Quirks: Почему человеческий уровень незаменим при работе с AI-инсайтами
ИИ ускоряет анализ, но не понимание — и этот разрыв между выявленными паттернами и действенным инсайтом остаётся критическим. Закрыть его можно только за счёт грамотного дизайна исследования и человеческой интерпретации: именно от этого зависит, будут ли выводы влиять на решения или просто украшать слайды.
Бег на месте
Редакционная заметка: Эрик Карофски — эксперт в области внедрения ИИ с фокусом на проектировании пользовательского опыта, который делает ИИ понятным, удобным и надёжным. Основатель VectorHX, агентства по работе с человеческим опытом, он имеет более 20 лет опыта в CX, UX и стратегии сотрудничества с крупными брендами — Fidelity, The Hartford, Michelin и Reebok.
ИИ теперь умеет анализировать 90-минутную фокус-группу почти мгновенно. Он выявляет темы, фиксирует сдвиги в тональности, подсчитывает частоту слов и генерирует аккуратный отчёт, который можно сразу вставить в слайд.
Проблема в другом: ничто из этого не является инсайтом.
Это анализ — а анализ принципиально отличается от понимания. Разрыв между тем, что производит ИИ, и тем, что организациям действительно нужно, — это проблема дизайна и интерпретации, и именно здесь продолжают работать люди.
Это проявляется одинаково во многих организациях. Команда исследователей проводит изучение с AI-ассистированным анализом. Платформа выдаёт чистый отчёт: потребители ценят удобство, чувствительность к цене высока среди аудитории 35–54 лет, среди молодых когорт растёт интерес к устойчивому развитию.
Стейкхолдеры кивают. Слайд готов. Шесть месяцев спустя продуктовая команда принимает решение, которое противоречит тому, что потребители имели в виду, — потому что никто так и не спросил, почему важно удобство, какие компромиссы люди делают между ценой и качеством и что именно они вкладывают в слово «устойчивое развитие» — характеристики продукта или практику компании в целом.
ИИ выявил «что» — но никто не нашёл «зачем». Это устойчивая закономерность, и она связана не с провалом инструментов, а с провалом процессов вокруг них.
Начало — на входе
Дизайн исследования должен быть выстроен до того, как в него войдёт ИИ, — а не добавлен в конце.
Дизайн исследования означает построение изучения таким образом, чтобы оно могло ответить на бизнес-вопрос, а не просто собрать данные. Это предполагает осознанный выбор методов, формулировку вопросов, которые выявляют реальное поведение, а не декларируемые предпочтения, и последовательность работы, при которой ранние находки уточняют следующие вопросы. Ничто из этого не автоматизировано. Хорошо спроектированное исследование с посредственным AI-анализом почти всегда превзойдёт плохо спроектированное исследование с лучшими AI-инструментами.
Слишком многие команды применяют ИИ на финальном этапе процесса, который изначально не был настроен на получение полезных выводов. ИИ работает быстро — но быстро в неверном направлении.
На другом конце — интерпретация: привнесение человеческого суждения в понимание того, что выводы на самом деле означают для данной организации в данный момент. Это требует отраслевых знаний, делового опыта и честного понимания организационной динамики: кто будет действовать на основе этих выводов, что нужно донести до них в отличие от того, что они хотят услышать, и как сформулировать рекомендацию, чтобы она была воспринята.
Что ИИ действительно умеет
Важно честно обозначить, что ИИ делает хорошо в исследованиях, поскольку недооценивать его так же неверно, как и переоценивать.
ИИ превосходит человека в скорости и масштабе. Он обрабатывает тысячи открытых ответов на опросы за то время, которое раньше требовалось младшему аналитику, чтобы разобрать несколько. Он находит паттерны в качественных данных, на поиск которых у человека ушли бы недели. Он сокращает ошибки транскрипции, устраняет значительную часть рутинной ручной работы и проводит семантический анализ с такой степенью последовательности, с которой человек просто не справится на протяжении длительного проекта.
Это реальные возможности. Они меняют то, что операционно достижимо.
Но вот что неизменно проявляется в работе с клиентами: команды, которые передают результаты AI-анализа стейкхолдерам напрямую — без уровня интерпретации, основанного на реальном человеческом суждении, — систематически производят инсайты, которые точны на поверхности и бесполезны на практике.
В 2025 году Deloitte подготовила для государственных клиентов в Австралии и Канаде отдельные AI-ассистированные отчёты, которые впоследствии оказались содержащими выдуманные ссылки и упоминания несуществующих исследований — отчёты, выглядевшие авторитетно, но не поддававшиеся верификации.
