Miro jako narzędzie w procesie produktowym — Transcript

Prezentacja narzędzia Miro w procesie produktowym z wykorzystaniem AI do analizy danych i tworzenia prototypów aplikacji fitness.

Key Takeaways

Miro jest wszechstronnym narzędziem wspierającym cały proces produktowy od analizy do prototypowania.
Integracja AI w Miro znacząco przyspiesza przetwarzanie danych i generowanie wniosków z badań użytkowników.
Wspólna praca zespołowa i transparentność decyzji projektowych są łatwiejsze dzięki cyfrowej tablicy Miro.
Narzędzie jest dostępne w darmowej wersji z podstawowymi funkcjami oraz w płatnej wersji z rozszerzonymi możliwościami AI.
Praktyczne zastosowanie Miro w projekcie aplikacji fitness pokazuje jego efektywność i elastyczność.

Summary

Budowanie produktów cyfrowych to proces angażujący różne specjalizacje, który dzięki AI staje się szybszy i bardziej efektywny.
Miro jest narzędziem wspierającym cały proces produktowy – od analizy warsztatów i transkryptów rozmów, po tworzenie prototypów.
Miro umożliwia wizualizację danych, mapowanie procesów użytkowników, tworzenie diagramów i interaktywnych prototypów.
AI w Miro pomaga automatycznie generować karteczki, podsumowania i syntezować dane z warsztatów i transkryptów.
Przykład praktyczny pokazuje wykorzystanie Miro do przetwarzania feedbacku użytkowników aplikacji fitness i tworzenia prototypów.
Miro łączy cechy fizycznych warsztatów z cyfrową analizą, ułatwiając śledzenie decyzji projektowych i współpracę zespołową.
Darmowy plan Miro oferuje jedną tablicę i 10 kredytów AI, a plan płatny kosztuje około 20 USD miesięcznie na osobę.
Proces zaczyna się od zrozumienia potrzeb użytkowników poprzez rozmowy i warsztaty, a kończy na prototypowaniu rozwiązania.
Miro pozwala na szybkie przejście od chaosu kreatywności do uporządkowanej wiedzy i konkretnego konceptu produktu.
Narzędzie jest wykorzystywane przez zespoły produktowe, designerów i programistów do efektywnej współpracy i szybkiego prototypowania.

Full Transcript — Download SRT & Markdown

Speaker A

Budowanie produktów cyfrowych to wieloetapowy proces, który tradycyjnie wymagał zaangażowania różnych specjalistów, od analityków biznesowych, przez UX designerów, aż po programistów. Dziś AI zmienia zasady gry, umożliwiając nam znacznie szybsze przetwarzanie i analizę danych z badań użytkowników, a także generowanie

Speaker A

prototypów nawet osobom bez technicznego doświadczenia. Celem dzisiejszej lekcji jest pokazanie, jak Miro może stać się waszym głównym narzędziem w całym procesie produktowym - od analizy wyników warsztatów z klientami, przez przetwarzanie transkryptów rozmów, aż po tworzenie prototypów aplikacji.

Speaker A

Miro sprawdza się zarówno w pracy wewnętrznej zespołu, jak i podczas sesji współpracy z klientami.

Speaker A

Można w nim wizualizować złożone dane, mapować procesy użytkowników, tworzyć szczegółowe schematy informacyjne, budować interaktywne prototypy, prowadzić burze mózgów i warsztaty design thinking.

Speaker A

Jako Head of Product w GOG regularnie z moim zespołem korzystamy z Miro i mogę powiedzieć, że to narzędzie rewolucjonizuje sposób, w jaki pracujemy.

Speaker A

Dzięki niemu udało nam się skrócić czas od zebrania feedbacku użytkowników do sformułowania konkretnych hipotez produktowych z dni do godzin.

Speaker A

Regularnie przeprowadzamy warsztaty, na których wszyscy, od designerów i programistów po interesariuszy biznesowych, wspólnie tworzymy prototypy. Na jednym takim warsztacie w zaledwie 60 minut wygenerowaliśmy 14 różnych prototypów naszej strony głównej, to pokazuje, jak potężnym narzędziem może być Miro w rękach zespołu,

Speaker A

który wie, jak z niego korzystać. Budowanie każdego produktu zaczyna się od jednego fundamentalnego pytania: czego naprawdę potrzebują nasi użytkownicy? Zanim zaczniemy prototypować jakiekolwiek rozwiązanie, musimy zrozumieć problemy, z jakimi mierzą się nasi potencjalni klienci.

