Jakob Nielsen: 76 открытых исследовательских вопросов об удобстве использования ИИ

76 открытых исследовательских вопросов об удобстве использования ИИ

Якоб Нильсен, 5 августа 2026 года

Аннотация. ИИ — крупнейший сдвиг в UX-дизайне за 60 лет, однако о том, как люди на самом деле им пользуются, известно удручающе мало. Ниже приводится список из 76 открытых вопросов, организованных в 7 групп по объёму необходимых ресурсов — от старшеклассников до крупных AI-лабораторий. Студент, выполнивший одно из предложенных исследований, приобретает два качества, которые работодатели сегодня ищут прежде всего: самостоятельность и подтверждённый опыт работы с ИИ.

ИИ — первая новая парадигма пользовательского интерфейса за 60 лет. Это также крупнейший неконтролируемый эксперимент в истории вычислительной техники: миллиарды людей перестраивают то, как они пишут, ищут информацию, принимают решения и учатся, — вокруг инструментов, которые появились прежде, чем кто-либо изучил, как ими будут пользоваться люди. Никто не ведёт систематических наблюдений. Академический конвейер выдаёт тысячи работ о бенчмарках, тогда как добротных исследований реальных пользователей, решающих реальные задачи с помощью ИИ, почти нет. Это означает, что амбициозный аспирант ещё может занять подлинно неисследованную территорию.

Этот пробел — ваша возможность. В статье перечислены 76 открытых вопросов об удобстве использования ИИ, большинство из которых можно исследовать качественными методами, при скромных ресурсах и за несколько недель или месяцев работы. Понаблюдайте за 10 пользователями, закодируйте, что происходит, честно доложите о результатах — и вы будете знать то, чего не знает никто другой. Как и все остальные, когда вы опубликуете результаты.

Ваша диссертация — это заявка на работу

Скажем прямо, почему студентам в особенности стоит браться за эти проекты. Начальные позиции в user research сокращаются. Это верно и за пределами UX: Эрик Бринйолфссон, Бхарат Чандар и Руйу Чэнь из Стэнфордской лаборатории цифровой экономики проанализировали записи о заработной плате миллионов американских работников и установили, что занятость среди специалистов 22–25 лет в профессиях, наиболее подверженных влиянию ИИ, снизилась на 16% относительно более опытных коллег на тех же должностях. Джуниорская умственная работа — именно то, что хорошо делают современные ИИ-системы, а начальные позиции в исследованиях находятся прямо в зоне поражения.

Тем не менее я отказываюсь присоединяться к алармистскому хору. Начальные позиции в UX research не исчезли — их просто стало меньше. А дефицитные должности достаются тем, кто отличается по двум качествам, которые менеджеры по найму теперь ищут в первую очередь.

Первое — самостоятельность. По транскрипту интервью невозможно понять, есть ли у выпускника инициатива, зато это ясно видно по завершённому полевому исследованию. Стандартная академическая диссертация, аккуратно теоретическая и прочитанная тремя людьми, доказывает лишь, что вы умеете следовать инструкциям на протяжении 9 месяцев. Самостоятельно выбранное исследование важного для бизнеса и общества вопроса доказывает, что вы умеете находить стоящие задачи и доводить их до конца без указаний сверху. Работодатели нанимают людей по доказательствам, а не по прилагательным.

Традиционная диссертация не демонстрирует самостоятельности: она лишь подтверждает, что вы следовали правилам академии, не применимым в бизнесе. Доказанная самостоятельность — это то, что ведёт к найму.

Второе — знание ИИ и практический опыт, который невозможно убедительно декларировать, но можно продемонстрировать. Каждый проект из приведённого ниже списка вынуждает всерьёз использовать AI-инструменты, наблюдать, как их используют другие, и формировать обоснованные суждения о том, где они не справляются. Законченное исследование становится портфолио, которое само ведёт половину вашего интервью вместо вас.

8 видов исследовательских инсайтов

Теперь о том, что выиграет сообщество от вашей работы. Я представляю 76 вопросов, отсортированных по ресурсам, которых требует исследование. Команда проектировщиков, однако, должна читать те же вопросы с другой позиции: какой тип знания даёт каждый ответ и какие проектные решения он переводит из области фольклора в область доказательств? Если отсортировать вопросы именно так, 76 открытых вопросов об удобстве использования ИИ обещают 7 категорий инсайтов о поведении пользователей плюс один вспомогательный набор вопросов о методологии исследований. Каждый неотвеченный вопрос об удобстве ИИ отмечает проектное решение, принятое наугад.

