Skip to content
Новость Microsoft Design окт. 2026 г.

Microsoft Design: как UX-исследователи с разным опытом воспринимают AI

UX-исследователи Microsoft: три точки зрения на AI и карьеру в research

Это четвёртый выпуск серии Think First: перспективы research с AI. В UX-исследованиях сейчас существует реальное напряжение. С одной стороны, младшие исследователи иногда опережают опытных коллег в освоении AI. С другой, всё громче звучит мнение, что начальные позиции в исследованиях исчезают. Так что же происходит — AI открывает дверь для новичков или закрывает её?

Редакция задала этот вопрос трём исследователям с разным опытом. Питер Алдус, Senior UX Researcher в Microsoft, — опытный профессионал, который воспринимает AI как инструмент: чем больше знаешь, тем лучше им управляешь. Айсис Чен, UX Researcher в команде Xbox Research, находится на раннем этапе карьеры и описывает AI как ментора, доступного круглосуточно. Хилари Дуайер, Principal UX Researcher, — старший стратег, переосмысляющий всю роль research вокруг суждения и предвидения.

Паттерн, который возникает, тоньше, чем «молодые против опытных». AI-грамотность усваивается быстро; опыт — медленно. AI ускоряет накопление знаний, но не сокращает путь к суждению, которое формируется только годами работы над реальными продуктами с реальными людьми. В этом все три исследователя согласны.

Возможность — или закрытая дверь?

Питер ответил, что обе вещи верны одновременно. «Вакансий начального уровня меньше», — говорит он, — рынок сжимается, бюджеты ограничены, — «но при этом видишь, что именно новые люди в профессии погружаются в AI глубже всего и в каком-то смысле обходят других». Два факта кажутся противоречивыми, замечает он, но мы просто наблюдаем и то и другое.

Айсис настроена более открыто оптимистично, потому что технология изменила скорость её профессионального роста. В её команде много опытных наставников, «но, конечно, все очень заняты… никто не будет доступен 24/7». AI, настроенный на основе прошлых исследований и методологии команды, становится «ментором, доступным 24/7», которому можно задать «так называемый глупый вопрос», не опасаясь произвести плохое впечатление на более опытного коллегу. Она трезво смотрит на противоположную точку зрения — «если старший с AI может делать намного больше, чем младший плюс AI, то младшие кажутся менее нужными» — но возражает: «каждому поколению нужны исследователи», и сейчас есть момент, чтобы растить их быстрее.

Хилари называет вопрос «более многогранным». Традиционный путь для начинающих исследователей «теперь другой»; важнее AI-ориентированность и способность «дольше сохранять любопытство». Она не говорит, что дверь закрывается, но признаёт, что «реально существует консенсус: позиции начального уровня в research исчезают». При этом она осторожна с причинами: «это не из-за AI. Это потому что на такие позиции сейчас меньше бюджетов». И тут же добавляет: «нам также очень, очень нужны умные, интуитивные, чуткие люди, задающие сложные вопросы… исследующие, как AI меняет всё, что мы делаем».

Ментор 24/7 — и чему он не научит

Айсис точнее всех описывает, что AI даёт тем, кто только начинает. Это «как энциклопедия, как Википедия, но намного лучше» — а обученный на материалах её команды, он обучает предметной экспертизе в темпе, который ни один занятой наставник не сможет поддержать. Но она так же чётко говорит о том, что AI не формирует: «критическую оценку» — понимание того, «что хорошо, что нехорошо, почему» — это «действительно приходит из опыта». AI «производит что-то очень убедительное… звучащее профессионально», и без достаточного опыта младшему исследователю трудно это оспорить: «Эта уверенность приходит из лет экспертизы».

Питер соглашается, что новые исследователи осваивают AI быстрее всего, но предупреждает: отдача зависит от знаний. В количественной работе правильный промпт даёт «намного лучший результат»; если просто загрузить данные и сказать «сравни эти две группы», «оно сделает, но это может быть не тот тест». Если не знаешь «разницу между параметрической и непараметрической статистикой и когда их применять», ты даже не поймёшь, как ответить на вопросы, которые задаёт AI. Его прямолинейная версия: «Плохой вопрос даёт плохой ответ, точка… с AI ты просто получаешь этот плохой ответ быстрее» — и AI «делает этот плохой ответ лучше выглядящим и более убедительным».

Хилари видит связанный изъян, и он не ограничивается начинающими. AI «сдвинул наш язык в сторону более вычурного, более башенного» — он возвращает «длинные слова вроде overreliance, strategy или human-centeredness», которые «мы начинаем использовать», вкладывая разный смысл. Материал, явно написанный с AI, часто «не выживает, когда его критикуешь или просишь уточнить». Это происходит «у всех исследователей, независимо от уровня», хотя у начинающих, склонных тянуться к AI там, где они чувствуют себя неуверенно, это заметнее.