Speaker A

Jak obecnie radzą sobie z tymi wyzwaniami? Jakich narzędzi używają i dlaczego ich obecne rozwiązania ich nie satysfakcjonują?

Speaker A

I wreszcie, gdyby mieli magiczną różdżkę, jak wyglądałoby ich idealne rozwiązanie? Celem tego procesu jest zbudowanie prawdziwej empatii wobec użytkownika i głębokie zrozumienie kontekstu, w którym działają. W praktyce oznacza to rozmowy, czy to z naszymi przedstawicielami handlowymi i zespołem obsługi klienta, czy też dedykowane warsztaty

Speaker A

prowadzone przez UX researcherów lub product managerów. Bardzo często organizujemy też warsztaty, podczas których zbieramy spostrzeżenia na kolorowych karteczkach, mapujemy procesy na dużych tablicach czy tworzymy diagramy procesów użytkownika.

Speaker A

Jeśli dobrze przeprowadziliśmy wywiady, dzięki narzędziom AI takim jak Gemini możemy automatycznie wygenerować transkrypty rozmów i wyciągnąć kluczowe wnioski.

Speaker A

Ale prawdziwy problem pojawia się po warsztatach. Zostajecie z tablicą pełną karteczek, stenogramów, zdjęć, diagramów. Jak to wszystko przetworzyć w użyteczne wnioski i konkretne kierunki działania?

Speaker A

Jak uporządkować chaos kreatywności w strukturalną wiedzę o naszych użytkownikach? Jak przejść od setek różnorodnych spostrzeżeń do spójnego konceptu produktu?

Speaker A

I właśnie tutaj wkracza Miro jako narzędzie, które łączy najlepsze cechy fizycznych warsztatów z mocą cyfrowej analizy.

Speaker A

Dzisiaj przejdziemy całą ścieżkę, od surowych danych z transkryptów i fizycznych karteczek, po gotowy prototyp aplikacji, która rozwiązuje konkretny problem użytkowników.

Speaker A

Zobaczycie, jak w jednym narzędziu możemy przejść od analizy potrzeb przez syntezę spostrzeżeń, generowanie konceptów, aż do wizualizacji rozwiązania gotowego do testów z klientami.

Speaker A

Co szczególnie wartościowe, wszystko to dzieje się w jednym miejscu, co oznacza, że możecie łatwo śledzić, skąd wzięły się poszczególne decyzje projektowe, kiedy za trzy miesiące ktoś zapyta, dlaczego akurat ten przycisk jest tutaj, będziecie mogli pokazać całą ścieżkę od oryginalnego problemu użytkownika przez spostrzeżenia

Speaker A

z badań, aż po rozwiązanie projektowe. Jeśli chodzi o koszty, Miro oferuje darmowy plan, który obejmuje jedną tablicę roboczą oraz 10 kredytów AI do wykorzystania na różne funkcje wspomagane sztuczną inteligencją. To wystarczy, żeby poznać narzędzie i przetestować podstawowe funkcjonalności.

Speaker A

Gdy przekonacie się do narzędzia i będziecie potrzebować więcej tablic czy dodatkowych funkcji AI, plan płatny kosztuje około 20 dolarów miesięcznie na osobę.

Speaker A

Dobrze, ale wystarczy już tej teorii i przejdźmy do praktyki. Przez najbliższych kilkanaście minut pokażę wam, w jaki sposób ja korzystam z Miro na konkretnym przykładzie aplikacji fitness. Przejdziemy sobie przez feedback użytkowników, przetworzymy go, wyciągniemy z niego wnioski, a na koniec zbudujemy prototypy aplikacji.

Speaker A

No to zaczynamy. Miro, tak jak widzicie tutaj, jest to tak naprawdę jedna wielka interaktywna tablica. Wyobraźcie sobie, że to jest po prostu taki whiteboard, czyli biała tablica, jakie wiele z was zna z biura, na której naklejacie karteczki albo dokumenty,

Speaker A

zdjęcia, tylko wszystko się odbywa digitalowo. Po lewej stronie macie przybornik, w którym macie różne funkcje. Ta funkcja, która nas najbardziej będzie interesować, to oczywiście funkcja AI. Czyli mamy tutaj tego naszego AI-owego asystenta, po kliknięciu którego pojawia nam się kilka funkcji dotyczących

Speaker A

sztucznej inteligencji, co można razem z nim zrobić tutaj z zawartością naszej tablicy. Oczywiście oprócz tego możemy przyklejać sobie karteczki, to dokładnie tak samo, jakbyśmy to robili na białej tablicy, karteczka, jak widzicie, można ich wiele naklejać i sobie tutaj budować

Speaker A

tablicę z notatkami. Można oczywiście doklejać teksty, jakieś szablony, tworzyć mapy myśli, diagramy przepływu użytkowników czy przepływu informacji.

