Заменит ли ИИ UX-исследователей? На какие грабли я наступил за десять месяцев ежедневной работы с ИИ? Где он реально экономит время, а где — опасен? В этой статье — материалы моего доклада на конференции Синтез | Merge 2026: личный опыт, кейсы Anthropic и Nielsen Norman Group, формула «ИИ для скорости, люди для правды» и данные нашего свежего анализа 119 вакансий UX-исследователей.

Я использую ИИ 5–6 часов в день, построил экосистему из 10+ ИИ-агентов в Claude Projects и веду исследовательский проект по сбору коллегиального опыта. Но начал я работать с ИИ довольно поздно, только в июне 2025-го. За эти десять месяцев я набил десяток шишек, которые помогут вам не повторять мой путь, а срезать углы сразу.

Содержание

• От скепсиса к 5–6 часам ИИ в день
• Грабли ИИ на практике
• Эволюция промпта: один запрос — три результата
• ИИ вместо исследователя? Три сценария
• Где ИИ реально помогает
• Исследователь будущего
• Итоги
• Источники

От скепсиса к 5–6 часам ИИ в день

Я занимаюсь UX-исследованиями 28 лет. Это значит, что я начал изучать, почему людям неудобно пользоваться сайтами, ещё до того, как некоторые из вас родились или вышли в интернет, что сейчас примерно одно и то же.

В 2008 году я основал компанию «Ю-эксперт». За это время было: 250+ проектов, Яндекс, Касперский, Сбербанк, Лукойл. То есть опыт у меня большой. А вот с ИИ всё наоборот.

Меньше года назад я вообще не использовал ИИ в работе. Вообще. Ноль. Человек с 28-летним опытом — и ни разу не открывал ChatGPT.

Личная история

В январе 2024 года я записывал интервью с Константином Самойловым. Константин — соучредитель компании UX-Study в Лондоне, строит юзабилити-лаборатории, работал с Microsoft и Google. Серьёзный человек.

И вот Константин рассказывает мне, что использует ChatGPT каждый день, часами. И что когда ChatGPT однажды не работал пару часов, он просто решил в тот день не работать. Потому что без ИИ всё будет в десять раз медленнее.

Я тогда подумал: Лондон. Хайп. Преувеличивает наверное.

Прошло полтора года. Июнь 2025-го. Я наконец попробовал. Попросил ИИ помочь написать текст поста. Получилось неплохо. Попросил подготовить материалы для юзабилити-аудита. Получил за час то, что раньше делал за день. Класс!

И тут у меня было два чувства одновременно. Первое — восторг. Второе — обида. Потому что Самойлов был прав. А я потерял полтора года.

Сегодня я использую ИИ 5–6 часов в день. Но сначала давайте посмотрим, насколько этот опыт типичный.

Масштаб: цифры

По данным Gallup — четвёртый квартал 2025 года — в IT-секторе США 77% сотрудников используют ИИ. Из них 31% — ежедневно. В финансах — 64%. В образовании — 63%. В ритейле — 33%. Разрыв между отраслями — в два с половиной раза.

По времени: треть ежедневных пользователей экономят 4 и больше часа в неделю. А «суперюзеры» — 20 и больше часов. Двадцать часов — это полнедели.

Россия. По данным SuperJob, 45% сотрудников уже используют ИИ в работе. Маркетологи доверяют ИИ больше всех — каждый второй считает его гарантией результата. А вакансий с требованием ИИ-навыков стало больше в 2,3 раза за год.

По данным ВЦИОМ — декабрь 2025-го — 73% россиян использовали ИИ за последний год. Среди тех, кому до 34, — 81%.

То есть если вы ещё не используете ИИ — вы в меньшинстве. Добро пожаловать в мой клуб образца 2024 года. Я оттуда уже вышел, чего и вам желаю.

Грабли ИИ на практике

Я преподаю в МИЭТ, веду свою UX-школу, обучаю специалистов в госструктурах. И везде вижу одну и ту же картину: человек спрашивает ИИ, копирует ответ, сдаёт. Без осмысления. Студенты так делают. Профессионалы на работе — тоже.

Это как списывать у соседа, который иногда несёт полную чушь. Но несёт уверенно, грамотным языком и с красивым оформлением. Поэтому ты не сразу замечаешь, что это чушь.

Я набивал шишки десять месяцев. Мне бы каску завести и ставить на неё звёздочки — там было бы уже не менее десятка. Ниже — мой ТОП-3 главных ошибок.

Грабли 1: ИИ сочиняет факты

Адвокат в Нью-Йорке. 30 лет стажа. Попросил ChatGPT найти судебные прецеденты для иска. ChatGPT выдал шесть дел — с номерами, цитатами, именами судей. Адвокат вставил в документ и подал в суд.

Все шесть дел были выдуманы. Номера — фейковые. Цитаты — фейковые. Судьи настоящие, но дела никогда не рассматривали.

И знаете, что он сделал, когда ему сказали, что дел не существует? Он попросил ChatGPT проверить. ChatGPT сказал: «Нет-нет, дела настоящие». То есть ИИ соврал — а потом соврал, что не врал.

Штраф — 5 000 долларов. И это был 2023 год. Сейчас таких случаев — 1 300. Два-три новых каждый день. Дело известно как Мата против Авианка.

Думаете, это только с юристами? Я эту статью писал вместе с ИИ. В тексте есть шутка про эталонного пользователя, который хранится в Международном бюро мер и весов. ИИ уверенно написал — «в Швейцарии». Бюро находится во Франции. В Севре. Я поймал. А если бы не поймал — вы бы сейчас прочитали красивую шутку с фейковым фактом. И никто бы не заметил. Вот это и есть главная опасность — ИИ врёт убедительно.

