Medium: UX-исследования и ИИ в 2026 году — функция исследований переписывается

На протяжении большей части своей карьеры UX-исследования работали по простой схеме: сформулировать вопрос, найти людей, наблюдать за тем, как они испытывают затруднения, записать это, аргументировать необходимость изменений. Этот цикл был медленным, и его медлительность отчасти входила в замысел. Оставаться с противоречием достаточно долго, чтобы понять его, а не разрешить преждевременно, — именно так хорошее исследование избегает превращения в обоснование уже принятых решений.

В 2026 году этот цикл был разомкнут. Исследования больше не ограничены комнатой для интервью или лабораторией юзабилити. Они ведутся непрерывно, фоново и всё чаще без участия модератора-человека. Вопрос, который сейчас стоит перед областью: какой практикой мы становимся — и выбираем ли мы эту форму намеренно или просто наследуем её от инструментов.

От ретроспективного к предиктивному

Наиболее очевидный сдвиг — временной. Классические UX-исследования были диагностическими: что-то шло не так, исследователя отправляли выяснять причины, через несколько недель отчёт объяснял произошедшее. Этот ритм имел смысл, когда инструментарий был ограниченным, а анализ — ручным. Сейчас он имеет куда меньше смысла. Предиктивные модели, обученные на данных о взаимодействии, могут фиксировать точки трения до того, как пользователь отказывается от сеанса: считывая нерешительность в движении курсора, возвраты в потоке, паузы, которые исторически предшествуют уходу, — и инициировать вмешательство в момент, а не постмортем в следующем квартале. Мы перешли от «почему они ушли» к «они вот-вот уйдут — что делать прямо сейчас».

Это реальное приращение возможностей, и исследователям не стоит испытывать по этому поводу ностальгию. Но оно меняет понятие «находки». Находка раньше была синтезированным аргументом, который можно защитить и отследить до конкретных участников и моментов. Предиктивный сигнал — это вероятность, сгенерированная моделью, рассуждения которой в значительной мере непрозрачны для исследователя, применяющего её. Приравнивать их — как если бы оценка трения имела тот же доказательный вес, что и кодированная расшифровка интервью, — это категориальная ошибка, которую уже можно наблюдать в практике, замаскированную под строгость.

Проблема исчезающего архива, решённая неудачно

Второй сдвиг касается институциональной памяти. В каждой исследовательской организации есть одно и то же кладбище — общий диск с PDF-файлами, которые никто больше не открывает, инсайты, умирающие в момент презентации слайдов. Репозитории с AI-поиском — реальное решение этой проблемы. Менеджер по продукту, который задаёт вопрос на естественном языке двум годам накопленных исследований и получает синтезированный, со ссылками ответ, — это реальное улучшение по сравнению с сообщениями в Slack исследователю, который уже ушёл из компании.

Но слово «со ссылками» в этом предложении несёт большую нагрузку, и стоит остановиться на нём, потому что именно здесь начинается этическая плоскость этого материала. Система поиска, которая может указать на исходную расшифровку, сессию или ответ на опрос, из которых она черпает информацию, — это инструмент для исследований. Система поиска, которая генерирует правдоподобно звучащий синтез без такой прослеживаемости, — это нечто иное, ближе к убедительной догадке в костюме институционального знания. Разница не косметическая. Она определяет, можно ли будет через шесть месяцев провести аудит дизайнерского решения или оно опирается на непроверяемую галлюцинацию, которая случайно звучала авторитетно на утреннем стендапе.

Согласованность и её пределы

AI-ассистированный анализ решает давнюю методологическую слабость: кодировщики-люди непоследовательны. Два исследователя, читающие одни и те же двадцать расшифровок, создадут разные аффинные кластеры, по-разному взвесят неоднозначные цитаты и позволят своим установкам влиять на интерпретацию больше, чем кому-либо из нас хотелось бы признавать. Применение единого стандарта кодирования к большому корпусу — реальный прогресс в надёжности, которому не стоит рефлекторно сопротивляться из ностальгии по ремеслу.