Speaker A

Generalnie rzecz biorąc, wszystko, co jesteście w stanie zrobić z mazakiem i białą tablicą, jesteście również w stanie zrobić w Miro.

Speaker A

Zaczniemy sobie od naszego case'u, czyli tak jak wspominałem, będziemy próbowali przetworzyć feedback od użytkowników odnośnie aplikacji fitness, z których korzystają.

Speaker A

Wyobraźmy sobie, że jesteśmy przedsiębiorcą, który chce stworzyć aplikację, która będzie agregować różnego rodzaju zajęcia sportowe w waszym mieście.

Speaker A

Więc jeżeli planujemy budowę takiej aplikacji, to pierwsze, co musimy zrobić, to zacząć od rozmowy z użytkownikami.

Speaker A

Jeśli zrobiliśmy to dobrze, mamy prawdopodobnie dwa efekty tej pracy. Pierwszy, jak widzicie na ekranie tutaj, to są karteczki podsumowujące główne wnioski z waszych rozmów.

Speaker A

I tutaj widzicie, to jest faktyczne zdjęcie karteczek, które nakleiłem na białą tablicę u siebie w biurze. "Chcę widzieć zajęcia w mojej okolicy, chcę zapisać się na konkretne zajęcia, za mały wybór zajęć, więcej zajęć z pilatesu." Są to konkretne wnioski użytkowników różnych aplikacji fitness,

Speaker A

bądź też takich, którzy nie korzystają z żadnych aplikacji. Drugim efektem takich rozmów z użytkownikami będą transkrypty tych rozmów. Są różne narzędzia AI, które oferują opcję transkrypcji.

Speaker A

To co tutaj widzicie, to mamy konkretne podsumowanie i w zasadzie przebieg całej rozmowy. Mamy osobę przeprowadzającą wywiad: jak obecnie organizujesz swoje treningi? I mamy Pawła, który opisuje, w jaki sposób korzysta z aplikacji sportowej, w jaki sposób uczęszcza na sport.

Speaker A

Zaczniemy sobie od karteczek. Chciałem wam pokazać, jaka jest moc tego narzędzia, o którym dzisiaj opowiadamy.

Speaker A

Więc jeżeli mamy takie karteczki i chcielibyśmy sobie je szybko scyfryzować, oczywiście tutaj na tej tablicy nie jest ich specjalnie dużo, ale kto przeprowadzał kiedykolwiek warsztaty design thinking, wie, że tych karteczek może być naprawdę od groma i zajmuje dość sporo czasu ich podsumowanie.

Speaker A

Możemy wykorzystać właśnie funkcję Miro AI. Kiedy klikniemy tutaj na tę opcję AI-ową, mamy kilka różnych opcji. On nas pyta, jaki rodzaj dokumentu, jaki rodzaj artefaktu ma dla nas wygenerować.

Speaker A

I tutaj w tym konkretnym przypadku będziemy chcieli, żeby wygenerował dla nas karteczki. Więc klikając tutaj na te karteczki, on nas pyta dalej, z czego mam ci wygenerować te karteczki. I mamy dwie opcje.

Speaker A

Pierwsza to jest prompt tekstowy, czyli my zasadniczo możemy mu nawet powiedz

Speaker A

to jest pokazać mu zdjęcie karteczek z prawdziwego, realnego życia. Więc weźmiemy to zdjęcie, które tutaj mamy.

Speaker A

Ja tutaj otworzę i wgram z mojego dysku i wklejam mu dokładnie to samo zdjęcie karteczek.

Speaker A

On w tej chwili przetwarza to zdjęcie i generuje. I proszę bardzo, jak widać, na żywo, bardzo szybko jest w stanie wygenerować nam podsumowanie z tych karteczek.

