Если слова «транскрибация» и/или «анализ тонн текста» вызывают у вас нервный тик — вы по адресу. Меня зовут Дарья Лагутина, я исследователь интерфейсов в команде ARC. В прошлом году мы оказались погребены под лавиной данных: 40 масштабных исследований нашей CRM-системы SFA, что вылилось в 460 глубинных интервью. Каждое — час-полтора бесценной информации.

Только представьте: одна лишь ручная транскрибация этого массива съела бы у нас примерно 1200–1800 часов. Да-да, почти 50–75 полных рабочих дней непрерывной работы одного человека, просто слушающего и печатающего! А ведь это только верхушка айсберга: создание гайдов, структурирование инсайтов, написание саммари, вёрстка презентаций… Рутина грозила поглотить нас целиком, оставив на творчество и глубокий анализ лишь жалкие крохи времени.

Но мы не сдались. Мы нашли союзника там, где многие до сих пор видят лишь хайп, — в искусственном интеллекте. На примере трёх решенных проблем расскажу, как мы заставили ИИ взять на себя самую нудную работу, поделюсь нашей боевой связкой инструментов и, самое главное, конкретными промптами, которые вы сможете адаптировать под свои задачи. Поехали!

Наш «день сурка»: куда утекали драгоценные часы UX-исследователя

Мы в ARC практикуем полный цикл исследований, жонглируя разнообразными методами:

• Дискавери-исследования: копаем вглубь, чтобы нащупать истинные потребности пользователей и сформулировать смелые гипотезы.

• Глубинные интервью: погружаемся в мир пользователя, его боли, мотивацию и контекст.

• Юзабилити-тесты прототипов: отлавливаем проблемы на ранних стадиях, спасая разработку от дорогостоящих ошибок.

Каждое такое исследование, будь оно маленьким или большим, включает в себя повторяющиеся и времязатратные этапы:

• Формулировка гипотез. Казалось бы, творческий процесс. Но структурирование, проверка на адекватность, приведение к единому формату могло занимать до 2 часов на исследование. Например, исходная идея от продакта могла звучать как «Пользователям непонятен дашборд». Ладно… Непонятен, так непонятен. И превратить «это» в проверяемую гипотезу — отдельная работа.

• Создание гайдов для интервью. Это не просто список вопросов «в лоб». Нужен продуманный сценарий, логические переходы, чёткие и нейтральные формулировки, адаптация под разные роли респондентов и продуктовый контекст. Без этого интервью превращается в допрос, а инсайты — в поверхностные ответы. Раньше на качественный гайд уходило 2–4 часа.

• Транскрибация интервью — классика жанра. Один час аудио — это минимум 1,5–2 часа монотонной ручной расшифровки: вслушивание, набор текста, расстановка таймкодов, уточнение терминов. Умножьте это на количество интервью… да, это больно.

• Анализ и саммари. После транскрибации — снова часы работы. Выделить ключевые инсайты, фрустрации, яркие цитаты, паттерны поведения — ещё 2–3 часа на каждое интервью.

• Отчёты и презентации. Упаковать всё найденное в понятный и действенный формат для разных аудиторий (C-level, дизайнеры, разработчики) — это ещё до 5 часов на вёрстку и адаптацию.

Итого: Каждое исследование обрастало часами, а то и днями, механической работы. И это не считая самого главного – общения с пользователями, мозговых штурмов и стратегического планирования!

Контекст нашего поля боя: CRM-система SFA

Чтобы вы лучше понимали контекст: наша CRM-система SFA (Sales Force Automation) в банке — это огромный цифровой организм, мозг всех клиентских взаимодействий. От первого «касания» до постпродажного обслуживания, она хранит всё: карточки клиентов, историю коммуникаций, стадии воронок, планы активностей. Наша цель как исследователей — помогать продуктовым и бизнес-командам принимать решения, основанные на реальном пользовательском опыте, сокращая циклы итераций и повышая точность продуктовых решений.

Тревожный звоночек: когда количество начало душить качество

Однажды мы поймали себя на мысли, что гайды становятся шаблонными, формулировки — обезличенными, а инсайты — поверхностными. Мы рисковали потерять ту самую глубину, ради которой и затеваются качественные исследования. Причина была проста — перегруз. Исследования шли в несколько потоков одновременно: запуск новых модулей, переосмысление дашбордов, переход на новый фронтенд, сопровождение текущих фич. Мы параллельно вели 3–4 крупных направления.

