Miro AI 重构 JTBD 工作流：打造企业级创新操作系统
在创新管理的复杂版图中，Jobs to Be Done (JTBD) 框架，特别是其基于 Outcome-Driven Innovation (ODI) 的分支，被视为连接用户真实需求与产品解决方案的关键桥梁。然而，尽管 Miro 曾推出广受好评的 JTBD 模板，拥有超过 8,000 名用户，但在实际落地过程中，团队始终面临一个核心痛点：如何高效、准确地处理海量的定性访谈数据。
传统 ODI 方法的执行困境
ODI 的核心在于将模糊的用户需求转化为精确的“期望结果陈述”。它要求将一项工作拆解为具体步骤（Job Map），并深入访谈执行者（Job Executors）。然而，这一过程在物理工作坊中极其繁琐：
- 数据爆炸：单个目标工作可能产生超过 100 条期望结果陈述。
- 关联断裂：每一条洞察都必须追溯到具体的步骤、情境和受访者的原话。一旦分析完成，这些细粒度的连接往往在人工整理或跨工具传输中丢失。
- 决策滞后：由于依赖外部工具生成报告，团队往往在访谈结束后才看到分析结果，导致无法及时调整后续访谈策略。
AI Flows 带来的范式转变
Miro 此次发布的更新，并非简单的文本摘要，而是构建了一个结构化的 AI 工作流。其核心逻辑在于：AI 不再仅仅输出“用户想要更快的结账”这样的主题，而是输出包含完整上下文的结构化证据行。
核心功能特性
当团队将访谈转录文本拖入 Miro 板并运行 AI Flow 时，系统会执行以下高精度操作：
- 智能映射：自动识别转录内容中的关键信息，并将其匹配到预先定义的 Job Map 步骤中。
- 四要素结构化输出：每一行证据都严格包含四个维度：
- 参与者与情境：谁在什么情况下说话。
- 工作步骤：该行为发生在 JTBD 流程的哪一环。
- 原始引语：保留客户原话，作为不可篡改的证据。
- 结果假设：基于引语推导出的具体、可衡量的期望结果。
- 关联保持：这是本次更新的最大亮点。AI 生成的洞察不会覆盖原始文本，而是作为注释或关联数据存在。团队成员可以随时点击原始引语，追溯其背后的具体情境和步骤，确保推理过程完全透明且可挑战。
实际应用价值
对于研发和产品经理而言，这一更新意味着：
- 从“主题”到“证据”：告别了笼统的定性分析，获得可直接用于验证假设的微观证据。
- 实时迭代：分析过程与访谈同步，团队可在访谈间隙即时调整下一步的研究方向。
- 协作增强：所有成员在同一工作流中查看结构化数据，减少了因信息传递失真导致的沟通成本。
正如 Miro 团队所强调的，这次更新不仅仅是工具的升级，更是将 JTBD 从一种理论框架转化为可执行的创新操作系统，让定性研究的严谨性与 AI 的效率完美结合。
注：本文基于 Miro 官方博客关于 Rebuilding Jobs to Be Done with AI 的深度解读编译。
