DDM: Discovery- och designkartläggning (DDM)

Resultat

DDM används i ett internationellt B2B-projekt och i mitt eget konsultarbete. Jag designade och byggde det för att hålla produktarbetet knutet till ett valt mål: rankade möjligheter i ett Opportunity Solution Tree, experiment som teamet äger, strukturerade designspecs och markdown-export innan någon börjar prototypa.

Interactive demo

• Project site: https://project-rlsxp.vercel.app

Bakgrund

Produktarbete spårar ur när discovery, specs och prototypning inte hänger i samma mål. På flera uppdrag såg jag samma sak om igen. Research är svårt att få godkänd. När den väl finns bryr sig nästan ingen utom den som gjorde den. Stakeholders vill ha skarpa slutsatser och en riktning, inte transkriptioner. Designers kör ofta egen research för att behålla greppet från research till feature. Resultatet: tidigare research ignoreras eller görs om.

Generativ AI lade på ett lager till. Det går fort att prototypa, men om flera personer promptar från samma brief var för sig divergerar resultaten. Omfattningen växer. Det fanns ingen gemensam ram för att koppla research till ett mål, eller för att skriva designkrav innan någon öppnade Figma Make, v0 eller Copilot.

Jag har byggt konceptet parallellt: som sidoprojekt i mitt eget repo, och som ett separat verktyg åt en kund med tydliga säkerhetskrav. Det blandar metoder jag använt som konsult med det produktdesign kräver när AI är med i loopen.

Utmaning

På discovery-sidan hopar sig research och feedback utan ett sätt att omvandla dem till prioriterade möjligheter knutna till ett valt mål.

Team som använder generativ AI saknar ett gemensamt planeringslager. Briefar kommer fortfarande i bitar: Jira, PowerPoint, PDF, skärmdumpar, ibland på olika språk. Beslut tas på intuition. Luckorna syns senare.

På designsidan förstärker generativa verktyg problemet. Samma mål, olika prototyper. Utan en gemensam spec divergerar varianterna, och AI-påverkad omfattning växer tyst.

Tre saker behövde hålla:
- Discovery förankrad i evidence, där AI hjälper till med analys men inte ersätter omdöme.
- Strukturerade designspecs innan AI-prototypning, i samma anda som spec-it men för design.
- Markdown-export så samma kontext fungerar i Figma Make, Spark, Copilot och andra verktyg.

Förutsättningar

Sedan hösten 2025 har jag kartlagt flödet från discovery till spec i FigJam och byggt verktyget parallellt. Struktur och överlämningar har byggts om tills helheten höll. Flödeskartan ovan använder påhittat demo-innehåll, inte riktig kunddata.

Så här

Uppdrag börjar med ett överenskommet mål. Discovery följer ett [Opportunity Solution Tree](https://www.producttalk.org/opportunity-solution-trees/?srsltid=AfmBOor0rTPPFAgmYZjg0sujtLX9Lq1rM0HvdTNdy1ZvqCglyYkrhTtL). DDM använder AI för att gå igenom befintlig kvalitativ research, kvantitativa signaler och feedback, och föreslår sedan möjligheter som teamet rankar efter affärsvärde och genomförbarhet. Lösningar och experiment äger människorna. Jag använder AI som bollplank för experiment, inte som idégenerator. Den saknar full kontext och kan platta till det kreativa.

Designspec. Det andra läget går igenom problem, antaganden, edge cases, öppna frågor, scope-versioner och designreferenser i en fast struktur. Klistra in från Jira, möten eller PDF. AI fyller fält, sektionerna är desamma varje gång. Export ger en markdown-brief: delad kontext så olika designers och olika AI-utdata kan jämföras mot samma kriterier.

Jag designade och byggde verktyget själv. Det finns i två helt separata miljöer: ett repo åt en internationell B2B-kund, ett jag kör själv. Kundinstansen ligger under deras GitHub och Vercel, anpassad till deras säkerhet och flöden. Där är utvecklingen begränsad till VS Code. Mitt eget repo deployas via mina konton, där jag jobbar i Cursor. Båda används: kundprojektet för teamets discovery och design mapping, mitt för vardagligt designarbete och fortsatt iteration.

Effekt

Team går från mål via rankade möjligheter till experiment i ett verktyg, i stället för över separata dokument, decks och tickets. Specs exporteras som markdown, så designers och AI-utdata kan kollas mot samma kriterier. Där DDM används blir överlämningar enklare och research dupliceras mindre.

FigJam-flödet och demos använder påhittat innehåll. Kundinstansen kör på riktig projektdata.

Reflektioner

Verktyget växte ur konsultuppdrag. Att hålla sidoprojektet separat från kundbygget med säkerhetskrav lät mig iterera på metoden utan att blanda ihop ägarskap.

Att förankra arbetet i ett mål var beslutet som höll. Opportunity Solution Tree för discovery och markdown-export för specs följde ur det. Den öppna frågan är hur mycket struktur kollegor vill ha när AI gör det lätt att hoppa rakt till en prototyp. Jag fortsätter förfina DDM där discovery och design behöver samma ram, knuten till ett mål.