Skip to content
Новость Quirks Marketing Research Review нояб. 2026 г.

Quirks: фреймворк RISE — как выбрать между AI и традиционными исследованиями

Сферы, движущиеся к входу в лабиринт — иллюстрация к выбору между AI и традиционными методами исследования

Авторы: Рэанн Байлоу, старший директор по маркетинговой стратегии Cascade Insights, и Шон Кэмпбелл, сооснователь и CEO Cascade Insights. Опубликовано 12 ноября 2026 года.

Аннотация: AI хорош для рутинных и интерпретационных исследований, но стратегические вопросы по-прежнему требуют человеческого суждения. Как соотносить методы исследования с важностью решений.

Это не выбор одного из двух

Дискуссия об AI против традиционных исследований рынка генерирует много шума, но мало ясности. По большей части она неверно формулирует вопрос.

Компания в сфере кибербезопасности, с которой работали авторы, готовилась выйти на рынок облачной безопасности. Вице-президент по маркетингу продукта задалась прямым вопросом: что корпоративные покупатели в области безопасности действительно ценят при оценке облачных платформ?

Она начала там, где начинают большинство команд. Спросила ChatGPT. Секунды спустя у неё был чёткий ответ: интеграция с существующими инструментами, охват требований соответствия, скорость развёртывания. Ясно. Логично. Хорошо структурировано. И при этом полностью взаимозаменяемо почти с любой другой категорией корпоративного программного обеспечения.

Тогда она попробовала платформу для инсайтов на основе AI, построенную на базе большой базы данных реальных интервью с покупателями. Это было ближе к цели. Ответы отражали реальные разговоры, а не просто веб-контент. Интеграция и соответствие нормативным требованиям снова появились, вместе с полезным наблюдением о времени достижения ценности в ходе пилотных испытаний. Но она только запрашивала существующую базу данных. Не добавляла к ней данные звонков по продажам своей компании. Не просила платформу организовать интервью с конкретным профилем покупателя, который можно было бы настраивать и перенаправлять на основе новых инсайтов, открывающихся после каждого интервью.

В конечном итоге команда заказала полностью кастомное исследование. Они напрямую поговорили с руководителями корпоративных служб безопасности, которые недавно оценивали облачные платформы. Результаты изменили их подход целиком. Главным барьером для принятия продукта оказалась не техническая составляющая, а организационная. Команды безопасности теряли влияние на процесс закупок. Решения всё чаще принимали команды инженеров платформ.

Этот инсайт не выплыл из лучшей базы данных. Он пришёл от опытного исследователя, который на третьем интервью заметил, что респонденты раз за разом уходят от вопросов о технических критериях оценки и вместо этого говорят о внутренней политике. Этот исследователь не продолжал идти по гайду, стремясь завершить очередное интервью. Вместо этого она отложила исходный гайд и следовала за этой нитью на протяжении ещё двенадцати разговоров, руководствуясь собственной интуицией и экспертизой. В результате получилась детальная карта того, как меняется решающее влияние при покупках в конкретных целевых аккаунтах этой компании, что это означало для их модели продаж и насколько далеко зашли эти изменения.

Это различие между извлечением существующих знаний и созданием новых знаний через сам акт исследования — наиболее важное в любом честном сравнении AI с традиционными исследованиями рынка.

Неверный вопрос

Стандартная дискуссия рассматривает исследование как единое целое, которое могут делать либо люди, либо машины. AI против традиционных исследований рынка: что лучше?

Это всё равно что спрашивать, заменяет ли калькулятор финансового директора. Всё зависит от того, о какой работе идёт речь.

Авторы используют фреймворк RISE (Routine, Interpretation, Strategy, Engagement — рутина, интерпретация, стратегия, вовлечённость), чтобы думать о том, где AI приносит наибольшую ценность, а где человеческое суждение остаётся необходимым.

Рутина: AI побеждает — используйте его хорошо

Определение объёма рынка по публичным данным. Мониторинг пресс-релизов и анонсов продуктов. Извлечение словаря покупателей с сайтов отзывов. Обобщение отчётов о прибылях. Сборка справочных материалов. Сканирование сайтов конкурентов и аналитических отчётов на предмет изменений в позиционировании.

Это исследования уровня рутины. Они необходимы и до недавнего времени были дорогостоящими и медленными. Теперь AI-инструменты делают это быстрее и охватнее, чем любая команда людей. Если вы платите консалтинговой фирме за ручную компиляцию такого рода конкурентной разведки — вы переплачиваете.

Одно важное разграничение: не вся конкурентная разведка является рутинной. Сканирование веба на предмет того, что анонсировали конкуренты и как они позиционируются, — AI справляется хорошо. Но разговор с клиентами конкурента о том, почему они действительно выбрали этот продукт? Интервью с бывшими продавцами о том, как на самом деле выглядит модель продаж? Это принципиально иная работа. Она требует рекрутинга, установления доверия и реальных навыков интервьюирования.