Speaker A

Możemy nawet sobie nałożyć jedne na drugie i zobaczyć, czy zgadzają się one kolorystycznie. "Chcę widzieć swoją rutynę," przepraszam: "chcę mieć swoją rutynę".

Speaker A

Proszę bardzo, jest: "Chcę mieć swoją rutynę", zielona karteczka. "Chcę poznać nowych ludzi", jest różowa karteczka. "Za mały wybór zajęć", jest żółta karteczka, więc jak widać, bardzo szybko można takie karteczki wygenerować bezpośrednio ze zdjęcia tego, co zrobiliście, jest to gigantyczna

Speaker A

oszczędność czasu dla każdego, kto kiedykolwiek prowadził warsztaty z karteczkami. Wystarczy, że zrobicie zdjęcie tablicy, wgracie je do Miro i on całą resztę wykona za was.

Speaker A

Te karteczki można później oczywiście również z Miro AI przetwarzać, moglibyśmy przygotować podsumowanie, mapę myśli, jakieś dokumenty w oparciu o te karteczki.

Speaker A

Opcji jest tutaj bardzo dużo, jeżeli chodzi o przetwarzanie tych informacji i ich ustrukturyzowanie. Przejdźmy natomiast do naszych transkryptów. Transkrypty mają dużo więcej kontekstu w sobie niż karteczki, albowiem jest to przebieg całej rozmowy z użytkownikiem, którą przeprowadziliśmy.

Speaker A

I podobnie, tak jak z karteczkami, to co możemy tutaj zrobić, to możemy zaznaczyć sobie tutaj z shiftem te konkretne dokumenty, w których mamy te transkrypty i użyć opcji Miro AI. Miro może przygotować dla nas diagram albo mapę myśli, może przygotować dokument,

Speaker A

czyli zadamy mu jakiś prompt, w którym powiemy mu na przykład: "Przygotuj podsumowanie kluczowych wniosków z tych transkryptów", możemy poprosić go o przygotowanie nawet obrazka na podstawie tych wywiadów, prototypu aplikacji, o czym za chwilę sobie porozmawiamy, również karteczek czy tablicy.

Speaker A

Zrobimy dzisiaj dwie rzeczy. Pierwsza, przygotujemy sobie mapę myśli, żeby sobie zwizualizować, w jaki sposób użytkownicy odpowiadali na nasze pytania dotyczące tej aplikacji fitness.

Speaker A

A druga rzecz to od razu przejdziemy od nieuporządkowanych transkryptów rozmów z użytkownikami do hipotez produktowych, które następnie przerobimy na prototypy aplikacji.

Speaker A

Więc zacznijmy od tej mapy myśli. Kiedy klikniemy na diagram albo mapę myśli, on nas pyta o konkretny, jaki rodzaj diagramu chcemy, zaznaczamy "mapa myśli" i napiszemy tak: "Przygotuj analizę potrzeb użytkowników aplikacji fitness".

Speaker A

Klikamy Enter i AI zaczyna nam generować mapę myśli. To zajmuje dosłownie 10 sekund, mapa myśli się wygenerowała i tutaj widzimy główny wniosek, czyli analiza potrzeb użytkownika aplikacji fitness i widzimy, że AI przygotował nam rozwidlenie po prostu tutaj wszystkich kluczowych wniosków

Speaker A

z tych transkryptów. Przesuniemy sobie tutaj to, żeby było lepiej widoczne. Aplikujemy to do canvasu.

Speaker A

I proszę, widzimy. Rekomendowane funkcje, rozwidlenie, elastyczne rezerwacje, funkcje społecznościowe, bogaty system informacji. Na co rozwidla się bogaty system informacji?

Speaker A

Szczegółowe profile trenerów z ocenami, filmy prezentujące zajęcia, oznaczenia poziomu trudności. Możemy do każdego takiego drzewka dodać dodatkowy element i tutaj coś napisać, typu filmiki instruktażowe.

Speaker A

Tę mapę myśli jesteśmy w stanie rozbudowywać, edytować za pomocą sztucznej inteligencji i dokładać do niej nowe elementy.

Speaker A

Widzimy tutaj segmenty użytkowników: użytkownicy aplikacji fitness, użytkownicy pojedynczego studia, osoby nie korzystające z aplikacji fitness.

Speaker A

I po drugiej stronie mamy konkretne problemy obecnych rozwiązań, problemy z rezerwacją, problemy z lokalizacją, czy oczekiwania użytkowników, elastyczność, personalizacja, intuicyjny interfejs.