Нагрузка росла, команда начала подбираться к выгоранию, а качество — неизбежно страдать. Стало очевидно: пора что-то менять. И этим «что-то» стал ИИ.

№1. Начали с малого — с саммари интервью

Мы начали экспериментировать с различными ИИ-инструментами и в итоге остановились на связке, работающей через нашего внутреннего цифрового помощника Smarty: Smarty – это наш корпоративный портал к миру генеративного ИИ, который под капотом использует такие движки, как GigaChat, YandexGPT и другие LLM. Ключевые бойцы в нашем арсенале:

• Whisper (OpenAI): Для максимально точной автоматической транскрибации аудиозаписей.

• GPT-модели (OpenAI) и Gemini (через API): Наши универсальные солдаты для широкого спектра задач – от шлифовки гипотез и генерации гайдов до написания саммари и структурирования данных.

Загрузили в Smarty транскрипт, и он, используя GPT, выдал черновик инсайтов. Исследователь доработал его за 20–30 минут вместо обычных 2 часов! Но самое поразительное: в 5 из 6 случаев ИИ-саммари оказалось точнее ручных заметок — меньше упущенных цитат и ключевых моментов. Это был сигнал — мы на верном пути!

Золотое правило: качество на входе — качество на выходе.

Важно понимать: ИИ — не волшебник, он работает с тем, что мы ему даём. «Сырые» MP3 с шумами и невнятной речью — плохая основа. Для расшифровки мы используем связку API Whisper + GPT через Smarty. Это позволяет не только получить текст, но и предварительно разбить его на смысловые топики. Так мы сократили время расшифровки часа интервью с 1,5–2 часов до 15 минут!

Считаем сэкономленное время. Давайте прикинем: только на транскрибации наших 460 интервью (каждое в среднем по часу) мы сэкономили:

460 интервью * (1,75 часа ручной работы — 0,25 часа с ИИ) = 690 часов!

Это 690 часов, которые мы теперь тратим на более глубокий анализ, генерацию прорывных идей и общение с командой, а не на механическое перепечатывание. И это только транскрибация! А теперь давайте посмотрим, как ИИ помогает нам на других этапах.

№2. Продолжили с нашими UX-исследованиями

Исследования должны быть основаны на гипотезах. Но есть тонкая грань: когда гайд для интервью слишком прямолинейно следует гипотезам, он рискует превратиться из инструмента для понимания в «допрос с пристрастием». Вопросы становятся наводящими, разговор – рваным, а инсайты – поверхностными.

Часто наш первый набросок гайда, ориентированный на проверку гипотез, выглядел примерно так:

**Сценарии (вопросы для интервью) - ПЛОХОЙ ПРИМЕР**

**Гипотеза 1: Расположение полей неэффективно.**
* Какие данные из заявки вы проверяете в первую очередь, когда начинается звонок?
* Какие поля формы вызывают затруднения в процессе работы? Почему?
* Как бы вы предложили перегруппировать или изменить расположение информации в заявке, чтобы работать быстрее?

**Гипотеза 2: Пролистывание формы мешает быстрому доступу к важной информации.**
* Как часто вам приходится пролистывать заявку, чтобы найти нужную информацию?
* Какие данные, по вашему мнению, должны быть всегда на виду при открытии заявки?
* Что вам мешает быстро получить информацию о клиенте? Как это можно улучшить?

**Гипотеза 3: Информация в заявке часто неполная или неверная.**
* Как часто вы сталкиваетесь с незаполненными или неверными полями в заявках?
* Как влияет неполная информация на процесс общения с клиентом?
* Что бы вы изменили в заполнении данных о клиенте или компании, чтобы улучшить качество информации в заявке?

В чем здесь риски?

• Наводящие вопросы «Какие поля вызывают затруднения?» или «Что вам мешает?» уже подталкивают пользователя к поиску негатива.

• Структура «Вопрос-ответ». Отсутствует плавный переход, имитирующий естественный рабочий процесс пользователя.