Вот что дискуссия об AI против традиционных исследований рынка постоянно упускает применительно к рутинному уровню: большинство команд не извлекают полной ценности из этих инструментов. Они делают один запрос в ChatGPT, получают обобщённый ответ и заключают, что AI-исследования поверхностны. Они используют 30% возможностей и судят обо всей категории по результату. Правильный ответ — не сопротивляться AI-инструментам, а использовать их для умножения продуктивности на рутинном и интерпретационном уровнях, чтобы ограниченное время и бюджет можно было сберечь для стратегической работы, действительно требующей человеческого суждения.

Интерпретация: платформы догоняют, но инвесторы начинают задавать жёсткие вопросы

Следующий уровень в честном фреймворке AI против традиционных исследований — интерпретация. Не просто сбор информации, а выявление паттернов, отделение важного и организация находок во что-то полезное. Здесь AI-инструменты добились подлинно впечатляющих результатов.

Для значительного диапазона интерпретационных вопросов эти платформы достаточны:

  • Какие возражения корпоративные покупатели чаще всего высказывают в вашей категории?
  • Как конкуренты позиционируют свою историю об облачных технологиях?
  • Каким языком руководители IT-отдела среднего бизнеса описывают свой процесс оценки?
  • Где наш мессаджинг совпадает или не совпадает с реальным словарём покупателей?

Если ваш вопрос находится на этом уровне — вероятно, вам не нужно кастомное исследование.

Вместе с тем пространство платформ для инсайтов само переживает значительную переоценку, и покупатели должны понимать, что это означает. Инвесторы и покупатели всё более скептически настроены в отношении платформ для инсайтов, которые не могут сформулировать убедительную причину своего существования в мире, где часть интеллектуального слоя всё чаще предоставляется OpenAI, Anthropic или Google. Вопрос, который задают капитал и покупатели, не «Есть ли у этой платформы AI-функции?», а есть ли у платформы реальное конкурентное преимущество. Просто иметь хороший UX, хорошую цену и даже проприетарные данные в некоторых случаях будет недостаточно для того, чтобы та или иная платформа пережила следующие несколько лет потрясений.

Стратегия: дизайн исследования как стратегический акт

На стратегическом уровне сравнение AI с традиционными исследованиями рынка кардинально смещается. Вы больше не спрашиваете «Что говорят покупатели?» Вы спрашиваете «Что нам с этим делать?»

Это требует принципиально иного, чем извлечение данных, сколь бы хорошей ни была система извлечения.

Кастомное исследование на стратегическом уровне — это не более хорошие интервью или больше данных. Это дизайн исследования как стратегический акт. Кастомное исследование начинается с конкретной стратегической гипотезы: не общей темы, а точного вопроса, связанного с бизнес-решением. Выходить ли нам на этот рынок? Мы проигрываем сделки из-за позиционирования или пробелов в продукте? Какая персона покупателя должна стать якорем нашего запуска?

Гайд для интервью строится как инструмент для проверки этой гипотезы. И инструмент адаптируется. Опытный исследователь корректирует гайд в ходе интервью по мере возникновения паттернов, исключает вопросы, не дающие значимых сигналов, и добавляет новые на основе того, что раскрыли предыдущие респонденты.

Когда само исследование должно быть стратегическим инструментом — когда то, как вы спрашиваете, столь же важно, что и то, о чём вы спрашиваете, — вы выходите за пределы того, что может предоставить любая платформа.

Другое измерение — ответственность. AI-инструмент даёт вам данные и ссылки. Кастомное исследование даёт вам исследователя, который стоит за рекомендацией. Который скажет вам: «Я понимаю, что история вашей организации говорит об X, но на основе данных и наших инсайтов вот почему я думаю, что вам следует делать Y», — и будет отстаивать эту позицию, когда с ней не согласится вице-президент по продажам.

AI может информировать стратегическое решение. Он не может нести ответственность за него.

Вовлечённость: уровень, который разрешает спор об AI и традиционных исследованиях

На вершине фреймворка находится вовлечённость, и это сложнее всего объяснить тем, кто не переживал этого непосредственно в контексте market research.

Ценность — не в данных, которые выходят из разговора. Она в том, что происходит в его ходе.

Вспомните, как работает хороший врач. Она не просто спрашивает, где болит. Она наблюдает за вашим лицом, когда вы описываете симптомы. Замечает, что вы преуменьшаете что-то. Задаёт вопрос, которого вы не ожидали, и ваш ответ удивляет вас обоих. Диагноз часто приходит не из информации, которую вы добровольно предоставили, а в момент, когда что-то вырвалось, что вы не планировали говорить.

