Skip to content
Новость UX Research Club окт. 2026 г.

UX Research Club: как исследовать продукты с AI — новый фронтир UX-исследований

UX Research Club — подкаст об исследовании AI-продуктов

В шестом эпизоде четвёртого сезона подкаста UX Research Club ведущая Эмманюэль Саварит разбирает тему, которую часто обходят стороной: как именно исследовать продукты и сервисы, которые интегрируют AI. Это другой разговор — не о том, как использовать AI для проведения исследований, а о том, как исследовать опыт людей, взаимодействующих с AI-системами.

Эмманюэль обозначает главную проблему: организации вкладывают огромные ресурсы в разработку AI-технологий и сосредотачиваются на технических характеристиках — точности модели, скорости ответа, производительности на бенчмарках. Но существует другой набор вопросов, которые заслуживают не меньшего внимания: что происходит, когда люди начинают взаимодействовать с AI-системами? Понимают ли они, что делает система? Как они интерпретируют ответы? Доверяют ли информации, которую получают? Могут ли распознать ошибку?

Как AI меняет пользовательский путь

Традиционные цифровые продукты строились на относительно предсказуемых взаимодействиях. Возьмём банковское приложение: пользователь хочет перевести деньги, выбирает нужный раздел, вводит реквизиты, подтверждает операцию. Структура пути определена заранее, исследователи могут его картировать, наблюдать за навигацией, фиксировать точки трения.

Теперь представим, что в том же приложении появляется AI-финансовый ассистент. Пользователь начинает разговор: «Могу ли я позволить себе поехать в отпуск в следующем месяце?» Система анализирует финансовые данные, выявляет паттерны трат и формирует персонализированный ответ. Но что происходит дальше? Один пользователь попросит уточнить детали, другой поставит рекомендацию под сомнение, третий немедленно согласится с ней. Кто-то попросит составить план накоплений. И сам ответ будет варьироваться в зависимости от обстоятельств пользователя, доступных данных, формулировки вопроса и контекста разговора.

Генеративный AI вводит новый уровень сложности: система генерирует ответы динамически, реагирует на естественный язык, адаптируется к контексту и производит результаты, которые команда разработки не прописывала вручную. Как формулирует Эмманюэль: «Мы больше не тестируем один путь. Мы оцениваем диапазон возможных поведений».

Для чатбота с традиционным сценарием разговор структурирован вокруг предопределённых интентов и ответов. С генеративным AI чатботом взаимодействие становится более открытым: люди формулируют вопросы своими словами, меняют направление разговора на полпути, задают уточняющие вопросы, вводят новую информацию или оспаривают систему. И AI может отвечать способами, которых разработчики не предвидели.

Новые цели исследования

Традиционные UX-вопросы остаются актуальными — могут ли люди пользоваться продуктом, понимают ли интерфейс, могут ли выполнить задачу? Но их уже недостаточно. Эмманюэль выделяет четыре дополнительных измерения.

Ментальные модели. Что пользователи думают о том, что делает AI? Одни формулируют детальные промпты, предоставляя контекст и объясняя, что именно им нужно. Другие задают короткий вопрос и ожидают, что система разберётся сама. Одни относятся к ней как к поисковику, другие — почти как к другому человеку. Эти поведения говорят о ментальных моделях, но они же ставят вопросы: что пользователи думают о том, что система знает о них? Понимают ли её ограничения? Различают ли систему, которая генерирует правдоподобные ответы, и систему, которая предоставляет проверенную информацию?

Доверие и наблюдаемое поведение. Не стоит просто спрашивать людей, доверяют ли они AI, потому что то, что люди говорят, и то, что они делают, расходится. Представьте участника исследования, который говорит: «Я не особо доверяю AI, всегда проверяю, что он говорит». Но в ходе сессии тот же участник принимает несколько AI-рекомендаций без малейшего сомнения. Разница между декларируемыми установками и наблюдаемым поведением принципиальна. Нужно исследовать, когда люди принимают ответ AI, когда оспаривают его и что влияет на эти решения — языковые конструкции, кажущаяся уверенность ответа или собственные знания человека по теме. Система может выдать неверный ответ, который звучит крайне убедительно: эксперт в теме распознает его как ошибку, тогда как человек без соответствующих знаний, скорее всего, примет ответ без сомнений.