Есть ли потолок?

Если учиться ремеслу с AI с первого дня, в какой-то момент рост остановится? Все трое ответили — нет.

«Я не вижу в этом ограничения — я вижу AI как инструмент», — говорит Питер, поэтому он не видит потолка, «пока ты сам учишься параллельно». Опасность — зависимость: «если начать использовать его исключительно как костыль, то это будет ограничивать… но если использовать для расширения возможностей», продолжая учить базовые методы. AI, добавляет он, «должен быть проверен и верифицирован», а проверить то, чего не понимаешь, невозможно.

Айсис формулирует потолок как горизонт знаний: «Мы не знаем, чего не знаем, пока не узнаем». AI «может рассказать всё, о чём ты спросишь — но как узнать, какие вопросы задавать? Как узнать границы того, что лежит за пределами твоих текущих знаний?» Формирование собственной точки зрения на область «требует много поиска, много глубокого погружения»; AI «ускоряет обучение, но не заменяет рост».

Хилари выражает это одним словом: любопытство. Никакого потолка нет, «пока ты сохраняешь подлинное любопытство» — «это всегда делало исследователей великими», независимо от бэкграунда. Продолжай задавать хорошие вопросы и «иди к людям, которые знают больше, потому что очень легко сбиться с пути».

Рутинная работа — или то, что всё равно нужно уметь делать?

Все хотят, чтобы AI взял на себя скучную работу. Где провести черту — оказалось личным делом каждого.

Питер находит, что AI всё ещё плохо справляется с по-настоящему рутинным — он суммирует и организует хорошо, но спотыкается при форматировании презентации даже по шаблону, оставляя ему вручную «переподключать и форматировать всё». Твёрдую черту он проводит у ремесла исследователя. «Одна из суперсил исследователя — способность находить связи между вещами и читать между строк. AI не может этого делать». Также не может наблюдать: во время usability-теста язык тела участника говорит «это полный ужас, я ненавижу этот продукт», тогда как словами он произносит «можно улучшить, но в целом неплохо». AI считывает слова; исследователь считывает комнату и зондирует дальше.

«Я в душе исследователь», — говорит Айсис, поэтому она проводит черту, спрашивая себя, что ей на самом деле нравится. Сначала она думала, что AI научит её писать код; вместо этого «он просто пишет код за меня», и она поняла: ей нравится «возможность кодирования», но не процесс. Поэтому она отдаёт AI процесс, который ей не важен — как только может доверять результату, — и реинвестирует время в то, что важно: insights. Результат, по её словам, контринтуитивен — «намного более высокая когнитивная нагрузка», с куда меньшим «ментальным простоем», который раньше уходил на «возню с Excel-таблицей». Именно поэтому она считает, что AI может заставить исследователей думать глубже, а не поверхностнее.

«Я не могу использовать AI, пока не решила, какова моя точка зрения», — говорит Хилари, — правило, которое переворачивает обычный порядок. Поэтому она сначала сама читает транскрипты, сама немного пишет — и только потом подключает AI для доработки. «Каждый раз, когда я обращалась к AI сначала, это вело к ситуациям, где я не могла думать так же масштабно — и даже не ощущала, что разбираюсь со скучной частью».

Что AI не закроет

На вопрос о разрыве в опыте, который AI никогда не устранит, все трое указали на одно: накопленные знания и суждение, которое они порождают. Для Питера это «навыки более высокого порядка — способность находить связи между вещами… знать, что важно в том или ином методе, или где его применять», и «собрать всё это в отличный план, который даст хорошие и валидные ответы». Для Айсис это «годы опыта», которые перестают быть «списком вещей» и становятся «второй натурой» — интуицией, которую не всегда можно сформулировать, но которая позволяет «задать правильный вопрос» и «знать, чего AI не знает». Для Хилари это опыт «создания продуктов и поиска способов быть полезным» для дизайнеров, PM и инженеров — «много эмпатии, которая растёт со временем», и «точное понимание того, что ценность значит для людей, которых ты поддерживаешь». Она формулирует преимущество senior-исследователя и как новый вид вклада: «принципиальное суждение» — обоснованная позиция за столом о том, что людям действительно нужно, — и «стратегическое предвидение», взгляд на 12–18 месяцев вперёд, чтобы insights были долговечными.

Следующий выпуск

Начинающие и опытные профессионалы приходят к одному выводу: AI быстро закрывает разрыв в знаниях и не закрывает разрыв в опыте совсем. Он может быть ментором 24/7, катализатором, неутомимым автором первых черновиков — но суждение, чтобы задать правильный вопрос, считать комнату и знать, что действительно важно, по-прежнему зарабатывается медленно. Как сформулировала Хилари, именно поэтому «нам нужны исследователи сейчас больше, чем когда-либо». В следующем выпуске речь пойдёт о ещё одном аспекте практики, переосмысляемом вокруг AI.