Skip to content
Новость Strella авг. 2026 г.

Strella: что говорят лидеры UX-исследований о серии How to AI UXR

Шесть выпусков подкаста How to AI UXR: что говорят лидеры UX-исследований

Мы уже шесть эпизодов смотрим подкаст How to AI UXR от The ResearchOps Review. Лидеры исследований рассказывают о реальных случаях применения ИИ в своей работе — и всё чаще приходят к одним и тем же выводам о том, как именно его внедрять.

Коротко о серии

How to AI UXR — это восьмисерийный видеоподкаст Кейт Тоузи и The ResearchOps Review, спонсором которого выступает Strella. Выпуски выходили еженедельно с 9 июля по 27 августа 2026 года. Каждый эпизод — это тридцатиминутный разговор с одним практикующим исследователем о том, что именно он построил. Шесть эпизодов вышло. Гости расходятся в деталях, но сходятся в главном: начинайте с одной болевой точки, а не со системы; ожидайте, что ИИ сдвинет трудное мышление на более ранний этап, а не устранит его; и воспринимайте ограничение как операционное, а не как недостаток самих моделей.

Кейт Тоузи и The ResearchOps Review разработали How to AI UXR — карту для построения исследовательских операций, дополненных ИИ, на основе 562 точек данных и разговоров более чем с 50 специалистами в области исследований и ResearchOps. Strella спонсировала эту работу и внимательно следила за ней по мере её формирования.

Карта рассматривает ИИ в исследованиях как путь зрелости, а не как вопрос «да или нет».

На уровне Crawl команды используют готовые LLM для черновиков, обобщения и кластеризации. На уровне Walk они строят собственные системы: агентов, RAG-репозитории, системы оценки. На уровне Run мультиагентные конвейеры меняют саму практику.

Подкаст предлагает людям, которые находятся где-то на этом пути, показать свою работу. Кейт беседует с одним практиком за эпизод. Прия Кришнан, сооснователь и COO Strella, добавляет краткий комментарий к каждому разговору — с точки зрения тех, кто создаёт инструменты, которые тестируют эти исследователи.

1. Начните с одной болевой точки, а не с системы

Общая ошибка в этих разговорах — не выбор неправильного инструмента. Это масштаб.

Мишель Бежан Лотиа из Ramp открыла серию, выступив против инстинкта проектировать. Её совет — пропустить грандиозный план и «найти одну вещь, которая причиняет вам боль сегодня, и попытаться убрать эту боль». Не самый ценный рабочий процесс и не тот, у которого лучшая история ROI. Тот, который болит.

То, что делает это большим, чем стандартный совет «начинайте с малого», — то, что последовало дальше. Система, которой она в итоге гордилась больше всего, не была ни в каком плане. Она не существовала как идея, когда она открыла ноутбук тем утром. Она появилась из того, что оказалось технически возможным против проблемы, которая была перед ней. Как она сама выразилась: «За этим не стояло никакой грандиозной стратегии».

Это неудобно слышать команде, ориентированной на планирование — и это самая практичная вещь в серии на данный момент. Вы не можете спроектировать систему AI-исследований абстрактно, потому что вы ещё не знаете, в чём инструменты хороши в вашем контексте. Система — это результат экспериментов, а не их предпосылка.

Дэниел Готтлиб из Microsoft CoreAI пришёл к этому с другой стороны. Он учился, строя вещи, не связанные с работой, включая сайт для своего отца. Его правило — «найти что-то для изучения, что интересно вам и доставляет удовольствие, а не является обязанностью», потому что тогда препятствия перестают ощущаться как отставание. Навык переносится, даже когда проект нет.

Если читать это против карты, это аргумент в пользу того, чтобы серьёзно воспринимать уровень Crawl, а не рассматривать его как фазу, которую нужно пропустить. Команды, которые перепрыгивают к Walk, как правило, строят системы для рабочего процесса, который они так и не изучили достаточно внимательно, чтобы его описать.

