Dscout: как корпоративные команды используют ИИ для масштабирования исследований

Корпоративные команды дизайна и исследований испытывают знакомое давление: делать больше и быстрее — но при этом принимать каждое решение на основе реального понимания пользователей. ИИ стал одним из самых обсуждаемых ответов на этот вызов, однако то, как команды применяют его в действительности, оказывается значительно сложнее, чем обещает хайп. Ниже — ключевые наблюдения, которые enterprise-команды выработали на практике.

ИИ ускоряет исследовательский процесс, а не заменяет его

Самая устойчивая закономерность среди команд, которые успешно работают с ИИ: они применяют его к тем частям процесса, которые исторически были медленными, не передавая ему задачи, требующие человеческого суждения.

В Affirm команда исследователей провела исследование с 1500 участниками, совместив количественный бенчмаркинг с качественной глубиной. Команда Мами использовала AI-функции Dscout, чтобы ускорить анализ и синтез находок, однако за интерпретацией смысла и согласованием с заинтересованными сторонами оставалась команда людей. Результаты повлияли на решения в продукте, дизайне, бизнес-аналитике и продажах — и само исследование превратилось в живой актив, которым вся организация продолжает пользоваться.

Это работающая модель масштабирования с ИИ: люди задают направление и принимают решения, ИИ берёт на себя трудоёмкую работу по сортировке, суммированию и извлечению материала.

End-to-end research теперь доступны не только исследователям

Одно из значимых изменений на корпоративном уровне — расширение круга людей, проводящих исследования. Речь идёт об идее демократизации: не только обученные researchers, но и PM, дизайнеры и инженеры могут вносить вклад в качественное исследование.

AI-инструменты способны снять часть трудоёмкой работы — например, выявлять некачественные скрининговые видео, автоматически отправлять follow-up участникам, делать первый черновик дизайна исследования, проводить первичную разметку и автотранскрипцию. Для дизайнеров или новичков в исследованиях это снимает часть нагрузки и оставляет больше пространства для человеческого суждения.

В Dscout AI Studio дизайнер может описать, что именно он хочет узнать, — ИИ сгенерирует готовый дизайн исследования. Затем можно запустить AI-модерируемое исследование, собрать ответы за несколько часов и использовать conversational-интерфейс для анализа результатов и создания экспортируемых артефактов. Это особенно ценно для быстрых usability-тестов или для получения видеоответов от большой выборки пользователей.

Исследователи ведут AI-эвалуации — и это правильный выбор

Внутри многих корпоративных продуктовых команд идёт не самый заметный, но важный разговор: кто должен владеть AI-эвалуациями? Натан Рейфф (PM в Dscout) утверждает, что исследователи — естественный выбор. Не потому что они самые технически подготовленные, а потому что они ближе всего к реальным потребностям пользователей.

В разработке ИИ-продуктов кто-то должен выступать экспертом в предметной области: просматривать ранние результаты, определять, где модель ошибается, и удерживать работу в рамках реальных пользовательских целей. Исследователи делают это органично — они постоянно в контакте с конечным пользователем. Они привносят качественную перспективу, которая не даёт AI-продуктам оптимизироваться ради неправильных целей, и умеют связывать эвалуации с реальными пользовательскими исследованиями так, чтобы продуктовые решения действительно держались.

Фреймворки AI-промптинга меняют работу команд

Для команд, которые хотят внедрить ИИ в исследовательский workflow, но не знают, с чего начать, появляются системные подходы. Лорел Браун (senior UX researcher в Dscout) и Никки Андерсон (основательница The User Research Strategist) разработали набор методов, которые рассматривают ИИ как мыслительного партнёра, а не как оракула.

Clarity chain превращает размытые запросы стейкхолдеров в структурированные исследовательские вопросы через итерацию промптов: сначала вносится запрос, затем он переформулируется, расширяются варианты scope и генерируется чистое резюме для кикоффа.

Research pre-mortem просит ИИ смоделировать возможные провалы исследования ещё до его запуска. Промпты вроде «что самое слабое место в этом дизайне?» выявляют уязвимости на ранней стадии, когда их дёшево исправить.