Именно поэтому у меня теперь есть отдельный ИИ-агент, который занимается только факт-чекингом. Один ИИ пишет — другой проверяет. Да, я использую ИИ для проверки ИИ. Звучит абсурдно, но работает лучше, чем не проверять вообще.

Грабли 2: ИИ торопится делать, не спрашивая

Я придумал систему с интерактивными ИИ-агентами и попросил ИИ помочь мне её реализовать. Я ожидал, что мы пройдём по классическому циклу: бизнес-цели, краткая концепция, анализ конкурентов, изучение целевой аудитории, описание персонажей, разработка сценариев, концептуальный макет, детальный макет, программирование. Полный процесс. Как нас учили. Как я сам учу студентов.

И знаете, что сделал ИИ? Он выдал мне код. И показал готовый интерфейс продукта. Сразу. Без единого вопроса. Без «а кто ваши пользователи?», без «а какие задачи они решают?».

Кто-то скажет — классно, не нужно тратить кучу времени. Но это был очень сырой продукт. Некий непонятный усреднённый интерфейс для того самого среднего пользователя из Международного бюро мер и весов. Весом в один килограмм.

Кстати, когда я теперь вижу такие интерфейсы — сразу понимаю, откуда у них ноги растут. ИИ нарисовал, человек не проверил.

И знаете, эту привычку — действовать вместо того, чтобы думать — я видел не только у ИИ. У меня был дизайнер. Работал как бешеная печатная машинка. Я ему говорю: макет не годится, не учтены вот такие проблемы, нужно подумать. Думаете, он шёл думать? Нет. Он просто рисовал 5–10 новых вариантов по каждому спорному блоку. Например, я говорю, что форма заявки не продумана, нет понятных вариантов для клиента. А он в ответ рисует 5 вариантов с раскрывающимся списком в разных местах, не думая о том, что пользователь должен выбирать и в какой форме. Может тут и не список нужен вообще, а 2 кнопки? Количеством пытался наверстать качество. Но это так не работает.

Грабли 3: ИИ даёт неполный ответ — ты не знаешь, чего не знаешь

Знаете выражение «ты не знаешь, чего ты не знаешь»? Вот это про работу с ИИ на сто процентов.

Я занялся вайб-кодингом. Для тех, кто не слышал — это когда ты не программист, но говоришь ИИ, что хочешь, и он пишет код за тебя. Я в прошлой жизни программировал, но это было давно и неправда. Решил строить платформу с ИИ-агентами. У меня список из ста с лишним задач на разработку. Мы с ИИ двигаемся по шагам — по две-три задачи в день. Прогресс.

Но вот в чём засада. Мне приходится бегать между терминалом, консолью, интерфейсами n8n, Supabase и ещё пяти сервисов. Что-то падает — я бегу к ИИ со скриншотом. Что-то не работает — копирую лог, несу ИИ. Сервер ругается — снова скриншот, снова несу. Я как цуцик бегал туда-сюда с этими скриншотами. Два часа на задачу, из которых полтора — ручная отладка.

Меня это порядком утомило. Спрашиваю ИИ: как можно это решить? Он нашёл три-пять вариантов. Потом я попросил его же покритиковать. Он покритиковал и пришёл к выводу, что сильно лучше не станет. Типа — ну, такова жизнь. Смирись.

И тут я вспомнил. Когда-то давно, в прошлой программистской жизни, мы делали логи — записывали все действия программы и все параметры, чтобы потом найти источники проблем. Предлагаю это ИИ. И знаете, что он ответил? «Это отличная идея! Так и нужно делать!»

Подождите. Отличная идея? Логирование? Это базовая практика, которую изучают на первом курсе. Он мог предложить это сам. С первого дня. Но не предложил. Ждал, пока я сам додумаюсь.

Ладно, сделали логи. Жизнь стала легче — вместо двух часов на задачу я тратил меньше часа. Но всё равно приходилось бегать со скриншотами, потому что «не всё может попасть в логи» — это его слова, не мои.

Прошла неделя. Две. Мне снова надоело. Ставлю задачу: автоматизировать отладку полностью. Снова та же история: решения есть, но все они «трудные», «сложные», «ненадёжные», «требуют навыков программирования» и вообще «не для тебя». Спасибо за поддержку.

Я походил, подумал. Вспомнил, что существуют Cursor и Claude Code — инструменты, которые сами видят код, сами видят ошибки, сами лезут в консоль. Задаю прямой вопрос: а что если использовать их?

Пауза. ИИ подумал и ответил: «Это великолепная мысль! Так и сделаем!»

Великолепная. Мысль. Инструмент существует давно. ИИ про него знает. Но не предложил. Потому что я не спросил. А я не спросил — потому что не знал, что спрашивать.

Мы установили Claude Code на сервер. Задачи, которые занимали час с ручной отладкой, стали выполняться за две-пять минут. С полной автоматической отладкой. Две минуты вместо двух часов.

Знаете, на что это похоже? Я решил наполнить бассейн и поплавать. Прихожу к ИИ, говорю: хочу воды в бассейне. Он отвечает: вон колодец, вон решето — неси. И я бегаю. Черпаю решетом воду из колодца, несу к бассейну. Вода вытекает. Бегу обратно. Снова черпаю. Процесс идёт. Выглядит как работа. Бассейн пустой, но я очень занят.

