Skip to content
Новость Nielsen Norman Group нояб. 2026 г.

Nielsen Norman Group: Research-In-The-Loop — как UX-исследования адаптируются к скорости AI-разработки

Research-In-The-Loop: схема интеграции UX-исследований в AI-ускоренный процесс разработки

Автор: Тони Алиша, Nielsen Norman Group, 13 ноября 2026 года.

Аннотация: по мере того как AI ускоряет разработку, исследованиям становится сложнее успевать за ней. Research-In-The-Loop предлагает определить, что каждый релиз должен измерять и что помогает командам узнать.

Скорость поставки превышает скорость исследований

По мере того как AI-агенты пишут всё больше кода, экономика создания программного обеспечения меняется, и давно устоявшиеся практики обеспечения качества продукта меняются вместе с ней. Это уже случалось в технологиях прежде.

Ранние фотографы работали медленно. Плёнка была дорогой, экспозиция требовала времени, и результат нельзя было увидеть, пока плёнку не проявят. Каждый снимок тщательно выстраивался.

Затем цифровая фотография изменила экономику съёмки. Теперь держишь кнопку, делаешь десятки кадров, смотришь на результат, корректируешь и снимаешь снова. Нужно всё так же целиться. Но большая часть обучения происходит уже после снимка, потому что каждый кадр почти ничего не стоит.

Разработка программного обеспечения переживает схожую трансформацию. С AI-агентами для написания кода многие команды теперь выбирают направление, создают продукт, выпускают его и наблюдают, что происходит. Если что-то не так — исправляют, потому что итерации дёшевы.

Однако если релиз можно выпустить быстрее, чем успеть изучить пользователей, что это означает для исследований? В отличие от неудачного снимка, плохой релиз достигает реальных людей. Поэтому исследования не могут исчезнуть, но им нужно меняться, чтобы успевать за разработкой в темпе AI. Это изменение называется Research-In-The-Loop.

Стоимость программного обеспечения

На протяжении большей части истории программного обеспечения его создание было дорогостоящим, а изменение уже созданного — ещё дороже. На разработку функции могло уйти несколько месяцев. Ошибка в релизе могла ждать исправления целый цикл выпуска, и устранение её после релиза стоило денег, времени и доверия клиентов.

Поэтому первичные исследования проводились заранее. Команды изучали пользователей и тестировали дизайн до того, как инженеры писали код.

AI-агенты устранили большую часть стоимости исправления ошибок после запуска. Когда функцию можно реализовать за день, длительное исследование перед сборкой сложно обосновать, и многие команды теперь выпускают сначала, а задают вопросы потом.

Но релиз показывает, что произошло. Он редко объясняет почему. Команда, наблюдающая за своими дашбордами, может видеть, что люди бросали рабочий процесс. Она не может видеть, что они пытались сделать и что их запутало. Именно на эти вопросы исследования всегда и отвечали.

Быстро создать не то, что нужно, — это всё равно провал. Исследования важны вне зависимости от скорости разработки. Но реальный вопрос в том, как исследования адаптируются к AI-ускоренной скорости.

Снижение стоимости работает и для исследований

То изменение, которое ослабляет обоснование длительных предварительных исследований, одновременно открывает дверь для исследований в AI-ускоренном цикле разработки.

Вспомним, что исследователи исторически запрашивали у инженеров: интерсепт-опрос, появляющийся при брошенном потоке, логирование событий для новой функции, кнопку обратной связи, привязанную к конкретному релизу, дашборд, показывающий, где застревает работа. Каждая из этих вещей требовала инженерного времени, которое обычно тратилось на новые функции.

Теперь агент для написания кода может создать эти вещи вместе с самой функцией, нередко из нескольких строчек в требованиях. Инструментирование для исследований теперь так же дёшево создавать, как и всё остальное.

AI позволяет строить исследовательские механизмы одновременно с созданием программного обеспечения, что может укрепить петлю между разработкой и исследованиями.

Research-in-the-Loop

В AI «человек в петле» (human-in-the-loop) описывает систему, в которой человек проверяет или одобряет решения внутри автоматизированного процесса. По мере того как команды создают агентные рабочие процессы (иногда называемые software factories, куда поступают требования и выходит работающий код), люди задаются вопросом, где человеку место в этой петле.

Research-in-the-loop — это подход к интеграции UX-исследований в AI-ускоренную разработку программного обеспечения, адаптирующий исследовательскую деятельность к более быстрым циклам разработки. Он использует способность AI создавать механизмы оценки на основе инструментирования вместе с функциями продукта, одновременно определяя, когда другие методы исследования (например, открытые исследования для поиска инсайтов) необходимы для принятия решений о разработке.

До сборки исследования помогают определить, что релиз должен зафиксировать. В процессе сборки агенты для написания кода реализуют эту фиксацию вместе с функцией. После релиза исследователи изучают произошедшее. Всё, что они узнают, питает следующий набор требований.

