top of page

Amplitude Wave celuje w aktualizacje produktu w 1–2 dni dzięki OpenAI

20 minut temu
10 minut(y) czytania
Illustrative photograph. Photo: Sanket Mishra / Pexels.

Amplitude twierdzi, że wspierany przez OpenAI agent produktowy może pomóc zespołom wdrażać ulepszenia w 1–2 dni zamiast mniej więcej miesiąca. Amplitude Wave analizuje zachowania użytkowników produktu, przygotowuje zmiany dla agentów programistycznych i mierzy efekty po wdrożeniu. Ta deklaracja wykracza poza szybsze programowanie: dotyczy pracy potrzebnej do podjęcia decyzji, które zmiany zasługują na uwagę zespołów inżynieryjnych.

Historia klienta z 12 listopada opisuje przejście od tworzenia oprogramowania na żądanie do wyszukiwania wartościowych zgłoszeń w danych o klientach. Agenci programistyczni, asystenci tworzący zmiany w oprogramowaniu, nadal potrzebują sensownie zdefiniowanego zadania. Wave ma je dostarczać wraz z dowodami wspierającymi i mierzalnym celem.

Wywiera to presję na przekazywanie pracy między analityką, planowaniem produktu i inżynierią. Mixpanel rozwija powiązane połączenia między aktywnością agentów a wynikami produktu. Kluczowa rywalizacja dotyczy jednak szybszego tworzenia kodu kontra szybszego, opartego na dowodach ulepszania produktu. Raportowane przez Amplitude wyniki oferują wczesny obraz tego rozróżnienia, z istotnymi ograniczeniami dotyczącymi pomiaru i wdrożeń.

Amplitude Wave łączy analizę z wdrożeniem

Istotną zmianą jest próba przeniesienia dowodów dotyczących klientów aż do decyzji o wdrożeniu.

Według procesu ulepszania produktu Wave łączy analitykę, opinie klientów, kod i odtworzenia sesji, czyli nagrania interakcji wewnątrz produktu. Zespoły określają cele. Wave opracowuje możliwości i może przekazywać agentom, w tym Codex, plany techniczne oraz kryteria akceptacji, czyli warunki definiujące satysfakcjonującą implementację.

Taki układ zmienia oczekiwania wobec systemu analitycznego. Wykres może ujawnić nietypowy wzorzec, nie wyjaśniając jego przyczyny. Odtworzenie sesji może pokazać dezorientację, nie ustalając jej skali. Skarga klienta może wskazać frustrację, nie wyjaśniając, która implementacja ją rozwiąże.

Połączenie tych źródeł tworzy możliwość przygotowania bardziej użytecznego zadania dla zespołu inżynieryjnego. Powstała propozycja powinna wyjaśniać zaobserwowany problem, zachowanie nim dotknięte oraz oczekiwaną korzyść. Powinna też odróżniać dowody od interpretacji, ponieważ wiarygodne wyjaśnienie nadal pozostaje hipotezą.

Dla zespołu produktowego to rozróżnienie wpływa na to, czy rekomendacja rzeczywiście oszczędza czas. Dopracowana specyfikacja ma niewielką przewagę, jeśli recenzenci muszą odtwarzać analizę, zanim jej zaufają. Użytecznym wynikiem jest argument, który wytrzymuje weryfikację i daje inżynierom wystarczający kontekst, by zakwestionować jego założenia.

Również chronologia wymaga ostrożności. OpenAI opisuje klientów korzystających z Wave w wersji beta. Osobny wpis Amplitude z 12 listopada ogłasza szerszą płatną dostępność dla kwalifikujących się klientów. Nie należy przekształcać tych opisów w twierdzenie, że produkt pojawił się po raz pierwszy tego dnia.

Ogłoszenie dotyczy zatem komercjalizacji i raportowanych wyników operacyjnych, a nie nowo wydanego modelu z czołówki rynku. Zasadnicze pytanie brzmi, jak skutecznie istniejące możliwości modeli mogą przenosić pracę między ustalonymi funkcjami produktowymi.

Asystent programistyczny może dokładnie wdrożyć instrukcję, nie podważając jej biznesowych przesłanek. Agent produktowy przejmuje część tej odpowiedzialności, rekomendując, gdzie należy skierować wysiłek. Zwiększa to potencjalną wartość, ale także odpowiedzialność związaną z jego rozumowaniem.