Потом я сам — сам! — догадываюсь: а может, взять ведро? ИИ: «Блестящая идея! Ведро намного эффективнее!» Спасибо, что подсказал. После двух недель с решетом.

Стало быстрее. Но всё равно — бегаю с ведром, устаю. Спрашиваю: а может, протянуть трубу и подключить насос? ИИ: «Великолепная мысль! Так и сделаем!»

Бассейн наполнился за час. Труба и насос существовали с самого начала. ИИ про них знал. Но я не спросил — и он не сказал.

Вот вам третьи грабли: когда ты не знаешь того, чего ты не знаешь — ты не получишь оптимальное решение от ИИ. Он ответит на вопрос, который ты задал. Но не задаст тот вопрос, который ты забыл задать. И будет радостно помогать тебе бегать с решетом.

Шпаргалка: три главных принципа

Из этих шишек я вывел правила. 18 типичных проблем и 12 принципов работы с ИИ. Три главных:

Первое. ИИ сочиняет — требуй ссылки и проверяй. Не нашёл ссылку — значит, выдумал. Как коллега, который говорит «я точно где-то это читал» — и никогда не может найти где.

Второе. ИИ торопится — проси его задать вопросы перед тем, как начинать. Иначе получишь результат быстро, красиво и не для тебя.

Третье. ИИ не скажет, чего ты не спросил — формулируй задачу шире. Не «как мне отладить этот код», а «какой самый эффективный способ организовать разработку». Иначе будешь бегать с решетом.

Это были мои грабли в ежедневной работе. Мелочи — факт придумал, текст сократил. А теперь посмотрим, что происходит, когда ИИ берётся за серьёзное дело. За исследование целиком. Но сначала — как правильно ставить ИИ задачу. Потому что от этого зависит всё.

Эволюция промпта: один запрос — три результата

Покажу пример из моего тренинга по ИИ-инструментам в UX. Одна и та же задача — три разных промпта. Три разных результата.

Задача простая: сгенерировать гипотезы для исследования блогеров перед разработкой нового приложения. Приложение на стадии идеи, прототипа нет, данных о пользователях нет. Нужно подготовиться к интервью.

Версия 1 — простой промпт

Пишу: «Сгенерируй гипотезы для исследования блогеров для нового приложения». Одна строчка. Десять секунд — результат.

«Блогеры тратят много времени на создание контента». «Им нужны инструменты для планирования постов». «Они хотят анализировать статистику».

Ну спасибо. Это мог сказать любой человек, который хоть раз видел блогера в инстаграме. Гипотезы общие, не структурированы, непроверяемы. Как измерить «тратят много времени»? Много — это сколько? По сравнению с чем?

Качество результата — три из десяти. Готовность к использованию — два из десяти.

Версия 2 — детальный промпт

Я добавил четыре вещи: роль эксперта, контекст проекта, структуру результата и способ проверки каждой гипотезы.

Результат — другой. «Большинство блогеров совмещают блогинг с основной работой». Как проверить: «Расскажите о своём обычном дне». Уже конкретнее. Уже можно использовать в интервью.

Качество — семь из десяти. Но всё ещё нет связи с бизнесом, нет приоритизации, нет учёта разных типов блогеров. ИИ выдал правильную структуру — но без глубины.

Версия 3 — экспертный промпт

Промпт на полторы страницы. Роль, контекст, цели, принципы работы, структура по шести блокам, формат каждой гипотезы — формулировка, обоснование, вопрос, индикатор подтверждения, значение для продукта. Плюс ограничения и приоритизация.

Результат: «Генерация идей — самый болезненный этап для 60%+ блогеров. Приоритет — критичный. Значение для продукта — content idea generator как ключевая функция MVP». И к этому — конфликтующие гипотезы: «хотят всё в одном» может конфликтовать с «готовы платить только за рост аудитории».

Качество — девять из десяти. Готовность к использованию — девять. Связь с бизнесом — девять. Это уже рабочий документ, с которым можно идти на интервью.

Один и тот же ИИ. Разница — пятнадцать минут на формулировку промпта. Пятнадцать минут экономят часы работы исследователя. Вопрос не в том, умный ИИ или глупый. Вопрос — кто им управляет.

А что если ему поручить не гипотезы, а целое исследование?

ИИ вместо исследователя? Три сценария

Прежде чем показывать чужие данные, я решил проверить на себе. За 28 лет я провёл много интервью. Всегда был по эту сторону — задавал вопросы. А тут сел в кресло респондента. Прошёл интервью с ИИ-агентом.

Знаете, какое ощущение? Как разговаривать с очень вежливым терминалом в МФЦ. Вопросы правильные. Формулировки корректные. А за ними — пустота. Я рассказываю про сложный проект, про три месяца работы, про конфликт с заказчиком — а ИИ: «Спасибо за ответ. Следующий вопрос.» Ощущение разговора со стенкой. Очень культурной стенкой.

Но это мой опыт. Одного скептика с 28-летним стажем. Давайте посмотрим на данные.

Сценарий А: ИИ-интервьюер

Что это такое. ИИ-интервьюер — это ИИ-агент, который ведёт разговор с реальным человеком. Задаёт вопросы, уточняет, адаптируется. Автоматический модератор интервью. Звучит как фантастика? Это уже работает. И масштаб — серьёзный.

Кейс Anthropic. В декабре 2025 года компания Anthropic — это создатели Claude, того самого ИИ — провели эксперимент. Пригласили всех пользователей Claude пройти интервью с ИИ-агентом. Тема: как вы используете ИИ, на что надеетесь, чего боитесь.