Влияние AI на поведение и решения. Изменяет ли AI информацию, которую люди ищут? Влияет ли на их уверенность? Воздействует ли на принимаемые решения? Принял бы человек то же решение без AI? AI не просто помогает выполнить задачу — он может влиять на то, как человек думает об этой задаче.

Последствия для знаний и навыков. Один из рисков — люди начинают делегировать интеллектуальную работу AI, не вовлекаясь глубоко в материал. Вместо того чтобы читать документ, анализировать аргументы и формировать собственные выводы, просят LLM резюмировать его. Вместо того чтобы работать над проблемой, запрашивают готовое решение. AI может помогать получать информацию, разбираться в незнакомых темах и эффективнее выполнять задачи — но необходимо исследовать, сопровождается ли эта эффективность непредвиденными последствиями.

Кто ещё затронут решениями AI

Эмманюэль поднимает тему, которую часто игнорируют: не только прямые пользователи системы, но и люди, на которых влияют её решения, — те, кто никогда с системой не взаимодействовал.

Пример: рекрутер, работающий с AI-инструментом, который ранжирует кандидатов. Влияет ли ранжирование на то, какое резюме получит больше внимания? Оспаривает ли рекрутер рекомендации? Что происходит с кандидатом, которого отсеяла система? Рекрутер взаимодействует с инструментом, но кандидат испытывает последствия его вывода, не взаимодействуя с системой напрямую.

Другой пример — финансовый институт, внедряющий AI для обнаружения мошеннических транзакций. Система выявляет подозрительную транзакцию и автоматически блокирует доступ к счёту. Технически это может выглядеть как успех. Но представим, что транзакция была легитимной: клиент находится за рубежом или владелец малого бизнеса пытается оплатить поставщику. Организация оценивает систему через показатели обнаружения мошенничества. UX-исследование может выявить то, что эти метрики не охватывают: то, что организация измеряет как успех, может кардинально расходиться с тем, что человек переживает как неудачу.

Discovery-исследование до разработки

Слишком часто исследователей привлекают к работе, когда продукт или функция уже сформированы: команда выбрала технологию, определила функциональность, начала разработку. Затем исследователей просят оценить, могут ли люди этим пользоваться. Но с AI-продуктами самые важные исследовательские вопросы возникают ещё до того, как интерфейс спроектирован.

Перед тем как решить, какую модель использовать, что автоматизировать и какую функциональность разрабатывать, нужно понять людей — их потребности и контекст, в котором будет применяться технология. Полевые исследования здесь особенно ценны: необходимо выйти из офиса и понять, как люди фактически работают, как принимают решения, на какую информацию опираются, с какими трудностями сталкиваются.

Пример: больница внедряет AI-ассистента для врачей. Прежде чем проектировать систему, нужно понять, как врачи работают на практике — как принимают решения, как взаимодействуют с коллегами, какие прерывания испытывают, какую информацию используют и где AI-рекомендации могут вписаться в существующий рабочий процесс.

Исследование на этапе discovery также позволяет поставить под сомнение, является ли AI правильным решением вообще. Это требует понимания популяции пользователей системы, тех, на кого влияют её результаты, и того, адекватно ли данные, используемые для разработки и оценки системы, их представляют. UX-исследователи могут вносить вклад с самого начала — до того, как оцениваются взаимодействия с системой.

Эпизод завершается призывом к расширению экспертизы, а не к созданию отдельной исследовательской дисциплины. Одни и те же вопросы применимы в журналистике, разработке ПО, в творческих индустриях — везде, где AI влияет на человеческое поведение, суждения, навыки и результаты.