Качественные исследования рынка работают так же.

В последнее время много говорят об AI-модерируемых интервью: чат-инструменты, аудио-AI-интервьюеры, платформы, обещающие качественную глубину в количественном масштабе. Это не пустышка. Для прямолинейных вопросов с готовыми к сотрудничеству респондентами они могут собирать полезные данные быстрее, чем планирование тридцати разговоров с людьми-модераторами.

Но у них есть потолок, и важно, где этот потолок находится.

AI-интервьюеры хорошо справляются с уточнением того, что человек сказал. Они могут спросить «Расскажите об этом подробнее?» компетентно. Чего они не могут — это услышать то, что человек не сказал. Некоторые наиболее важные находки в исследованиях приходят из отсутствий: из вопроса, тему которого респондент намеренно меняет, из конкурента, которого он демонстративно не упоминает, из долгой паузы перед тщательно подобранным уклончивым ответом.

Опытный исследователь фиксирует всё это. Она замечает, что три респондента подряд уходят от одного и того же вопроса, и решает надавить на него с четвёртым, с другого угла. Там и живёт настоящий ответ.

Представьте: вы ведёте переговоры о сделке и отправляете вместо себя очень компетентного AI-чатбота. У него есть ваши тезисы. Он может реагировать на возражения. Он может делать встречные предложения в заданных параметрах. Но он не может уловить, что CFO только что сделала взгляд в сторону коллеги, означающий «мы готовы уступить». Не может почувствовать, как изменилась энергия в переговорах, когда вы упомянули сроки внедрения, — а значит, это и есть настоящее препятствие, а не цена, о которой они продолжают спорить.

То же самое происходит в исследовательских интервью. Покупатели не входят в разговор и не объявляют: «Мы выбрали конкурента, потому что наша команда инженеров платформ устроила политический переворот против нашего отдела безопасности». Они говорят вокруг этого. Намекают на это. Раскрывают это по частям, на протяжении сорока минут, тому, кому стали доверять.

Инсайты, которые меняют стратегию клиента, почти никогда не приходят из вопросов, которые планировалось задать. Они приходят из уточнений, которые имели смысл только в данный момент, из вопроса, существовавшего только потому, что три предыдущих респондента раскрыли нечто важное, и из решения провести двадцать минут на том, чего не было в гайде, потому что исследователь почувствовал: это важнее.

Это не технологический разрыв, который решается лучшей моделью. Люди раскрывают перед человеком другие вещи, чем перед интерфейсом. Самые важные вещи они раскрывают последними, нехотя, тому, кто заслужил этот момент откровенности.

Как принять решение для следующего проекта

Перед заказом любого исследования или отказом от AI-инструментов в пользу кастомного исследования ответьте на два вопроса.

  1. На каком уровне фреймворка находится мой вопрос? Если нужно знать, что конкуренты анонсировали в прошлом квартале или как они позиционируются на своём сайте — это рутина. Используйте AI-инструменты. Если нужно понять распространённые возражения покупателей в вашей категории — это интерпретация. Хорошая платформа для инсайтов, вероятно, справится. Если нужно решить, выходить ли на рынок, разобраться, что не так с проникновением продукта, или построить конкурентную разведку из человеческих источников — это стратегия. Нужно спроектированное исследование с кем-то, кто несёт ответственность за рекомендацию.

  2. Что произойдёт, если я ошибусь? Плохая конкурентная справка — незначительная проблема. Поверхностное понимание возражений покупателей снижает эффективность мессаджинга. Неверное решение о выходе на рынок даёт о себе знать годами. Чем выше уровень, тем выше цена ошибки. Соотносите инвестиции в исследования с размером ставок, а не с тем, что проще.

Реальный ответ

AI-платформы для инсайтов действительно хороши и становятся лучше быстро. Они охватывают рутинные исследования и хорошо справляются с интерпретационным уровнем для большинства вопросов категорийного характера.

Но есть разница между извлечением знаний — даже очень хорошим, основанным на реальных интервью знанием со ссылками — и созданием знаний. Именно это различие дискуссия об AI против традиционных исследований рынка постоянно обходит, так и не приземляясь на него.

Кастомные исследования создают знания. Они проектируют исследование вокруг конкретного стратегического вопроса. Они осуществляют суждение о том, какие нити следует тянуть. Они берут ответственность за рекомендацию. И производят синтез, которого не существовало до начала исследования.

Команды, показывающие лучшие результаты, используют и то, и другое. AI-инструменты и платформы — для скорости и охвата на рутинном и интерпретационном уровнях, включая инвестиции во внутреннюю компетентность их использования. Кастомные исследования — когда решение находится на стратегическом уровне или уровне вовлечённости и цена поверхностного ответа выше, чем стоимость работы.