Результат за одну неделю: 80 508 интервью. 159 стран. 70 языков.

Давайте я положу это в контекст. 80 тысяч интервью — это 40 тысяч человеко-часов работы. Команда из 100 исследователей работала бы два с половиной месяца. Не считая больничных, отпусков и споров о том, кто идёт за кофе.

ИИ справился за неделю.

Удовлетворённость респондентов — 97,6%. Почти все поставили 5 и выше из 7. Это выше, чем у большинства живых интервьюеров. Включая меня, если честно.

И вот что совсем неожиданно: люди были откровеннее с ИИ, чем с живым человеком. Делились финансовыми проблемами, кризисами, потерей работы. Один написал: «Я живу от зарплаты до зарплаты, ноль накоплений». Другой: «Меня уволили, потому что компания заменила меня на ИИ». Попробуйте сказать это живому интервьюеру, который сидит напротив и смотрит вам в глаза.

Оказывается, стенке иногда проще рассказать правду, чем живому человеку. Стенка не осудит.

Риски. Но стенка и не поймёт. Исследователи Anthropic нашли интересный разрыв: 65% участников говорили, что ИИ им помогает — дополняет, усиливает работу. А поведенческие данные показали: у 49% ИИ фактически заменял задачи, а не дополнял.

Люди не врали. Они искренне верили, что ИИ — помощник. А данные показывали, что он уже стал заменой. Это как говорить «я контролирую ситуацию» — когда ситуация уже контролирует тебя.

ИИ-интервьюер это зафиксировал. Но исследовать глубже — не смог. Для этого нужен живой исследователь, который заметит противоречие и спросит: «Подождите. Вы сказали, что ИИ — помощник. Но вы только что описали, как он делает всю работу за вас. Как вы это объясняете?»

ИИ так не спросит. Он вежливый. Он скажет: «Спасибо. Следующий вопрос.»

Есть и методологическая проблема посерьёзнее. Исследователь Карл Пирсон — это PhD, не путать с тем Пирсоном из учебника статистики — разобрал кейс Anthropic по косточкам.

Представьте, что вам нужно узнать, какую пиццу любят ученики в школе. Правильный способ — два шага. Шаг первый: садишься с 10–15 ребятами и разговариваешь. Один любит пепперони, другой — с ананасами, третий вообще не ест пиццу. Кто-то скажет: «Я ем пиццу только холодной на завтрак» — ты бы сам до этого не додумался. Это качественное исследование — ты выясняешь, какие бывают ответы. Шаг второй: теперь ты знаешь все варианты. Делаешь опрос на всю школу. Считаешь: 40% — пепперони, 25% — маргарита. Это количественное — ты считаешь.

Что сделал Anthropic? Они пропустили первый шаг. Одновременно придумывали категории и считали людей в них. На 80 тысячах человек. ИИ сам решал, что «вот это про страх потерять работу», «вот это про продуктивность» — и сразу считал проценты.

Проблема: а вдруг он пропустил категорию? Вдруг 200 человек сказали что-то суперважное, но ИИ не выделил это в отдельную группу — и оно растворилось в «другое»?

И ещё — не все ответы одинаково важны. 5 000 человек сказали «ИИ помогает быстрее писать письма». А 200 сказали «ИИ изменил то, как я думаю о своей профессии». Если просто считать — первое важнее в 25 раз. Но второе может объяснять поведение тысяч людей.

Может, люди просто боялись, что скоро ИИ захватит мир — и не хотели вступать с ним в конфликт?

Пирсон называет это «не квантифицируй качественные данные». Проще: не лепи проценты на то, что ещё не до конца понял.

Для аналитиков — это знакомая проблема. Нельзя строить дашборд, пока не определил метрики. А тут — построили дашборд и определили метрики одним промптом.

Вердикт. Для массовых опросов — ИИ-интервьюер работает. Впечатляюще работает. 80 тысяч интервью за неделю — это не «помогает». Это новый класс инструмента.

Для глубинных интервью — нет. Стенка не заменит живого исследователя. Но 80 тысяч интервью за неделю живой исследователь не проведёт. Даже если он очень мотивирован. Даже если ему очень много платят.

Сценарий Б: Синтетические пользователи

Что это такое. Синтетический пользователь — это когда ИИ притворяется вашим пользователем. Вы описываете профиль — «мужчина, 35 лет, тимлид, ненавидит 1С» — и ИИ отвечает на вопросы от его лица. Без реального человека. Быстро. Дёшево. Круглосуточно. Не просит кофе и не опаздывает на созвон.

Звучит идеально. Особенно если у вас бюджет на исследования — ноль. А дедлайн — вчера.

Кейс NNGroup. Nielsen Norman Group — мировой авторитет в UX — решили проверить, насколько можно этому доверять. Взяли три реальных исследования. С живыми респондентами. Повторили их с синтетическими. И сравнили.

Результаты… ну, скажем так — ожидания не оправдались.

Реальный пользователь: «Я прошёл 3 курса из 7. На четвёртом сменил работу и забросил.» Синтетический пользователь: «Да, я прошёл все курсы! Очень полезный опыт!»

Реальный пользователь сомневается. Задаёт неудобные вопросы. Говорит: «Ну, в принципе нормально, но вот тут бесит.» Синтетический — хвалит всё подряд. Он как ваш лучший друг, который говорит, что ваш стартап гениальный. Приятно, но бесполезно.

