Skip to content
Новость Flatstudio сент. 2026 г.

Flatstudio: от исследования к product intelligence — как ИИ меняет понимание пользователей, рынков и интерфейсов

AI-ассистированный workflow исследования продукта в студии Flatstudio

Статья написана для фаундеров, продакт-менеджеров и дизайнеров, которым нужно, чтобы исследование меняло решения — а не оседало в Notion, Google Docs или личных заметках.

У продуктового исследования есть одна тихая форма провала: оно проводится, представляется и отправляется в архив. Анализ рынка был тщательным, персоны — красиво оформлены, а шесть недель спустя никто не может назвать ни одного решения по интерфейсу, которое было бы другим без этого исследования.

Проблема была не в качестве исследования, а в его экономике. Глубокое исследование стоило столько дней, что команды могли позволить себе лишь тонкий срез: бриф клиента, три конкурента, три персоны. Всё остальное выходило за рамки бюджета до начала проекта.

Этот бюджет только что изменился. ИИ изменил в Flatstudio стоимость изучения вопроса: глубокое исследование стало экономически возможным — и это изменило, что можно знать до того, как спроектируешь первый экран.

Вкратце:

  • Бриф клиента, кастомные вопросы для интервью, два раунда клиентских интервью, рыночные данные, анализ конкурентов и открытые источники объединяются в один Research Intelligence Document — единственный файл, к которому вся команда обращается до конца проекта.
  • Конкурентное исследование и подготовка документации раньше занимали у двух человек две недели. В текущем воркфлоу та же фаза занимает 3–5 дней, а высвобожденное время реинвестируется в охват: маркетинг конкурентов, брендинг, гипотезы о позиционировании и открытые источники, до которых раньше просто не доходили руки.
  • До 10 персон вместо 3 — при этом 3–5 из них явно обозначены как гипотетические: модели сегментов, на которые, по всей видимости, ориентируются конкуренты, а не утверждения о валидированных пользователях.
  • Персоны поставляются в двух форматах: PDF — для людей, MD — для машин, чтобы клиенты могли загружать их в собственные AI-инструменты и продолжать генерировать сценарии после завершения проекта.

Что такое AI product research?

AI product research объединяет традиционное user research, анализ рынка и конкурентный анализ с AI-ассистированным синтезом. На практике это охватывает AI user research, AI UX research, AI competitor research и AI market research — единый процесс исследования продукта с AI-синтезом в основе. Цель — сделать глубокое исследование экономически возможным и превратить полученные данные в решения, которые продуктовая команда действительно применяет, а не заменить исследование ИИ.

Исследование всегда нормировалось

Любое агентство говорит, что делает исследования. Но никто не говорит вслух, сколько исследований урезается ещё до старта.

Типичный брендинговый или продуктовый проект даёт фиксированное окно между кикофом и первыми концептами. Внутри этого окна ручное исследование вынуждает к триажу: прочитать бриф, проинтервьюировать клиента, просмотреть трёх самых очевидных конкурентов, записать находки. Структура рынка за пределами топ-конкурентов? Маркетинг и позиционирование конкурентов? Открытые источники, форумы, отзывы? Вне скоупа — потому что каждое из этих направлений стоит день, которого в расписании просто нет.

Flatstudio работал по этой нормированной модели годами, в том числе на брендинговых проектах, где направление целого визуального айдентити зависит от того, насколько хорошо понимаешь рынок на первой неделе. По этой модели конкурентное исследование и подготовка документации занимали у двух человек две недели. В текущем воркфлоу та же фаза занимает 3–5 дней.

Реальный сдвиг — это осознание: время, которое ИИ экономит на синтезе, нельзя класть в карман как маржу — его нужно реинвестировать как скоуп.

Что попадает в систему

Текущий набор исходных данных для каждого проекта:

  1. Бриф — продуктовый или брендинговый бриф, который заполняет клиент.
  2. Кастомные вопросы — набор вопросов, подготовленных специально для данного клиента и проекта, а не универсальный шаблон.
  3. Клиентские интервью — как правило, первые два звонка с фаундерами или продуктовой командой, записанные и расшифрованные.
  4. Документы и аналитика клиента — всё, что клиент предоставляет: презентации, метрики, прошлые исследования.
  5. Market research — структура отрасли, бизнес-модели, типы продуктов.
  6. Конкурентный анализ — продукты, а также маркетинг, брендинг и позиционирование конкурентов.
  7. Открытые источники — публичная информация, отзывы, сообщества и другие источники, которые теперь можно охватить в масштабе, ранее экономически невозможном.