Ментальные модели: что пользователи думают, что представляет собой система (вопросы 4, 11, 19, 29, 34 и 59). Пользователи действуют исходя из того, чем, по их мнению, является ИИ: поисковой системой, базой данных, оракулом, человеком. Каждая неверная модель порождает свой класс ошибок — от доверия к «стабильной» системе, которая по своей природе недетерминирована, до откровений системе памяти, которой не существует. Составьте карту ментальных моделей — и проектировщики смогут предугадывать классы ошибок до выпуска продукта, создавать онбординг, закладывающий рабочую модель, и разрешить дискуссию об антропоморфизации данными, а не вкусовщиной.

Доверие и верификация (вопросы 2, 3, 5, 13, 14, 22, 30, 33, 39, 41, 45, 47, 53, 62, 63, 64 и 66). Самый крупный кластер — 17 вопросов, — потому что разрыв между плавным текстом и достоверным результатом — это то место, где ИИ максимально отличается от классического UI. Как пользователи решают, верить ли ответу? Когда они проверяют, а когда пропускают ошибки? Сколько работы они готовы делегировать агенту, что происходит с готовыми текстами и восстанавливается ли доверие после того, как ИИ ошибся? Ответы превращаются в сигналы достоверности, соответствующие реальной надёжности, а не визуальному лоску; в affordances верификации, которыми люди будут пользоваться; в элементы надзора, откалиброванные под реальные частоты ошибок; в честные метрики качества — расстояние редактирования, стоимость последующей доработки.

Петля артикуляции: от намерения к промпту и обратно (вопросы 6, 12, 18, 32, 48 и 60). Как люди переводят намерение в голове в слова, на которые реагирует система, где они сталкиваются с барьером артикуляции и как восстанавливают ситуацию после недопонимания? Эти ответы подскажут проектировщикам, какие подсказки строить у поля ввода и какие affordances исправления окупаются. Они также разрешат бюджетный спор: вкладывать в обучение пользователей или в улучшение интерфейса?

Обнаруживаемость: как пользователи узнают о возможностях ИИ (вопросы 8, 15, 37, 46, 50, 56, 57, 58, 61 и 65). Чат скрывает почти всё за пустым полем ввода, а встроенный ИИ прячется за иконками-искрами, которые пользователи уже могли выработать привычку игнорировать. Этот кластер изучает, что пользователи находят, что они так никогда и не находят, и работают ли стандартные способы лечения — чипы с подсказками, примеры промптов, туры по функциям, прогрессивное раскрытие. Результат: точки входа и пустые состояния, спроектированные на основе наблюдений, и инвестиции в функции, исходящие из того, что принимает средний пользователь, а не воображаемый опытный.

Соответствие задачи интерфейсу: когда нужен ИИ и в какой форме (вопросы 7, 17, 20, 21, 23, 24, 35, 40, 49 и 51). Для чего люди реально используют ИИ? Когда они выбирают его вместо поиска, когда чат лучше GUI, а голос лучше набора текста, как они читают ответы и как долго готовы ждать «думающей машины»? Команды сейчас выбирают парадигму взаимодействия по моде. Эти ответы позволили бы выбирать её по принципу, устанавливать длину и формат ответа исходя из наблюдаемого поведения при чтении и проектировать ожидание исходя из того, что пользователи думают о происходящем в паузе.

Траектории: как использование ИИ меняет людей с течением времени (вопросы 10, 16, 27, 36, 42 и 54). Usability-тест охватывает час; эти вопросы касаются месяцев и лет. Закрепляется ли использование как привычка или падает с волны новизны? Накапливаются ли навыки или деградируют? Что происходит с детьми, вырастающими с ИИ как помощником по умолчанию, и со всеми нами, когда модель меняется незаметно? Результаты позволят отделить долговременную ценность от всплесков любопытства, направить образовательную политику и вынудить принимать продуктовые решения с учётом последствий, которые не видны в рамках одной сессии.

