100 snimaka sesija pokazala je da ih ljudi uglavnom ignorišu — 80 korisnika je ukucalo sopstveno pitanje, a samo 12 je izabralo ponuđeni predlog.
Wave je predložio personalizaciju kartica na osnovu nedavnih grafikona, dashboarda ili stranice sa koje je korisnik došao. Ilustrovao je promenu i napravio tehnički plan, uključujući očuvanje slobodnog kucanja i prikaz generičkih predloga kada kontekst personalizacije nije dostupan. Nakon kratkog pregleda, tim je promenu prosledio dalje — i rezultat je bio 160% veći broj slanja pokrenutih karticama u odnosu na kontrolnu grupu.
Šta ovo znači za produktne timove
Prema Amplitudeovim procenama, Wave omogućava isporuku poboljšanja proizvoda za 1–2 dana, umesto za oko mesec dana. „AI sada može da pronađe koristan posao za koji nikada nismo mislili da mu ga možemo dodeliti. OpenAI modeli mogu da istraže problem, napišu i pokrenu kod i iskoriste rezultate da odluče šta sledeće pokušati“, izjavio je Spenser Skates, izvršni direktor kompanije Amplitude.
Ključna poruka iz ove studije slučaja nije da AI zamenjuje timove — Wave i dalje zadržava ljude u kontroli onoga što se isporučuje. Ali kada agent može da pretraži hiljade snimaka sesija, analitike i koda i da iz toga izvuče konkretan plan, uloga produkt menadžera pomera se sa prikupljanja podataka na donošenje odluka. A to je promena koja bi mogla da redefiniše tempo razvoja softvera u narednim godinama.