UX Collective: «Исследователь-в-петле» — модель управления AI в UX-исследованиях
Автор: Дженнифер Л. Бауи, Ph.D. / UX Collective, 25 августа 2026
Исследователь-в-петле
Модель AI-поддержанных UX-исследований, где исследователь управляет системой
На протяжении нескольких лет сфера UX-исследований спорит сама с собой: заменит ли нас AI или не сможет провести «настоящее» исследование, и нам нужно держать линию? Можно ли автоматизировать исследования? Может ли AI проводить «настоящее» исследование?
Это неверные вопросы. Лучше спросить по-другому.
Нам не нужно спрашивать, может ли AI проводить исследования. Он уже это делает — прямо сейчас, в вашей организации, независимо от того, участвует ли в этом исследователь. Продакт-менеджеры вставляют заметки из интервью в языковую модель и просят «найти темы». Дизайнеры генерируют синтетическую обратную связь по wireframes. Руководители спрашивают у чат-бота, что думают пользователи. Исследования демократизируются — управляем мы ими или нет.
Поэтому реальный вопрос звучит так: когда каждый может проводить исследование, кто следит за его честностью?
Кто управляет UX-исследованиями? Кто управляет AI?
«Что если, вместо того чтобы думать об автоматизации как об устранении человека из задачи, мы представили бы её как избирательное включение человеческого участия?» — Stanford University HAI
Концепция «человек-в-петле» (human-in-the-loop, HITL) возникла для того, чтобы удержать человеческое суждение внутри автоматизированных систем — для отлова предвзятости, непрозрачности и ошибок, которые модели порождают самостоятельно, особенно в неоднозначных или редких случаях. Идея — в петле обратной связи: человеческие корректировки обучают систему со временем. В лучшем варианте HITL сочетает то, в чём AI хорош (распознавание паттернов, скорость, масштаб), с тем, в чём хорош человек (этика, надзор, суждение). Но у модели есть известное ограничение: даже при хорошем проектировании человек может оказаться перегружен, проверяя больше, чем способен осмысленно оценить.
Многие исследователи предлагают выйти за рамки HITL. Константинос Лазарос и соавторы, проанализировав 182 рецензируемых исследования, предлагают более «сложные партнёрства “человек-вместе-с-петлёй”», которые адаптируют степень контроля человека и AI в зависимости от риска и неопределённости. Рахван утверждает, что AI-системы в конечном счёте требуют «общества-в-петле» для согласования ценностей.
Автор предлагает модель «исследователь-в-петле» (researcher-in-the-loop). Это намеренная инверсия «человека-в-петле», где человек проверяет работу машины в каждом случае. Та модель не масштабируется. Она предполагает, что машина — это исследователь, а человек — страховочная сеть. Модель предлагает перевернуть эту логику. Исследователь — не страховочная сеть. Исследователь — это человек, который проектирует систему и управляет ею, а также проводит высокорискованные, приоритетные исследования, чтобы все остальные могли проводить исследования безопасно, строго и честно, со встроенными в инструменты механизмами эскалации.
Что значит говорить «нет»
Несколько лет назад автор руководила исследованием флагшипной AI-функции, находившейся в быстром цикле к релизу. Исследование дало однозначный ответ: 75% пользователей не могли выполнить основную задачу функции. Рабочий процесс был запутанным, AI плохо объяснял себя и вызывал недоверие, и, что важнее, не соответствовал тому, что уже было известно о том, как пользователи хотят использовать AI.
Это был B2B-продукт для высокорегулируемых отраслей: здравоохранение, юриспруденция, страхование, compliance, безопасность, финансы. Профессиональная культура этих пользователей построена на прозрачности, конфиденциальности, этических барьерах и защищаемости. Они не хотят «чёрный ящик». Их учат не доверять ответу, который нельзя отследить. AI-функция, не способная объяснить своё рассуждение, не имеющая ссылок на источники и не поддающаяся верификации, была культурно несовместима с людьми, для которых создавалась.
Исследование зафиксировало это несоответствие. Решение стало отказом от релиза. Оно изменило то, как компания думала об AI-инвестициях в будущем.
Это история-в-миниатюре о том, что составляет суть модели researcher-in-the-loop. Неуправляемый AI опасен. В высоко-доверительных сферах он опасен вдвойне. Ошибку обнаружили не потому, что использовалась умнее модель. Исследователь обнаружил ошибку благодаря суждению о рисках, уверенности и о том, как реальные пользователи выстраивают доверие. Это и есть researcher-in-the-loop.
