Torpedo Digital: ускорение инсайтов, а не их замена

Использование генерируемых ИИ персон и синтетических исследовательских активностей позволяет точнее формулировать гипотезы, выявлять слепые пятна и делать реальный user research более результативным.

В ходе редизайна клиентского раздела поддержки автор поставил простой вопрос: можно ли изучить потребности пользователей и проверить собственные предположения ещё до привлечения реальных людей?

Для этого ChatGPT попросили имитировать поведение пользователей клиента — не нескольких, а десятков. Из разных отраслей, с разным уровнем подготовки, разными разочарованиями и целями. Затем этих синтетических пользователей попросили принять участие в таких исследовательских активностях, как card sorting, tree testing, опросы и даже фокус-группы.

Результаты оказались показательными — и там, где они совпадали с поведением реальных людей, и там, где вскрывали неожиданные перспективы. В обоих случаях этот эксперимент изменил взгляд на роль ИИ в user research.

Задача, которую нужно было решить

Экосистема поддержки клиента огромна: она охватывает миллионы пользователей в рамках портфеля программных продуктов. Это всё, от помощи с установкой и управлением лицензиями до устранения неполадок, обучающих материалов и руководств по рабочим процессам.

Как и многие крупные экосистемы поддержки, она формировалась органически на протяжении многих лет. В результате пользователь, решающий относительно простую задачу — например, активировав лицензию или восстановив повреждённый файл, — нередко сталкивается с запутанным лабиринтом категорий и путей навигации.

Задача состояла не просто в том, чтобы создать более чистую информационную архитектуру, но и в том, чтобы понять, как разные типы пользователей мыслят при обращении в поддержку. Например: ищут ли они «поддержку по лицензиям» или думают в категории «я не могу зайти в своё программное обеспечение»? Разделяют ли они устранение неполадок и установку? Где они ожидают найти учебные материалы?

Всё это классические вопросы UX research, и обычно для ответа на них применяют card sorting, tree testing, usability testing и опросы. Но перед проведением любого исследования всегда встаёт другой вопрос: что именно тестировать? Именно здесь ИИ оказался полезен.

ИИ как партнёр по исследовательскому мышлению

Эксперименты с ChatGPT и Copilot начались как инструменты для ранней стадии изучения задачи. Первый шаг — создание синтетических персон на основе реальной пользовательской экосистемы клиента. В их числе:

• менеджер по информационному моделированию зданий (BIM), отвечающий за конкретные рабочие процессы;
• студент-архитектор, испытывающий проблемы с образовательной лицензией;
• IT-администратор, которому нужно развернуть программное обеспечение по всей организации;
• инженер-технолог, использующий специализированный инструмент каждый день.

Каждая персона создавалась со своими конкретными мотивами, разочарованиями, рабочими процессами и потребностями в поддержке. Затем эти персоны начали использоваться для симуляции исследовательских активностей.

Card sorting

ИИ попросили сгруппировать темы поддержки в категории, которые казались бы логичными конкретному типу пользователя. В список тем вошли:

• активация лицензии;
• проблемы со входом в аккаунт;
• восстановление после сбоя;
• проблемы с установкой;
• обучающие материалы по визуализации.

Интересной оказалась не правильность группировки, а сами проявляющиеся ментальные модели. Снова и снова синтетические пользователи группировали темы вокруг намерений и результатов: решить проблему, установить программу, получить доступ к аккаунту, научиться чему-то новому.

Tree testing

ИИ также использовали для симуляции навигационного поведения. Запрос к синтетическому пользователю — «Вам нужна помощь с активацией лицензии. На какую категорию вы нажмёте первой?» — быстро выявлял зоны, где названия категорий могут создавать путаницу или пересечения.

Синтетические фокус-группы

Один из наиболее интересных экспериментов — симуляция дискуссий между разными типами пользователей. Например: BIM-менеджер, студент-пользователь и корпоративный IT-администратор обсуждают, где они ожидают найти поддержку по установке.

Эти разговоры порой оказывались на удивление связными и показательными. Не потому что они были «настоящими», а потому что быстро вскрывали различные перспективы и допущения.

Процесс AI-ассистированного исследовательского анализа Torpedo

1. Составление карты реальных потребностей пользователей и создание персон. Работа начинается с известных данных об аудитории, которые используются для построения реалистичных, обоснованных персон.
2. Генерация синтетических перспектив. ИИ позволяет быстро расширить набор персон, охватив широкий спектр точек зрения, моделей поведения и контекстов.
3. Симуляция ранних исследовательских активностей. Проводятся масштабированные симуляции card sorting, tree testing, поведенческих сценариев, ответов на опросы и модерируемых дискуссий.
4. Выявление допущений, крайних случаев и рисков. Паттерны появляются быстро, помогая определить пробелы в мышлении, конфликтующие ментальные модели и зоны высокого риска в UX и информационной архитектуре.
5. Разработка более точного реального user research. Чёткие гипотезы позволяют создавать более сфокусированные исследования, обеспечивая максимальную отдачу от каждой сессии с живым участником.
6. Валидация с реальными участниками. Реальные пользователи подтверждают, оспаривают и углубляют находки.
7. Перевод в практические рекомендации. Валидированные инсайты трансформируются в конкретные улучшения информационной архитектуры и UX.

