Dscout: 16 способов применять ИИ в повседневной работе UX-руководителя
ИИ меняет не только инструменты и структуры команд — он вызывает кризис идентичности у специалистов самых разных направлений. Руководители пытаются найти ориентиры в условиях постоянно меняющейся реальности.
На вебинаре «Строим исследовательскую команду будущего» руководители из Pinterest, TD Bank, TaxWell, Cisco Networking и других компаний обсудили, как ИИ меняет не только их инструменты, но и фундаментальную структуру команд и роли внутри них. Ниже — их советы о том, как двигаться вперёд.
Выстраивайте исследования будущего
Чтобы построить исследовательскую команду будущего, нужно перестать воспринимать исследование как вспомогательную функцию и начать относиться к нему как к ключевому партнёру в разработке продукта. Эта команда уже существует, и её участники действуют как архитекторы систем, которые они прежде только изучали.
1. Работайте с принципами, а не с декками
Дана Чо (Pinterest) подчёркивает, что самый весомый результат UX-исследования — это уже не слайд-дек. Вместо него исследователи должны дистиллировать накопленные за годы пользовательские insights в «готовые к системе принципы» (system-ready principles), которые можно напрямую встроить в продукт.
В новой парадигме UXR и инженеры машинного обучения работают бок о бок в итеративных циклах, а не через классические передачи задач (handoffs). Важно продумать, как системное мышление воплощается в процессе разработки, и убедиться, что insights остаются в системе как институциональное знание.
2. Нанимайте людей, способных учиться
Энди Витале (TaxWell) утверждает, что в быстро меняющейся ИИ-среде важнее не то, что человек знает сегодня, а то, как быстро он умеет учиться. Он советует нанимать по «крутизне кривой» (slope) — скорости, с которой специалист совершенствуется.
Исследователь будущего должен уметь не только обнаружить проблему, но и устранить её самостоятельно. Это значит отбирать тех, кто готов самостоятельно исправить неправильно размеченное поле или сломанный workflow, обнаруженный во время тестирования, вместо того чтобы просто создать тикет.
3. Влияйте на результаты ИИ-агентов
Мэри Пионтковски (Cisco Networking) видит роль исследователей в продвижении ориентированных на пользователя результатов. Для этого исследователи встраивают контекст персон и данных исследований прямо в систему: создают синтетических агентов, которые регулярно получают свежие insights из разных источников. Роли многих исследователей смещаются от прямого принятия решений к влиянию на результаты через распределённую сеть ИИ-агентов.
4. Поддерживайте внутренние артефакты для долгосрочных проектов
Даниэль Аврахами (Cisco Networking) отмечает, что внутренние артефакты — планы исследований, транскрипты — это уже не только рабочие материалы самого исследователя. Они стали ценными данными, которые питают долгосрочную память проекта. Нужно создавать и поддерживать эти артефакты, чтобы система или другие исследователи могли использовать их для улучшения последующих проектов.
Пересмотрите возможности команды с учётом ИИ-workflow
Интеграция ИИ в рабочие процессы — это не только про скорость, но и про высвобождение времени для стратегии и решений с высокими ставками. По мере того как базовый уровень исполнения растёт, всё важнее становится направлять команду к правильным вопросам.
5. Учитесь выбирать вопросы, которые стоят усилий
Энди Витале (TaxWell) отмечает, что ИИ сделал «очевидные» исследования — те, которые подтверждают то, что все и так знали, — предельно дешёвыми и доступными для любого, у кого есть аккаунт в LLM. Чтобы быть результативным, нужно сосредоточиться на «ах вот оно что»-исследованиях: тех, которые раскрывают insights, которых бизнес действительно не знал и которые меняют принципиальное решение. Эффективность теперь измеряется умением выбирать, какие вопросы вообще стоит задавать.
6. Выделяйте время для экспериментов, чтобы не отстать
Даниэль Аврахами (Cisco Networking) предупреждает о потенциальном структурном разрыве в навыках между теми, у кого есть возможность играть с ИИ-инструментами, и теми, у кого её нет, — например, перегруженными работой высокоэффективными сотрудниками или родителями с маленькими детьми. Он советует руководителям специально выделять время для экспериментов с новыми инструментами — такими как Cursor, — даже если они в будущем устареют. Цель — тренировать навык обучения, а не осваивать конкретный продукт.
7. Автоматизируйте рутину, чтобы сосредоточиться на стратегии
Райли Хайнц (TaxWell) делится перспективой рядового сотрудника: ИИ следует использовать для снятия с команды рутинных задач, чтобы высвободить время для стратегии исследования. Оптимизация workflows с помощью ИИ позволяет проводить исследования быстрее, не пропуская критически важных шагов и обеспечивая включение пользовательских insights в процесс даже при высоком темпе работы.