Два инструмента
В модели researcher-in-the-loop большинство повседневных исследовательских вопросов не попадают к исследователю вовсе. Они идут к управляемым AI-инструментам. Два таких инструмента, которые автор разрабатывала: Librarian и Persona.
AI Librarian — это организационная память о том, что уже известно о пользователях. Задай ему любой вопрос, и он вытащит из каждого исследования, отчёта и транскрипта в управляемой «библиотеке» сводку, источники за ней и рейтинг уверенности. Самый ценный ответ Librarian: «У нас недостаточно исследований, чтобы ответить на это».
AI Personas — это живые, разговорные представления пользователей, построенные на реальных качественных и количественных исследованиях и постоянно обновляемые по мере поступления новых данных. Любой может «поговорить» с персоной и получить быстрый направленческий сигнал. Когда данных недостаточно для уверенного ответа, персона сама об этом говорит и направляет к исследователю и реальному исследованию.
Управление по умолчанию
В большинстве организаций качество исследований зависит от присутствия исследователя. Убери исследователя — и качество становится надеждой. Модель researcher-in-the-loop отказывается от этой хрупкости. Строгость перестаёт быть шагом ручной проверки, до которого, может, дойдут руки. Она встроена в инструменты. Это стандартный режим работы.
Недавняя критика Папанджелиса, Скаффа, Анастасиу и Де Лиддо предупреждает о «Ошибке синтетической персоны» — когда чёрные ящики систематически сглаживают человеческую вариативность и галлюцинируют уверенность. Модель researcher-in-the-loop адресует эту хрупкость, делая прозрачность технической необходимостью. Три механизма несут основную нагрузку:
Обязательные источники. Никакого инсайта без основания. Каждый ответ отслеживается до исследований за ним. Это прозрачность, которую требуют стейкхолдеры, команды и сами пользователи.
Рейтинги уверенности и доверия. Каждый инсайт несёт сигнал о том, насколько на него стоит опираться. Высокоуверенные ответы двигаются быстро. Низкоуверенные — замедляются и помечают себя.
Триггеры эскалации. Система знает, с чем не справляется, и автоматически оповещает исследователя-человека — особенно в высокорискованных и низкоуверенных областях. Эскалация становится рефлексом, а не учтивостью или привратником.
Последний механизм — это то, что превращает модель из заявления об отказе от ответственности в систему управления. Заявление об отказе говорит: «проверяйте важные результаты». Система управления определяет важные результаты и направляет их к человеку до того, как кто-то начнёт на них действовать.
Конверт заменяемости
В рамках модели AI может подлинно заменить часть ранних исследований. Не исследователей. Не все исследования. Но конкретные их фрагменты — и только внутри управляемого конверта.
Для этого в системе не применяется замена по умолчанию. Замена любого исследования — это привилегия, которую система зарабатывает, вопрос за вопросом, по двум осям: риск и уверенность.
Иначе говоря, модель — это способ корректно масштабировать исследования. Дизайнер спрашивает: «Что пользователи говорили о тоне нашего онбординга?» — низкий риск, высокая уверенность, самообслуживание. PM просит персону дать добро на запуск — это вопрос, который вообще не входит в компетенцию персоны.
Функция с 75%-ным уровнем провала находится в правом нижнем углу матрицы. Высокорискованная область, низкая реальная уверенность в доверии пользователей к AI. Именно здесь в петлю должен войти исследователь-человек, и именно здесь хорошо управляемый AI должен поднимать руку рано — а не давать функции плыть к релизу.
Петля, которая улучшает себя
Каждый раз, когда матрица эскалирует высокорискованный, низкоуверенный вопрос, он попадает к исследовательской команде — и исследователь может провести реальное исследование с реальными пользователями. Это исследование не просто отвечает на свой вопрос и исчезает. Оно возвращается в артефакты. Персона обновляется на основе услышанного. Librarian получает новый источник для цитирования. Оценка уверенности для всего класса связанных вопросов смещается. Следующий человек, задающий похожий вопрос, получит лучший, более обоснованный ответ.
Это непрерывное открытие с встроенным управляющим слоем. Дешёвые направленческие сигналы двигаются рано и остаются непрерывными; дорогие реальные исследования резервируются и направляются точно туда, где, по данным матрицы, они изменят результат. Исследование перестаёт быть «узким местом», которым его называют в менее зрелых организациях, и становится ресурсом, который развёртывают там, где петля указывает на потребность.
