Dscout: как корпоративные дизайн-команды масштабируют research с помощью AI

Корпоративные дизайн- и исследовательские команды испытывают знакомое давление: делать больше, делать быстрее — но при этом основывать каждое решение на реальном пользовательском понимании. AI стал одним из самых обсуждаемых ответов на этот вызов, однако то, как команды реально его применяют, выглядит значительно тоньше, чем предполагает шумиха вокруг технологии.

AI ускоряет процесс исследования, не заменяя его

Наиболее устойчивый паттерн среди команд, эффективно использующих AI: они применяют его к тем частям исследовательского процесса, которые всегда давались с трудом, не передавая при этом задачи, требующие человеческого суждения.

В Affirm исследователи провели исследование с 1500 участниками, совмещая количественный бенчмаркинг с качественной глубиной. Команда Мэми использовала функции AI в Dscout для ускорения анализа и синтеза findings, однако интерпретация смысла и согласование со стейкхолдерами по всей организации оставались в руках людей. По итогам работа оказала влияние на продукт, дизайн, business intelligence и продажи. В конечном счёте одно исследование превратилось в живой research-актив, которым вся организация продолжает пользоваться.

Это модель масштабирования с AI, которая действительно работает: люди задают направление и принимают решения, AI берёт на себя трудоёмкую сортировку, резюмирование и выявление паттернов. Проект такого масштаба был бы непростым предприятием, однако с AI-поддержкой команда его реализовала.

End-to-end research становится доступным для не-исследователей

Одна из наиболее значимых трансформаций на корпоративном уровне — расширение круга тех, кто может проводить research. Речь об идее демократизации исследований: не только обученные исследователи, но и продакт-менеджеры, дизайнеры и инженеры могут вносить вклад в качественное изучение пользователей.

AI-инструменты способны взять на себя значительную часть времязатратной исследовательской работы: отмечать скринер-видео низкого качества, делать follow-up с участниками, создавать первый вариант дизайна исследования и дополнительных вопросов, осуществлять первичную разметку, автоматически транскрибировать. Такие инструменты снижают нагрузку — особенно для дизайнеров или начинающих исследователей — при этом сохраняя пространство для человеческого суждения и принятия решений.

С Dscout AI Studio, например, дизайнер описывает, что хочет узнать, а AI генерирует готовый к запуску дизайн исследования. Далее можно запустить AI-модерируемые исследования, собрать ответы за несколько часов и использовать conversational-интерфейс для анализа результатов и создания шаблонов для распространения. Это мощный инструмент для проведения быстрых usability-тестов или получения видеоответов от большой выборки пользователей — с сохранением качества в масштабе.

Исследователи возглавляют AI-оценки — и это правильно

Внутри многих корпоративных продуктовых команд идёт негромкая дискуссия: кто должен отвечать за AI-оценки? Натан Рейфф, продакт-менеджер в Dscout, отстаивает позицию, что исследователи — естественные кандидаты на эту роль. Не потому что они наиболее технически подготовлены, а потому что наиболее близки к тому, что реально нужно пользователям.

В AI-разработке кто-то должен выступать экспертом в предметной области — проверять ранние результаты, определять, где модель ошибается, и удерживать работу в связи с реальными пользовательскими целями. Исследователи делают это органично, поскольку постоянно контактируют с конечным пользователем. Они привносят качественную оптику, которая не даёт AI-продуктам оптимизироваться в неверном направлении, и умеют соединять оценки с реальным пользовательским research, чтобы принимаемые продуктовые решения выдерживали проверку временем.

AI prompting-фреймворки меняют рабочий процесс команд

Для команд, которые хотят встроить AI в исследовательский процесс, но не знают, с чего начать, формируются подходы, делающие этот процесс более систематичным.

Лорел Браун, старший UX researcher в Dscout, и Никки Андерсон, основательница The User Research Strategist, разработали набор техник, в которых AI выступает не оракулом, а думающим партнёром.

Clarity chain превращает расплывчатые запросы стейкхолдеров в структурированные исследовательские вопросы: итерация через промпты — внесение запроса, его переформулирование, расширение вариантов охвата и генерация чёткого kickoff-резюме.

Research pre-mortem заставляет AI симулировать возможные сбои исследования ещё до его запуска. Промпты вроде «что самое худшее в этом дизайне исследования?» обнаруживают слабые места заблаговременно, когда их ещё дёшево устранить.