To sprawia, że etap propozycji ma duże znaczenie. Słaba implementacja może nie przejść kontroli technicznej. Dobrze wdrożona odpowiedź na niewłaściwy problem może przejść taką kontrolę, a mimo to pochłonąć uwagę zespołu inżynieryjnego. Dowody muszą towarzyszyć zadaniu, aby recenzenci mogli zbadać oba rodzaje błędów.

Szersza obietnica to mniej czasu poświęcanego na odbudowywanie kontekstu między narzędziami i zespołami. To, czy się spełni, zależy od ilości pracy pozostającej po otrzymaniu rekomendacji. Jakość analizy, wykonalność inżynieryjna i wysiłek związany z przeglądem wszystkie należą do tej oceny.

Szybsze tworzenie kodu wywiera presję na osąd produktowy

Gdy wdrażanie przyspiesza, wybór i ocena pracy stają się bardziej widocznym ograniczeniem.

Premiera Wave przedstawia produkt Amplitude właśnie w tym kontekście. Przykład PixAI ilustruje rolę ludzkiego osądu: Wave wskazał możliwość związaną z retencją, a klient dostosował zaproponowaną interwencję. Amplitude informuje o 76% wzroście otwarć Missions oraz 3% wzroście retencji pierwszego dnia po tych zmianach.

Istotnym szczegółem jest dostosowanie. Początkowa propozycja agenta nie wyeliminowała roli klienta w decydowaniu, co będzie pasować do produktu. Dowody dostarczyły punkt wyjścia, a zespół wybrał interwencję zgodną z własnym doświadczeniem i bodźcami.

Sugeruje to praktyczną interpretację zmieniającego się obciążenia pracą product managera. Mniej czasu poświęcanego na przygotowanie propozycji nie oznacza mniejszej odpowiedzialności za jej konsekwencje. Ktoś nadal musi zdecydować, czy proponowany rezultat zasługuje na uwagę oraz czy rozwiązanie respektuje kierunek rozwoju produktu.

Liderzy inżynieryjni stoją przed powiązaną presją. Większa podaż gotowych do wdrożenia sugestii może zwiększyć zapotrzebowanie na przegląd. Jeśli każda rekomendacja trafia do backlogu bez weryfikacji, szybsza analiza może stworzyć kolejną kolejkę zamiast szybszych ulepszeń.

Zespoły projektowe mają odrębny problem. Lokalna metryka zachowania może faworyzować zmianę interfejsu, która koliduje z szerszym doświadczeniem użytkownika. Na przykład bardziej widoczne podpowiedzi zasługują na analizę, gdy konkurują z pierwotnym zadaniem użytkownika. To kwestia oceny, nawet gdy implementacja jest prosta.

W przypadku zespołów analitycznych presja dotyczy definicji. Jeśli rekomendacja celuje w aktywację, zespół potrzebuje wspólnego rozumienia tego, co uznaje się za aktywację. W przeciwnym razie zautomatyzowana analiza może optymalizować wygodne zdarzenie, podczas gdy interesariusze oczekują innego rezultatu dla klienta.

Dlatego deklaracja dotycząca rozwoju produktu ma znaczenie wykraczające poza produktywność inżynieryjną. Pyta, czy organizacja może przejść od zaobserwowanego zachowania do uzasadnionej decyzji przy mniejszej liczbie powtarzanych uzgodnień. To szersza zmiana operacyjna niż po prostu szybsze generowanie kodu.

Prawdopodobna korzyść różni się także w zależności od rodzaju pracy. Pominięty problem interfejsu może być łatwiejszy do zbadania i przetestowania niż strategiczne rozszerzenie produktu. Traktowanie tych zadań jako zamiennych zawyżałoby znaczenie, jakie ustala krótki harmonogram wdrożenia.

Istnieje również problem selekcji. System może sprawiać wrażenie produktywnego, faworyzując zmiany łatwe do opisania i zmierzenia. Trudniejsze pytania o pozycjonowanie, zaufanie i niedostatecznie obsługiwanych klientów mogą pozostać poza jego najsilniejszymi źródłami dowodów.

Kupujący powinni zatem sprawdzić, która praca staje się szybsza, a która pozostaje trudna. Krótszy cykl ograniczonych ulepszeń może być wartościowy, nie oznaczając, że decyzje dotyczące roadmapy stały się automatyczne. Najmocniejsze uzasadnienie biznesowe wskaże konkretny usunięty ciężar koordynacyjny.

