ИИ в UX-исследованиях: какую часть работы можно доверить нейросети

В коммерческих предложениях на UX-исследование подрядчики все чаще пишут: в исследования внедрили ИИ, поэтому будет быстрее и дешевле. Выбирать такого исполнителя можно, но важно понять, что именно делает нейросеть и кто проверяет ее выводы. В статье разбираем, где искусственный интеллект экономит часы работы, а где снижает качество UX-анализа. И обсуждаем, как выбрать подрядчика, использующего «нейронку» с умом.

Где ИИ уже сокращает сроки исследований

Согласно недавнему опросу Condens, ИИ в какой-то форме используют 91% практиков UX-исследований. 71% говорят, что с нейросетью анализ данных идет заметно быстрее. Компания Condens сама продает софт для исследователей и потому может быть пристрастной, но другие отраслевые опросы тоже фиксируют массовое использование ИИ: 58% у Maze и 80% у User Interviews.

Ускоряется при этом только одна часть работы. Другие (рекрутинг респондентов, сами интервью и согласование выводов с бизнесом) занимают столько же времени, сколько раньше. Модель сокращает обработку ответов и поиск закономерностей. Поэтому, если подрядчик обещает исследование вдвое быстрее, попросите разложить срок по этапам и показать, где именно работает ИИ: возможно, выяснится, что оценка завышена.

Часть часов, сэкономленных на обработку данных с помощью ИИ, уходит на проверку результата. Только 21% участников опроса Condens доверяют выводам модели при минимальной проверке, а 71% говорят, что валидация отнимает много времени. Поэтому инсайты от нейросети должен перепроверить практикующий исследователь и добавить к ним собственные выводы.

Один набор интервью, два анализа: как устроено исследование

Ученый Хасин Ахтар из Индийского технологического института опубликовал статью «Между алгоритмом (ИИ) и интуицией (человека): сохранение самостоятельности дизайнера при осмыслении качественных данных UX-исследований с помощью ИИ», где детально разобрал UX-исследование с помощью нейросети. Хасин Ахтар провел интервью с 20 студентами, задав им вопросы о программах видеосвязи, которые они используют для учебы: Zoom, Google Meet и Microsoft Teams. Получился большой массив данных: около 4 500 словв. Большой языковой модели Claude 3.5 Sonnet ученый дал полный контекст и задачу провести тематический анализ с цитатами.

Параллельно те же данные вручную разобрал UX-аналитик. Потом автор сравнил темы и подробно описал случаи, где интерпретации разошлись.

Что нейросеть в UX-аналитике делает быстрее и лучше человека

Сравнив результат работы машины и человека, Хасин Ахтар сделал вывод, в каких этапах и операциях нейросеть действительно показала себя хорошо.

• Подсчет частот. Модель сразу выяснила, что чат упомянули все 20 респондентов, демонстрацию экрана — 19, настройку раскладки — 18. Вручную такая разметка занимает часы, а с помощью ИИ заказчик сразу получает количественный слой исследования.

• Связи между вопросами. ИИ сопоставил ответы на два разных вопроса: 95% студентов часто переключают вкладки на занятии, а 85% считают это отвлекающим. Приоритетная проблема вышла на поверхность сразу. По оценке автора, вручную эту связь искали бы часами.

• Редкие упоминания. Голосовой ввод вместо текстового чата предложил один студент из 20. Человек после 18 похожих жалоб на задержки в чате мог бы принять это за случайную идею. ИИ отметил предложение как значимое: оно касается и доступности, и скорости ввода.

• Черновая структура. Модель сгруппировала 40 вопросов в кластеры. Выяснилось, что студенты много говорят о вовлечении и мало о совместной работе. Это подсказка, где копать глубже, а не готовый вывод.

Похожим образом нейросети работают и с документами. Об этом мы писали в статье о том, как превратить массив документов в управляемую аналитику.

Пять мест, где ИИ теряет инсайт и сдвигает приоритеты

Между тем в самой важной части исследования искусственный интеллект справился хуже, и это тоже детально описано в статье. Вот какие слабые зоны нейросети выделил Хасин Ахтар.

Не различает оттенки в эмоциях

ИИ отнес к «положительному отношению» две фразы. Первая: «I think it will make a difference» («думаю, это что-то изменит»). Вторая: «It should definitely be a must have» («это точно должно быть обязательным»).

Для дизайнера разница в уверенности служит сигналом для приоритизации. Вторая потребность весит больше, а к первому респонденту стоит вернуться с уточняющим вопросом.

Другой студент назвал настройку раскладки "definitely useful" ("определенно полезной"), но оговорился: ею пользуются скорее для комфорта, чем по необходимости, кроме презентаций. ИИ записал ответ в позитивные. Дизайнер отнес функцию к could have, а не must have. Для бизнеса это прямой риск: фича, которую пользователи хвалят, попадает в первый релиз и забирает бюджет.

