JTBD + ИИ: революция в анализе качественных данных

Введение: от боли к решению

22 мая 2025 года состоялся вебинар “JTBD + ИИ: как автоматизировать анализ качественных данных”, который собрал практиков из ведущих российских компаний. Ключевая проблема, вокруг которой развернулась дискуссия, была сформулирована Рузанной Абаджян, старшим UX-исследователем БКС МИ: “Заказчикам нужны результаты срочно-обморочно, а наши исследовательские возможности не всегда этому соответствуют.”

Основной вопрос звучал просто: можно ли ускорить анализ качественных данных с помощью ИИ, не потеряв при этом глубину инсайтов? Опыт Рузанны Абаджян из БКС и Ирины Денисовой из Alfa Research Center показал, что ИИ действительно может кардинально изменить скорость работы с качественными данными, но только при условии грамотного подхода к его внедрению и четкого понимания ограничений.

JTBD-методология и её специфика для ИИ-анализа

Jobs-to-Be-Done представляет особый вызов для искусственного интеллекта. “JTBD — это теория о том, как люди принимают решения. Фокус на ‘работе’, которую пользователь нанимает выполнять ваш продукт,” — объясняет Рузанна. Но за этим определением скрывается сложная аналитическая работа.

“В отличие от обычного интервью, мы анализируем не смысловые единицы, группируя их по темам и категориям. Здесь ситуация ещё более сложная — из атомарных инсайтов мы должны построить чётко структурированные джоб-стори,” — поясняет специфику методологии.

Особую сложность создает необходимость выявления сил прогресса и барьеров, анализа опыта переключения между продуктами и идентификации моментов найма. Каждый из этих элементов требует особого подхода к структурированию и интерпретации данных, что делает задачу автоматизации JTBD-анализа особенно сложной.

Кейс из практики: как БКС решал проблему обучающего раздела

Постановка задачи и контекст

История началась с классической продуктовой проблемы. “Представьте обычный понедельник, ко мне приходит ПО и говорит: ‘Рузанна, у нас есть проблемы в разделе обучения. Пользователи отваливаются буквально через несколько уроков и затем не возвращаются’,” — рассказывает Рузанна о начале проекта. Ситуация была критической: “ретеншн падает как домино.”

Первым делом команда обратилась к аналитике, но цифры лишь подтвердили масштаб проблемы, не объяснив её причин. Именно тогда команда приняла решение о глобальном переосмыслении концепции с использованием JTBD-подхода: “Можно сколько угодно менять кнопки, какие-то UI элементы, но если мы базово не отвечаем на задачи пользователя, то они в итоге уходят.”

Проведение исследования

Критерием отбора респондентов стал опыт переключения — ключевой элемент JTBD-методологии. “У нас было два сегмента респондентов: одни, которые недавно пришли к нам в обучение — нам было интересно узнать, что их стригернуло начать. И второй сегмент — это те, которые наоборот уволили наше решение и ушли конкурентам,” — описывает Рузанна структуру выборки.

Этот подход позволил выявить неожиданные альтернативы: “Мы изучали опыт использования не только других разделов обучения в брокерских приложениях, но и Telegram-каналы экспертов, финансовых блогеров.” Такое расширенное понимание конкурентного ландшафта — одно из ключевых преимуществ JTBD-подхода.

Столкновение с реальностью

После проведения интервью команда столкнулась с классической дилеммой исследователей: “горы неструктурированных данных, сжатые сроки, уже подступает релиз. Мы понимаем, что если обрабатывать ручным способом, это очень долго.”

Рузанна подчеркнула специфические сложности JTBD-анализа: “Надо использовать какие-то альтернативные инструменты, чтобы идти быстрее, не теряя глубины.” Команда начала поиск ИИ-решения, “заточенного под специфику исследований и JTBD-фреймворка в частности, без дополнительных костылей.”

Технические решения: сравнение инструментов

Опыт работы с универсальными ИИ-инструментами

Ирина Денисова поделилась опытом работы с популярными ИИ-моделями: “Первый подход к этому снаряду, когда мы только пробовали обрабатывать результаты исследования с помощью GPT, был довольно долгим из-за того что нету готовых промтов для исследователей.”

Участники вебинара активно обсуждали разные инструменты. Виталий Вершинин поделился чек-листом для работы с ИИ:

✅ Чеклист перед отправкой промта:

• Указал роль ИИ?
• Описал контекст (цель, где ты сейчас)?
• Чётко сформулировал задачу?
• Привёл референсы или примеры?
• Назвал нужный формат на выходе?
• Уточнил тон общения?