8. Ускоряйте применение стандартов качества
Кристиан Рорер (TD Bank) предлагает использовать ИИ для усиления эвристического анализа. Например, ИИ может выступать ассистентом при составлении scorecards — таких как метод PURE — которые оценивают простоту пользовательского опыта. Это позволяет выявлять проблемы и поддерживать стандарты качества в том же темпе, что и стремительный выпуск продуктов, типичный для эпохи ИИ.
Держите клиентов и пользователей в центре
По мере того как ИИ делает исследования доступнее для всех, растёт риск поверхностных insights низкого качества. Удержать фокус на пользователях помогают новые уровни governance и приверженность человеческому суждению.
9. Выстраивайте governance для целостности исследований
Даниэль Аврахами (Cisco Networking) указывает на растущую проблему: специалисты без формальной исследовательской подготовки — например, product managers — берут сырые транскрипты, прогоняют их через ИИ и сразу действуют на основе результата, минуя качественный синтез.
Важно встроить governance в артефакты и репозитории исследований. Это гарантирует, что когда человек без специальной подготовки запрашивает данные из репозитория, сгенерированные insights остаются достоверными и отражающими целостность данных.
10. Защищайте «зачем» в условиях гонки за скоростью
Мэри Пионтковски (Cisco Networking) подчёркивает: пока инженерные команды ускоряются, исследователи должны оставаться хранителями человеческого суждения. Критически важно защищать discovery и фундаментальную работу — прислушиваться к тому, о чём пользователи ещё не знают, что им нужно. Нужно влиять и сверху вниз, и снизу вверх, чтобы ориентированный на пользователя подход не приносился в жертву скорости.
11. Признайте, что ИИ провоцирует кризис идентичности
Дана Чо (Pinterest) признаёт, что ИИ может вызывать экзистенциальный кризис у исследователей, которые чувствуют, что их ключевая ценность — модерирование или синтез — автоматизируется. Она советует переосмыслить это, задав вопрос: «Что вы можете делать сегодня, чего буквально не могли раньше?» Воспринимая ИИ как расширение сферы деятельности, а не ограничение идентичности, исследователи могут взаимодействовать с технологией как создатели — строить агентов и создавать прототипы синтетических workflows.
12. Сосредоточьтесь на post-launch insights
Даниэль Аврахами (Cisco Networking) указывает: организации хорошо умеют выпускать продукты, но часто не справляются с обучением и итерацией после выпуска. Исследователям стоит активно инвестировать в post-launch insights — понимание того, как generative AI-функции воспринимаются пользователями в реальности. Поскольку результаты ИИ часто недетерминированы, важно выходить за рамки тестирования фиксированных прототипов и изучать, как реальные workflows эволюционируют при взаимодействии с пользователями.
Масштабируйте качество с помощью ИИ-моделей оценки
Масштабирование исследований в эпоху ИИ означает переход от ручных, разовых исследований к повторяющимся программам оценки, которые измеряют доверие, точность и производительность системы во времени.
13. Стройте eval frameworks для проверки готовности к выпуску
Дана Чо (Pinterest) указывает на новую роль исследователей в downstream: создание eval frameworks, определяющих, достаточно ли хороша ИИ-функция для выпуска. Это требует высокого уровня суждения — способности решить, как выглядит качество для конкретной ИИ-системы.
Кроме того, исследователи могут вносить вклад в коллективное знание, делясь с инженерными партнёрами лучшими практиками создания «судей» (AI evaluators) и соответствующих инструментов.
14. Берите на себя ответственность за метрики ИИ
Мэри Пионтковски (Cisco Networking) считает, что исследователи в уникальной позиции для управления метриками, важными для ИИ: точность, latency, model drift. По мере того как агенты накладываются друг на друга, складывается опыт, который никто явно не проектировал. Исследователи могут использовать эти метрики, чтобы продвигать ориентированные на пользователя результаты в сложных средах.
15. Используйте синтетических пользователей для сезонного тестирования
Энди Витале (TaxWell) применяет ИИ для решения проблемы сезонного доступа к реальным участникам. Опираясь на глубокие институциональные знания о поведении пользователей, его команда строит synthetic users, которые могут проходить через опыт в межсезонье. Это позволяет непрерывно тестировать и совершенствовать продукт даже тогда, когда привлечь реальных участников сложно.
16. Выстраивайте регулярные программы обеспечения качества
Даниэль Аврахами (Cisco Networking) рассказывает, что его команда перешла к повторяющимся программам, которые регулярно оценивают качество ответов ИИ и отслеживают изменения в уровне доверия пользователей. Эти программы демонстрируют прогресс и фиксируют изменения в отношении клиентов к функциям, позволяющим ИИ выполнять действия от их имени.
Итог
Общее настроение однозначно: принимайте инструменты, но руководствуйтесь суждением. Переходя от роли генераторов отчётов к роли строителей систем, исследователи гарантируют, что по мере масштабирования работы с беспрецедентной скоростью она никогда не теряет из виду человека в центре технологии.
Как выразил это Райли Хайнц (TaxWell): лучшая тактика сейчас — быть губкой, впитывать новую информацию, оставаться гибким и никогда не прекращать экспериментировать.