Cint: как MCP и AI-агенты меняют рыночные исследования
Выступая на конгрессе Esomar 2026, CEO Cint Патрик Комер (Patrick Comer) выделил фундаментальный сдвиг, меняющий рынок исследований: лица, принимающие решения, больше не готовы и не могут ждать, пока традиционные исследовательские проекты будут сформулированы, проведены в поле и завершены.
Вместо того чтобы заходить в специализированные marketplace-платформы или инициировать исследовательские процессы с участием людей, пользователи, у которых возникают вопросы, начали обращаться по умолчанию к большим языковым моделям (LLM) — ChatGPT, Claude и Gemini, каждая из которых теперь предлагает специализированные исследовательские инструменты в своём портфеле. Как подчеркнул Комер перед аудиторией Esomar, это переносит основной интерфейс для получения insights в единое окно чата: «Большинство бизнес-пользователей сегодня начинают свой исследовательский вопрос с этого куска стекла. Не моего, не вашего. Они начнут прямо здесь».
Этот сдвиг в исследовательском процессе, по словам Комера, «должен одновременно пугать и вдохновлять вас».
Иллюзия точности в LLM-выдаче
Хотя все уже знают, что LLM способны быстро отвечать на самые разные запросы, использование их для исследовательских задач сопряжено с рисками. «Если я провожу исследование по теме, в которой плохо разбираюсь, LLM уверенно предоставит мне исследовательский отчёт по всей отрасли, и я не смогу оценить, хороший он или плохой», — сказал Комер.
Тестируя специализированные отраслевые запросы, Патрик отметил, что LLM «дают около 30% достоверной информации, остальное — преимущественно бессмыслица. Но как обычный пользователь должен понять разницу? Он не понимает. Не может».
Чтобы перейти от теории к практике, Комер рассказал, как Cint провела исследование среди 300 взрослых жителей США об их покупках одежды за последние 12 месяцев — включая бренды Old Navy, Under Armour и Tommy Hilfiger. При отправке одного и того же вопроса с несколькими вариантами ответов в Gemini, Claude и ChatGPT LLM генерировали результаты, близкие к реальным человеческим ответам с платформы Cint. Например, LLM давали правдоподобные данные о покупках Lands End в диапазоне от 11% до 6%, тогда как среди реальных респондентов эта цифра составила 5%.
Теоретически это звучит обнадёживающе. Но поскольку результаты достаточно близки к правде, чтобы их принять, у пользователей может не быть стимула самостоятельно проверять, соответствуют ли представленные данные реальности. «Если люди могут получить ответ, который кажется достаточно точным для проблемы, которую они пытаются решить сегодня, пойдут ли они в свой исследовательский отдел и зададут ли следующий вопрос? Скорее всего, нет», — сказал Комер.
От традиционных каналов к AI-агентам
Исторически исследователи работали по трём основным моделям: managed services, self-service-платформы и platform-to-platform API. «Все три предполагают один простой факт: на обеих сторонах есть люди, и у этих людей есть время делать всю эту работу», — сказал Комер. «Разница в том, что теперь в комнату входит кое-что другое. Это сам агент».
Появление автономных AI-агентов меняет уравнение. Вместо того чтобы человек заходил на платформу или управлял developer-процессом, агент сам заходит в комнату и берёт на себя управление исследовательскими рабочими процессами.
«Мой прогноз, для лучшего или худшего, — что крупнейшим покупателем исследовательских данных в долгосрочной перспективе станут агенты, а не люди», — сказал Комер. «Более того, агенты будут приобретать и запрашивать исследования с более высокой скоростью, чем когда-либо делали люди».
Как MCP связывает AI-агентов и исследовательские данные
В авангарде этого сдвига стоит Model Context Protocol, сокращённо MCP. Простыми словами, Комер объяснил: «MCP — это язык, который LLM и автономные агенты используют для интеграции и общения друг с другом».
MCP можно представить как стандартизированный фреймворк, который обходит интерфейсы, управляемые людьми. Соответственно, он позволяет исследовательским командам выполнять многошаговые исследовательские проекты прямо внутри основных AI-инструментов, избавляя от необходимости писать кастомный код, переключаться между платформами и поддерживать связность данных.
«MCP предоставляет намерение, навык и инструкции по использованию процессов, благодаря которым агент может научиться заказывать выборку, запускать проект, разрабатывать опрос, доставлять insights — не задавая вопросов», — сказал Комер.
В ходе презентации на Esomar Комер поделился деталями новой MCP-реализации Cint, работающей внутри Claude — LLM Anthropic. Уже на этом этапе MCP демонстрирует несколько ключевых возможностей, которые важны для всех участников исследовательской и измерительной отраслей:
Нулевой порог входа: AI-агент интерпретирует команды на естественном языке для настройки audience sampling без обучения со стороны человека. Проактивный аудит качества: в ходе раннего тестирования агент самостоятельно проверял вопросы target profiling и выявил ошибки перевода в итальяноязычных параметрах без вмешательства человека. Ускоренное исполнение: проекты разрабатываются и запускаются без установочных встреч и ручной навигации по интерфейсу.
«Мы ещё в самом начале пути в нашей работе с партнёрами по MCP, многому ещё предстоит научиться», — признал Комер. «Но то, что мы обнаружили: агенты начнут потреблять эти данные с поразительной скоростью».
Research has entered the chat. Вопрос в том, как вы на это ответите.