Speaker A

Jak widzicie, ta mapa myśli jest dość rozbudowana, a to wszystko tak naprawdę w zaledwie 10 sekund i jeden krótki prompt, który brzmiał: "Wykonaj analizę potrzeb użytkownika na podstawie transkryptów z rozmów".

Speaker A

Widzicie w jaki sposób to ułatwia nam tak naprawdę pracę z transkryptami i przejście od surowych danych do konkretnych wniosków, czy do nawet analizy raportu, który możemy przedstawić naszym klientom, interesariuszom biznesowym czy zarządowi.

Speaker A

Mamy mapę myśli, natomiast chciałbym, żebyśmy na podstawie transkryptów rozmów przygotowali gotowe konkretne hipotezy produktowe.

Speaker A

I z Miro, tak jak z każdym innym narzędziem AI, wszystko zależy od jakości promptu.

Speaker A

Czyli w momencie, w którym ja zaznaczam sobie na przykład te transkrypty rozmów i piszę jednozdaniowy krótki prompt właśnie: "Przygotuj mi analizę" albo "Wygeneruj pomysły na aplikację", on z pewnością sobie poradzi.

Speaker A

Natomiast im dłuższy, im bardziej szczegółowy, ukontekstowiający prompt, który zadajemy sztucznej inteligencji, tym potencjalnie lepsze wyniki, bardziej powtarzalne, bardziej szczegółowe, lepiej dopasowane do naszych potrzeb.

Speaker A

Dlatego ja zawsze, kiedy pracuję z takimi narzędziami, poświęcam sobie trochę więcej czasu na to, żeby przygotować sobie konkretne, szczegółowe prompty do moich zadań i robię to na przykład z Chatem GPT, Gemini, Claudem, którykolwiek LLM świetnie się w tym sprawdza.

Speaker A

Więc przed naszym dzisiejszym spotkaniem przygotowałem sobie taki prompt i nazwałem go "Bezwzględny Product Lead".

Speaker A

Zadaniem tego promptu jest odrzucenie wszelkiego rodzaju konwenansów związanych z warsztatami, na przykład design thinking i zastanawiania się nad różnymi metodami warsztatowymi.

Speaker A

On ma wziąć surowe informacje od użytkownika i na ich podstawie wygenerować konkretne hipotezy produktowe.

Speaker A

To, co jest super istotne w tym prompcie, to na samym początku problem. I nasz problem jako twórców aplikacji fitness brzmi tak: rośnie popularność różnorodnych narzędzi fitness, pilates, joga, crossfit, taniec, prowadzonych przez niezależnych trenerów w różnych studiach po mieście. Tradycyjne karnety

Speaker A

do pojedynczych siłowni nie odpowiadają na potrzeby użytkowników, którzy chcą elastyczności i możliwości próbowania różnych aktywności. Obecne rozwiązania mają szereg problemów - tutaj wypisujemy problemy - i chcemy stworzyć aplikację mobilną, która rozwiąże te problemy przez prostotę, przejrzystość i lepsze dopasowanie do realnych

Speaker A

potrzeb użytkowników." I teraz tak, te clue naszego promptu. "Jesteś product managerem w dynamicznym startupie technologicznym specjalizującym się w aplikacjach mobilnych.

Speaker A

Twoja super moc to błyskawiczne przekształcanie chaotycznego feedbacku użytkowników w konkretne pomysły na przypływy użytkownika w aplikacji mobilnej, gotowe do zaprojektowania i prototypowania.

Speaker A

Pomijasz długie analizy i teoretyzowanie. Twój zespół potrzebuje jasnych, wykonalnych pomysłów na kluczowe ścieżki użytkownika" i tak dalej, i tak dalej.

Speaker A

Jak widzicie, cała struktura tego promptu, my go wam udostępnimy, będziecie w stanie go sobie przeanalizować na spokojnie, samodzielnie.

Speaker A

Natomiast ten prompt jest ustrukturyzowany do tego, żeby wyciągnąć z transkryptów z użytkownikami kluczowe wnioski.

Speaker A

Więc to, co my robimy teraz w Miro, zaznaczamy sobie te transkrypty. Najpierw kopiujemy ten prompt.

Speaker A

Teraz zaznaczamy sobie te transkrypty. Klikamy "Create with AI" i prosimy go o wykonanie dokumentu na podstawie tych czterech transkryptów.