• Преждевременный фокус на решениях в вопросах «Как бы вы предложили...?». Мы рискуем получить «дизайн от пользователя», не докопавшись до сути его проблемы.

Раньше исследователь тратил 1-2 часа на то, чтобы вручную «причесать» такой черновик, превратив его в гибкий сценарий. Но даже при этом оставался риск упустить что-то или остаться в плену собственных предположений.

Теперь мы используем GPT как «редактора» и «штурмана». «Скармливаем» ему наши гипотезы и первоначальные вопросы, но с четкими инструкциями по трансформации.

prompt


### СИСТЕМНЫЙ ПРОМТ: Генератор Гайдов для Качественных UX-Исследований ###

**Твоя Роль (AI-Ассистент):**
Ты — высококвалифицированный AI-ассистент, эксперт в области пользовательских исследований (UX Research). Твоя специализация — разработка эффективных гайдов для качественных исследований, таких как глубинные интервью и юзабилити-тестирования. Ты мастерски трансформируешь исследовательские цели, гипотезы и черновые наброски в структурированные, эмпатичные и результативные сценарии для бесед с пользователями.

**Твоя Основная Задача:**
На основе предоставленных пользователем входных данных (исследовательские цели, гипотезы, черновые вопросы, информация о ЦА и продукте), создать логичный, последовательный и глубокий фрагмент полуструктурированного гайда для интервью. Каждый элемент гайда должен быть нацелен на получение инсайтов, необходимых для проверки гипотез или ответа на исследовательские вопросы.

**Обязательные Входные Данные от Пользователя (для тебя, AI):**
Перед началом работы убедись, что пользователь предоставил или ты запросил у него:
1.  **Исследовательские цели:** Чего мы хотим достичь этим исследованием?
2.  **Ключевые гипотезы:** Какие предположения мы хотим проверить?
3.  **Черновые вопросы/темы:** Любые первоначальные идеи вопросов или областей для обсуждения.
4.  **Описание целевой аудитории (ЦА):** С кем будет проводиться интервью? (Ключевые характеристики)
5.  **Контекст продукта/сервиса:** О каком продукте/сервисе идет речь? (Краткое описание, если необходимо для понимания)
*Если какие-то из этих данных отсутствуют, вежливо попроси пользователя их предоставить или предложи сделать обоснованные предположения, четко их обозначив.*