Eksperyment na stronie głównej pokazuje mechanizm i jego ograniczenia

Najbardziej klarowny przykład dotyczy zwiększenia trafności istniejącej funkcji, a nie wymyślenia nowego produktu.

Na stronie głównej Amplitude analiza objęła 100 odtworzeń sesji. Użytkownicy samodzielnie wpisywali pytania w 80 sesjach i wybierali karty z sugestiami w 12. Według firmy spersonalizowane karty wygenerowały następnie o 160% więcej wiadomości inicjowanych kartą niż wariant kontrolny po jednym dniu.

Porównanie zapewnił test A/B, czyli eksperyment zestawiający różne doświadczenia. Interwencja wykorzystywała niedawny kontekst produktowy, aby poprawić proponowane punkty wyjścia. Użytkownicy nadal mogli swobodnie pisać, a gdy brakowało kontekstu do personalizacji, dostępne pozostawały ogólne sugestie.

Mechanizm jest zrozumiały bez uznawania wyniku za uniwersalny. Sugestia może działać poprawnie, a mimo to nie odpowiadać zadaniu, które dana osoba przyszła wykonać. Personalizacja ma zmniejszać tę niezgodność, korzystając z istotnej aktywności.

To coś innego niż naprawienie niedziałającego przycisku. Sama poprawność techniczna nie ustaliłaby, czy pierwotne sugestie były użyteczne. Dowody behawioralne pomagają zidentyfikować lukę między zamierzonym celem interfejsu a tym, jak ludzie faktycznie z niego korzystają.

Wynik pokazuje też, dlaczego brzmienie metryki ma znaczenie. Wiadomości inicjowane kartą opisują konkretny kanał interakcji. Większa aktywność w tym kanale nie potwierdza automatycznie większej łącznej liczby udanych rozmów, wyższej retencji klientów ani dodatkowych przychodów.

Niektórzy użytkownicy mogli przejść od pisania do wybierania kart. Inni mogli rozpocząć rozmowy, które w przeciwnym razie porzuciliby. Te możliwości mają różne konsekwencje, a raportowana główna wartość ich nie rozdziela.

Mocniejsza ocena produktu powiązałaby zmianę interakcji z późniejszym ukończeniem zadania. Czy użytkownicy uzyskali użyteczne odpowiedzi? Czy potrzebowali mniej prób? Czy wracali, ponieważ doświadczenie pomogło im osiągnąć coś znaczącego?

Krótki okres obserwacji ma znaczenie z tego samego powodu. Wczesne zachowanie może wskazać obiecującą interwencję, nie przesądzając o jej trwałości. Funkcja może początkowo przyciągać uwagę, a później stać się rutynowa, nieistotna lub rozpraszająca.

Granice implementacji są również częścią tej historii. Zachowanie możliwości swobodnego pisania utrzymało alternatywną ścieżkę dla osób, których potrzeby nie pasowały do kart. Utrzymanie ogólnych sugestii zapewniało rozwiązanie awaryjne, gdy odpowiedni kontekst był niedostępny.

Te wybory pokazują, dlaczego plany implementacji potrzebują czegoś więcej niż docelowej metryki. Muszą opisywać akceptowalne zachowanie, gdy preferowana ścieżka nie ma zastosowania. W przeciwnym razie agent może dążyć do poprawy mierzonej interakcji, jednocześnie zawężając doświadczenie w innym miejscu.

Działanie Amplitude Wave w tym przykładzie najlepiej rozumieć jako iterację kierowaną dowodami. Analiza zidentyfikowała niezgodność, propozycja ją uwzględniła, a eksperyment sprawdził konkretną reakcję behawioralną. Każdy etap pozostał węższy niż ambicja samoulepszającego się oprogramowania.

Przypadek ten uzasadnia dalsze testowanie tego procesu. Nie dowodzi, że autonomiczne decyzje produktowe konsekwentnie przewyższają doświadczone zespoły ani że każda wygenerowana możliwość zasługuje na wdrożenie.

Wybór modelu i ludzki przegląd kształtują proces

Zautomatyzowany proces produktowy potrzebuje niezawodnego przekazywania pracy równie mocno jak zdolnych modeli.