Speaker A

On nam tutaj mówi, że są cztery obiekty zaznaczone. Wklejamy nasz prompt, klikamy Enter i Miro zaczyna generować nam dokument z hipotezami.

Speaker A

Proszę bardzo, pomysły na user flow aplikacji fitness, widzicie, jak on w czasie rzeczywistym tak naprawdę generuje te pomysły, czyli mamy problem użytkownika, użytkownicy nie mają przejrzystych informacji o trenerach i zajęciach, co utrudnia wybór odpowiednich aktywności, pomysł na user flow aplikacji,

Speaker A

czyli jak będzie przebiegała ścieżka użytkownika, ekran mapy listy, ekran szczegółów zajęć, profil trenera, ekran rezerwacji.

Speaker A

W moim prompcie, ponieważ chciałbym, żeby AI pomógł mi wymyślać nowe pomysły i był dla mnie takim partnerem kreatywnym, zawarłem tak naprawdę informację, żeby on przygotował mi kilka pomysłów na user flow.

Speaker A

Więc jak widzicie, tutaj mamy pomysł na user flow drugi, on jest trochę inny, ekran główny, ekran metod płatności, ekran podsumowania płatności, user flow 3, 4, a nawet 5. Więc w sumie sztuczna inteligencja wygenerowała nam na podstawie feedbacku od użytkowników

Speaker A

pięć różnych hipotez, hipotez produktowych, hipotez, w jaki sposób powinna wyglądać i działać nasza aplikacja fitness. Wybierzemy sobie pomysł pierwszy i w następnej lekcji przeprowadzę was przez to, w jaki sposób Miro może wygenerować prototypy aplikacji na podstawie tak wygenerowanych

Speaker A

hipotez produktowych. A więc podsumujmy sobie, co tutaj się zadziało. Pokazałem wam, w jaki sposób możemy scyfryzować karteczki warsztatowe i to się tyczy nie tylko karteczek, ale wszelkiego rodzaju dokumentów, które macie i chcecie po prostu wrzucić na taką interaktywną tablicę.

Speaker A

Stworzyliśmy sobie mapę myśli z transkryptów rozmów z użytkownikami aplikacji fitness i wreszcie za pomocą konkretnego, długiego, ale bardzo szczegółowego prompta "Bezwzględny Product Lead" wygenerowaliśmy sobie pięć hipotez produktowych bezpośrednio z transkryptów z rozmów z użytkownikami. A więc pominęliśmy bardzo

Speaker A

wiele etapów warsztatowych związanych z podsumowywaniem informacji od użytkowników, z generowaniem pomysłów. Słowem, zaoszczędziliśmy tutaj w ciągu tych 15 minut prawdopodobnie kilka godzin, jeśli nie dni pracy wielu osób.

Speaker A

To pokazuje, jak potężnym narzędziem jest Miro, jeżeli chodzi o analizę i syntezę informacji, którą uzyskujemy od naszych klientów czy użytkowników.

Speaker A

A to dopiero początek, bo w następnej lekcji pokażę wam, jak przejść od informacji do konkretnych prototypów.

Topics:Miroproces produktowynarzędzia AIprototypowaniedesign thinkingbadania użytkownikówwarsztaty produktoweaplikacja fitnessdigitalizacja warsztatówwspółpraca zespołowa

Frequently Asked Questions

Jakie funkcje Miro są najbardziej przydatne w procesie produktowym?

Miro umożliwia wizualizację danych, mapowanie procesów użytkowników, tworzenie diagramów, interaktywnych prototypów oraz prowadzenie burz mózgów i warsztatów design thinking, co wspiera cały proces produktowy.

W jaki sposób AI wspomaga pracę w Miro?

AI w Miro pomaga automatycznie generować karteczki, podsumowania i syntezować dane z transkryptów rozmów i warsztatów, co znacznie przyspiesza analizę i tworzenie wniosków produktowych.

Czy Miro jest dostępne bezpłatnie i jakie są koszty planów płatnych?

Miro oferuje darmowy plan z jedną tablicą i 10 kredytami AI do testowania funkcji. Plan płatny kosztuje około 20 dolarów miesięcznie na osobę i oferuje więcej tablic oraz rozszerzone funkcje AI.

Get More with the Söz AI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries, speaker detection, and unlimited transcriptions.

App Store Google Play

Or transcribe another YouTube video here →