Но петля, питающая саму себя, может и обмануть себя. Если артефакт формирует, какие вопросы задаются, а вопросы формируют хотя бы часть проводимых исследований, а исследования возвращаются в артефакт — можно построить машину, которая раз за разом подтверждает то, что уже верит, и никогда не ищет в собственных слепых пятнах. Поэтому петля нуждается в одном дополнительном ограждении: исследователь должен периодически принудительно запускать исследовательские исследования (exploratory research) — система никогда не запросит их сама. И намеренно изучать области, в которых инструменты наиболее уверены, — именно для того, чтобы поймать места, где они уверенно ошибаются. Петля улучшает себя. Себя она не проверяет. Это по-прежнему работа исследователя.
Где модель ломается
Автоматизационная предвзятость. Исследования Parasuraman & Manzey показывают, что люди систематически чрезмерно доверяют автоматизированным результатам и недостаточно критически их анализируют по сравнению с тем, как оценивают собственные суждения — даже среди экспертов. По словам Мозье, Скитки и Бёрдика, эта предвзятость «не может быть предотвращена обучением или инструкциями». Именно поэтому существуют триггеры эскалации.
Это обнажает центральный риск модели: конверт работает только при корректной классификации вопроса. А классификация — это суждение. Если человек, использующий систему для самообслуживания, сам решает, является ли его вопрос «высокорискованным» — это ошибка: вы передаёте ярлык именно тому, кто больше всего мотивирован недооценить риск и получить быстрый ответ. Классификация не может опираться на самоотчёт ни пользователя, ни самой модели — она должна быть встроена в систему исследователем, который заранее определяет правила.
Ложная точность. Эрика Холл предупреждает: «просто потому что у вещи есть цифры, она не становится магически объективной или значимой». Артефакты модели построены именно на числах — рейтингах уверенности, — и в сочетании с автоматизационной предвзятостью они — главные кандидаты на производство ложной объективности. Управление может удерживать числа подотчётными: каждый рейтинг отслеживаем к исследованиям за ним, обозначен как сигнал, а не вердикт, помечен при тонкой доказательной базе. Но это не делает число «объективным» — и авторский фреймворк на это не претендует.
Новая роль исследователя: от «узкого места» к управляющему
Если инструменты справляются с низкорискованной, высокоуверенной серединой рабочей нагрузки, для чего исследователь?
Исследователь входит в петлю везде, где экспертиза незаменима:
- Высокоприоритетные, высокоэффективные исследования и ключевые клиенты или чувствительные группы пользователей
- Discovery и исследовательские исследования — генеративная, неоднозначная работа, которую нельзя поместить в шаблон
- Всё, что касается защищённых данных, рискованных популяций или нечётких/неуместных целей
- Сложные вопросы, которые инструменты сами помечают как выходящие за пределы их конверта
- Итерация для управления самой петлёй: когда AI-артефакты достаточно обоснованы, чтобы отвечать, когда вопрос требует нового раунда реальных исследований, и когда нужно принудительно запускать exploratory research в областях наибольшей уверенности инструментов — именно чтобы поймать, где они уверенно ошибаются
Исследователь — это авторитет качества над самим процессом, а не только рецензент результатов. AI может составить план исследования. Только исследователь может подтвердить, что это правильный план, разработанный корректно и достаточно строгий для того, чтобы на него ставить.
Это не уменьшенная роль. Это роль с повышением. Исследователь перестаёт быть «узким местом», на которое жалуются дизайнеры и PM, и становится управляющим исследовательской системой, обслуживающей всю организацию. Исследователи проводят меньше часов за модерацией рутинных сессий и больше — устанавливая стандарты, проводя аудит строгости, проектируя ограждения и занимаясь тяжёлой, генеративной исследовательской работой, которую может сделать только человек.
Итог
Демократизация и строгость обычно продаются как компромисс: дай большему количеству людей возможность проводить исследования — смирись с более низким качеством. Модель researcher-in-the-loop отвергает этот компромисс. Управление по умолчанию, обязательные источники, честная уверенность, автоматическая эскалация и роли, ограниченные нормами, которые мы уже соблюдаем, позволяют масштабировать доступ без масштабирования риска.
Исследователь не исчезает в этом будущем. Исследователь не борется с ним. Исследователь им управляет.
— Дженнифер Л. Бауи, Ph.D.