Диапазон пользователей (вопросы 9, 25, 26, 31, 44 и 55). AI-продукты создаются молодыми, технически грамотными, преимущественно американскими командами и используются всеми остальными. Этот кластер измеряет, как отличается удобство для пользователей старше 70 лет, для незрячих и тех, кто работает только с клавиатурой, — а также в разных языках и культурах, и насколько собственный опыт использования продуктовой команды расходится с опытом её клиентов. Результат — конкретные улучшения в инклюзивном дизайне и более тонкое знание: какие результаты обобщаемы, а какие разваливаются, стоит выйти за пределы почтового индекса лаборатории.

Методология (вопросы 1, 28, 38, 43, 52 и 67–76). Эти вопросы изучают само исследование, а не пользователей: продолжают ли работать наши эвристики, размеры выборок, протоколы think-aloud, метрики успеха и синтетические участники, когда исследуемая система недетерминирована и меняется каждый месяц? Прямого проектного руководства эти вопросы не дают. Но тот, кто на них ответит, сделает все остальные ответы на этой странице достоверными — именно поэтому методологии отдана последняя группа.

Категории инсайтов намеренно пересекаются между группами вопросов. Возьмём доверие: старшеклассник может измерить угодливость системы с помощью заскриптованного теста (вопрос 5), студент магистратуры может наблюдать, как пользователи верифицируют — или не верифицируют — ответы (вопрос 14), аспирант может выстроить теорию откалиброванного доверия (вопрос 30), продуктовая команда может отследить судьбу черновиков в своих логах (вопрос 41), а AI-лаборатория — изучить восстановление доверия в масштабах популяции (вопрос 53). Один и тот же инсайт, пять разных бюджетов. Выберите инсайт, который вам важен, и найдите вопрос, который вы можете себе позволить.

Как пользоваться списками вопросов

76 вопросов организованы в одну нумерованную последовательность, разбитую на 7 групп по необходимым ресурсам: начальные исследования для старшеклассников и бакалаврских капстоун-проектов, 16 проектов для магистерских диссертаций (основа всего вызова), докторские диссертации, исследования для внутренних продуктовых команд, вопросы только для крупных AI-лабораторий, репликации классических находок в области usability и методологические исследования. Каждая запись содержит вопрос и объяснение, почему важен ответ. Исследовательские протоколы намеренно не приводятся: разработка методологии — ваш первый экзамен как исследователя, и именно в нём заключается половина обучения.

Границы между группами нечёткие. Большинство вопросов для магистерского уровня можно сжать до капстоун-проекта или расширить до диссертации. Воспринимайте категории как калибровку, а не как закон. И проверьте недавнюю литературу, прежде чем коммититься: этот список датирован августом 2026 года, область развивается быстро, и часть этих вопросов получит ответы в течение ближайшего года.

Начальные исследования: старшая школа и бакалаврские капстоун-проекты

Ограничения порождают концентрацию. Следующие 10 проектов не требуют бюджета, лаборатории и рекрутинговых агентств: достаточно друзей, родственников, однокурсников и бесплатных AI-продуктов. Каждый проект рассчитан на 2–6 недель — это правильный масштаб для амбициозного старшеклассника или бакалавра. Небольшое — не значит тривиальное. Узкий вопрос, отвеченный чётко, лучше широкого вопроса, отвеченного расплывчато. И несколько из этих проектов вполне выдержат сравнение с портфолио работающего специалиста.

Вопрос 1. Эвристическая оценка AI-ассистента. Оцените ведущий AI-продукт по 10 эвристикам usability и задокументируйте каждое нарушение со скриншотами. Какие эвристики разговорный ИИ нарушает чаще всего? Экспертный обзор не требует участников и бюджета, обучает эвристикам через применение и проверяет, работают ли 30-летние инструменты оценки на принципиально новых интерфейсах.

Вопрос 2. Мелкий шрифт, который никто не читает. Каждый AI-чат содержит предупреждение вроде «ИИ может ошибаться». Пусть 10 человек воспользуются продуктом 15 минут, после чего спросите, что было написано внизу страницы. Замечают ли пользователи эти предупреждения, запоминают ли их и действуют ли на их основании? Отказ от ответственности — главный механизм безопасности в отрасли; если он невидим, это должны знать все.

