Quirks: ИИ переопределяет роль качественного исследователя
Как роль качественного исследователя обостряется в эпоху ИИ
Авторская колонка Джитена Мадиа, основателя myTranscriptionPlace и платформы Flowres, опубликована в Quirks.
На протяжении последних трёх лет исследовательское сообщество вело важную дискуссию: нужно ли допускать ИИ к анализу качественных данных? Аргументы звучали с обеих сторон. Проводились пилоты. Ранние последователи публиковали результаты.
Сегодня эта дискуссия завершена. Согласно исследованию Qualtrics «2026 Global Market Research Trends», охватившему более 3 000 исследователей из 17 стран, 95% респондентов регулярно используют инструменты на основе ИИ или активно их тестируют. Водораздел больше не проходит между теми, кто применяет ИИ, и теми, кто его избегает. Он проходит между теми, у кого есть чёткая стратегия работы с ИИ, и теми, кто ещё её вырабатывает. ИИ уже кодирует транскрипты, выявляет паттерны и генерирует предварительные резюме. Более продуктивный вопрос звучит не «уместен ли ИИ в качественных исследованиях?», а «кем становится исследователь, когда ИИ берёт на себя тяжёлую аналитическую работу?»
Ответ, по убеждению автора, таков: роль исследователя не сужается. Она заостряется.
Бремя операционной зависимости
Чтобы понять, куда движется профессия, полезно честно осмыслить, где она находилась прежде. Значительная часть рабочего времени качественного исследователя всегда уходила на задачи, необходимые для получения consumer insights, но не связанные напрямую с той уникальной ценностью, которую исследователь привносит в работу.
Возьмём типичный многорыночный качественный проект. Транскрипты нужно получить в срок — часто через менеджеров проектов, что само по себе создаёт зависимость, за которой надо следить. Анализ содержания и кодирование должны завершиться прежде, чем исследователь сможет строить связную историю. Даже ведение заметок во время сессий — процесс, который исследователи обоснованно ценят как инструмент мышления, — превращается в отвлекающий фактор, когда он уводит внимание от наблюдения за нюансами в речи респондента.
Многие из этих операционных задач традиционно отдавались на аутсорс: транскрипция — специализированным компаниям, кодирование — младшим членам команды, анализ содержания — платформам. Но аутсорсинг не устраняет зависимость — он лишь перераспределяет её. Исследователь всё равно ждёт. Всё равно управляет передачей данных. И в этом ожидании теряется импульс, гипотезы устаревают, а окно для глубокой интерпретационной работы сужается.
ИИ меняет это уравнение. Когда транскрипция происходит почти мгновенно, первичное кодирование занимает минуты вместо дней, а выявление паттернов происходит параллельно с накоплением данных — исследователь больше не управляет зависимостями. Он свободен делать то, для чего его готовили: добавлять ценность через мышление, оценку, сопоставление и анализ.
Что исследователи могут делать, когда ИИ берёт на себя рутину
Если ИИ принимает на себя операционную и аналитическую рутину, как исследователь должен распоряжаться высвободившимся временем? Выделяются четыре направления.
1. Погружаться в данные непосредственно в процессе их сбора. Исследователи должны присутствовать на как можно большем числе живых сессий — не для того, чтобы вести заметки (с этим теперь справляется ИИ), а чтобы интуитивно ощущать, что происходит под поверхностью ответов респондентов. Это включает наблюдение за сессиями на языках, не являющихся родными для исследователя. Цель — погружение в текстуру и эмоцию разговора, которое достигается через наблюдение за языком тела, паузами и голосовыми паттернами. Лучшие качественные insights, как правило, возникают у тех, кто был пропитан данными, а не обрабатывал их на расстоянии.
2. Верифицировать и критически проверять результаты ИИ. ИИ работает быстро и способен быть основательным, но он не безупречен. Верификация становится критической функцией, в которую организациям стоит серьёзно инвестировать. Младшие исследователи, традиционно занятые ведением заметок и составлением таблиц, могут быть переориентированы на роль специалистов по верификации. Их задача: сопоставлять темы, сгенерированные ИИ, с исходными данными, фиксировать интерпретационные скачки, не подкреплённые доказательствами, и обеспечивать, чтобы аналитический результат был обоснованным, а не лишь правдоподобно звучащим. Хотя некоторые специализированные платформы для качественного анализа уже начали выстраивать подобные процессы верификации, человеческое суждение в этой работе остаётся незаменимым.
