dscout: Шестишаговый фреймворк для внедрения AI в вашу UX-практику

Роуз Беверли, старший UX AI-исследователь в PayPal, опубликовала этот материал в блоге dscout People Nerds в декабре 2025 года. Статья посвящена конкретной проблеме: практики либо полностью избегают AI из осторожности, либо внедряют его бессистемно, не задаваясь вопросом, какие задачи следует автоматизировать. Фреймворк MASTER — структурированный ответ на этот вопрос.

Шесть шагов: Map (карта), Audit (аудит), Scan (сканирование), Trial (эксперимент), Embed (внедрение) и Repeat (повторение).

Первые два шага — диагностические. Map предлагает исследователям задокументировать весь свой рабочий процесс — каждую фазу, каждую повторяемую задачу — прежде чем обращаться к каким-либо AI-инструментам. Audit превращает эту карту в детальный реестр с достаточной степенью детализации для оценки отдельных решений и микрозадач.

Третий шаг, Scan, вводит матрицу управления. Задачи располагаются по двум осям: сложность и риск автоматизации. Задачи с низкой сложностью и низким риском — форматирование транскриптов, подготовка рутинных писем, генерация шаблонов форм согласия — безопасно автоматизировать. Задачи с высокой сложностью и высоким риском — управление взаимодействием со стейкхолдерами, проведение живых презентаций — должны оставаться полностью в руках человека. Два средних квадранта требуют гибридного подхода: AI формирует тематический анализ, люди его уточняют; AI генерирует гайды для интервью, люди проверяют их перед использованием.

Trial и Embed переходят от анализа к действию. Беверли рекомендует выбрать один низкорисковый эксперимент на реальном проекте, критически оценить результат и только затем встраивать его в масштабируемый процесс. Финальный шаг, Repeat, — это постоянная инструкция пересматривать и обновлять систему по мере развития инструментов и изменения рабочих процессов.

Статья также описывает роль, которую Беверли называет «оркестратором» — специалист, направляющий AI-агентов, сочетающий инструменты и промпты со стратегическим суждением и возвращающий обобщённое мышление в дисциплину, которая раздробилась на узкие специализации. Этот подход скорее конструктивный, чем угрожающий: AI возвращает широту в профессиональную практику, а не вытесняет глубину.

Кому это полезно: UX-исследователям и дизайнерам с опытом работы, которым нужен структурированный метод для оценки того, какие части их практики можно дополнить AI, не передавая суждение инструменту. Матрица управления — наиболее практически применимая часть; она даёт специалистам инструмент принятия решений, а не общий принцип для самостоятельной интерпретации. Специалисты среднего и старшего уровня найдут её наиболее полезной; начинающие, возможно, пока не имеют достаточного опыта работы с рабочими процессами, чтобы применять матрицу осмысленно.

Беверли не рассматривает конкретные инструменты подробно, и статья не затрагивает валидность дизайна исследования или этику работы с участниками — эти темы требуют отдельного рассмотрения. Фреймворк предлагает процедурную ясность для решения, которое многие специалисты сейчас принимают интуитивно.