Ограничение состоит в том, что согласованность — это не то же самое, что валидность. Модель может применять одинаковый, возможно неверный, фреймворк единообразно к тысяче расшифровок с идеальной внутренней согласованностью и при этом упустить то, что заметил бы квалифицированный исследователь на четвёртой расшифровке: интервьюируемый, который противоречит сам себе так, что обнажает невысказанное ограничение, или взаимодействие, которое имеет смысл только в свете культурного контекста, которому модель не была обучена. Согласованность — это свойство машины. Суждение о том, что означает несогласованность, по-прежнему остаётся свойством обученного человека.

Демократизация и новая работа исследователя

AI-копилоты, которые проводят менеджера по продукту через usability-тест, предлагают вопросы для интервью и отмечают наводящие формулировки, снижают порог входа для проведения исследований — и это в основном хорошо. Исследования не должны быть жречеством. Но демократизация без профессионального надзора за качеством производит специфический сбой: уверенные, методологически тонкие исследования, проводимые людьми, которые ещё не знают, чего они не знают, в объёмах, которые ни одна исследовательская команда не способна проверить.

Это смещает роль обученного исследователя вверх, а не устраняет её. Работа в меньшей степени состоит в «проведении исследования» и в большей — в «определении того, как выглядит валидное исследование, аудите исследований, которые проводят AI-ассистированные коллеги, и переводе синтезированных находок в стратегический аргумент». Предупреждение Gartner об атрофии критического мышления при активном использовании ИИ заслуживает серьёзного отношения — не как причина замедлить внедрение, а как основание явно обозначить, какие когнитивные навыки исследовательская команда сознательно поддерживает, а какие полностью передаёт инструментам.

Главная линия разлома: синтетические пользователи

Если где-то инструментарий опередил этику, то это синтетические персонажи и имитационное тестирование пользователей. Скафф утверждал в других текстах, что синтетические персонажи не являются цифровыми двойниками и не являются автономными агентами с жизненным опытом — они представляют собой завершение паттернов по тому исходному материалу и схеме, которые в них загрузила дизайнерская команда, а сама схема никогда не является нейтральной. Комфорт, который предлагает синтетический персонаж, — это комфорт согласованности: правдоподобный, красноречивый, внутренне непротиворечивый «пользователь», который никогда не может выявить потребность, которую команда не предвидела заранее, поскольку границы персонажа задавались собственными предположениями команды.

Три отдельных вреда заслуживают разграничения, поскольку их слишком часто смешивают.

Отмывание предвзятости. Персонажи, построенные на моделях, обученных преимущественно на западных, англоязычных данных, будут систематически недостаточно представлять то, как пользователи из других лингвистических и культурных контекстов формулируют потребности и разочарование. И поскольку результат поступает в форме исследования, эта предвзятость труднее заметна и оспорима, чем в необработанном наборе данных. Недавние работы по оценке UI с применением персонажей указывают на тот же риск напрямую: прогнозируемые ответы могут отражать стереотипы о возрасте, поле, культуре, инвалидности или социально-экономическом статусе, а не взгляды реальной пользовательской популяции — что является серьёзной проблемой, когда синтетическое тестирование используется для сравнения дизайнов между группами.

Введение в заблуждение. Представлять результаты синтетических персонажей как «протестированные с пользователями» без раскрытия информации — это не просто ярлык, а разновидность нечестности по отношению к стейкхолдерам, которые принимают ресурсные и дизайнерские решения, считая, что с реальными людьми консультировались. Профессиональная норма здесь не должна быть сложной: раскрывать информацию всякий раз, когда синтетические данные существенно влияют на дизайнерское решение.

