Quirks: Как снизить риски AI в маркетинговых исследованиях
Алисон Манш, профессор Колледжа Куинс и руководитель собственной исследовательской практики Insights for Actions Research в Нью-Йорке, опубликовала в журнале Quirks статью о том, почему скорость внедрения AI в маркетинговые исследования обгоняет методологическую зрелость, которая необходима для его ответственного использования. Автор предлагает фреймворк PAIR для перехода от экспериментального применения инструментов к систематической практике.
Контекст: распространение без зрелости
По данным McKinsey, большинство организаций уже используют AI — прежде всего генеративный — хотя бы в одной бизнес-функции, с наибольшей активностью в маркетинге, разработке продуктов и работе с клиентами. McKinsey также оценивает потенциальный прирост от генеративного AI в $2,6–4,4 триллиона ежегодно по 63 сценариям использования. При этом многие организации признают, что ещё не получили ощутимого эффекта на уровне бизнеса: инструменты распространяются быстрее, чем компании успевают выстроить компетенции, процессы и культуру, необходимые для их эффективного применения.
В маркетинговых исследованиях это противоречие особенно заметно. Отраслевые отчёты фиксируют, что растущая доля поставщиков исследовательских услуг встраивает генеративный AI в свои продукты, но качество данных и загрязнение синтетическими данными становятся ключевыми барьерами для получения достоверных результатов. Профессиональные организации — ESOMAR и Общество маркетинговых исследований Индии — уже обновили свои кодексы, ужесточив требования к прозрачности и этике в работе с AI-инструментами.
Данные опроса практиков
Статья опирается на опрос 32 специалистов в области исследований. Основные находки:
Уровень уверенности и освоенности. Средняя оценка уверенности в использовании AI — 7,2 из 10, средняя оценка знакомства с инструментами — 6,4 из 10. При этом больше половины опрошенных описывают себя как «изучающих» или «пилотирующих» AI-инструменты: 20% находятся в стадии изучения, 37% — в стадии пилота. Только 4% не имеют существенных опасений относительно использования AI.
Частота использования. 30% используют AI-инструменты ежедневно, 48% — еженедельно, оставшиеся 22% — как минимум ежемесячно. Регулярное использование при умеренной уверенности указывает на то, что практика опережает понимание — что и создаёт методологические риски.
Главные опасения практиков:
- качество данных и точность — 81%
- предвзятость в выводах AI — 69%
- доверие клиентов и прозрачность — 42%
- недостаточная внутренняя экспертиза — 42%
- этические вопросы и конфиденциальность — 35%
- неопределённость с ROI — 19%
Тематический анализ открытых ответов выявил пять устойчивых тем: необходимость целенаправленного обучения, баланс скорости и суждения, центральность управления предвзятостью, понимание AI как инфраструктуры, а не «волшебного» инструмента, и уважение к контексту, который машина не улавливает самостоятельно.
Метафора шахмат и аугментация
Автор привлекает историческую аналогию: победа компьютера Deep Blue над Гарри Каспаровым в 1997 году стала поворотным моментом, однако сегодня лучшие результаты в шахматах показывают «кентавры» — команды из людей и машин. Преимущество AI не в автономии, а в аугментации: алгоритмы обеспечивают скорость, масштаб и распознавание паттернов, которые недоступны человеку, тогда как человек привносит интуицию, контекстуальное суждение и понимание того, что действительно имеет значение.
Та же логика распространяется на маркетинговые исследования: исследователь, который знает, какие вопросы задавать и как интерпретировать сложную реальность, становится важнее, а не менее нужным — просто теперь у него есть мощный партнёр.
Фреймворк PAIR: от экспериментов к ответственной практике
PAIR — аббревиатура из четырёх шагов, изначально разработанная для образования в эпоху генеративного AI. Автор адаптирует её для маркетинговых исследований.
P — Problem formulation (Формулировка проблемы). Предвзятость в исследованиях часто возникает ещё до сбора данных — при неправильной постановке вопроса. На этом этапе нужно явно определить: какие сегменты могут быть недопредставлены? Где исторические данные отражают перекошенную выборку? Если выявить эти уязвимости на старте, можно планировать компенсирующие шаги — например, намеренно усиливать представленность недостаточно охваченных групп или помечать чувствительные переменные.
A — AI tool selection (Выбор инструмента). Инструменты нужно оценивать не только по точности и удобству, но и по интерпретируемости, прозрачности и наличию встроенных механизмов контроля предвзятости. Это означает требование к поставщикам раскрывать источники обучающих данных, процедуры тестирования на предвзятость и наличие функций explainability. «Чёрные ящики» неприемлемы для высокорисковых применений — сегментации, предиктивного моделирования уязвимых групп.
I — Interaction (Взаимодействие и стресс-тестирование). На этапе взаимодействия исследователи не принимают выводы AI пассивно, а активно проверяют их: тестируют, как разные промпты влияют на резюме или описание персон; сравнивают сегменты, сгенерированные AI, с известными количественными паттернами; специально запрашивают модель по граничным случаям — нишевым или маргинализированным группам потребителей — и проверяют, не стереотипизирует ли система и не игнорирует ли их.
R — Reflection (Рефлексия и аудит). После завершения проекта команда должна задать себе вопросы: где выводы AI расходились с другими источниками данных? Какие виды предвзятости или слепых зон были обнаружены и как они были исправлены? Как выбор промптов, инструментов или обучающих данных повлиял на финальные нарративы? Систематизация таких наблюдений формирует аудируемую базу знаний организации — индивидуальные уроки становятся встроенными институциональными защитами.
Предвзятость живёт не только в алгоритмах
Центральный тезис статьи: предвзятость присутствует не только в алгоритмах, но и в допущениях, стимулах и интерпретациях, которые определяют то, как эти алгоритмы создаются и используются. Маркетинговые исследования в эпоху AI — это не просто ускорение получения инсайтов, а ускорение ответственное, при котором скорость никогда не обгоняет суждение человека.
По мнению автора, традиционные маркетинговые исследования не умирают, а переживают трансформацию. В мире, где данных много, а понимания не хватает, человеческая экспертиза остаётся незаменимой — особенно по мере того, как в рабочие процессы начинают входить агентные AI-системы, способные самостоятельно инициировать действия и выстраивать цепочки решений.