Research Intelligence Document

Всё это обрабатывается с помощью ИИ по категориям анализа и собирается в один артефакт. В Flatstudio это называют Research Intelligence Document: живой артефакт исследования, который связывает доказательства с продуктовыми решениями на протяжении всего проекта — и единственный источник, с которым работает вся команда до конца проекта.

Research Intelligence Document — это структурированный синтез всего известного о продукте, рынке и пользователях в начале проекта: находки брифа, находки интервью, структура рынка, конкурентный анализ, наблюдения по маркетингу и брендингу конкурентов, паттерны, противоречия, гипотезы, персоны и открытые вопросы для клиента — всё поддерживается как один живой файл, а не разбросано по презентациям и заметкам.

Документ не просто хранит исследование. Он делает решения отслеживаемыми до доказательств: инсайт → доказательство → гипотеза → решение. Flatstudio осознал ценность этого дорогой ценой: клиенты возвращались через полгода с вопросом, на который их исследование уже ответило. Финальный документ с решением у них был — а вот то, как к нему пришли вместе, было потеряно. Это изменило то, что поставляется: результат и путь рассуждений, который к нему привёл. Теперь, когда фаундер на третий месяц спрашивает, почему продукт пошёл в этом направлении, ответ — это раздел документа, а не чья-то память о звонке.

Категории документа в порядке их сборки:

  1. Находки брифа и заявленные допущения клиента
  2. Находки интервью
  3. Структура рынка и бизнес-модели
  4. Продукты конкурентов
  5. Маркетинг, брендинг и позиционирование конкурентов
  6. Паттерны по всем источникам
  7. Противоречия по источникам
  8. Гипотезы
  9. Персоны (первичные и гипотетические)
  10. Открытые вопросы для клиента

Раньше эквиваленты этих разделов жили в пяти местах и трёх форматах. Теперь, когда на шестой неделе оспаривается дизайнерское решение, спор заканчивается одинаково: кто-то открывает документ.

Исследование имеет срок годности

Исследование никогда не бывает постоянно истинным. Рынки движутся, конкуренты меняют позиционирование, продукты эволюционируют, гипотезы подтверждаются или опровергаются тем, что выходит в релиз. Отчёт об исследовании, заморозок на кикофе, начинает устаревать в день презентации.

Именно поэтому Research Intelligence Document — живой артефакт, а не финальный отчёт. Когда гипотеза проходит проверку, документ фиксирует результат. Когда конкурент делает пивот в середине проекта, раздел с конкурентами обновляется. Команда работает не со снимком того, что было истинно на первой неделе, а с текущим состоянием знаний.

Раздел противоречий — это и есть суть

Резюмирование — наименее интересное, что ИИ делает с исследованием. Любой инструмент умеет сжать десять источников в буллеты.

Что меняет решения — это состязательный проход: инструкция ИИ искать места, где источники расходятся между собой. Клиент говорит, что пользователи хотят X — но рыночное поведение говорит Y. Конкурент позиционирует себя на скорости — но его реальный продукт выпускает фичи, обслуживающие совсем другую работу. Бриф предполагает одну аудиторию — а интервью тихо описывают другую.

Хорошее исследование не только подтверждает то, что мы думаем. Оно показывает, где мы можем ошибаться. В эпоху нормированного исследования противоречия всплывали случайно, обычно в середине проекта и обычно дорого. Теперь они — именованный раздел документа, создаваемый на первой неделе и обсуждаемый с клиентом до того, как что-либо спроектировано.

Один анонимизированный пример. Клиент обратился в Flatstudio за брендингом для гемблинга в Южной Африке, и каждая строчка брифа указывала в одном направлении: создать атмосферу казино — игровые персонажи, градиенты, глянцевые Pixar-3D иконки, классическая энергия «весёлого казино». Исследование не согласилось. В этом конкретном рынке аудитория на пересечении спорта и гемблинга тяготеет к совершенно иному визуальному языку успеха: роскоши. Золото, глубокий премиальный зелёный, драгоценные камни, дорогие часы — стремление, а не аркада. Клиенту показали исследование вплоть до фотографий местных бутиков и вилл. Клиент изменил своё мнение — и финальный айдентити изменился вместе с ним. Этот разговор произошёл на первой неделе, ценой фазы исследования; через три месяца он обошёлся бы ценой ребрендинга.

От 3 персон к 10: почему половина из них — гипотезы

Нормированная модель давала три персоны на брендинговый проект. Текущая модель даёт до десяти. Это должно вызвать подозрение: ИИ, генерирующий больше вымышленных персонажей, — не прогресс, и отраслевая критика синтетических персон в значительной мере обоснована: правдоподобно звучащие модели пользователей, построенные без данных, подтверждают допущения вместо того, чтобы их проверять.