Participant mirror использует AI для выявления тех, кто непреднамеренно фильтруется из исследования: пробелы в рекрутинге, которые исследователи могут не замечать, когда слишком погружены в задачу.

Синтетические участники — нишевый инструмент

Один из наиболее острых дебатов в корпоративном research прямо сейчас — когда (и стоит ли вообще) использовать AI-сгенерированных синтетических участников.

Синтетики могут быть полезны для стресс-тестирования дизайна исследования, проработки пограничных случаев и проверки гипотез. Это быстрый и недорогой способ улучшить вопросы до того, как тратить реальный бюджет на research.

Однако для всего, что напрямую повлияет на продуктовые решения, поведенческие исследования или изучение недопредставленных групп, реальные человеческие участники незаменимы. Синтетический research может выглядеть как настоящий — у него есть объёмы выборки, темы и цитаты, — однако он отражает паттерны из прошлого, а не запутанную реальность живых людей сегодня. Риск ложной уверенности вполне реален.

Практическое правило: используйте синтетиков, чтобы понять, какие вопросы задавать, а затем получите ответы от реальных людей.

Безопасность — это проблема UX, и исследователи должны её возглавить

По мере того как корпоративные команды запускают AI-функции в масштабе, безопасность перемещается из зоны ответственности юристов и инженеров в сферу core-дизайна.

Мередит Макдермотт из Gray Swan AI (UX Lead, ранее Duolingo) и Марися Винкелс (AI Safety Engineer) утверждают: UX-практики занимают уникальную позицию для руководства safety-работой, поскольку сбои в безопасности являются по своей сути сбоями опыта. Галлюцинация, которая сообщает клиенту неверную цену, не просто раздражает — она разрушает доверие к продукту.

Предложенный ими инструментарий включает: построение критериев того, как «выглядит хорошо», ещё до обучения или запуска функции; red teaming — намеренные попытки сломать собственный продукт; и отношение к безопасности как к дизайн-ограничению, присутствующему с самого начала, а не к финальной галочке.

Команда Headspace применила версию этого подхода при создании Ebb — AI-powered reflection experience. Поначалу скептицизм был высок: когда и где уместно встраивать клиентские AI-инструменты в чувствительный контекст ментального здоровья? Команда провела desirability studies, дневниковые исследования, прототипирование голосовых потоков и несколько раундов внутреннего red teaming, пригласив сотрудников всей организации тестировать уязвимости. В итоге Ebb стал AI-опытом, который завоевал доверие как клиентов, так и команды, не будучи продиктован сверху.

Измерение успеха GenAI требует переосмысления метрик

Традиционные UX-метрики создавались для детерминированных продуктов: определить задачу, наблюдать за выполнением, измерить ошибки. Однако GenAI разрушает эту модель.

Кевин Ньютон, старший менеджер по измерению User Experience в LinkedIn, говорит об этом в своей сессии Co-Lab: GenAI-продукты обладают практически неограниченным набором сценариев использования, которые исследователи не могут полностью предвидеть заранее. Как измерить успех чего-то, что не поддаётся точному прогнозированию?

Сьюзен Крезничка и Карис Эклунд из KR&I приводят интересные примеры того, как пользователи и фандомы применяют AI: часть сценариев предсказуема — использование AI как учителя для дистилляции плотной информации. Другие оказались неожиданными: например, участник использовал AI как компаньона для глубокого обсуждения любимого персонажа One Piece.

Ньютон рекомендует рассматривать сам AI как «пользователя», которого измеряют. Вместо rates выполнения задач — измерять rates успешности вывода. Вместо времени на задачу — время, которое потребовалось модели на ответ. Вместо пользовательских ошибок — ошибки модели. После этого — привлекать людей как строгих критиков с вопросом: «AI действительно ответил на то, что человек имел в виду?»

Человеческая перспектива — это и есть точка

Во всех рассмотренных практиках — ускоренном анализе, демократизации research, AI-оценках под руководством исследователей, safety-тестировании, измерении GenAI — проходит единая нить: AI наиболее ценен, когда служит человеческому пониманию.

Команды, делающие это хорошо, не заменяют исследователей с помощью AI. Они используют AI, чтобы помочь исследователям, дизайнерам, продуктовым командам задавать лучшие вопросы, замечать то, что можно упустить, быстрее справляться с рутинными задачами и уделять больше времени работе, требующей настоящего суждения.