Amplitude は長年、チームがユーザーの製品利用実態を把握できるよう支援してきた。同社のプロアクティブなプロダクトエージェント「Wave」は、その洞察を実際の改善出荷につなげる。Amplitude によると、Wave は GPT‑6.1 Sol、GPT‑6 Luna、GPT‑Image‑2.5 Flare を含む OpenAI モデルで約 80% 動作する。Wave は製品データから機会を特定し、実装計画を策定し、Codex などのコーディングエージェントに作業を引き渡し、その後影響を測定して次の改善に反映する。
Amplitude は、Wave により製品改善の出荷期間が約 1 か月から 1~2 日に短縮できると推定している。自社ホームページでは、Wave が提案カードのパーソナライズを支援し、カード経由の送信が 160% 増加した。CEO の Spenser Skates 氏は、AI はこれまで割り当てる発想がなかった有用な作業を見つけられるようになり、OpenAI のモデルは問題を調査し、コードを書いて実行し、その結果を次に試すべきことの判断に使えると述べている。
Wave の使い方はこうだ。チームが製品領域と改善したい目標・指標を指定すると、Wave は Amplitude のデータ、セッションリプレイ、顧客フィードバック、コードを統合し、機会を特定・優先順位付けし、解決策を開発し、人とコーディングエージェントの実装を調整する。その後、結果を追跡し、その学びを次の改善ラウンドに活かす。
基盤では、Amplitude はタスクごとに異なる OpenAI モデルを使い分ける。GPT‑6.1 Sol は機会管理やコードとデータの深い調査を支え、GPT‑6 Luna はコードのスキャンや小規模な評価チェックなど頻繁で低コストのタスクを処理する。GPT‑Image‑2.5 Flare はセッションリプレイのスクリーンショットを視覚的参照として製品モックアップを生成する。機会が構築可能になると、チームは技術計画と受け入れ基準を添えて Wave から Codex などのコーディングエージェントに直接送信できる。
Amplitude は自社ホームページで Wave を試した。ホームページには、ユーザーが AI エージェントとの会話を始めやすくする汎用の提案カードがあったが、Wave はユーザーがしばしばそれを回避していることを発見した。100 件のセッションリプレイのサンプルでは、80 人のユーザーが自分で質問を入力し、提案を選んだのは 12 人だけだった。Wave は、最近のチャートやダッシュボード、ユーザーが来たページを使ってカードをパーソナライズすることを提案し、変更の図解と技術計画を生成した。計画には、自由入力の維持や、パーソナライズのコンテキストがない場合に汎用提案を表示することも含まれていた。チームは簡単なレビューの後、作業をコーディングエージェントに渡し、A/B テストを実施した。実験結果では、1 日後にホームページの提案カード経由で送信されたメッセージが対照群と比べて 160% 増加した。
Wave のタスクはモデルに異なる要求をする。深い調査には強力な推論と根拠のある結論が必要で、何百回も繰り返される小さなチェックには高速性と低コストが求められる。Amplitude は各タスクについて品質、レイテンシ、コストを評価し、それに応じてモデルを割り当てる。Opportunity Investigator の評価では、GPT‑6.1 Sol が総合 4.06/5 を記録し、代替モデル 3 つの 3.62、3.52、2.94 を上回った。5 つの調査基準すべてでリードし、調査時間の中央値も最速の 54 分だった。
Data Science Agent の別評価では、GPT‑6.1 Sol は 67.5/100 で、別の主要モデルは 69.3 だった。しかし GPT‑6.1 Sol の平均モデルコストはディスパッチあたり 1.28 ドルで、2.63 ドルの後者より低かった。また、ツール契約の遵守、推定と不確実性、根拠の裏付けで高いスコアを得た。コードのスキャンや小規模な評価チェックなど高頻度の作業には、GPT‑6 Luna を使ってレイテンシとコストを抑える。作業を専門エージェントに分割することで、チームはより高価な推論を最も必要なタスクに集中できる。
ワイヤーフレームやモックアップの生成では、OpenAI の画像生成モデルがソリューションのワイヤーフレーム評価で 80.3/100 を記録し、別の画像生成モデルは 63.9 だった。評価は 15 の機会にわたり、コミュニケーション品質、製品忠実度、指示遵守、テキストと UI の可読性、視覚的一貫性を対象とした。
業界を問わず顧客がベータ版で Wave を使い、製品改善の特定と出荷を進めている。Wave はセッションと分析データを分析し、提案された修正、技術計画、受け入れ基準を含む推奨事項を開発する。そこからチームは自動化のレベルを制御できる。多くのチームはバグ修正をコーディングエージェントに直接送り、新機能や大きな賭けには人間のレビューを残す。
ローンチに至る変更では、発見から実行までの道のりは短いことがある。顧客がローンチした実験、フラグ、ガイドのうち、4 分の 1 は Wave が機会を発見した当日に公開され、半数は 4 日以内、3 分の 2 は 1 週間以内に公開された。
Skates 氏は、OpenAI との野心は自己改善する製品を企業のソフトウェア構築の当たり前にすることだと語る。OpenAI のモデルが推論とコーディングで進化するにつれ、チームはより多くの調査と実装作業をエージェントに委任できるようになり、最終的にはより良い製品がより早くユーザーに届く。Amplitude はすでにそれを実感しており、チームが他の優先事項に取り組む間にも、エージェントが自社製品の改善を見つけて提供している。「チームは、ソフトウェアが一緒に製品を良くしてくれるとき、どれだけ多くのことを成し遂げられるかに驚くはずだ」と述べている。