2. ИИ не убирает мышление — он переносит его на более ранний этап

Каждый гость, который построил что-то работающее, описывал одну и ту же последовательность. Трудная часть происходила до того, как инструмент вообще что-то делал.

Джордан Бринкман из ERGO NEXT был наиболее прямолинеен. Его инструкция — остановиться, как только вы почувствуете ограничения инструмента, и сначала составить карту процесса: «как бы я делал этот рабочий процесс как человек? Потому что мне нужно потом объяснить это Claude каким-то образом».

Работа там — это не составление промптов. Это способность достаточно точно сформулировать собственный процесс, чтобы кто-то другой — человек или модель — мог его воспроизвести. Большинство исследовательских рабочих процессов никогда не были записаны с такой точностью. Они живут в суждении практика и обнаруживаются в тот момент, когда вы пытаетесь их делегировать.

Джордан также ясно дал понять, что это не работа, которую новичок может обойти, потому что оценка результатов требует знания того, как выглядит хорошее. В его понимании, строгость исходит из того, что исследователь потом «приводит в порядок эти начальные навыки», уточняя инструкции на основе выводов, которые они были квалифицированы оценить. Экспертиза не исчезает. Она переходит от выполнения анализа к его спецификации и аудиту.

Нам Фам из DoorDash сформулировал то же самое как терпение. Их взгляд на то, почему люди отказываются от этих инструментов, — это маркетинг, обещавший, что вы просто используете их и получаете хорошие результаты. Реальность ближе к обучению: «вы должны быть терпеливы с ним. Учите его делать то, что вы хотите делать». Надёжность — это то, что вы строите через итерации, а не то, что получаете.

Они также предложили полезную переформулировку. Большая часть того, что звучит как новая территория, включая обвязки, оркестрацию и ограничения, соответствует тому, что исследователи и дизайнеры сервисов всегда делали. «Иногда это новый язык, — сказали они, — но под капотом это может быть то же самое». Для всех, кто чувствует себя отстающим, это стоит запомнить. Проектирование рабочих процессов, задание ограничений и знание того, когда вывод неверен, — это навыки, которые у вас уже есть. Новым является словарный запас.

3. Узкое место — операции, а не модели

Спросите, что блокирует внедрение ИИ в крупной исследовательской организации, и вы, как правило, получите ответ о governance, а не о возможностях.

Дэниел Готтлиб описал состояние корпоративного AI-инструментария как «Дикий Запад»: люди создают кастомные вещи быстрее, чем кто-либо может отследить, где они находятся, кто ими владеет или поддерживаются ли они. Он сравнил это с бумом раннего интернета и не расстроен. Он видит «огромные возможности для ops… найти способ лучше отслеживать это, хранить в одном месте».

Эту переформулировку стоит позаимствовать. Пролиферацию обычно описывают как беспорядок, который нужно убрать. Дэниел рассматривает её как свидетельство спроса и, следовательно, как мандат для ResearchOps. Команды, справляющиеся с этим хорошо, не ограничивают использование инструментов. Они строят связующую ткань, которая делает разрозненные инструменты понятными.

Дейв Чен из 1Password ответил на ту же проблему структурой. Его команда разделяет исследовательский процесс на три зоны. Automate охватывает работу, которая была значимо передана ИИ, в основном задачи раннего процесса, построенные на кастомных GPT. Augment находится посередине, работая на спектре от преимущественно ИИ до преимущественно человека. Keep human охватывает остальное. По его словам, augment — «вероятно, наш самый большой кусок» с «разной степенью… этой смеси ИИ и человека в контуре».

То, что средняя зона является самой большой, — это часть, которую стоит подчеркнуть. Никто из шести эпизодов не описывал полностью автоматизированную исследовательскую практику, и никто не описывал отказ от автоматизации чего-либо. Вопрос никогда не был «автоматизировать или нет». Это то, где каждая задача находится на этом спектре, и кто решает.

4. Суждение исследователя — это работа, включая право возражать

Ллевин Пейн назвал то, о чём область в основном молчит. Исследователи соглашаются на AI-применения, которые в частном порядке считают плохими.

