NewtonX: состояние AI в B2B-исследованиях — доклад 2026

Состояние AI в B2B-исследованиях

Качественный доклад о том, как руководители исследовательских и аналитических отделов внедряют AI, и о разрыве в доверии, который при этом открывается.

Об этом докладе: Доклад основан на глубинных интервью с руководителями исследовательских и аналитических отделов крупных организаций в сферах программного обеспечения, финансовых данных, клиентского опыта, производства и продовольствия и напитков. В нём отражено то, что люди, управляющие исследованиями внутри крупных компаний, видят прямо сейчас, их собственными словами, в момент, когда почва уходит из-под ног с большой скоростью.

AI уже в исследовательском бизнесе, и давление нарастает. Бизнес-решения принимаются быстрее, чем традиционные исследовательские циклы успевают за ними, поэтому команды тянутся к любому, что может закрыть этот разрыв: синтетические данные, AI-модерируемые интервью, автоматизированный анализ, универсальные LLM-инструменты. Внедрение шло быстро и в основном снизу вверх.

Однако во многих случаях внедрение AI опережает инфраструктуру, которая делает AI-ориентированные исследования защищаемыми перед заинтересованными сторонами. Руководители, с которыми проводились беседы, могут двигаться быстрее, чем раньше, однако большинство из них менее уверены в том, что могут отстоять результат так, как это было прежде.

Разрыв между скоростью и защищаемостью — вот реальная история AI в B2B-исследованиях прямо сейчас. Быстро не означает защищаемо, и это различие скоро будет иметь большее значение, чем сейчас.

Почему исследователи тянутся к AI

Тяга к AI начинается с реального, структурного давления принимать решения быстрее. Технология пришла вторым.

Исследования работают по чужим вопросам

В большинстве этих организаций исследовательские вопросы не исходят от самих исследователей. Они приходят от стейкхолдеров из продуктового, коммерческого, маркетингового отделов и топ-команды — каждый появляется с чем-то, что необходимо ответить. Один руководитель аналитики описал старый режим работы своей команды как «говорить “да” тому, кто приходил с вопросом». Исследователи в основном могут решать, как изучать что-то, редко — что изучать, а очередь задаётся тем, кто спросил последним и наиболее срочно.

Некоторые сказали, что пытаются планировать исследования более проактивно, но мощностей на это нет. Руководитель аналитики в крупной B2B-компании по производству программного обеспечения назвал более глубокий разрыв напрямую:

«Никто из этих вендоров не приходит к нам с идеями… У нас нет ни одного думающего вместе с нами партнёра по исследованиям.»

Когда её команда завалена работой, исследование, которое должно было состояться, просто не происходит, потому что никто за пределами команды за этим не следит.

Давление увеличить скорость

Команда UX-исследований в компании по корпоративному программному обеспечению работает под явным внутренним мандатом: пожертвовать примерно 20% качества ради 80%-го прироста скорости. Это была не предпочтение одного исследователя, а направление, заданное сверху. Другой руководитель резюмировала ожидания к своей команде как работать так быстро, как возможно, и тут же указала, насколько сложно это делать, когда нужные люди не набраны.

Внутренний мандат в одной корпоративной команде: откажитесь от 20% качества, чтобы получать инсайты на 80% быстрее.

Рекрутинг и сбор данных неоднократно упоминались как наиболее острые узкие места в повседневной работе. Самая сложная часть работы — получить нужных людей. Для нишевых B2B-аудиторий фидинг может занимать недели, и синтетический или AI-ассистированный ярлык привлекателен именно потому, что убирает ту часть работы, которая тормозит больше всего.

Где приземляется AI, а где — буксует

Когда исследователи говорили о скорости, не все гнались за одним и тем же. То, что они рассказывали, разделилось на три цели, и AI воспринимается совершенно по-разному в каждой:

Рекрутинг и сбор данных: наиболее острое ежедневное узкое место.
Готовый к стейкхолдерам ответ: туда стремится реальный организационный приоритет.
Анализ: хотят быстрее, доверяют меньше всего.

Готовый к стейкхолдерам ответ

Именно к этому мчатся исследователи. Несколько описали один и тот же идеал: вопрос от руководства в понедельник, оформленный ответ со слайдом к середине недели. То, что они хотят получить быстрее, — это готовый к принятию решений результат, на который может опереться стейкхолдер, а не исходные данные и даже не чистый анализ. Один исследователь в компании маркетингового программного обеспечения перестроил свою практику вокруг rolling insights, делясь находками по мере их поступления, а не откладывая их до финального отчёта — который она сама назвала «пыльной вещью, которая уходит в ящик файлового хранилища».