И главная проблема: ответы синтетических пользователей кластеризуются к среднему. Все синтетики — средние. А в реальных исследованиях самое ценное — крайности. Фрик, который использует ваш продукт не так, как вы задумали. Человек, который бросил на третьем шаге. Бабушка, которая нашла обходной путь, о котором ваши разработчики не подозревали.

ИИ выдаёт среднее. А среднего пользователя не существует. Он хранится в Международном бюро мер и весов во Франции, рядом с эталонным килограммом. Весит один килограмм, рост — один метр, пользуется приложением ровно средне и решает любую задачу ровно за одну минуту. Его никто никогда не видел — но синтетические пользователи подозрительно на него похожи.

Это как средняя температура по больнице — 36,6, а половина пациентов уже выписалась, а вторая половина… ну, вы поняли.

Риски. Хьюго Альвеш — основатель компании, которая называется Synthetic Users, то есть человек, который буквально зарабатывает деньги, продавая синтетических пользователей — говорит прямо: «Вы никогда не перестанете разговаривать с реальными людьми. И не должны.»

Когда продавец говорит «не покупайте только мой продукт» — стоит прислушаться.

А вот вам масштаб проблемы. В марте 2026-го вышел систематический обзор 182 исследований синтетических пользователей. Сто восемьдесят два. Крис Чапмен — основатель конференции QuantUX, автор ключевой книги по количественным UX-исследованиям, Principal UX Researcher в Amazon — прокомментировал это так: «Сама предпосылка синтетических пользователей очевидно ошибочна на уровне логики — это надежда, что модели, которые генерируют текст, магическим образом воспроизведут человеческое поведение.»

Главный вывод обзора: самая универсальная проблема синтетиков — отсутствие реалистичной вариативности. Ответы ИИ многословны, грамматически идеальны и эмоционально однообразны. Исследователи проверили: ответы ИИ в тесте-ретесте напоминали одного и того же человека. Один. Набор данных от ИИ конкурирует с одним респондентом. А два живых человека — уже лучшая выборка.

Чапмен на первое апреля 2026-го написал пост: «Я ошибался насчёт синтетических пользователей». Дальше: «Они наконец заработали. Шучу. Ничего не изменилось. Идите читайте обзор 182 исследований.» Вот такой у нас юмор в UX-исследованиях.

И вот вам личный пример. У нас был проект — сервис для психологов. ИИ сказал: это очень полезный сервис, которым будут пользоваться 80% психологов, это очень нужно и важно. Куча денег, перспективы, рост. А когда мы пошли в поля и стали общаться с живыми людьми — оказалось, что им это вообще не нужно. Большинство вообще не ведут записи. Или делают это на бумаге. И не хотят ничего менять. Синтетический пользователь сказал «да». Реальный — «нет, спасибо». Разница — потраченный бюджет.

Вердикт. Для мозгового штурма — годится. Для ранних гипотез, для этапа «а давайте подумаем, кто наши пользователи» — годится. ИИ поможет сгенерировать предположения, от которых оттолкнуться.

Для принятия решений — нет. Нельзя. Опасно.

Я вывел для себя формулу: ИИ для скорости, люди для правды. Запомните — пригодится.

Сценарий В: ИИ-агент вместо исследователя

Что это такое. Третий сценарий — самый радикальный. ИИ-агент, который делает всё сам. Ставит задачу. Собирает данные. Анализирует. Делает выводы. Пишет отчёт. И, наверное, сам себе ставит оценку «отлично».

Можно ли так?

Что уже можно. Давайте честно: часть работы ИИ уже делает. И делает хорошо.

Desk research — сбор информации из открытых источников. Раньше день. Сейчас — минуты. Анализ отзывов — тысяча отзывов из App Store, размеченных по темам. Раньше — неделя. Сейчас — час. Транскрибация — часовое интервью в текст. Раньше — три-четыре часа. Сейчас — пять минут.

Это рутина. ИИ делает её быстрее. И, будем честны, аккуратнее. Он не устаёт к пятому интервью. Не путает имена респондентов. Не забывает сохранить файл.

Что пока нельзя. Но вот что ИИ не может.

Наблюдать. Видеть, как человек три раза промахивается мимо кнопки, вздыхает и лезет в Google с запросом «как удалить аккаунт». Считывать невербалику — паузу, когда респондент говорит «мне всё понятно», но при этом хмурится и скрещивает руки. Испытывать эмпатию. Понимать контекст.

В интервью с Самойловым — да, он опять — прозвучала мысль, которая мне запомнилась. Самойлов сказал: «Деятельность сильно отличается от того, как мы её описываем.»

Люди говорят одно, делают другое. Это азбука UX-исследований. Первый курс. А LLM — большие языковые модели, на которых построены все эти ИИ — обучены на чём? На языке. На описаниях. На том, как люди говорят. Не на том, как люди делают.

Это как учить хирургию по учебнику и ни разу не зайти в операционную.

Вердикт. ИИ-агент — это джуниор-ассистент. Не сеньор-исследователь. Ему можно поручить подготовку, черновую работу, первичный анализ. Оставлять его без надзора — всё равно что отправить стажёра первого дня на переговоры с ключевым клиентом. Он будет вежлив, подготовлен и катастрофически неправ.

Помните моего дизайнера с пятью-десятью вариантами? ИИ-агент без надзора — тот же дизайнер. Только быстрее. И вариантов не десять, а сто. А проблема — та же: количество не заменяет мышление.

Общий вывод: три сценария, три вердикта

1. ИИ-интервьюер: для масштаба — да. Для глубины — нет.
2. Синтетические пользователи: для гипотез — да. Для решений — нет.
3. ИИ-агент: для рутины — да. Для стратегии — нет.