Её описание таково: они «боятся возражать против любого ИИ, даже явно плохих AI-применений», потому что «не хотят выглядеть луддитами». Никто не чувствует себя достаточно экспертом, чтобы быть уверенным в своей правоте, поэтому они сомневаются в своём инстинкте и соглашаются. Её слова о цене: «мы не хотим так сосредоточиться на быстром движении в качестве исследователей, что пожертвуем тем, что делает нас эффективными исследователями».

Структурная проблема под этим — в том, что область, принимающая технологию так быстро, генерирует конвенции быстрее, чем доказательства в их пользу. Как выразилась Ллевин, «просто потому что практика популярна или распространена в настоящий момент, не значит, что это действительно хорошая исследовательская практика». Сейчас распространённая практика в основном отражает то, что было легко сделать первым.

Это единственная тема в серии об организационном разрешении, а не о технике. Исследователь, который не может сказать «это конкретное применение — плохая методология», не рискуя быть воспринятым как препятствие, не функционирует как исследователь. Что бы команда ни строила, ей нужен способ, при котором это возражение может быть высказано без труда и воспринято серьёзно.

5. Защитные механизмы делают скорость безопасной

Команда Дейва Чена поместила исследовательского агента в канал Slack, где заинтересованные стороны напрямую задают ему вопросы. Стоящий внимания дизайнерский выбор — это канал, а не приватный инструмент или дашборд.

Размещение его в публичном пространстве делает сразу два дела. Вопросы заинтересованных сторон становятся видимыми, так что команда может видеть, что люди хотят знать. И ответы агента становятся видимыми, так что ошибки всплывают перед людьми, которые могут их исправить. Дейв называет это «почти чувством публичной подотчётности» и описывает цикл поддержки: они следят за ответами, и «если что-то не дотягивает, мы это исправим. И исправляли в прошлом».

Эта последняя оговорка имеет значение. Не «это работает», а «не всегда, и вот кто это исправляет». Вывод по умолчанию виден, и конкретная команда владеет его исправлением. Это более практичное определение «человека в контуре», чем обычно несёт эта фраза.

Что это означает для UX-исследований прямо сейчас

Аргумент сместился от «стоит ли» к «где». Никто из шести эпизодов не спорил, уместен ли ИИ в исследованиях. Они спорили о размещении: какие задачи, какая фаза, сколько человеческого участия в какой части. Дейв Чен откровенно говорит, что его команда ещё не занялась AI-модерацией, и это читается как решение о размещении, а не как вердикт. Если ваша команда всё ещё переосмысляет легитимность, более полезный шаг — прекратить спорить о категории и начать спорить о конкретных задачах, где доказательства действительно могут урегулировать вопрос.

Строгость теперь является проблемой операций так же, как и методов. Раньше она жила почти полностью в мастерстве: выборка, разработка гайда, аналитическая дисциплина. Это по-прежнему важно. Но в масштабе строгость также зависит от инфраструктуры, включая систематическую оценку, защитные механизмы и прослеживаемость от находки обратно к реальной цитате в реальном интервью.

Проектирование рабочих процессов — это навык, который дорожает. Инструкция Джордана — сначала разберитесь, как бы вы делали это как человек, потому что вам нужно объяснить это модели — это самое переносимое в серии. Это также то, что AI-инструмент не может сделать за вас. Обратите внимание, что это подразумевает в отношении старшинства: исследователи, получающие наибольшую отдачу от этих систем, — не самые технически подкованные. Это те, кто может точно описать своё собственное суждение.

Режим неудачи — это амбиция, а не осторожность. Команды, добивающиеся видимого прогресса, выбрали одну болезненную вещь и решили её. Застрявшие команды проектировали системы. Это противоречит инстинкту любого, кто находится под давлением необходимости показать AI-стратегию, потому что один автоматизированный рабочий процесс — менее впечатляющий слайд, чем дорожная карта. Это также версия, которая запускается.

Никто из этих гостей не описывал замену исследовательского суждения ИИ. Они описывали, как ИИ повышает отдачу от хорошего суждения и стоимость его отсутствия.