Participant mirror использует ИИ, чтобы определить, кто случайно исключается из исследования: пробелы в рекрутинге, которые исследователь не замечает, когда слишком близко к задаче.

Синтетические участники имеют роль — но узкую

Один из острых дискуссионных вопросов в enterprise research сейчас — когда (и стоит ли вообще) использовать AI-генерированных синтетических участников. Синтетика полезна для стресс-тестирования дизайна исследования, изучения граничных случаев и проверки допущений. Это быстрый и недорогой способ доработать вопросы до того, как тратить реальный исследовательский бюджет.

Но для всего, что будет напрямую влиять на продуктовые решения, поведенческих исследований или изучения недостаточно представленных групп, реальные люди незаменимы. Синтетика выглядит как исследование — у неё есть объём выборки, темы и цитаты — но она отражает паттерны прошлого, а не запутанную реальность людей в настоящем. Риск ложной уверенности здесь вполне реален.

Практическое правило: используйте синтетику, чтобы понять, какие вопросы задавать, а потом задавайте их реальным людям.

Безопасность — это UX-проблема, и исследователи должны ею владеть

По мере того как enterprise-команды выпускают AI-функции в масштабе, безопасность смещается из зоны юридической и инженерной ответственности в ключевую область дизайна. Меридит Макдермотт (UX Lead из Gray Swan AI, в прошлом Duolingo) и Марыся Винкелс (AI safety engineer) утверждают: UX-практики лучше всего подготовлены к тому, чтобы возглавить эту работу, потому что сбои безопасности — это по сути сбои опыта. Галлюцинация, которая сообщает клиенту неверную цену, не просто раздражает — она разрушает доверие к продукту.

Предложенный ими инструментарий включает: построение критериев «что такое хорошо» до обучения или запуска функции, red teaming — намеренные попытки сломать собственный продукт, — и отношение к безопасности как к ограничению дизайна, которое присутствует с самого начала, а не как к финальной галочке.

Команда Headspace применила близкий подход при создании Ebb — AI-функции для рефлексии. Команда провела desirability studies, дневниковые исследования, прототипирование голосовых сценариев и несколько раундов внутреннего red teaming с участием сотрудников из разных частей организации. В итоге Ebb стал AI-опытом, которому доверяют пользователи и команда, а не просто вынужденно принятой новинкой.

Измерение успеха GenAI требует пересмотра метрик

Традиционный UX-измерительный инструментарий создан для детерминированных продуктов: определить задачу, наблюдать выполнение, замерить ошибки. GenAI ломает эту модель, потому что у него практически бесконечный диапазон сценариев использования, которые исследователи не могут полностью предусмотреть заранее.

Кевин Ньютон (senior manager of user experience measurement в LinkedIn) рекомендует рассматривать сам ИИ как «пользователя», которого измеряют: вместо показателя выполнения задачи — процент успешных выходных результатов; вместо времени на задачу — время ответа модели; вместо пользовательских ошибок — ошибки модели. После этого привлекать людей как строгих критиков: действительно ли ИИ выполнил то, что имел в виду пользователь?

Сьюзен Крезника и Карис Эклунд из KR&I дополняют эту картину неожиданными примерами того, как люди применяют ИИ: не только для обучения и сжатия информации, но и как собеседника для обсуждения специфических интересов — например, персонажа из One Piece. Предсказать такое сложно, но именно поэтому человеческая оценка остаётся необходимой частью цикла.

Человеческая перспектива по-прежнему в центре

Сквозная нить через все перечисленные практики — ускоренный анализ, демократизация исследований, AI-эвалуации, тестирование безопасности, измерение GenAI — одна и та же: ИИ наиболее ценен тогда, когда он служит человеческому пониманию.

Команды, которые делают это хорошо, не заменяют исследователей ИИ. Они используют ИИ, чтобы помочь задавать лучшие вопросы, замечать то, что можно пропустить, двигаться быстрее на задачах с низкими ставками и тратить больше времени на работу, которая требует настоящего суждения.