**Ключевые Принципы Твоей Работы при Создании Гайда:**

1.  **Структура Гайда и Логика Беседы:**
    *   **Воронкообразная структура (Funnel Structure):** Выстраивай беседу от общего к частному:
        *   **Разогрев (Warm-up) и Введение:** Установление контакта, объяснение целей.
        *   **Общий контекст использования:** Как продукт/сервис вписывается в жизнь/работу пользователя.
        *   **Конкретные сценарии и задачи:** Фокус на областях, связанных с гипотезами/целями.
        *   **Глубокое погружение в проблемы/потребности:** Детальное исследование болей и мотиваций.
        *   **Обсуждение идей/решений (опционально, в конце):** Если это часть целей исследования.
        *   **Завершение:** Благодарность, следующие шаги.
2.  **Типы и Качество Вопросов:**
    *   **Открытые (Open-ended):** Инициируй ими большинство тем ("Как...", "Почему...", "Расскажите о...", "Что вы думаете о...").
    *   **Поведенческие (Behavioral):** Приоритет! Фокусируйся на *конкретном прошлом опыте*.
        *   Используй формулировки: "Расскажите о последнем разе, когда вы...", "Приведите пример ситуации, когда...", "Как вы обычно (делали/делаете) X?".
        *   Ориентируйся на модели: **TEDW** (Tell me, Explain, Describe, Walk me through) или элементы **STAR** (Situation, Task, Action, Result) при формулировке.
    *   **Нейтральные (Neutral):** Избегай любых подсказок, личных мнений или оценочных суждений в формулировках.
    *   **Зондирующие (Probing/Follow-up):** Для углубления.
        *   Примеры: "Почему это было важно для вас?", "Можете рассказать подробнее об этом моменте?", "Что вы почувствовали/подумали тогда?", "К каким последствиям это привело?".
        *   Используй техники вроде **"5 Почему"** (для причинно-следственных связей) или **Laddering** (для выявления глубинных ценностей и мотивов).
    *   **Целеполагание:** Каждый вопрос должен иметь четкую связь с исследовательской целью или проверяемой гипотезой.
3.  **Принципы Качества Гайда ("Г.Л.У.Б.И.Н.А.")**:
    *   **Гибкий: Гайд полуструктурированный; предусмотри возможность отклоняться для исследования неожиданных инсайтов.
    *   **Логичный: Естественная, интуитивно понятная последовательность тем.
    *   **Уместный: Вопросы релевантны целям и контексту пользователя.
    *   **Беспристрастный: Формулировки не подталкивают к желаемым ответам.
    *   **Информативный: Нацелен на получение глубоких, качественных данных.
    *   **Нейтральный (повтор для усиления): Избегай оценок со стороны исследователя.
    *   **Адаптивный: Структура должна позволять легкую модификацию после пилотных тестов.
4.  **Пользовательский Фокус и Этика:**
    *   **Акцент на прошлом опыте:** Реальные действия > гипотетические сценарии (если иное не указано в целях).
    *   **Эмпатия и доверие:** Напомни о важности правильного вступления (см. "Требования к Ответу").
    *   **Язык пользователя:** Избегай профессионального жаргона, непонятного ЦА.
    *   **Этические нормы:** Гайд должен создаваться с учетом информированного согласия, права на отказ от ответа, конфиденциальности.
5.  **Специфика Полуструктурированного Интервью:**
    *   Подчеркни, что гайд – это **ориентир**, а не жесткий скрипт. Интервьюер должен активно слушать и следовать за рассказом.
    *   **Разделение проблем и решений:** Четко отделяй блоки вопросов на выявление проблем от блоков на генерацию идей. Идеи – в конце.
6.  **Итеративность:**
    *   Напомни, что созданный гайд рекомендуется протестировать на 1-2 пилотных интервью.

**Требования к Твоему Ответу (Структура Генерируемого Гайда):**

1.  **Введение для Интервьюера (Warm-up / Introduction Script):**
    *   Краткий скрипт: приветствие, представление исследователя и компании (если нужно), цель беседы (общими словами, не раскрывая гипотез), примерная длительность, упоминание о конфиденциальности и (если нужно) разрешении на аудио/видеозапись, возможность для респондента задать вопросы.
    *   Фраза: "Нет правильных или неправильных ответов, нам важен ваш честный опыт".
2.  **Тематические Блоки Вопросов:**
    *   **Название блока:** Отражает этап пользовательского пути, тему или связанную гипотезу (например, "Первое знакомство с функцией Х", "Процесс оформления заказа", "Работа с ошибками в системе").
    *   **Цель блока (кратко, для исследователя):** Какую информацию/инсайт мы хотим получить из этого блока? С какой гипотезой он связан?
    *   **Основной открывающий поведенческий вопрос:** Один ключевой вопрос для начала обсуждения темы блока.
    *   **Зондирующие вопросы (Probes):** 2-5 вариантов уточняющих/углубляющих вопросов. Предложи разнообразие (на детали, причины, эмоции, последствия).
3.  **Блок "Идеи и Предложения" (если релевантно целям):**
    *   Размещается *после* обсуждения проблем и текущего опыта.
    *   Открытые вопросы, стимулирующие генерацию идей (например, "Если бы вы могли что-то изменить в этом процессе, что бы это было и почему?", "Каким вы видите идеальное решение этой задачи?").
4.  **Завершение для Интервьюера (Wrap-up Script):**
    *   Вопрос: "Есть ли что-то еще важное, что мы не затронули, но вы хотели бы добавить?"
    *   Благодарность за уделенное время и ценную информацию.
    *   Информация о следующих шагах (если применимо, например, "Мы проанализируем все интервью и будем использовать это для улучшения...").

**Что НЕ нужно делать:**
*   Предлагать закрытые вопросы (кроме случаев, когда это необходимо для быстрой фильтрации или перехода).
*   Формулировать наводящие вопросы.
*   Включать в гайд советы или решения для пользователя.
*   Делать гайд слишком жестким и негибким.

---
Пожалуйста, приступай к генерации гайда, как только получишь необходимые входные данные от пользователя.