Research-in-the-loop может поддерживать разные виды исследовательской деятельности:

  • Оценка: привело ли изменение к предсказанным результатам? Создало ли оно ожидаемые проблемы? Инструментирование помогает ответить на эти вопросы, отслеживая правильные, заранее определённые метрики.
  • Расследование: почему люди вели себя именно так? Что произошло, чего команда не предсказала? Инструментирование может выявить аномалии в данных, которые исследования могут изучить дальше (нередко через качественные исследования).
  • Открытие: какие потребности, поведение или проблемы команда не предвидела? Ответы на эти вопросы часто требуют более открытых исследований, не обязательно привязанных к релизам продукта или инструментированию.

Эти виды деятельности дополняют друг друга. Инструментирование может повысить эффективность оценки и расследования, но не может заменить самостоятельное открытие нового.

Поэтому Research-in-the-loop предполагает переосмысление того, как исследования распределяются в рамках AI-ускоренной разработки: какие вопросы можно решить через непрерывную оценку, какие требуют самостоятельного открытия, а какие нуждаются в исследованиях до начала разработки.

От требований к исследованиям — к инструментированию

При AI-ускоренной разработке команды могут указывать требования к исследованиям и продукту в едином документе, и агенты для написания кода могут создавать необходимое инструментирование вместе с функциями. Исследователи затем используют полученные данные для последующих улучшений дизайна, продолжая при этом проводить другие виды исследований там, где это уместно.

Один из способов поддержать этот процесс — добавить раздел «Исследования» к требованиям, из которых команда и её агенты строят работу. Раздел может быть написан на обычном языке в файле рядом с остальной частью спецификации, чтобы его могли читать и люди, и агенты.

Предположим, что продукт для службы поддержки используется компаниями с несколькими отделами обслуживания. Тикет, который нужно передать в другой отдел, возвращается через центральную очередь. Команда добавляет функцию, позволяющую отделам передавать тикеты напрямую друг другу. Раздел «Исследования» в требованиях к этой функции может выглядеть примерно так:

## Исследования Что ожидаем: прямая передача тикетов между отделами ускорит их доставку нужной команде с меньшим числом передач. Признаки того, что это сработало: меньше времени между созданием тикета и его разрешением; меньше тикетов, проходящих через три или более отдела; более низкая общая стоимость поддержки на один тикет. Признаки того, что это вызвало проблемы: больше тикетов, отправленных обратно на проверку, или больше тикетов, повторно открытых клиентами. Что отслеживать: каждую передачу: какой отдел отправил, какой получил, сколько тикет ждал и был ли он отправлен обратно. Показывать это в небольшом дашборде для команды исследователей, сгруппированном по отделам, а не по людям. Когда говорить с людьми: если отдел отправляет обратно необычно большую долю тикетов или тикеты там зависают — провести контекстуальное интервью с людьми из этого отдела.

Агент для написания кода, читая эту спецификацию, может создать логирование событий, дашборд и вопрос об отправке обратно вместе с самой функцией, выпустив инструментирование исследований одновременно с программным обеспечением.

Первые три пункта спецификации определяют результаты, которые команда хочет оценить. Они намеренно включают как результаты для пользователей (меньше передач), так и бизнес-результаты (стоимость поддержки на тикет). Исследователям бывает сложно связать поведение пользователей с бизнес-результатами после факта. Здесь эта связь встроена в систему до того, как программное обеспечение выпущено.

Два последних пункта помогают исследователям расследовать проблемы, выявленные по собранным данным. Дашборд не объяснит, почему тикеты зависают в конкретном отделе, но поможет исследователям определить, с каким отделом стоит поговорить.

Важно: эта спецификация ещё не является полным дизайном оценки. Она определяет, что измерять, но не устанавливает, были ли наблюдаемые изменения в измерениях вызваны именно новой функцией. Если время разрешения тикетов снизилось после релиза, как нам узнать, было ли это следствием новой функции или изменений в укомплектованности персоналом или объёме тикетов из-за сезонности? Валидная оценка может требовать большего, чем просто набор метрик. AI может сделать инструментирование и экспериментирование более доступными для исследователей, но им всё равно нужно определять, какие доказательства необходимы и как собирать и интерпретировать их обоснованно.

Количественные и качественные исследования в цикле

Это много потенциальных данных. Поэтому для количественных исследований это может быть замечательное время. Каждый релиз способен производить данные по реальной пользовательской базе. Исследователь может использовать AI для построения дашборда, объединяющего тикеты поддержки, оценки удовлетворённости и поведение внутри продукта, и для первоначального синтеза всех этих данных.

Однако количественные данные охватывают только то, для фиксации чего был настроен релиз. Они показывают, что делали люди. Объяснение паттернов в данных, а также обнаружение новых потребностей пользователей потребуют качественных исследований.