Amplitude informuje o różnych wyborach modeli dla różnych zadań. W jego ocenie modułu analizującego GPT‑6.1 Sol uzyskał 4,06 na 5. Osobna ocena z zakresu data science przyznała mu 67,5 na 100, poniżej wyniku 69,3 innego modelu.

Wyniki te należy rozpatrywać osobno. Rubryka oceny analizy i ocena data science mierzą różne rodzaje pracy. Prowadzenie w jednym nie potwierdza przewagi w całym procesie produktowym.

Dla kupujących to rozróżnienie zmienia pytanie oceniające. Istotne jest, czy model wykonuje przydzielone zadanie wystarczająco dobrze w ramach akceptowalnego procesu operacyjnego. Ogólny ranking daje mniej wskazówek niż dowody specyficzne dla zadania.

Błędy analizy mogą propagować się dalej. Jeśli agent błędnie odczyta problem, technicznie zdolny agent programistyczny może wiernie wdrożyć niewłaściwą odpowiedź. Lepsze wykonanie nie naprawia automatycznie przesłanek.

Człowiek pozostaje więc elementem projektu systemu. Amplitude twierdzi, że zespoły kontrolują poziomy automatyzacji, a większe zmiany przechodzą weryfikację przez człowieka. Decyzja o akceptowalnym poziomie autonomii należy zatem do organizacji odpowiedzialnej za produkt.

Wcześniejszy opis architektury Wave firmy, opublikowany 10 czerwca, dostarcza przydatnego kontekstu historycznego. Opisano w nim problemy z jakością cytowań, subiektywnym ustalaniem priorytetów, konfiguracją środowiska i weryfikacją w dojrzałych bazach kodu. Te ujawnienia dokumentują wcześniejsze ograniczenia, a nie dowodzą ich obecnej skali.

Wskazują też rodzaje błędów, które powinny obejmować obecne oceny. Nieaktualne źródło może wspierać przestarzałą rekomendację. Niepełne zrozumienie wdrożonego oprogramowania może prowadzić do propozycji czegoś, co zostało już naprawione. Żaden z tych błędów nie musi ujawnić się w konwencjonalnej kontroli jakości kodu.

Szczególnie istotne jest rozróżnienie między nową aplikacją a ugruntowanym produktem. Istniejące oprogramowanie wiąże się z decyzjami architektonicznymi, wymaganiami dotyczącymi kompatybilności i oczekiwaniami klientów. Proponowane usprawnienie musi mieścić się w tych ograniczeniach, nawet jeśli lokalna zmiana wydaje się prosta.

To, jak Amplitude Wave działa w środowisku produkcyjnym, będzie zatem zależeć od jakości kontekstu dołączonego do każdego zadania. Osoby weryfikujące muszą wiedzieć, co jest obecnie aktywne, jakie dowody pozostają aktualne oraz jakich założeń wymaga proponowane rozwiązanie.

To samo dotyczy wiedzy organizacyjnej. Wcześniejsze decyzje często wyjaśniają, dlaczego pozornie oczywista zmiana nigdy nie została wdrożona. Bez tego uzasadnienia agent może wielokrotnie odkrywać pomysł, który zespół już odrzucił z uzasadnionych powodów.

Dla zespołów analizujących ten problem przeszukiwalna baza wiedzy inżynieryjnej oferuje powiązany kontekst dotyczący utrzymywania dostępności decyzji technicznych. Dostęp do informacji i uprawnienie do działania na ich podstawie pozostają odrębnymi odpowiedzialnościami.

Najmocniejsza wersja tego procesu ułatwia weryfikację, ponieważ dowody i założenia można sprawdzić. Nie powinna wymagać od osób weryfikujących zaufania nieprzejrzystej rekomendacji tylko dlatego, że agent potrafi ją szybko wdrożyć.

Dowody od klientów obejmują odrzucone zmiany, nie tylko sukcesy

Użyteczny agent produktowy musi pomagać zespołom zarówno porzucać słabe pomysły, jak i wdrażać te obiecujące.

Eksperyment dotyczący onboardingu w DigitalOcean, opisany 9 listopada przez menedżerkę produktu Haley Eidem, przedstawia bardziej zróżnicowany obraz. Według jej relacji w ciągu sześciu tygodni zidentyfikowano 55 możliwości w pięciu obszarach produktu. Inżynierowie wdrożyli wybrane eksperymenty, a zespół ocenił ich wyniki.