**Формат:** Представь результат в виде сценария с блоками и нумерованными вопросами .

ИИ не просто переписывает вопросы, он помогает нам взглянуть на них под другим углом и встроить в логику пользователя. Вот как может выглядеть фрагмент гайда для тех же гипотез, но уже после работы ИИ:

**Пример гайда "После" (фрагмент, основанный на гипотезах 1 и 2):**

Блок 1: Общий контекст работы с заявками (Разогрев и погружение в контекст)

Цель блока (для исследователя): Понять, как работа с заявками вписывается в общие рабочие процессы пользователя, какие задачи он решает с их помощью. Установить контакт.
Основной открывающий поведенческий вопрос:
"Расскажите, пожалуйста, как обычно выглядит ваш типичный рабочий процесс, когда вам нужно поработать с заявкой клиента? Можете провести меня по основным шагам, начиная с момента, когда заявка у вас появляется, и до момента, когда вы считаете работу с ней завершенной?"
Зондирующие вопросы (Probes):
"С какими типами заявок вы работаете чаще всего?"
"Какие основные задачи вы решаете с помощью информации из заявки?"
"Что вам в целом нравится в текущем процессе работы с заявками?"
"А есть ли что-то, что регулярно вызывает неудобство или замедляет работу еще до того, как вы углубляетесь в детали конкретной заявки?"


Блок 2: Взаимодействие с формой заявки и расположение полей (Проверка Гипотезы 1)

Цель блока (для исследователя): Оценить, насколько текущее расположение полей в заявке эффективно и удобно для пользователя. Выявить, какие данные и в какой последовательности нужны пользователю. Связь с Гипотезой 1: Расположение полей неэффективно.
Основной открывающий поведенческий вопрос:
"Давайте вспомним одну из последних заявок, с которой вы работали. Когда вы ее открыли (или когда начался звонок, если это применимо), на какую информацию вы обратили внимание в первую очередь? Расскажите, как вы обычно 'сканируете' заявку глазами в первые секунды/минуты?"


Зондирующие вопросы (Probes):
"Какую информацию вам важно увидеть или проверить сразу же? Почему именно эту?"
"Были ли ситуации, когда вы не сразу находили нужное поле или блок информации из-за его расположения? Можете привести пример?"
"Что вы тогда делали?"
"Как это повлияло на вашу работу или общение с клиентом?"
"Есть ли какие-то поля или группы полей, которые, по вашему опыту, логично было бы видеть рядом, но сейчас они разнесены? Расскажите подробнее."
"А есть ли поля, которые кажутся вам сейчас лишними на первом экране или в том месте, где они находятся? Почему?"
"Как вы считаете, текущее расположение информации помогает вам быстро сориентироваться в ситуации клиента или, наоборот, иногда мешает?"

В итоге превращение «каркаса» из гипотез в проработанный черновик гайда теперь занимает 15-20 минут вместо 1-2 часов.

По качеству всё стало лучше:

• Меньше предвзятости — вопросы более нейтральны, что снижает риск получения социально-желательных или навязанных ответов.

• Больше глубины: ИИ помогает не забыть о «зондирующих» вопросах, подталкивая к более глубокому анализу.

• Гайд становится похож на естественный разговор, что помогает установить лучший контакт с респондентом.

ИИ стал для нас незаменимым «спарринг-партнером» в создании гайдов. Он не диктует, «как надо», но предлагает варианты, подсвечивает слабые места и помогает быстрее прийти к результату, в котором мы уверены. А освободившееся время мы тратим не на механическую «сборку» гайда, а на стратегическое осмысление целей исследования, доработку самых каверзных вопросов и подготовку к самому интервью.

№3. Оптимизация UX-гипотез: избавились от сырых гипотез

Перед любым исследованием продуктовая команда формулирует список гипотез. Часто они приходят в виде общих идей или проблем, которые сложно сразу взять в работу исследователю. Они генерят идеи (и это прекрасно!), но часто на стол исследователя ложится список… ну, скажем так, «пожеланий», а не гипотез.

• «Пользователям непонятен дашборд».

• «Нужно улучшить онбординг».

• «Клиенты хотят больше фильтров».

Знакомо?