Поэтому структура важнее количества:

  • 3–7 первичных персон — построены на основе клиентских интервью, данных клиента и market research: доказательные модели вероятных пользовательских сегментов, укоренённые в источниках, доступных в рамках проекта.
  • Остальные — гипотетические персоны, и именно здесь модель становится стратегически ценной.

Гипотетическая персона — это модель сегмента, восстановленная из позиционирования, маркетинга и продуктового поведения конкурента: явная гипотеза о том, на кого ориентируется конкурент, а не валидированное user research. Она обозначена как гипотеза и никогда не представляется иначе. Её задача — расширить стратегическое поле зрения: показать клиенту, за какие сегменты рынок уже борется, и где никто не целится.

Откуда берутся данные, если стратегию конкурента никто не раскрывает? Из того, что конкуренты не могут не публиковать. Их цифры, маркетинговые материалы, рекламные платформы, тональность кампаний — всё это вместе говорит о том, для кого продукт реально построен. Уверенность недостижима — подтвердить это может только команда конкурента, — что и объясняет, почему эти персоны сохраняют пометку «гипотеза».

Тот же анализ регулярно обнаруживает более тихую находку: дрейф. В продуктах, которые не перепроектировались годами, маркетинг нередко ориентируется на совершенно другую аудиторию, чем та, для которой создавался оригинальный дизайн: интерфейс всё ещё говорит с пользователями пятилетней давности, тогда как кампании преследуют новых.

Обе находки питают одно стратегическое решение: закладывать адаптируемость с самого начала. Если карта рынка показывает несколько сегментов, достойных обслуживания, брендинг можно проектировать гибким под них, а не привязанным к одному. Netflix и Apple TV — референсный паттерн: намеренно обобщённые интерфейсные системы, где таргетинг происходит через обложки и баннеры: контентная графика нацелена на разные аудитории, тогда как система под ней остаётся неизменной.

Что ИИ не может валидировать

Одна граница удерживает всю систему от самообмана. ИИ может идентифицировать правдоподобный сегмент. Он не может превратить эту гипотезу в валидированное user research путём генерации дополнительного текста о ней.

  • Синтетическая персона — не проинтервьюированный пользователь.
  • Гипотеза о конкуренте — не реальная стратегия конкурента.
  • Рыночный паттерн — не мотивация пользователя.
  • AI-синтез — не доказательство, а линза для рассмотрения собранных доказательств.

Каждый артефакт в Research Intelligence Document несёт свой уровень доказательности, и ничто не переходит из «гипотезы» в «валидировано» без того, чтобы что-то реальное произошло в мире: интервью, тест, выпущенная фича, реакция рынка.

Персона — это инструмент принятия решений

Ничто из перечисленного не имеет значения, если персона заканчивает свою жизнь красиво оформленной страницей.

Если нельзя провести персону через цепочку к конкретному следствию — приоритету фичи, tone of voice, навигационному решению — она исключается. Набор из десяти персон выживает потому, что каждая зарабатывает своё место в реальном решении, а не потому, что ИИ сделал их создание дешёвым.

PDF для людей, MD для машин

Персоны живут в Figma в ходе проекта. При передаче они поставляются в двух форматах:

  • PDF — для людей: стейкхолдеры, новые члены команды, инвесторы.
  • MD (Markdown) — для машин: чистый структурированный файл, который клиент загружает в собственные AI-инструменты.

Второй формат — тот, о котором клиенты не знали, что он им нужен. Персона в виде MD-файла становится переиспользуемым активом: клиенты загружают её в AI-инструменты, которые уже используют, и генерируют пользовательские сценарии, тестируют сообщения против сегмента, пишут копирайт на языке персоны или брифуют нового вендора — ещё долго после окончания проекта. Исследование продолжает работать без участия студии.

Традиционное исследованиеAI-ассистированное исследование
2 человека × 2 неделиТа же фаза за 3–5 дней
3 персоны3–7 первичных + гипотетические персоны
Топ-3 конкурентаПродукты + маркетинг + брендинг + позиционирование
Статичный отчётЖивой документ исследования
Исследование как документацияИсследование как инфраструктура решений
PDFPDF + Markdown

Что это меняет для клиента

  • Решения по бренду и продукту, подкреплённые доказательствами, с сохранённым путём рассуждений — так что одобрения перестают опираться на вкус и память.
  • Более широкая стратегическая карта до принятия обязательств: за какие сегменты уже борются конкуренты и где никто не целится.
  • Исследование, продолжающее работать после передачи: персоны и находки в форматах, с которыми команда и её AI-инструменты могут продолжать работать без участия студии.
  • Меньше дорогостоящих разворотов: противоречия между брифом и рынком всплывают на первой неделе, ценой фазы исследования, а не ценой ребрендинга.