Вопрос 3. Проверка источников. Попросите ИИ указать источники по 20 темам, затем проверьте каждую цитату: существует ли она и говорит ли в ней то, что утверждает ИИ? Оцените частоту галлюцинаций по доменам. Участники не нужны — только детективная работа. Результаты касаются проблемы, которая задевает студентов сильнее всего: выдуманные ссылки.

Вопрос 4. Спросить дважды. Задайте одни и те же 10 вопросов тому же ИИ в 5 разных дней. Насколько меняются ответы по существу, а не только по формулировке? Пользователи воспринимают ИИ как стабильный оракул; измерение дисперсии ответов проверяет, выживает ли это народное убеждение при контакте с системой, случайной по своей природе.

Вопрос 5. Тест на уступчивость. Задайте ИИ вопросы, на которые, как вы знаете, он отвечает правильно, затем настаивайте, что он неправ. Как часто он сдаётся, и отличается ли вежливое возражение от агрессивного? Угодливость подрывает использование ИИ как инструмента проверки, а простой заскриптованный протокол может её измерить без привлечения ни единого участника.

Вопрос 6. Важна ли вежливость? Выполните одни и те же 10 задач, формулируя запросы резко, нейтрально и вежливо, затем попросите судей оценить результаты вслепую. Промпт-фольклор утверждает, что «пожалуйста» улучшает ответы; проверка этого суеверия занимает полдня и учит экспериментальному контролю, слепой оценке и здоровому скептицизму к советам, которые циркулируют без доказательств.

Вопрос 7. ИИ против поиска — с секундомером. Возьмите 10 повседневных вопросов — от часов работы магазина до визовых правил. Ответьте на каждый с помощью поисковика и с помощью ИИ, фиксируя время, количество шагов и точность. Это миниатюрная версия крупнейшего сдвига в информационном поведении со времён веба, и цифры кого-нибудь удивят — возможно, вас.

Вопрос 8. Нажимают ли пользователи на готовые подсказки? Понаблюдайте, как 5 новичков открывают AI-приложение с предлагаемыми промптами. Нажимают ли они на подсказку, набирают своё или замирают? Пустое текстовое поле — самый пугающий экран в современном программном обеспечении, и это небольшое исследование проверяет, работает ли стандартное решение.

Вопрос 9. Доступность чат-интерфейса. Попробуйте провести полные сессии с AI, используя только клавиатуру, затем запустите автоматическую проверку доступности: порядок фокуса, объявления для скринридеров, кнопки копирования, элементы управления остановкой. Аудит не требует участников и даёт немедленно применимый список проблем, который большинство AI-компаний, судя по всему, никогда не составляли.

Вопрос 10. ИИ за обеденным столом. Интервьюируйте 5 домохозяйств о том, кто использует ИИ, для чего, кто отказывается и какие семейные правила существуют (особенно насчёт домашних заданий). Домашнее принятие технологий невидимо для лабораторных исследований, а домохозяйства раскрывают социальную сторону usability ИИ: переговоры о доверии, унаследованные привычки формулировать промпты и один родственник, делающий AI-задачи за всех.

Основной уровень: 16 проектов для магистерских диссертаций

Это ядро вызова и причина, по которой написана эта статья. Магистерская диссертация позволяет посвятить несколько месяцев сфокусированной работе, провести реальный рекрутинг участников и применить преимущественно качественные методы с прицельными количественными измерениями там, где они оправданы. Следующие 16 вопросов рассчитаны именно на такой исследовательский бюджет. И каждый из них закрывает реальный пробел: ответьте на него профессионально — и практики применят ваши находки в ту же неделю, когда вы опубликуете работу.

Вопрос 11. Народные модели работы ИИ. Какие ментальные модели того, что такое LLM, сложились у обычных пользователей (поисковая система, база данных, библиотекарь, оракул, человек) — и какие ошибки в использовании предсказывает каждая из них? Большинство ошибок промптинга и доверия, по всей видимости, восходят к неверным моделям, но нам не хватает таксономии, основанной на наблюдениях за обычными пользователями, а не за техническими специалистами.