Не замечает молчание пользователей

Студенты назвали демонстрацию экрана незаменимой. Но никто не сказал о страхе случайно показать переписку, историю браузера или банковское приложение. По словам автора, в исследованиях удаленной работы такая тревога встречается часто. ИИ пробел не отметил: он анализирует сказанное, а не пропущенное.

У молчания два прочтения. Либо пользователи не считают экран личным пространством, либо еще не попадали в неловкую ситуацию, и защиту нужно проектировать заранее. Оба варианта меняют дизайн. Заметить пробел может только исследователь, который знает предметную область и ждал этот ответ.

Противоречия ИИ стремится разрешить, хотя в них и есть решение

Одни студенты назвали личные сообщения в чате главным источником отвлечения и предложили оставить только переписку с преподавателем. Для других это канал участия: так ведут себя те, кто боится говорить вслух. ИИ пометил противоречие как задачу, которую нужно устранить.

Хасин Ахтар считает, что правильного ответа здесь нет. Есть выбор, чьи потребности ставить выше, и любой вариант кого-то ущемит. Если в отчете подрядчика нет ни одного противоречия, а все сведено к «большинство хочет», значит, кто-то принял продуктовое решение за бизнес и не показал его.

Проблема организации превращается в запрос на функцию

Студент написал, что преподаватели не поощряют групповую работу и в основном читают лекции. ИИ записал это как запрос сделать комнаты для групп заметнее. Дизайнер увидел критику методики: крупная кнопка не изменит то, как ведут занятия.

Заказчикам эта ловушка знакома. Часть проблем UX лежит в регламентах и работе менеджеров. Если исследование превращает их в задачу на редизайн, деньги уходят на интерфейс, а метрика стоит на месте. Хороший отчет отдельно помечает находки, которые решаются вне продукта.

ИИ не спорит с брифом

В анкете спрашивали, как платформа может отслеживать вовлеченность и внимательность участников. Вопрос уже предполагал, что отслеживание нужно. Студенты приняли рамку и предложили метрики активности, но добавляли оговорки вроде «Not hindering anyone's privacy should be a priority» («главное — не нарушать ничью приватность»).

ИИ свел ответы к списку функций и не заметил напряжения между вопросом и реакцией. Автор делает другой вывод: возможно, исследователи задали не тот вопрос. Сначала нужно выяснить, должны ли преподаватели вообще отслеживать вовлеченность.

Для заказчика этот пункт самый важный. Бриф пишется на его стороне, и гипотезы бизнеса уже встроены в формулировки вопросов. Модель работает внутри заданной рамки. Поэтому она подтвердит гипотезу охотнее, чем исследователь, которому поставили задачу ее проверить.

Почему важно выходить за рамки брифа, видно по проекту для «Водокомфорта», над которым работали дизайнеры Uplab. Аудит потребностей пяти групп пользователей показал, что девелоперам нужны условия оптовых поставок, а монтажникам — паспорт продукции. Мы сделали навигацию по ролям, и путь к нужной информации сократился с десятков кликов до 2–3.

Claude 3.5 Sonnet — большая языковая модель, описанная в исследовании — вышла в 2024 году. Но в новых версиях проблема не исчезла. В опросе Condens 2026 главные претензии к ИИ-анализу — слишком общие выводы (52%) и потеря контекста (42%). Хуже всего, по словам практиков, модели считывают тон, расхождение слов и действий участников и институциональный контекст, что подтверждает выводы Хасина Ахтара.

Как распределить работу между ИИ и исследователем в UX-аудите

Мы в Uplab используем нейросети для того, чтобы ускорить исследования перед началом разработки и сократить время выхода продукта на рынок. Но при этом обязательно соблюдаем ряд правил.

1. Механика достается модели, интерпретация — человеку. ИИ делает первичное кодирование, считает частоты и выписывает цитаты. Приоритизация, разбор противоречий и чтение пропусков остаются за исследователем. Неоднозначные ответы и выбросы проверяют вручную, рядом с саммари всегда лежат исходные цитаты.

2. Противоречия ищут специально. Модель просят не усреднять расхождения, а находить их. Найденное выносят на обсуждение с командой.

3. Вывод ИИ служит поводом для спора. После генерации тем исследователи предлагают альтернативные трактовки и разбирают, где они расходятся с машинной.

ИИ сжимает ту часть исследования, которая стоит дешевле всего: подсчет и разметку. Решения о приоритетах, ради которых исследование заказывают, по-прежнему принимает человек. Быстрый отчет хорош, если в нем видно, где закончилась работа модели и начался анализ.