Human x Intelligent: как использовать NotebookLM для продуктовых исследований
В 22-м эпизоде подкаста Human × Intelligent дизайн-исследователь Маделена Коста показывает полный рабочий процесс анализа качественных данных в NotebookLM — инструменте Google на основе больших языковых моделей. Центральный тезис: эффективность AI-инструмента в исследованиях определяется не самим инструментом, а стратегией промптинга. Коста демонстрирует это на конкретном кейсе: UX-исследование Spotify, 8 участников, сессии по 60 минут, темы — персонализация, discovery и пользовательские фрустрации.
Для кого это видео
Видео ориентировано на UX-исследователей, продуктовых менеджеров и дизайнеров, которые уже знакомы с качественными методами и хотят встроить AI в существующий рабочий процесс без потери глубины анализа. Опыт работы с NotebookLM не требуется — автор ведёт от нуля до готового отчёта.
Ключевые идеи
-
Заземление данных предшествует любому анализу. Прежде чем задавать аналитические вопросы, нужно помочь модели ориентироваться в материале: загрузить транскрипты и попросить суммировать демографию участников, цели исследования и кластеры фрустраций, упомянутых двумя и более участниками. Этот шаг снижает галлюцинации и делает последующие ответы точнее.
-
16 промптов выстроены в жёсткую последовательность. Рабочий процесс идёт от персон к картам эмпатии, затем к Jobs to Be Done, вопросам «Как нам сделать так, чтобы…» (How Might We), аффинити-кластерам и, наконец, к трёхуровневой иерархии инсайтов. Каждый шаг использует результаты предыдущего, а не работает в изоляции. Полный набор промптов Коста публикует в открытый PDF.
-
Модель хорошо справляется с синтезом, но не с суждением. NotebookLM эффективно группирует наблюдения, генерирует варианты и структурирует вывод, однако приоритизация — какие фрустрации критичны, а какие второстепенны — по-прежнему требует участия исследователя. Коста явно обозначает этот предел в видео, не обходя его стороной.
-
Возможности выходят за рамки резюме. Из транскриптов можно получить полноценный UX-исследовательский отчёт, структуру презентации для стейкхолдеров и матрицу возможностей для фичей — при условии, что промпты сформулированы точно и поэтапно.
Стоит смотреть, если…
Вы ведёте качественные исследования с большим объёмом транскриптов и тратите значительную часть времени на синтез данных вручную. Видео покажет, как структурировать этот процесс с помощью NotebookLM так, чтобы AI работал с вашими данными, а не с обобщёнными представлениями о предмете.