Общий вывод: ИИ не заменит исследователя. Но исследователь без ИИ будет проигрывать исследователю с ИИ. Вопрос не «или-или». Вопрос — «как вместе». Давайте об этом.

Где ИИ реально помогает

Мы разобрали, где ИИ не справляется один. Много страшилок. Теперь про хорошее — где ИИ реально экономит время, нервы и бюджет. У меня четыре области.

Кластер 1: Подготовка исследования

Desk research. Вам нужно разобраться в новой предметной области — допустим, логистика последней мили. Раньше я день-полтора сидел, читал статьи, отчёты, собирал в таблицу. Сейчас ИИ выдаёт структурированный обзор за 30–40 минут. Да, его нужно проверять. Но стартовая точка — за минуты, а не за дни.

Гипотезы о целевой аудитории. Я описываю продукт — ИИ генерирует портреты пользователей. С целями, болями, потребностями. Это не истина в последней инстанции — это черновик, который я потом проверяю в реальных интервью. Но вместо чистого листа у меня набросок, от которого можно оттолкнуться. Как GPS — не всегда ведёт идеально, но лучше, чем ехать наугад.

Анализ конкурентов. ИИ за час собирает фичи 10 конкурентных продуктов. Но — внимание — может приписать продукту функцию, которой у него нет. Потому что прочитал где-то в блоге, что «скоро появится». И решил, что уже появилась. ИИ — оптимист.

Кластер 2: Проведение и анализ

Подсказки в реальном времени. Вы ведёте интервью, ИИ слушает. Респондент говорит что-то интересное — ИИ тут же предлагает уточняющий вопрос, который вы могли бы пропустить. Это как суфлёр, который шепчет: «Спроси про это глубже». Вы сами решаете — задавать или нет. Но вы больше не теряете моменты, потому что думали о следующем вопросе из гайда вместо того, чтобы слушать.

Транскрибация. Часовое интервью раньше — четыре-шесть часов ручной расшифровки. Сейчас — минуты. Это, наверное, самый очевидный и бесспорный выигрыш. Никто не скучает по ручной расшифровке. Никто.

Первичный анализ. У вас 20 интервью. Надо разметить ответы по темам. Найти паттерны. Раньше это — стена из стикеров и два дня работы. Сейчас ИИ делает первый проход: вот темы, вот частотность, вот цитаты. Вы проверяете, корректируете, углубляете.

Это как иметь ассистента, который прочитал все 20 транскриптов за ночь. И утром принёс вам сводку. Да, ассистент иногда пропускает нюансы. Но у вас есть от чего оттолкнуться. Вместо того, чтобы начинать с нуля.

Ключевое: ИИ освобождает вас от рутины, чтобы вы занялись тем, что ИИ не умеет — интерпретацией и стратегией. Рутину — машине. Мозги — себе.

Кластер 3: Оформление

Отчёты, презентации, бэклог. Это то, на что у исследователя никогда не хватает времени. Данные собраны. Инсайты есть. В голове — картина мира. А отчёт пишется неделю. Потому что отчёт — это не «записать мысли». Это структурировать, подобрать формулировки, сделать читаемо для заказчика, который в UX не разбирается.

ИИ помогает. Я даю ему данные и шаблон — он выдаёт первую версию. Раньше на отчёт по юзабилити-аудиту уходило два-три дня. С ИИ первая версия готова за несколько часов — я редактирую, а не пишу с нуля.

Для разработчиков: это сокращение цикла «инсайт — рекомендация — изменение в продукте». Раньше от результата исследования до прототипа — недели. Сейчас — часы. Меньше ожидания — меньше переделок — меньше «а почему нам раньше не сказали».

Кластер 4: Хранение знаний

И об этом мало кто говорит. Хранение и переиспользование знаний из исследований.

Знакомая ситуация: вы провели исследование полгода назад. Отчёт лежит в Google Drive. Его никто не открывал с момента презентации. Через полгода новый проект — и команда задаёт те же вопросы, которые вы уже исследовали. Знания есть, но они похоронены в PDF на 80 страниц.

ИИ помогает это решить. Есть подход, который называется атомарные исследования — atomic research. Суть: каждый инсайт из исследования хранится как отдельная единица — с контекстом, источником, датой. Не отчёт целиком, а отдельные факты, которые можно искать, фильтровать, комбинировать.

Раньше поддерживать такую базу вручную было мучительно — никто не хочет после каждого проекта сидеть и разбивать отчёт на атомы. ИИ делает это за минуты. Вы загружаете результаты исследования — он структурирует: вот инсайты, вот цитаты, вот рекомендации, вот к какому сегменту относится.

Я построил экосистему из 10+ ИИ-агентов в Claude Projects. Каждый заточен под свою задачу. Один знает всё про текущий проект и его историю исследований. Другой — про методологию. Третий — про конкурентов клиента. Четвёртый помогает мне с этой статьёй.

Это не «спросил — получил ответ». Это рабочая среда, где знания из прошлых исследований не умирают в PDF, а работают на следующий проект. ИИ — часть команды. Молчаливый, исполнительный, иногда врёт — но часть команды.

Итак, ИИ берёт на себя подготовку, рутину, оформление, хранение. А что остаётся человеку? Какой исследователь нужен сегодня? И какой будет нужен через два года?

Исследователь будущего Данные исследования вакансий

Мы в «Ю-эксперт» каждый декабрь исследуем вакансии UX-специалистов на HeadHunter. В декабре 2025-го проанализировали 119 вакансий. И вот что нашли.

