Moje największe wnioski na temat prototypowania AI od CEO Magic Patterns @alexdanilowicz: 1. Integracja systemu projektowania to ukryta przewaga konkurencyjna w prototypowaniu AI. Magic Patterns stworzyło "presety", które pozwalają na importowanie rzeczywistej biblioteki komponentów przed rozpoczęciem budowy. To nie tylko kwestia estetyki. Chodzi o to, czy twój prototyp może być rzeczywiście użyty w badaniach użytkowników lub przekazany interesariuszom bez zadawania pytania "dlaczego to nie wygląda jak nasz produkt?" Rozszerzenie Chrome pobiera komponenty bezpośrednio z Storybook lub stron produkcyjnych i automatycznie konwertuje je na Tailwind. Większość narzędzi pomija to, ponieważ są zoptymalizowane pod kątem "pomysłu na aplikację", a nie "pomysłu na interfejs produkcyjny, który pasuje do naszego systemu projektowania." 2. Jakość iteracji ma nieskończoną wartość w porównaniu do jakości pierwszego promptu. W ich na żywo bake-off, Magic Patterns i V0 zasadniczo zremisowali, mimo różnych wyników pierwszego promptu. Losowość w początkowych wynikach jest wysoka, ale to, co oddziela dobre narzędzia od świetnych, to sposób, w jaki radzą sobie z kolejnymi 500 promptami. Alex widzi, jak klienci się frustrują i spamują "nie działa, nie działa, nie działa", co tylko pogarsza sytuację, zanieczyszczając kontekst. Magic Patterns stworzyło komendę "/debug", aby wyciągnąć AI z pętli doom. Narzędzie, z którym można iterować przez godziny, zawsze wygrywa z narzędziem z efektownym pierwszym wynikiem. 3. Wiedz, kiedy potrzebujesz prototypu, a kiedy pełnej aplikacji. Replit poprosił użytkowników o dodanie klucza API OpenAI podczas bake-off, co spowolniło proces, ale dodało rzeczywistą funkcjonalność. Magic Patterns celowo to pomija, ponieważ są hiper skoncentrowani na wizualnym prototypowaniu do badań użytkowników, a nie na budowaniu aplikacji produkcyjnych. Jeśli walidujesz koncepcję z użytkownikami, nie potrzebujesz integracji z Supabase. Ale jeśli już zweryfikowałeś i musisz wdrożyć, chcesz narzędzi pełnostackowych. Błędem jest spędzenie dwóch godzin na debugowaniu baz danych, gdy wszystko, czego potrzebowałeś, to interaktywny makiet, aby pokazać pięciu klientom. 4. Prototypowanie AI może obniżyć wskaźniki niepowodzeń produktów z 80% do 50%. Ponad 80% funkcji, które są budowane, nie osiąga swoich docelowych wskaźników. Ale gdy postawisz prawdziwy prototyp przed użytkownikami przed budowaniem, możesz zweryfikować, czy jest użyteczny, opłacalny dla biznesu i czy użytkownicy rozumieją, co robić dalej. To było niemożliwe wcześniej, ponieważ wymagało czasu projektanta na stworzenie prototypów w Figma. Teraz PM-owie mogą przejść od pomysłu do testowalnego prototypu w 10 minut i uzyskać bezpośrednią opinię od klientów, zanim napiszą jedną linię kodu produkcyjnego. To powinno stać się standardową praktyką dla każdej istotnej funkcji, a nie tylko dla największych zakładów. 5. Najlepsi założyciele zaczynają od rozwiązania swojego własnego bolesnego problemu, zanim trend stanie się oczywisty. Alex i jego współzałożyciel byli inżynierami front-end, spędzającymi cały czas na wdrażaniu makiet Figma. W sierpniu 2023 roku, zanim V0 zadebiutowało i zanim ktokolwiek inny dostrzegł tę okazję, dodali AI do swojego edytora biblioteki komponentów podczas wewnętrznego hackathonu. Kiedy V0 zadebiutowało dwa miesiące później, ludzie mówili im, że są martwi. Ale mieli unikalny wgląd, ponieważ podeszli do prototypowania AI z perspektywy "jak użyć moich rzeczywistych komponentów produkcyjnych", podczas gdy inni podchodzili do tego z perspektywy kontenerów internetowych lub innych technologii. Twoja niesprawiedliwa przewaga pochodzi z głębokiego zrozumienia przestrzeni problemowej, zanim dodasz do niej AI.