Jeden baner dotyczący metody płatności przyniósł zgłoszoną poprawę o 3,3% względem grupy kontrolnej i osiągnął skonfigurowany w eksperymencie próg ufności 80%. Inny test, polegający na dodaniu informacji do strony docelowej Harness Runtime, nie uzasadniał wdrożenia na szerszą skalę.

Drugi wynik jest ważny, ponieważ oddziela badanie od potwierdzenia. Rozsądna hipoteza może nie przynieść przekonującego rezultatu. Proces pozostaje użyteczny, jeśli pomaga zespołowi rozpoznać taką porażkę i uniknąć jej rozwijania.

Podany próg ufności należy również uwzględnić obok pozytywnego wyniku. Ufność statystyczna opisuje niepewność w ramach metody zastosowanej w eksperymencie. Próg decyzyjny firmy nie powinien znikać, gdy wynik staje się przykładem marketingowym.

Ta relacja klienta wspiera węższe, bardziej wiarygodne twierdzenie o rozwoju produktów z Amplitude Wave: system może przygotowywać pracę, którą zespoły analizują, wdrażają, a czasem odrzucają. Nie opisuje sytuacji, w której każda zidentyfikowana możliwość staje się udanym wydaniem.

Szersze statystyki dotyczące wdrożeń wymagają podobnej ostrożności. OpenAI podaje, że jedna czwarta eksperymentów, flag i przewodników uruchomionych przez klientów zostaje wdrożona tego samego dnia. Mianownik obejmuje pracę, która została uruchomiona, a nie każdą możliwość wygenerowaną przez system.

Nie pozwala to ustalić, jak często rekomendacje utknęły, zostały odrzucone lub wymagały rozległej rewizji. Towarzyszący wykres wykorzystuje też interpolację między podanymi kamieniami milowymi. Jego gładkiej krzywej nie należy interpretować jako zapisu pojedynczo zaobserwowanych wdrożeń.

Konkurencja wzmacnia potrzebę badania wyników. W sierpniowym opisie pomiaru agentów Mixpanel opisał wykorzystanie analizy odtworzeń do ulepszenia własnego agenta. Wyjaśnił również, dlaczego sam poziom zaangażowania nie wystarcza do oceny sukcesu.

Listopadowe aktualizacje analityki agentów Mixpanel rozwijają ten kierunek. Wersja beta Agent Intelligence łączy aktywność w rozmowach z analityką produktu, a inne aktualizacje przybliżają wyniki eksperymentów i planowanie do istniejących raportów.

Te rozwiązania stanowią istotny kontekst, lecz ogłoszenia nie oferują kontrolowanego porównania z Wave. Różne opisy produktów i przykłady klientów nie pozwalają stwierdzić, który dostawca tworzy lepsze rekomendacje lub trwalsze ulepszenia.

Presja konkurencyjna jest wyraźniejsza niż ranking konkurentów. Dostawcy analityki coraz częściej muszą wyjaśniać, jak ich systemy wspierają działanie i oceniają jego konsekwencje. Podsumowanie wykresu to inna propozycja niż pomoc zespołowi w podjęciu decyzji, czy wdrożyć zmianę.

Dla nabywców korporacyjnych brakującym dowodem jest pełny obraz podjętej pracy. Rekomendacje poddane weryfikacji, odrzucone eksperymenty, cofnięte zmiany i utrzymane korzyści wpływają na uzasadnienie biznesowe. Świętowanie wyłącznie uruchomionych sukcesów pozostawia koszt nieudanej pracy poza kadrem.

Obserwuj trwałe wyniki, cały proces i powtarzalne użycie

Kolejne dowody powinny wyjaśnić, czy szybsze decyzje tworzą trwałą wartość dla klientów w codziennej pracy.

W ciągu najbliższych kilku miesięcy pierwszym sygnałem wartym obserwacji będą pomiary uzupełniające dotyczące zgłoszonych eksperymentów. Dłuższe okresy obserwacji wzmocniłyby argumentację, gdyby korzyści się utrzymywały i łączyły z istotnymi wynikami. Rezultaty ograniczone do początkowej interakcji wspierałyby węższą interpretację.

W przypadku przykładu strony głównej oznacza to dowody wykraczające poza wybór sugestii. Udane rozmowy, ponowne użycie i dalsze zachowania klientów pomogłyby wyjaśnić, czy personalizacja poprawiła doświadczenie. Sama zmiana między metodami wprowadzania danych pozostawiłaby to pytanie otwarte.