Андрей Коротков добавил важное уточнение: “Промт — это не один хорошо причёсанный запрос, а итерация запросов, направляющих ИИ на необходимый вам результат.” Эта философия итеративного взаимодействия оказалась ключевой для понимания эффективной работы с ИИ.

Участники сравнивали разные инструменты: “Дипсик как будто немного глупее именно для анализа и помощи в исследовании чем GPT. Но тут опять же вопрос безопасности данных” (Владислав Ширинский). Екатерина Момот рекомендовала специализированные решения: “Перплексити точно лучше подходит для поиска и кабинетов… для исследований по научным статьям — Consensus.”

Специализированная платформа Aseed

Особенность aseed.ai — создание инструмента практиками для практиков. Рузанна рассказала уникальную историю: создатели платформы, бывшие сотрудники БКС, сделали ее респондентом в исследовании для разработки продукта, скрупулёзно собирая и имплементируя её потребности как исследователя.

Aseed решает проблему, с которой сталкиваются все исследователи при работе с универсальными ИИ. Ключевые функции платформы:

1. Удобная загрузка и транскрибация: “Вы загружаете сырые данные — запись интервью в видео или аудиоформате. Не нужно предварительно генерировать транскрипты.”
   
2. Точная атрибуция реплик: “Возможность указать количество участников и их имена значительно повышает качество атрибуции в транскрипте.”
   
3. Контекстуализация исследования: “В поле Research Context вы вводите максимум информации про ваше исследование — описание продукта, контекст, цели, бизнес-задачи, гипотезы.”
   
4. Структурированные результаты: После обработки платформа предоставляет транскрипт в диалоговом формате, интерактивные цитаты с переходом к исходному контексту, автоматическую структуризацию по инсайтам, барьерам, критериям найма.
   
5. JTBD-специфичные функции: Автоматическое создание job stories в каноническом формате, приоритизация на глобальные джобы и субджобы, возможность валидации через интерактивные цитаты.
   

Практические результаты: экономия времени и качество анализа

Революция в скорости обработки

Когда Рузанна задала аудитории вопрос о времени, затрачиваемом на расшифровку одного интервью, ответы в чате показали типичные затраты: “2 часа” (Ульяна Гусева), “2-3” (Андрей Петров). Василий Ветчин поделился опытом оптимизации: “Последний раз на транскрибацию через NotebookLM и анализ через GPT уходило 1ч на одного респондента” при длительности интервью 50-120 минут.

Результаты aseed.ai кардинально изменили эту картину: время генерации одного отчёта сократилось до 10-15 минут. При масштабировании на типичное исследование с 10-12 интервью экономия становится критической: с 30-40 часов до 2-3 часов общего времени обработки.

Качество анализа

Особенно впечатляющими оказались результаты для JTBD-анализа. “Система автоматически генерирует структурированные job stories в каноническом формате: когда я что-то хочу… я хочу то-то, чтобы получить то-то,” — объясняет Рузанна.

Система также автоматически приоритизирует результаты: “Эти job stories делятся на более глобальные джобы и на субджобы.” Это избавляет исследователя от необходимости самостоятельно структурировать и ранжировать выявленные потребности.

Главное преимущество: “Благодаря aseed.ai удалось из обычного рабочего кейса быстро и с сохранением глубины инсайтов перейти к дорожной карте и работе с командой.” Экономия времени позволила сосредоточиться на более стратегических задачах: интерпретации результатов, формировании рекомендаций и работе с командой над реализацией выводов.

Вызовы и ограничения

Технические ограничения

Работа с ИИ-инструментами выявила ряд системных проблем:

1. Необходимость обучения моделей: “Большинство AI не заточены под задачи UX-исследований. Модель нужно обучать, задачи ставятся поэтапно, итерационно,” — отмечает Ирина.
   
2. Ручная подготовка данных: “Из транскриптов и заметок приходится выбирать тексты вручную.” Это означает, что полной автоматизации достичь не удается.
   
3. Нестабильность инструментов: “Модели постоянно обновляются — сложно перестраиваться.” То, что работало вчера, может не работать сегодня из-за обновления модели.
   

Качественные риски

Ирина выделила несколько категорий рисков при работе с ИИ:

1. Искажение смысла: “Неверное понимание контекста, интонации респондента. Когда мы даём ИИ транскрипт, там скорее всего не отражены эмоции, интонации, а часто это влияет на понимание смысла.”
   
2. Упрощение данных: “Общие формулировки, пропуск важных деталей, связанных с поведением, мотивацией, эмоциями.” ИИ тяготеет к категоризации и обобщению, что может привести к потере нюансов.
   