Вопрос 12. Барьер артикуляции в реальных условиях. Как неопытные пользователи переводят намерение в голове в промпт и где именно этот перевод ломается? Постановка требований — навык, которому большинство людей никогда не учили; знание точных точек сбоя подскажет проектировщикам, какие подсказки создавать.

Вопрос 13. Что делает AI-ответ убедительным. Какие поверхностные признаки — уверенный тон, цитаты, форматирование, длина, скорость ответа — заставляют пользователей верить ответу, и коррелируют ли эти сигналы с реальной точностью? Если доверие строится на недействительных сигналах, это одновременно опасность и проектируемая проблема.

Вопрос 14. Замечают ли пользователи ошибки ИИ? В областях, где пользователи обладают небольшими или средними знаниями, какую долю ошибок они обнаруживают, и что запускает поведение верификации — в отличие от пассивного принятия? Верификация — страховочная сеть использования ИИ, и я подозреваю, что она происходит редко, но у нас почти нет прямых наблюдений за этим.

Вопрос 15. Первая сессия. Как новые пользователи исследуют AI-инструмент в первый час: что они пробуют первым, какие возможности так и не обнаруживают, и что определяет, вернутся ли они? Интерфейсы чата имеют почти нулевую обнаруживаемость, поэтому пустое текстовое поле скрывает почти всё, что умеет продукт.

Вопрос 16. Почему люди бросают ИИ. Что заставило бывших пользователей отказаться от AI-инструментов после первоначального испытания? Исследования принятия технологий следуют за пользователями, когда они приходят; те, кто уходит, остаются без изучения, а их причины представляют собой дорожную карту нерешённых usability-проблем.

Вопрос 17. ИИ или поиск? Как пользователи решают, спросить ли ИИ или воспользоваться поисковиком для конкретного информационного запроса, и как они чередуют оба инструмента? Привычки, формировавшиеся три десятилетия поисковой активности, растворяются на наших глазах, а применяемые эвристики решения не задокументированы.

Вопрос 18. Исправление разговора. Когда ИИ не понимает пользователя, какие стратегии исправления тот применяет — переформулировать, поправить, упрекнуть, начать заново, сдаться — и какие из них работают? Исправление — это то место, где сессии выигрываются или проигрываются, а таксономия эффективных стратегий прямо переводится в обучаемые техники и лучшие UI-affordances.

Вопрос 19. Народные теории памяти ИИ. Что пользователи считают запомненным ИИ — в рамках сессии, между сессиями, о них лично — и как эти убеждения определяют поведение? Функции памяти множатся, тогда как понимание пользователей остаётся близким к нулю, что порождает как риски для приватности, так и напрасные усилия.

Вопрос 20. Как люди читают (и какими хотят видеть) AI-ответы. Читают ли пользователи потоковые ответы линейно, просматривают ли их F-образным паттерном или перепрыгивают в конец — и когда они хотят длинный структурированный ответ, а когда короткий прямой? Дизайн ответов сейчас строится на догадках, а слишком длинные ответы — одна из самых частых жалоб пользователей.

Вопрос 21. В ожидании думающей машины. Действуют ли классические временные ограничения (0,1 секунды, 1 секунда, 10 секунд) в ситуации, когда пользователи считают, что ИИ рассуждает, и что видимые цепочки мыслей и сообщения о прогрессе делают с воспринимаемым ожиданием? Модели рассуждения работают минутами, поэтому либо старые ограничения гнутся под новой ментальной моделью, либо текущие продукты нарушают их в масштабах массового использования.

Вопрос 22. Надзор за агентом. Когда ИИ выполняет многошаговые задачи, насколько внимательно пользователи хотят наблюдать за ним, когда они хотят, чтобы их спрашивали о подтверждении, и что создаёт ощущение безопасного делегирования? Отрасль стремительно движется к агентам, тогда как опыт человеческого надзора почти не изучен.

Вопрос 23. Чат против гибридного UI. Для чётко определённой задачи превосходит ли задачно-специфический графический интерфейс поверх ИИ чистый чат-интерфейс по успешности и удовлетворённости? Чат стал интерфейсом по умолчанию для ИИ не потому, что исследования его поддержали, а потому, что так получилось.

Это перевод первой части статьи. Полный список из 76 вопросов доступен в оригинале по ссылке ниже.