Чего ИИ не умеет
ИИ систематически упускает контекст. Он не может определить, какая тема стратегически значима для вашего бизнеса в отличие от просто часто встречающейся в данных. Он не знает, что ваша компания готовится пересмотреть ценовую стратегию, что крупнейший конкурент только что вышел в новый сегмент или что одна из «незначительных» тем, которую он выделил, соответствует болевой точке, которую ваша команда руководства обсуждает уже три квартала.
Контекст находится у людей, а не в данных.
ИИ умеет представлять разнообразие точек зрения — и для этого он действительно полезен. Он отображает разброс тональностей в наборе данных, показывает, где формируются кластеры мнений, и фиксирует, где разногласие наиболее выражено. Но представить точки зрения и проанализировать их — разные задачи. Решение о том, какие перспективы важны, какие противоречия стратегически значимы и что организация должна с этим делать, — это работа людей. Анализ нельзя делегировать инструменту, который произвёл данные.
Именно здесь стоит поспорить с нарративом о том, что ИИ сокращает функцию исследований. Картина более нюансированная: ИИ устраняет одни задачи, одновременно повышая ставки в других.
Исследователи, которым сейчас тяжело, как правило, выстраивали карьеру на исполнении — сборе данных, кодировании, транскрипции, написании отчётов. Эти задачи автоматизируются, и вытеснение реально. Исследователи, которые сейчас успешны, — те, кто всегда делал более сложную работу: проектировал исследования, выявляющие реальное поведение, синтезировал данные из разных методов, переводил выводы в решения, которые закрепляются на практике. ИИ не угрожает этим людям: напротив, он усиливает их влияние, поскольку они тратят меньше времени на рутинную работу и больше — на суждение.
Этот сдвиг некомфортен, потому что требует от команд исследователей развить — или честно оценить наличие — иного набора компетенций. Может ли ваша команда взять кластер тем, сгенерированный ИИ, и превратить его в стратегическую рекомендацию? Умеет ли она отличать находку, которая интересна, от той, которая применима на практике? Может ли она сесть напротив скептически настроенного директора по маркетингу и защитить качественный инсайт перед дашбордом с противоречивыми количественными данными?
Это человеческие навыки, и они распределены неравномерно.
Что это значит для структуры команд
Исследовательские отделы пересматривают, кого нанимать, а что отдавать на аутсорсинг.
Операционные задачи — полевые работы, транскрипция, первичное кодирование, очистка данных — всё больше выполняются инструментами или внешними исполнителями, а ИИ ускоряет эту работу. Уровень интерпретации при этом удерживается более жёстко — силами старших специалистов, а в ряде организаций его роль не снижается, а растёт.
Эффективные insight-команды также выстраивают более прочные петли обратной связи между исследованиями и принятием решений. Это означает включение исследователей на более ранних этапах продуктовых и маркетинговых циклов, а не привлечение их лишь для валидации уже принятых решений. Это означает отношение к функции инсайтов как к стратегическому активу, а не к центру затрат, производящему отчёты.
Такое переосмысление возможно только тогда, когда команды исследователей могут демонстрировать суждение, а не только скорость и объём.
Вопрос, который стоит задать себе
Если ваша команда внедряет AI-инструменты — а это стоит делать, — потратьте время на такой вопрос: где именно в вашем процессе живёт человеческое суждение?
Не в теории и не в организационной схеме — а на практике.
Кто отвечает за определение того, на какой бизнес-вопрос исследование на самом деле призвано ответить? Кто интерпретирует AI-сгенерированный анализ с учётом стратегического контекста вашей организации? Кто переводит выводы в рекомендацию и отстаивает эту рекомендацию в зале переговоров?
Если эти роли чётко определены и эти люди сильны, ИИ сделает вашу команду быстрее и компетентнее. Если эти роли размыты или эти навыки слабо развиты, ИИ в основном поможет вам производить более качественно оформленные материалы, которые будут приводить к тем же плохим решениям.
Технология — не узкое место. Узкое место — человеческий уровень. Это было правдой в исследованиях давно, и ничто в ИИ это не меняет. Если на что и влияет ИИ, так это на то, что разрыв между командами, выстроившими реальную интерпретационную компетентность, и теми, кто этого не сделал, скоро станет значительно заметнее.
Ссылки:
1 «Deloitte allegedly cited AI-generated research in a million-dollar report for a Canadian provincial government», Fortune, 25 ноября 2025.
«Why Deloitte’s $440,000 AI report is a warning to every organisation using artificial intelligence», CJPI, 11 октября 2025.