Ключевая цифра: каждый шестой работодатель — 16% — уже ищет UX-исследователя, который умеет работать с ИИ-инструментами. Год назад этого требования практически не было. Шестнадцать процентов за год — с нуля. Это не тренд. Это разгон.

Ещё два факта. Python и SQL выросли с 4% до почти 8% — количественные методы наступают. А самое интересное в зарплатах: медиана для джуниора — 85 тысяч. Для мидла — 160. Для сеньора — 250. Зарплата удваивается от джуна к мидлу. И вот что её удваивает — не просто годы в резюме, а конкретные навыки. Давайте про них.

Навыки, которые ИИ не заменит

Эмпатия. Способность почувствовать, что человек имеет в виду, когда говорит «мне всё понятно» — но при этом хмурится. ИИ-интервьюер из кейса Anthropic этого не поймал. Он не считывает мимику. Он вообще не знает, что у людей есть лицо.

Фасилитация. Управление групповой дискуссией. Заметить, что один человек молчит, а другой перетягивает внимание. Дать слово тому, кого перебивают. ИИ пока не умеет модерировать группу. Он умеет разговаривать один на один — и то со стенкой вместо эмпатии.

Стратегическая интерпретация. Аналитик видит цифру: «пользователи уходят на третьем шаге». ИИ тоже видит цифру. А исследователь понимает — почему. И предлагает решение, которое учитывает бизнес-контекст, техническую реальность и то, что заказчик ненавидит красный цвет.

Этическое суждение. Где заканчивается персонализация и начинается слежка? Где заканчивается удобный интерфейс и начинается тёмный паттерн? ИИ не знает. Он оптимизирует метрику. А метрика не знает, что такое «правильно».

Навыки, ставшие обязательными

А вот что стало обязательным — для всех, не только для UX.

Промпт-инжиниринг. Мы это видели в разделе про эволюцию промпта: один и тот же ИИ выдаёт мусор или конфетку — зависит от одной строчки в промпте. Умение формулировать задачу для ИИ — это новый «уверенный пользователь Excel». Через два года без этого не возьмут на работу.

Критическая оценка. Не принимать на веру. Проверять. Сомневаться. Те самые 12 принципов из моей шпаргалки — это, по сути, набор привычек здорового скептика. Доверяй ИИ — но проверяй. Как говорил Рейган про ядерное оружие. Только тут ставки пониже.

Умение выбирать: что отдать ИИ, а что делать самому. Рутину — ИИ. Интерпретацию — себе. Черновик — ИИ. Финальное решение — себе. Скорость — ИИ. Ответственность — себе.

Новая роль

Знаете, как менялась наша профессия?

В 90-е UX-исследования — это лаборатория с зеркалом Гезелла, камерами, бригадой наблюдателей и бюджетом размером с ремонт квартиры. Чтобы провести тест — нужна лаборатория. Нет лаборатории — нет теста.

В 2010-е всё ушло в онлайн. Удалённые тесты, видеозвонки. Исследователь работает из дома в пижаме. Демократизация.

Сейчас — следующий сдвиг. Исследователь из дома в пижаме — с десятью ИИ-агентами. Один человек с правильно настроенными инструментами делает объём работы, который раньше требовал команды из трёх-четырёх.

Новая роль — не «исследователь ИЛИ ИИ». А «исследователь, управляющий ИИ». Режиссёр, а не актёр.

Для HR: нанимайте не того, кто боится ИИ — он будет тормозить команду. И не того, кто слепо доверяет ИИ — он будет выдавать мусор с красивым оформлением. Нанимайте того, кто умеет ИИ управлять. Спросите на собеседовании: «Расскажите, когда ИИ вас подвёл и как вы это поняли.» Если человеку нечего рассказать — он либо не использует ИИ, либо не замечает ошибки. Оба варианта плохие.

Для тимлидов: вам не нужен отдельный UX-исследователь плюс отдельный ИИ-специалист. Вам нужен один человек, который совмещает.

Для студентов: учитесь исследованиям и учитесь работать с ИИ. Одно без другого через два года — это как знать английский, но не уметь печатать. Теоретически возможно. Практически — мимо рынка.

Итоги

Помните, с чего я начал? Полтора года назад Константин Самойлов из Лондона сказал мне: «Когда ChatGPT не работает, мне нечего делать на работе.» Я не поверил. Подумал — преувеличивает.

Сейчас я работаю с ИИ 5–6 часов в день. У меня десять ИИ-агентов. Этот доклад мы писали вместе с ИИ. Слайды делали вместе с ИИ. Я даже репетировал с ИИ. Он сказал, что я отлично выступаю. Но мы уже знаем, что ИИ льстит.

Самойлов, если ты это читаешь — ты был прав. Ненавижу это признавать.

Три мысли на прощание

Первое. ИИ — помощник, а не замена. Но помощник, без которого вы проигрываете. 73% россиян используют ИИ. Если вы пока не среди них — добро пожаловать в мой клуб образца 2024 года. Выходите оттуда. Серьёзно.

Второе. Главная ошибка — доверять ИИ без проверки. Вторая по величине — не использовать его вообще. Между этими двумя крайностями — зона, где ИИ приносит реальную пользу. Мои 18 проблем и 12 принципов — это карта этой зоны. Не идеальная, но рабочая.

Третье. Ваша ценность — не в том, что вы умеете делать. ИИ уже многое умеет делать. Быстрее вас. Дешевле вас. Без обеденного перерыва и без больничных. Ваша ценность — в том, что вы умеете думать. Интерпретировать. Чувствовать. Принимать решения, когда данных недостаточно. Говорить заказчику «нет», когда данные говорят «нет».

