Daniel Mitev: Что 100 UX-исследователей сказали об AI в 2026 году

Эта статья — анализ Даниэля Митева опроса Lyssna, в котором приняли участие 100 UX-исследователей в декабре 2025 года. Данные опроса служат основой, но материал написан как интерпретационное эссе, а не как отчёт: Митев использует цифры для отстаивания своей позиции — автоматизация поглощает исполнение, а суждение становится неизбежным.

Ключевой результат: 88% исследователей уже используют AI для анализа и синтеза. Транскрипция, тегирование и первичное распознавание паттернов переходят в автоматизацию как базовое ожидание. Ещё 23% специально применяют AI для выявления паттернов в данных, а 48% ожидают, что синтетические участники в ближайшей перспективе повлияют на рабочие процессы.

Митев тщательно разграничивает, с чем AI справляется хорошо и с чем нет. AI обрабатывает частотность — он выявляет то, что часто встречается в сессиях. Исследователи определяют значимость — они решают, что важно и почему, опираясь на контекст, недоступный модели. Синтетические участники полезны для подтверждения известных гипотез, но не подходят для поискового исследования, где самые ценные находки — это именно то, чего никто не ожидал обнаружить.

Через статью проходят два структурных противоречия. Первое — владение исследовательским процессом: по мере того как AI снижает технический барьер для проведения исследований, их всё чаще начинают проводить специалисты без исследовательской подготовки. 36% респондентов видят ускорение этой тенденции. Проблема не в том, что больше людей может проводить исследования, — а в том, что строгость методологии распределяется без сохранения её качества. Митев определяет будущую роль исследователя как хранителя качества, а не привратника исполнения.

Второе противоречие — ROI. 25% исследователей испытывают трудности с тем, чтобы связать инсайты с измеримыми бизнес-результатами. Митев считает это самой устойчивой и недостаточно осмысленной проблемой дисциплины. AI может ускорить объём выходных данных, но не делает исследования более понятными для бизнес-менеджеров. Этот перевод по-прежнему требует человеческих навыков.

Статья завершается пятью рекомендациями: изучать AI как инфраструктуру, а не как самоценность; связывать инсайты с бизнес-последствиями, а не с выполненными задачами; строить устойчивые исследовательские системы; сохранять строгость методологии при ускорении темпа; сосредоточиться на ясности мышления, а не на операционной скорости.

Кому это полезно: Исследователям среднего уровня, которым нужен обоснованный, подкреплённый данными взгляд на направление развития профессии — не прогноз трендов, а анализ того, что практики уже делают, и каких структурных вызовов это создаёт. Руководителям исследовательских команд и специалистам по операциям, принимающим решения о структуре команды по мере того, как AI-инструменты меняют то, на что тратит время отдельный исследователь.