Это указывает на более глубокую проблему, к которой постоянно возвращались интервью: дистанция между доставкой находок и изменением того, что делает организация. Один руководитель прямо сказал, что заявленная цель — чтобы каждое продуктовое решение было обосновано исследованием — зачастую не реализуется, и продуктовые команды порой откладывают квартал работы в сторону и не действуют на её основе. Другой описал реальные усилия, вложенные в то, что он назвал «евангелизацией инсайтов», — социализацию находок и побуждение людей их использовать, отметив, что именно социализация запускает следующее исследование. Как только находки расшарены, стейкхолдеры хотят большего, и решение вернуться принимается само.

На этой цели AI был желанен. Исследователи были искренне заинтересованы в инструментах, которые быстрее создают первую версию, потому что оставшаяся работа — это формирование ответа, а не его поиск.

Где доверие истончается: анализ

Анализ — совсем другая история. Исследователи хотят, чтобы первый проход был автоматизирован, — утомительный просмотр транскриптов и извлечение тем, — потому что это снимает проблему пустой страницы. Но они не доверяют AI доделать работу.

Руководитель исследований в компании по работе с финансовыми данными указал на то, что можно назвать проблемой «золотого самородка»: AI неплохо справляется с поверхностным выявлением паттернов, но не знает, когда один человек произнёс то единственное, что оказывается ключом ко всему исследованию. Несколько упомянули пробелы в надёжности — например, AI заявляет, что проанализировал полный массив интервью, работая лишь с частью, — подобные сбои подрывают доверие, даже если остальные результаты выглядят корректно.

Руководитель UX-исследований в корпоративной программной компании сформулировала ограничение прямо:

«AI-инструменты помогают нам работать быстрее, но я не убеждена, что они помогают нам работать лучше.»

Это различие — быстрее против лучше — и есть вся суть, и оно напрямую ведёт к разрыву под поверхностью.

Разрыв в доверии

Вот находка, которая присутствовала почти в каждом разговоре, независимо от того, какой AI-метод обсуждался: исследования, основанные на реальных, верифицированных данных, воспринимаются как достоверные, а результаты, сгенерированные из ничего, — нет. Планка доверия не сдвинулась вместе с технологией. Она была одинаковой для синтетических данных, для AI-интервью, для автоматизированного анализа. Вопрос, к которому исследователи постоянно возвращались, никогда не был о том, быстро ли что-то или даже впечатляет ли. Он был о том, могут ли они защитить источник.

Проблема наследования данных

Это механизм, заслуживающий именования, потому что он объясняет, почему разрыв является структурным, а не вопросом более совершенных инструментов. Синтетические и AI-ориентированные результаты наследуют качество лежащих в основе данных. Модель, построенная на верифицированных, высококачественных профессиональных данных, воспроизводит то, как эти профессионалы на самом деле думают. Модель, построенная на тонких, неверифицированных или сфабрикованных данных, точно воспроизводит эти проблемы — и в масштабе. Модель не может отличить одно от другого. Результат только настолько достоверен, насколько достоверен фундамент, на котором он построен, и большая часть рынка не является прозрачной в отношении этого фундамента.

Руководители, с которыми проводились беседы, не наивны в этом вопросе. Они знают, что у инструментов есть ограничения. То, над чем они работают, — это как отличить инструменты, которые создали под собой реальную верификацию, от тех, которые этого не сделали, потому что маркетинговый язык сближается, тогда как методы расходятся.

Покажите мне реальные данные

Тот же инстинкт проявился в том, как они реагировали на синтетические исследования конкретно. Руководители, открытые к ним, хотели одного: результатов, которые можно отследить до реальных респондентов. Исследователь в компании по производству продуктов питания и напитков высказала опасение, которое другие только подразумевали. Её беспокоило, оставляет ли модель, построенная на прошлых данных, место для «новизны» — сдвигов, которые реальный разговор уловил бы, а синтетический мог упустить.

Скептицизм возрастал везде, где данные казались придуманными, и снижался везде, где они явно были основаны на реальных, верифицированных людях. Тест на достоверность был последовательным и простым: покажите мне реальные данные под ним.