ИИ этому не научился. Пока не научился. Пока — ключевое слово. Так что не расслабляемся.

Источники Статистика использования ИИ

• Gallup, Q4 2025: IT-сектор США — 77%, финансы — 64%, ритейл — 33%, ежедневное использование — 12%. gallup.com
• Fullview AI Statistics 2025: треть ежедневных пользователей экономят 4+ ч/нед, суперюзеры — 20+ ч/нед. fullview.io
• ФРС Сент-Луиса (Bick, Blandin, Deming), октябрь 2025: пользователи GenAI экономят в среднем 5,4% рабочего времени (~2,2 ч/нед). stlouisfed.org
• ФРС Сент-Луиса, февраль 2025: 31,9% пользователей GenAI тратят 1+ час в день. stlouisfed.org
• SuperJob / НСН, 2025: 45% сотрудников в РФ используют ИИ, вакансий с ИИ-навыками — х2,3 за год. Маркетологи доверяют ИИ больше всех (50%), HR — 42%, продажи — 35%. nsn.fm
• ВЦИОМ, декабрь 2025: 73% россиян использовали ИИ, среди молодёжи до 34 лет — 81%. iz.ru
• Wharton AI Adoption Report, октябрь 2025: 82% руководителей используют GenAI еженедельно. knowledge.wharton.upenn.edu
• «Яков и Партнёры» / Яндекс, 2025: 70%+ российских компаний внедрили GenAI. yakovpartners.ru
• Авито Работа, июль 2025: каждый третий россиянин применяет ИИ в работе. monocle.ru

Галлюцинации ИИ

• Mata v. Avianca, Inc., 678 F. Supp. 3d 443 (S.D.N.Y. 2023): адвокат подал 6 выдуманных прецедентов, штраф $5 000. fortune.com
• Damien Charlotin, база данных: 1 308 случаев AI-галлюцинаций в судах, 2–3 новых случая в день. damiencharlotin.com
• Cronkite News / NPR, октябрь 2025: рост случаев с 2 в неделю до 2–3 в день. cronkitenews.azpbs.org

Кейс Anthropic (ИИ-интервьюер)

• Anthropic — 81K Interviews, апрель 2026: 80 508 интервью, 159 стран, 70 языков, откровенность респондентов. anthropic.com
• Anthropic — Introducing Anthropic Interviewer, декабрь 2025: 97,6% удовлетворённость (5+ из 7). anthropic.com
• HCLR, декабрь 2025: анализ разрыва между самооценкой и поведением (65% vs 49%). innovativehumancapital.com
• Carl J. Pearson, PhD, март 2026: методологическая критика «don’t quant the qual». carljpearson.com

Синтетические пользователи

• NNGroup — Synthetic Users, сентябрь 2025: кластеризация к среднему, people-pleasing. nngroup.com
• NNGroup — AI Simulations Studies, сентябрь 2025: digital twins и AI-симуляции — дополнение, не замена. nngroup.com
• UXtweak Research / Slovak University of Technology, март 2026: систематический обзор 182 исследований синтетических пользователей. thevoiceofuser.com
• The Voice of User, апрель 2026: первоапрельский пост «I Was Wrong About Synthetic Participants» Криса Чапмена. thevoiceofuser.com

ИИ в UX-исследованиях

• Интервью с Константином Самойловым на uexpert.ru, часть 2, январь 2024: «деятельность отличается от того, как мы её описываем». uexpert.ru
• GMR Transcription, Rev, Amberscript: ручная транскрибация — 4–6 часов на 1 час аудио. gmrtranscription.com
• Sonix, январь 2026: ИИ-транскрибация — минуты с минимальной правкой. sonix.ai
• User Interviews, AI in UX Research Report 2024: 90% UX-исследователей используют ИИ на этапе анализа и синтеза; 49% называют экономию времени главным преимуществом. userinterviews.com

Исследование рынка вакансий

• Ю-эксперт (Кузнецов, Черных), февраль 2026: анализ 119 вакансий, 16% требуют ИИ, Python/SQL с 4% до 8%, медианные зарплаты 85/160/250 тыс. руб. uexpert.ru

Полезные ссылки по теме

• Что требуют работодатели от UX-исследователей в 2026 — полный анализ 119 вакансий с раскладкой по грейдам Junior / Middle / Senior и реальными зарплатами.
• UX-школа Артёма Кузнецова — обучаем за 3 месяца всем основным методам UX-исследований, теория и практика, международный сертификат.
• Интервью Pro UX #6 с Константином Самойловым (часть 2) — то самое интервью, где Константин рассказал, что без ChatGPT он не идёт работать.
• Обучение и консалтинг в компании Ю-эксперт — курсы, UX-аудит, исследования, консультации по внедрению ИИ в UX-процессы.
• Вебинар «Качества успешного UX-исследователя в 2026» — какие навыки критичны для UX-исследователя сегодня.
• UX-стажировка в компании Ю-эксперт — бесплатная практика в реальных проектах под руководством опытных специалистов.
• Обзоры книг по UX от Артёма Кузнецова — список полезной литературы для UX-исследователей.

Чтобы всегда оставаться на связи

→ Подписывайтесь на наши цифровые каналы и социальные сети.

А также мы публикуем бесплатные материалы по теме обучения UX и юзабилити от экспертов международного уровня, материалы тренингов, вебинаров и выступлений на конференциях и в СМИ, предложения о сотрудничестве на нашем телеграм канале: https://t.me/ux_school