3. Ошибки в кодировании: “Ошибки в тематическом кодировании — неправильно расставлены темы и коды, особенно в данных со сложными взаимосвязями.”
   

Этические вопросы

Один из самых острых вопросов касался конфиденциальности данных. “Я веду проект с тестированием концепции для новой коммуникации бренда и прекрасно знаю, что конкурент тоже обновляет коммуникацию. Как мне быть увереннее, что полученные инсайты не утекут?” — спросил один из участников.

Дмитрий Сатин поделился опытом работы с NDA: “Один заказчик требовал, чтобы использовались только российские системы, чтобы все данные находились на территории РФ. Я спросил: ‘Ребята, мы сейчас переписываемся в Телеграме, мы знаем в каких дата-центрах наш разговор сохраняется?'”

Практическое решение Дмитрий видит в детальном обсуждении: “Вот интервью, вот расшифровка, вот пользователь — это можно анализировать во внешних системах без нарушения NDA?”

Рекомендации по внедрению: пошаговое руководство

Этап подготовки

1. Планирование структуры отчета до начала сбора данных. Четкое понимание желаемых результатов поможет правильно спланировать исследование.
   
2. Адаптация гайда интервью с учетом специфики ИИ-анализа. Включите вопросы о рефлексии опыта и напоминания модератору о проговаривании неочевидных моментов.
   
3. Правильное восприятие ИИ: “Для меня важный момент — само восприятие работы с AI. По большому счёту, это помощник джуниор, младший исследователь, которому нужно чётко объяснять задачу,” — подчеркивает Ирина.
   

Этап проведения

1. Дисциплинированная модерация: четкое следование гайду, проговаривание всех действий респондента, резюмирование мыслей участников прямо во время интервью.
   
2. Фиксация эмоционального контекста: особое внимание к интонациям, эмоциям и невербальным реакциям, которые могут быть потеряны при автоматической обработке.
   

Этап анализа

1. При работе со специализированными платформами: максимально детально заполняйте контекстную информацию о проекте, целях и гипотезах.
   
2. При использовании универсальных ИИ: применяйте итеративный подход к формулировке задач, разбивая сложные запросы на более простые.
   
3. Обязательная валидация результатов: перепроверяйте ключевые выводы, сопоставляя их с исходными данными.
   
4. Комбинирование разных инструментов: используйте разные ИИ-модели для перекрестной проверки результатов.
   

Будущее ИИ в UX-исследованиях: тренды и прогнозы

Участники активно обсуждали развитие ИИ-инструментов для UX. В чате появились запросы на поддержку персон, customer journey map, service blueprint. Виталий Вершинин поднял стратегический вопрос о создании единой базы исследовательских данных для ИИ-анализа в крупных компаниях.

Ключевые тренды, обозначенные спикерами:

1. Специализация инструментов под конкретные методологии и задачи UX-исследователей.
   
2. Развитие функций синтеза данных из множественных интервью — сейчас это основное ограничение большинства платформ.
   
3. Интеграция с популярными инструментами исследователей для бесшовного внедрения в рабочие процессы.
   
4. Повышение прозрачности алгоритмов обобщения и валидации результатов.
   

Заключение: новая реальность качественных исследований

Вебинар 22 мая 2025 года показал, что мы находимся на пороге фундаментальной трансформации того, как проводятся и анализируются качественные исследования.

Главные выводы

1. ИИ действительно может кардинально ускорить обработку качественных данных — с 3+ часов до 15 минут на интервью.
   
2. Эта эффективность требует пересмотра всего исследовательского процесса: от планирования интервью до валидации результатов.
   
3. Как признала Ирина Денисова: “Нужно понимать, что скорее всего быстрее не будет в первый раз.” Освоение ИИ-инструментов требует инвестиций времени, но эти инвестиции окупаются при регулярном проведении исследований.
   
4. Специализированные платформы показывают значительно лучшие результаты, чем адаптация универсальных ИИ-инструментов.
   

Опыт участников вебинара показывает: время экспериментов прошло, наступила эра практического применения ИИ в качественных исследованиях. Исследователи, которые сегодня начнут осваивать эти инструменты и методы, завтра будут определять стандарты индустрии.

Как показал пример создания aseed.ai, UX-сообщество может быть не просто потребителем технологий, но активным участником формирования будущего исследовательских инструментов.

Подписывайтесь на наш Телеграмм-канал — анонсы мероприятий, кейсы и статьи, расписание нашей Школы, и многое другое.