Разрыв подотчётности. Это наиболее глубокая проблема, к которой автор возвращается снова и снова. Создание чего-либо, что повлияет на реальные группы населения, без единого разговора с представителями этих групп перемещает весь вопрос подотчётности. Когда синтетический пользователь «одобряет» пользовательский сценарий, который впоследствии причиняет вред реальному пользователю, не оказывается никого, кто ошибся бы, нет участника, который мог бы сказать, что симуляция представила его неверно, нет расшифровки интервью, с которой можно было бы сверить утверждение. Сбой становится неприписуемым по своей конструкции.

Справедливое изложение контраргументов

Было бы нечестно оставить критику на этом, потому что лучшие практики в этой области действительно реагируют на неё, а не игнорируют. Обзор 2025 года экспериментов на основе персонажей в крупных конференциях по ИИ и HCI обнаружил, что проблема часто заключается не в самих персонажах, а в недостаточной спецификации: задача и популяция не были чётко определены, и лишь около трети исследований вообще обсуждали репрезентативность своих персонажей. Предложенное решение — контрольный список прозрачности персонажей, требующий явного обоснования и репрезентативной выборки, — представляет собой разумный профессиональный стандарт, а не отказ от метода.

Более интересен новый класс систем, которые пытаются устранить разрыв подотчётности архитектурно, а не только через нормы раскрытия информации. Вместо того чтобы позволять модели импровизировать в роли персонажа, эти системы при каждом разговорном ходе извлекают реальные артефакты клиентов — расшифровки, текст опросов, обращения в поддержку, — ограничивают ответы персонажа извлечёнными данными и явно воздерживаются, когда доказательств не существует, вместо того чтобы заполнять пробел правдоподобной догадкой. В сочетании со слоем документации, атрибутирующим каждое утверждение к исходному материалу, это принципиально иное предложение, чем свободно генерируемый синтетический пользователь: оно ближе к опрашиваемому индексу реальных исследований, чем к симуляции человека, которого никогда не существовало.

Это реальный прогресс, который исследователям стоит воспринимать серьёзно, а не рефлекторно отвергать всё, в чьём названии есть слово «синтетический». Но стоит быть точными в том, что это решает, а что нет. Поиск, ограниченный доказательствами, устраняет проблему фабрикации: система больше не может просто изобрести правдоподобно звучащий, но необоснованный ответ. Он не решает лежащей в основе проблемы выборки. Карточка происхождения говорит, к какому реальному артефакту восходит утверждение; она не говорит, была ли сама база данных «голоса клиента» репрезентативной для той популяции, которую затронет дизайн. Прослеживаемость и репрезентативность — это разные свойства, и исследовательская организация, которая воспринимает строгость на уровне цитирования как замену вопросу «кого нет в корпусе», просто переместила предвзятость на один уровень ниже.

Что это оставляет практике

Ничто из сказанного не аргументирует против ИИ в исследовательской практике — этот момент наступил, и многое из того, что он принёс, действительно ценно. Это аргументирует за то, чтобы профессиональные стандарты догоняли возможности — так, как им пришлось для дистанционного тестирования, для A/B-тестирования, для каждого предшествующего ускорения, которое поглотила эта область. Базовая приверженность ISO 9241–210 — привлекать реальных пользователей на протяжении всего процесса, итерировать, учитывать полный контекст использования — не становится необязательной оттого, что анализ ускорился. Если на то пошло, она становится более нагруженной именно потому, что инструменты теперь позволяют пропустить этот шаг, производя при этом нечто, внешне выглядящее так, как если бы вы его не пропускали.

Выбор, стоящий перед областью, — это не скорость против строгости. Это удобство против подотчётности. Они не всегда находятся в противоречии, и лучшие инструменты, появляющиеся в этом году, свидетельствуют о том, что им не обязательно быть в противоречии. Но когда они в противоречии, профессиональная честность говорит, что подотчётность побеждает, — и подпись исследователя под набором находок должна по-прежнему означать, что где-то под ней лежит голос реального человека.