Где ИИ действительно оказался полезен

Главное преимущество — скорость, позволяющая изучать задачу на значительно большей глубине, чем обычно позволяет бюджет. ИИ дал возможность оперативно исследовать различные подходы к информационной архитектуре, тестировать альтернативные названия категорий, выявлять крайние случаи и генерировать ранние исследовательские гипотезы — несравнимо быстрее, чем начиная с чистой Miro-доски.

Идеи можно было проверять за считанные минуты. ИИ также оказался полезен для составления вопросов к опросам, генерации задач для usability testing, обобщения паттернов в больших массивах данных и переосмысления проблем с разных пользовательских перспектив.

По сути, он работал скорее как партнёр по мышлению, чем как участник исследования.

Но ИИ тоже ошибается

Вместе с тем обнаружился ряд существенных ограничений. Порой результаты были обобщёнными и бесполезными: ИИ часто прибегал к корпоративно звучащим структурам вроде «ресурсы», «база знаний» и «центр поддержки». Именно такие формулировки в реальном мире вызывают затруднения у пользователей.

Важнее другое: ИИ не воспроизводит подлинное человеческое поведение. Он не колеблется, не раздражается и не допускает непредсказуемых ошибок при взаимодействии с интерфейсами. Именно поэтому он не воссоздаёт те неожиданные моменты, которые делают реальный user research по-настоящему ценным.

В конечном счёте ИИ отражает своё обучение и полученные промпты, а значит, способен легко воспроизводить существующие допущения или предвзятости. Следовательно, валидация с реальными пользователями остаётся необходимой.

Сравнение синтетических и реальных исследований

Именно это и было сделано: параллельно проводились реальные card sorting и usability testing с живыми пользователями. И здесь началось самое интересное.

Часть паттернов совпала с синтетическими результатами. Реальные пользователи последовательно группировали контент поддержки вокруг практических результатов: решения проблем, установки программного обеспечения, доступа к аккаунту, освоения новых навыков.

Однако реальные пользователи также вскрыли важные нюансы, которые ИИ упустил полностью. Один из наиболее чётких инсайтов реального research: пользователи мыслят моментами, а не системами. Они не думают о лицензионных процессах, структурах подписок или архитектуре управления аккаунтом. Они думают: «Мне нужно что-то починить» или «Я хочу научиться что-то делать».

Это различие принципиально определило направление разработанной информационной архитектуры раздела поддержки. И именно такой поведенческий факт появляется только в ходе реального user research с живыми людьми.

Почему это создаёт реальную коммерческую ценность

Переход от экспериментов к формализованному процессу открыл ощутимые преимущества для клиентов.

Более быстрое получение инсайтов — несколько направлений можно исследовать за часы, а не недели, что ускоряет весь исследовательский цикл.

Снижение затрат на research — уточнение гипотез заранее позволяет избежать лишнего тестирования и максимально использовать каждую сессию с участником.

Более высокое качество результатов — research становится более сфокусированным, релевантным и напрямую связанным с бизнес-целями.

Более широкая перспектива — синтетические пользователи позволяют на ранних этапах исследовать крайние случаи и нишевые модели поведения, которые иначе было бы сложно охватить.

Лучшее согласование со стейкхолдерами — ранние симуляции помогают командам визуализировать проблемы и определить приоритеты до начала формального research.

Где ИИ вписывается в UX research?

Главный вывод из этого проекта: ИИ лучше всего работает как ускоритель research, а не его замена. Он крайне полезен для глубокого изучения на ранних стадиях, генерации гипотез, составления вопросов, проверки идей и быстрой итерации.

Но он не заменяет подлинный человеческий инсайт. Реальный research по-прежнему необходим для выявления:

• неожиданного поведения;
• эмоциональных реакций;
• замешательства;
• обходных решений;
• проблем доверия;
• реального жизненного контекста.

Наиболее интересное будущее — не ИИ против research, а их совместное использование. Синтетические пользователи помогают думать быстрее. Реальные пользователи помогают понять, что есть на самом деле. А сочетание того и другого открывает подлинные возможности для того, как UX-команды работают на ранних стадиях решения задач.