3. Тестировать несколько аналитических фреймворков и выбирать между ними. Это, пожалуй, наиболее захватывающая возможность для исследователей, освободившихся от рутины. Когда кодирование и поиск паттернов перестают быть узкими местами, исследователь получает возможность прогонять данные через несколько интерпретационных линз. Один и тот же массив данных можно рассмотреть через иерархию потребностей Маслоу, через культурные измерения Хофстеде, через призму идентичности бренда Капферера и многие другие. Каждый фреймворк освещает разные грани датасета. Прежде временны́е ограничения заставляли исследователя выбирать один аналитический подход и придерживаться его. ИИ снимает это ограничение. Как отмечает Кристу, ключ в том, чтобы относиться к ИИ как к аналитическому партнёру: тщательная доработка промптов и осторожная проверка результатов предотвратят предвзятые или вымышленные выводы. Теперь мастерство исследователя — знать, какие фреймворки применять, как синтезировать результаты и что открывает их совокупность, незаметная при взгляде через одну линзу.
4. Концентрироваться на смыслопорождении и клиентском контексте. Самое ценное, что опытный качественный исследователь привносит в проект, — не умение кодировать данные. Это понимание мира клиента: внутренняя политика организации, знание того, какие выводы найдут отклик у CMO, а какие — у бренд-менеджера, понимание стратегических ограничений, определяющих, что организация реально может предпринять. У ИИ нет доступа ни к чему из этого. Исследователи, превращающие хорошо закодированные и структурированные данные в убедительные истории, которые подталкивают организации к конкретным решениям, всегда были востребованы и ценились высоко.
Повышение планки для human-led qualitative research
На протяжении многих лет защита исследовательской отрасли от вытеснения ИИ строилась на утверждении, что машины не способны интерпретировать смысл. Сегодня этот тезис становится всё менее состоятельным. Большие языковые модели демонстрируют способность выдавать связные, контекстно осознанные и порой даже проницательные интерпретационные результаты.
Однако картина более сложная, чем кажется на первый взгляд. В широко цитируемом исследовании Дэвид Л. Морган обнаружил, что ИИ вполне справлялся с воспроизведением конкретных, описательных тем, но неизменно уступал при поиске тонких, интерпретационных. Последующие исследования подтвердили этот вывод. На Quirk’s LA 2025 один из исследователей выражал восторг от способности ИИ анализировать тысячи открытых ответов за часы, тогда как другой предостерегал, что отрасль слишком далеко отходит от сохранения человекоцентричности исследований (Rival Technologies, 2025). Обе позиции правомерны. Вопрос не в том, какой лагерь прав, а в том, как практики и заказчики удерживают обе истины одновременно.
Автор убеждён: человек-исследователь останется на несколько шагов впереди ИИ в той работе, которая важна больше всего — при условии, что он инвестирует в поддержание этого опережения. Интерпретация — не статичный навык. Вкус, суждение, отраслевой контекст, умение чувствовать, что значимо, а что является шумом, способность удерживать противоречивые выводы в одновременном рассмотрении и приходить к синтезу, отвечающему конкретному стратегическому моменту клиента — все эти компетенции углубляются, если их практиковать, и атрофируются при самоуспокоении.
Исследователи, которые будут процветать в новых условиях, — те, кто воспринимает ИИ не как угрозу, которой следует противостоять, и не как инструмент, который приходится нехотя осваивать, а как ускоритель, повышающий планку для того, что human-led qualitative research должно выдавать. Если ИИ может произвести компетентный тематический анализ, то компетентный тематический анализ больше не является итоговым результатом. Результатом становится insight, лежащий поверх анализа — интерпретационный скачок, стратегическая рекомендация, вывод, меняющий представление клиента о его категории, потребителе или бренде.
Новый стандарт для качественных исследований
Индустрия качественных исследований находится в точке перегиба, где ИИ вытесняет те части работы исследователя, которые никогда не были главной причиной его ценности.
Дискуссия о том, использовать ли ИИ в качественных исследованиях, завершена. Вопрос теперь в том, воспользуются ли исследователи возможностью поднять своё мастерство на новый уровень: тратить меньше времени на получение транскриптов и ведение кодировочных таблиц — и больше на глубокую, интерпретационную, насыщенную контекстом работу, которую не способен воспроизвести ни один алгоритм.
Исследователи, совершившие этот переход, обнаружат, что их роль не умалилась. Впервые за несколько десятилетий она полностью сосредоточена на том, что действительно имеет значение.
Источник: Quirks.com. Автор: Джитен Мадиа, основатель myTranscriptionPlace и Flowres.