Ten sam standard dotyczy przykładów klientów. Opublikowany baner może poprawić mierzony etap, nie rozwiązując całego problemu onboardingu. Dalsze raportowanie powinno zachować to rozróżnienie i pokazać, czy ukierunkowane usprawnienie ma znaczenie w dalszej części ścieżki klienta.

Drugim sygnałem jest przejrzystość dotycząca całego procesu od możliwości do wdrożenia. Nabywcy muszą zobaczyć, ile rekomendacji przekształca się w zaakceptowane analizy, wdrożone eksperymenty i utrzymane wydania. Powody odrzucenia i nakład pracy na rewizje ułatwiłyby ocenę tych przejść.

Pełniejsze raportowanie wzmocniłoby szacunek 1–2 dni, jeśli porównywalne zmiany konsekwentnie postępują szybciej przy rozsądnym nakładzie na weryfikację. Osłabiłoby szersze interpretacje, gdyby krótkie terminy opisywały jedynie niewielki, wyjątkowo prosty podzbiór.

Nie wymaga to, by każda rekomendacja odniosła sukces. System badania produktów powinien generować hipotezy, które czasem zawodzą. Pytanie brzmi, czy identyfikowanie i testowanie tych hipotez wymaga mniejszego wysiłku organizacyjnego, przy jednoczesnym podejmowaniu lepszych decyzji.

System, który szybko odrzuca niepoparty pomysł, może oszczędzać cenny czas. System generujący atrakcyjne propozycje wymagające rozległych korekt może tworzyć dodatkową pracę. Raportowanie obu wyników wyjaśniłoby, który wzorzec dominuje.

Trzecim sygnałem jest powtarzalne użycie po początkowym okresie wdrożenia. Rozwój produktów z Amplitude Wave staje się bardziej przekonujący, gdy zespoły wracają z nowymi celami i zachowują wnioski z wcześniejszych eksperymentów. Powtarzalna zależność od pomocy dostawcy sugerowałaby inny model działania.

Relacje klientów powinny wyraźnie pokazywać to rozróżnienie. Zespoły korzystające z systemu niezależnie przy kolejnych wydaniach stanowiłyby silniejszy dowód niż pojedyncze demonstracje. Szczególnie przydatne byłyby relacje opisujące porażki, nadpisania decyzji i zmiany w praktyce weryfikacji.

Konkurencyjne wydania należą do tej oceny, gdy dostarczają porównywalnych dowodów. Samo ogłoszenie kolejnego agenta analitycznego niewiele wnosi. Większe znaczenie miałaby udokumentowana poprawa jakości decyzji, nakładu pracy wdrożeniowej lub trwałych wyników klientów.

Historia Amplitude Wave wskazuje na szerszą rolę analityki: pomoc w definiowaniu pracy, przenoszenie jej uzasadnienia do wdrożenia i ocena wyniku. Obecne dowody wyraźniej wspierają ograniczoną iterację produktu niż ogólną obietnicę autonomicznego ulepszania.

Jeśli oceniasz takie podejście, poproś o pełny przykład klienta, uwzględniający rekomendacje, które nigdy nie zostały wdrożone. Przeanalizuj pierwotne dowody, zmiany wprowadzone przez ludzi do propozycji oraz wynik po początkowym teście. Zapytaj, ile weryfikacji pozostało i które decyzje nadal wymagały wiedzy produktowej. Porównaj ten zapis z obecnym procesem przed rozszerzeniem uprawnień systemu. Użyteczne pytanie brzmi, czy Twój zespół podejmuje lepiej uzasadnione decyzje przy mniejszej ilości powtarzalnej pracy. Ten standard pozostawia miejsce na szybsze kodowanie, odrzucone hipotezy i świadomy osąd człowieka. Zacznij od obszaru produktu, w którym wynik jest na tyle jasny, że można go zmierzyć, a następnie wymagaj dowodów, że poprawa się utrzymuje.

 
 

Zacznij bezpłatnie

Asystent AI działający przede wszystkim lokalnie, z funkcją zarządzania wiedzą osobistą

Aby zapewnić lepsze działanie AI,

remio obsługuje obecnie wyłącznie Windows 10+ (x64) i M-Chip Macs.

Twój partner AI w pracy
Zrób więcej z remio

Planuj. Twórz. Dostarczaj.
Wszystko w jednym miejscu.

bottom of page