Awkward Silences #188: почему ИИ не заменит качественные исследования — Сэм Ладнер
В 188-м эпизоде подкаста Awkward Silences ведущая Erin May беседует с Сэм Ладнер — социологом, автором книг «Practical Ethnography» и «Mixed Methods» и старшим исследователем в Workday. Эпизод продолжительностью 49 минут посвящён конкретному вопросу: что именно в работе qualitative researcher может делать ИИ, а что должен делать человек и почему. Главный тезис Ладнер состоит в том, что ИИ уже взял на себя значительную часть трудоёмких задач, но interpretive sense-making — то есть извлечение смысла из данных — остаётся человеческой работой, которую нельзя автоматизировать без потери качества.
Для кого это видео
Эпизод будет полезен прежде всего практикующим UX researchers и специалистам в области market research, которые уже используют ИИ-инструменты в повседневной работе или только думают, стоит ли это делать. Также будет интересен тем, кто беспокоится о будущем профессии и хочет понять, в чём конкретно состоит незаменимая ценность qualitative researcher в эпоху LLM.
Ключевые идеи
-
ИИ справляется с механической частью работы. Транскрипция и закрытое кодирование — задачи, которые ИИ выполняет хорошо, особенно при наличии продуманной кодировочной системы. Это освобождает исследователя от рутины и позволяет сосредоточиться на анализе, а не на разметке данных. Ладнер подробно обсуждает, как выстраивать coding schemes таким образом, чтобы ИИ мог применять их стабильно и воспроизводимо, в том числе с использованием MAXQDA.
-
Смыслообразование требует человека. ИИ хорошо находит статистические корреляции, но качественное исследование устроено иначе: его задача — понять сложный человеческий опыт, который не сводится к частотам и паттернам. По словам Ладнер, это требует рассуждений, эмпатии и воображения, которые у ИИ отсутствуют в том смысле, в каком они присутствуют у человека.
-
Каждый выброс должен быть объяснён. Ладнер настаивает на том, что в qualitative dataset не должно быть необъяснённых аномалий: если ответ одного участника выбивается из общей картины, исследователь обязан понять, почему. Это требование к глубине понимания данных — то, что ИИ обходит, а человек не должен.
-
Эмоциональный сторителлинг остаётся человеческим делом. Ладнер разграничивает технические задачи (кодирование, поиск тем) и передачу смысла стейкхолдерам через эмоционально резонирующие истории. Последнее, по её мнению, не должно делегироваться ИИ, потому что именно здесь qualitative researcher создаёт реальную ценность для организации.
-
Ставки определяют допустимую долю автоматизации. Для низкостейкового исследования — например, быстрой проверки гипотезы на небольшой выборке — ИИ-ассистированный подход может быть вполне достаточным. Но когда на кону стоят значимые продуктовые или стратегические решения, замена qualitative work автоматизированным анализом создаёт риски, которые трудно заметить до того, как они материализуются.
Стоит смотреть, если…
Вы практикующий qualitative researcher и хотите понять, где именно в вашей работе ИИ действительно экономит время, а где его использование компрометирует качество выводов. Также полезно тем, кто строит внутренние RI-процессы и думает, как разграничить задачи между людьми и инструментами.