Это проявляется и внутри их собственных организаций. Несколько руководителей описали, что не имеют надёжного способа узнать, какие исследования их компания уже проводила, и по умолчанию запускают новые — не потому что они нужны, а потому что найти и повторно использовать старую работу сложнее. Разрыв в доверии выходит за пределы того, является ли AI-результат достоверным. Он определяет, виден ли вообще фундамент, лежащий в основе организационных исследований, людям, принимающим решения на его основе.

Как выглядит защищаемость

Исследователи сами описали условия для надёжного AI в исследованиях, в основном называя то, чего не хватает. Повторились четыре темы:

Происхождение и прослеживаемость. Результат должен отслеживаться до реального источника: конкретного исследования, реального респондента. Исследователи хотели проверить ответ, а не принимать его на веру.
Верификация на входе, а не на выходе. Она должна быть в точке источника данных, а не как этап обнаружения после того, как данные уже в системе, потому что методы обнаружения — это именно то, что обходят.
Управление как часть работы. Несколько руководителей создают внутренние ограждения для использования AI быстрее, чем их вендоры их предлагают, что указывает на возникающую роль руководителей исследований как людей, ответственных за то, можно ли защитить инсайт.
Дополняющая модель. Пусть AI поглощает объём повседневных вопросов, чтобы первичное исследование резервировалось для решений, которые действительно его требуют.

Вместе эти четыре пункта описывают стандарт исследования до технологического предпочтения. Это то, что нужно, чтобы поставить AI-ориентированные исследования перед советом директоров и чтобы они выдержали. Это планка, которую должны взять серьёзные игроки, — и это планка исследований прежде, чем планка AI.

К кому исследователи возвращаются

Тот же стандарт доверия регулирует то, как исследователи выбирают и удерживают вендоров за их данными. Скорость и узнаваемость бренда открывают вендору дверь. То, что зарабатывает повторную работу, — это нечто более узкое, и это тесно связано с условиями защищаемости выше.

Качество и отзывчивость шли первыми, предсказуемо. Повторные заказы достаются вендорам, которые делают хорошую работу и быстро реагируют, а плохой опыт — это чистый триггер для выхода. Один руководитель описал, как расстался с давним вендором, как только работа стала медленной и отношения стали неотзывчивыми. Руководитель исследований в компании программного обеспечения для клиентского опыта назвал более тонкую версию: вендоры, которые обещают много во время продажи, затем замолкают после подписания контракта, никогда не возвращаясь с новой идеей или «вы пробовали это?» Это молчание — тот же разрыв в партнёрстве по размышлению, который исследователи называли раньше, — увиденный со стороны вендора.

Однако самым сильным сигналом была подлинность данных. Один исследователь вспомнил вендора, который заработал доверие, звоня респондентам перед каждым опросом, чтобы подтвердить, что это реальные люди на правильных позициях, а не отправляя ссылку на панель в надежде. Другой рассказал, что перейдёт к новому вендору немедленно, если сможет независимо проверить подлинность его данных. В среде, где AI удешевляет генерацию убедительных результатов, вендорами, которых удерживают, будут те, кто может доказать, что под ними.

За пределами цикла исследований

Интервью указывают не столько на полностью автономные исследования, сколько на нечто более непрерывное. Руководители описали желание часто проверять быстро меняющиеся темы, а не ждать следующей ежегодной волны. Практика rolling insights, заменяющая разовый итоговый отчёт, — ранняя версия этого, как и невыполненное желание — упомянутое несколькими исследователями — иметь партнёра, который выявляет то, что стоило бы изучать, когда они слишком загружены, чтобы это заметить самостоятельно.

Эта траектория — исследование смещается от периодических исследований к непрерывной и всё более AI-ориентированной разведке — повышает ставки во всём вышесказанном. По мере того как всё больше работы становится автоматизированной и фоновой, вопрос о том, верифицирован ли лежащий в основе фундамент, только растёт, потому что ошибки накапливаются дальше от человеческого взгляда. Команды, способные возглавить этот сдвиг, — это те, кто строит инфраструктуру доверия сейчас, пока ещё легко проверить, из чего сделан фундамент.

Более сложный вопрос

Вопрос скорости в B2B-исследованиях по большей части решён. AI здесь, давление, которое его принесло, никуда не уходит, и исследователи в основном примирились с тем, чтобы двигаться быстрее. Открытым остаётся более сложный вопрос: можно ли защитить результат с той же уверенностью, с которой его можно производить быстро. Руководители, которые правильно пройдут следующий этап, — это те, кто будет относиться к этому вопросу с той же серьёзностью, которую они отдавали скорости.