Maze、ユーザー調査を「1〜2週間」から1〜2日へ縮めたプロダクトリサーチ基盤

Jonathan Widawskiは、Product DesignerとUX teacherとしてMcKinsey、Rocket Internet、PSGなどの仕事に関わる中で、product teamが自信を持って判断するためのdata・insights・feedbackを得る難しさを見ていた。出典

2018年ごろ、WidawskiとThomas Maryは4人の小さなチームでMazeの最初のversionを作り始めた。

従来のresearchは遅く、高価で、専門家に集中していた。

そこで二人は、product teamがproductを作るのと同じagileな速度でresearchを回せる仕組みを目指した。出典

最初の転機は、prototype testingやsurveyだけでなく、participant management、reporting、integrationsを一つのworkflowにまとめたことだった。

Mazeは「アイデアからlaunchまで」継続的にinsightを集める方向へ広がり、Research PanelやReachを足して参加者の確保も扱うようになった。出典

2021年のSeries A、翌2022年のSeries Bで合計6,000万ドルを調達した。

Series B時点でチームは130人超、35か国に分散していた。

Widawskiは、検証なしのlaunchは事前検証より最大100倍高くつく可能性があると説明し、researchを開発プロセスの外注ではなく日常のloopへ置こうとした。出典

その後はAI moderator、AI study builder、MCPへと進み、researchの準備・実行・分析を自動化しながら、判断そのものは人間に残すplatformへ変わった。

Mazeの物語は、調査を速くするtoolから、組織が学び続けるsystemへの転換として読める。

MazeのPMFは、リリース前にユーザーの反応を確かめたいproduct teamと、調査を専門家だけの仕事にしたくない組織の交点にある。

prototype test、survey、interview、card sortingを同じ場所で扱い、自社の参加者とMaze Panelを使い分けられるため、調査の準備コストを下げられる。出典

公式は調査開始から意思決定までを一つのplatformでつなぐと説明し、6万超のteam利用を掲げる。

これは単機能のsurvey toolではなく、research workflow全体を共有する用途に刺さることを示す。出典

参加者Panel、調査テンプレート、レポート、顧客workflowが蓄積するdata and workflow moatが中心。

Figmaなどとの連携だけでなく、MCPで結果を他のAI toolsへ渡せるため、research recordのhubになれば乗り換えコストが上がる。出典

直接のnetwork effectは弱い。

参加者が増えても参加者同士が価値を交換するmarketplaceではないからだ。

ただしPanelの規模と顧客事例が増えるほど、調査を始めるまでの摩擦が下がる供給側のscale advantageはある。出典

主な対象は、UX researcherだけでなくproduct manager、designer、marketerも含めて継続的に顧客を理解したいteam。

Figma prototypeの検証、survey、interview、card sortingを使い分ける企業に向く。

一方、単発の簡易surveyだけなら専用toolの方が安い可能性がある。出典

第一は、prototypeからlive website・mobileまで対象を広げたmethod breadth。

第二は、Panel、reporting、MCPを接続して「集める→分析する→共有する」を切らないこと。

第三は、AIをresearcherの代替ではなくrecruiting・moderating・summarizingの負荷削減として組み込むことだ。出典

Itaú Unibancoではannual studiesを数十から数百へ増やし、time-to-insightを75%短縮したと公式case studyが紹介する。

顧客事例を具体的な業務成果に変換して販売できる点も強い。出典

最大のリスクは、調査手法を増やすほど結果の品質管理と解釈が難しくなることだ。

AI moderatorやAI study builderは速度を上げる一方、質問設計やサンプルの妥当性を自動で保証するものではない。

公式もresearch-grade AIを「人間のために設計」と位置づけており、human judgmentは残る。出典

また、公式ページ間で利用チーム数やPanel人数の表現が更新されているため、成長指標はas-ofを固定して読む必要がある。

価格の有料tierやAI機能の提供条件も要確認で、費用対効果は調査頻度と参加者要件に左右される。出典

contentとeducationでuser researchの知識需要を取り込み、free entryとself-serveの試用からteam利用へ広げるPLGが土台。

大企業にはcase study、customer success、security、strategic partnersで売る。

Series B後はReachやworkflow integrationへ投資し、単なるtest toolからcontinuous product discoveryのplatformへ拡張した。出典

この戦略は利用範囲を広げる反面、機能が増えて価値 propositionがぼやけるトレードオフを持つ。

AIは差別化になり得るが、調査品質への信頼を損なわない説明責任が必要だ。出典

主要チャネル: content, productLedGrowth, customerStories, researchPanel, partners

専門職が持っていたresearch workflowを分解し、他職種が安全に実行できる部品へ変えたことが示唆的だ。

参加者募集、実査、分析、共有を一つのloopにすると、機能の足し算ではなく意思決定までの時間を短くするproductになる。

ただし「速い」は「正しい」と同義ではない。

AIや自動レポートを導入するほど、誰を調べ、何を聞き、どこまで一般化するかを人間が確認する設計が重要だ。出典

日本で展開するなら、社内稟議や複数部署の合意形成に使えるresearch repositoryとして訴求しやすい。

定性インタビューと定量surveyを同じ意思決定記録に結び、企画会議で「顧客の声」を再利用できる形にする。

一方、日本語参加者のrecruiting品質、個人情報の越境、国内企業のsecurity reviewは要確認。

国内Panelや日本語AIの精度だけでなく、導入後にresearch practiceを定着させる支援が差になると考えられる。