Поэтому качественные исследования остаются необходимыми. Меняется то, как они вписываются в цикл:

  • По расписанию. Сессии исследований могут проводиться в регулярном ритме, например еженедельно, не привязанные к релизам программного обеспечения. Команды исследователей могут сосредоточиться в этот период на недавно выпущенных функциях, чтобы проверить критически важные рабочие процессы, оценить общее состояние пользовательского опыта или провести другие исследования или открытые изыскания.
  • По сигналам. Данные по релизу или поступающая обратная связь могут требовать дальнейшего расследования, которое лучше всего провести через user research — например, они могут указывать на группу или момент, достойный изучения: отдел, где зависают тикеты, когорта, которая повела себя неожиданно, странный ответ на exit-опрос.
  • По решениям. Некоторые решения сложно отменить: ценообразование, обязательства перед клиентами, обращение с конфиденциальными данными, новая ментальная модель. Они заслуживают доказательств до того, как команда берёт на себя обязательства. Агенты для написания кода, например, могут быстро создавать интерактивные прототипы для помощи в проведении исследований до реализации.

Новые задачи и новые навыки

Research-in-the-loop создаёт новые типы работ для исследователей:

  • Написание требований к исследованиям, которые агенты для написания кода могут реализовать.
  • Упаковка методов исследований в виде навыков агента — например, составление требований к исследованиям на основе цели функции.
  • Создание собственных инструментов: дашбордов, интерсепт-опросов, вариантов прототипов.
  • Непрерывный синтез поступающей обратной связи и тикетов поддержки, так чтобы аномалия в этих данных запускала запрос на проведение раунда качественных исследований.

Разделы, посвящённые исследованиям, существуют рядом с UX-контекстом и требованиями к продукту. Исследования становятся частью того, из чего команда строит работу.

Часть этой работы требует навыков, которые многие исследователи прежде не использовали:

  • Владение спецификациями: чтение и написание markdown-спеков, базовый Git.
  • Управление агентами для написания кода: постановка задачи агенту и проверка того, что он создал.
  • Понимание инструментирования аналитики: события, когорты, feature flags, поэтапные развёртывания.
  • Работа с данными: MCP-соединения, API и кто к чему имеет доступ.

Однако базовые навыки исследований важны в этом цикле как никогда: постановка правильных вопросов, избегание предвзятости, использование суждения в синтезе, разработка обоснованных количественных экспериментов и анализ количественных данных, а также соблюдение этических исследовательских практик. Агент может создать опрос за несколько минут. Исследователь несёт ответственность за то, чтобы задавать правильные вопросы.

Открытые вопросы

Research-in-the-loop — это предложение, и многие вопросы остаются открытыми:

  • Где место разным формам исследований? Генеративные, фундаментальные и продольные исследования могут относиться к разным частям цикла.
  • Как отслеживать и оценивать системные эффекты, когда функция может работать нормально сама по себе, но влиять на другие части системы?
  • Как проектировать инструментирование так, чтобы извлекать из него обоснованные выводы и избегать искусственных паттернов и предвзятости в AI-синтезе?
  • Как решать, что традиционные исследования лучше подходят, чем непрерывная оценка?
  • Как балансировать ритм, сигналы и решения? Команда, следующая только сигналам, будет изучать лишь то, что она инструментировала.
  • Что считается валидным доказательством из релиза? Короткий период зашумлённых данных и самоотобранные ответы опроса имеют реальные ограничения.
  • Каков эффект от измерения каждого релиза? Не тянет ли это команды к небольшим, измеримым улучшениям за счёт более крупных вопросов?
  • Кто владеет требованиями к исследованиям? Исследователи, менеджеры по продукту или оба? Кто их проверяет?
  • Где предел? Интерсепты и опросы могут накапливаться у одних и тех же людей, а слишком много инструментирования может ощущаться как слежка.

С чего начать

Нет необходимости реорганизовывать команду. Попробуйте для одного релиза, от начала до конца.

  1. Аудит готовности данных. Определите, где находятся пользовательские сигналы, и проверьте, к каким источникам вы и агенты вашей команды можете получить доступ.
  2. Напишите один раздел «Исследования». Гипотеза, критерии успеха и вреда, что отслеживать и когда говорить с людьми.
  3. Поделитесь с командой. Покажите это менеджеру по продукту и инженерам, работающим над релизом, и постарайтесь встроить это в работу. Если этот релиз ещё не готов к такому, используйте AI для поиска инсайтов в данных, которые у вас уже есть.

Исследования в темпе AI

Поставка теперь может быть дешевле большого предварительного исследования. Однако команда, работающая быстрее, чем когда-либо, по-прежнему должна знать, сработало ли то, что она поставила, и почему. Ей по-прежнему нужно открывать ранее неизвестные потребности пользователей. То же снижение стоимости, которое сделало поставку дешёвой, теперь позволяет исследователям встраивать эти ответы в каждый релиз.

Это возможность, которой у исследований прежде не было. Годами исследователи просили инженерное время и ждали. Теперь они могут указать, что релиз должен зафиксировать, и увидеть, как это создаётся вместе с функцией.

Фотограф с цифровой камерой делает гораздо больше снимков, чем тот, кто снимает на плёнку. Кто-то всё равно должен знать, какой из снимков стоит сохранить.