Daniel Mitev: Šta su 100 UX istraživača rekli o AI u 2026.

Ovaj tekst je Danielova Miteva analiza Lyssna istraživanja u kom je učestvovalo 100 UX istraživača u decembru 2025. Podaci iz istraživanja su osnova, ali tekst je napisan kao interpretativni esej, a ne kao izveštaj — Mitev koristi brojeve da zastupa stav: automatizacija apsorbuje izvršenje, a prosuđivanje postaje neizbežno.

Ključni nalaz: 88% istraživača već koristi AI za analizu i sintezu. Transkripcija, tagovanje i primarno prepoznavanje obrazaca prelaze u automatizaciju kao osnovno očekivanje. Još 23% posebno koristi AI za pronalaženje obrazaca u podacima, a 48% očekuje da će sintetički učesnici uticati na radne tokove u bliskoj budućnosti.

Mitev pažljivo razlikuje u čemu AI napreduje, a u čemu ne. AI obrađuje frekvenciju — otkriva šta se često pojavljuje u sesijama. Istraživači određuju značaj — odlučuju šta je važno i zašto, oslanjajući se na kontekst koji model ne može da pristupi. Sintetički učesnici su korisni za validaciju poznatih hipoteza, ali nisu prikladni za istraživačke studije otvorenog tipa, gde su najvrednaiji nalazi upravo oni kojih niko nije očekivao.

Kroz tekst prolaze dve strukturne napetosti. Prva je vlasništvo nad istraživačkim procesom: kako AI snižava tehnički prag za sprovođenje studija, istraživanja sve češće sprovode stručnjaci bez istraživačke obuke. 36% ispitanika vidi ubrzavanje ovog trenda. Problem nije u tome što više ljudi može sprovoditi studije — već u tome što se rigoroznost metodologije distribuira bez njenog održavanja. Mitev definiše buduću ulogu istraživača kao čuvara kvaliteta, a ne čuvara vrata izvršenja.

Druga napetost je ROI. 25% istraživača ima teškoća da poveže uvide s merljivim poslovnim rezultatima. Mitev smatra da je ovo najtrajniji i nedovoljno rešen problem discipline. AI može ubrzati obim izlaznih podataka, ali ne čini istraživanja čitljivijim poslovnim donosiocima odluka. Taj prevod i dalje zahteva ljudske veštine.

Tekst se zatvara s pet preporuka: učiti AI kao infrastrukturu, a ne kao identitet; povezivati uvide s poslovnim posledicama, a ne s isporučenim zadacima; graditi trajne istraživačke sisteme; čuvati rigoroznost uz ubrzanje tempa; fokusirati se na jasnost mišljenja, a ne na operativnu brzinu.

Kome je ovo korisno: Iskusnijim istraživačima koji žele utemeljen, podacima potkrepljen pogled na pravac razvoja profesije — ne prognoza trendova, već analiza onoga što praktičari već rade i koje strukturne izazove te promene stvaraju. Rukovodiocima istraživačkih timova i operativnim stručnjacima koji donose odluke o strukturi tima dok AI alati menjaju ono na šta pojedinačni istraživač troši vreme.