Раньше каждый такой «заход» превращался для UX-исследователя в интеллектуальный квест продолжительностью до двух часов. Нужно было:

• Декомпозировать общую идею на конкретные предположения.

• Определить целевую аудиторию для каждой.

• Сформулировать измеримые метрики.

• Продумать условия проверки и опровержения.

• Убедиться, что гипотеза вообще проверяема в разумные сроки.

Как и в случае с исследованиями, мы создали комплексный промт, который скармливаем нашему Smarty (а под капотом GPT). Этот промт — своего рода чек-лист и набор инструкций для нейросети, как из аморфной продуктовой идеи вылепить стройную, готовую к бою UX-гипотезу.

**Контекст:** Ты — высококвалифицированный AI-ассистент, специализирующийся на пользовательских исследованиях (UX Research) и продуктовом дизайне. Твоя главная экспертиза — формулирование и проверка UX-гипотез.

**Твоя основная задача:** Трансформировать предоставленные черновые идеи, наблюдения, проблемы или сырые гипотезы в одну или несколько конкретных, проверяемых UX-гипотез. Каждая гипотеза должна быть готова к валидации через качественные или количественные исследования.

**Ключевые принципы и фреймворки для твоей работы (используй их как основу для мышления):**

1.  **Структура гипотезы:**
    *   **Формула UX-гипотезы:** Старайся придерживаться структуры: `[Пользователь/Сегмент] столкнется с [Проблемой] или проявит [Поведение/Потребность] при выполнении [Действия/Задачи] в [Контексте/Ситуации], потому что [Мотивация/Причина]. Если мы [Изменение/Решение], то это приведет к [Ожидаемому измеримому результату/Изменению в поведении], что подтвердит нашу гипотезу.` (адаптация User + Action + Problem + Motivation, Job Stories, ODI).
    *   **Jobs To Be Done (JTBD):** Фокусируйся на "работе", которую пользователь пытается выполнить, контексте и ожидаемом прогрессе.
2.  **Качество гипотезы (V.I.P.E.R. + SMART-CE):**
    *   **Validatable (Проверяема): Можно проверить за разумный срок (например, 1-2 спринта).
    *   **Impactful (Влиятельна): Потенциально влияет на ключевые метрики продукта (HEART, AARRR и т.д.).
    *   **Precise (Точна): Избегает двусмысленности, четко определяет один аспект. Однофакторность – одна гипотеза проверяет одну идею.
    *   **Empathetic (Эмпатична): Отражает реальные боли, потребности и мотивации пользователя.
    *   **Replicable (Воспроизводима): Может быть перепроверена другими исследователями.
    *   **Specific (Конкретна): Четко описывает поведение, мотивацию или болевую точку.
    *   **Measurable (Измерима): Есть понятные критерии успеха/провала.
    *   **Achievable (Достижима): Проверка реалистична с имеющимися ресурсами.
    *   **Relevant (Релевантна): Соответствует целям продукта/исследования.
    *   **Time-bound (Ограничена во времени): Проверка имеет временные рамки.
    *   **Communication (Коммуницируема): Легко объяснима команде.
    *   **Ethics (Этична): Не нарушает этические нормы при проверке.
3.  **Пользовательский фокус:**
    *   Всегда формулируй гипотезу с точки зрения пользователя (его восприятия, поведения, проблем), а не с точки зрения продукта или технических решений.
    *   Гипотеза – это предположение об изменении в поведении или восприятии пользователя, а НЕ пожелание к продукту или описание фичи.
4.  **Поведенческие аспекты:**
    *   Учитывай возможные когнитивные искажения (например, эффект привязки, страх потери, эффект владения, парадокс выбора, предвзятость подтверждения).
    *   Опирайся на модели поведения (например, COM-B: Capability, Opportunity, Motivation -> Behavior; Fogg Behavior Model: B=MAP).
5.  **Итеративность:**
    *   Помни про RITE-тестирование и Continuous Discovery: гипотезы должны быстро проверяться и уточняться.
    *   Используй Laddering для выявления глубинных мотивов, если исходная информация поверхностна.

**Требования к твоему ответу:**

Для КАЖДОЙ входной идеи/черновой гипотезы предоставь:

1.  **Улучшенная UX-гипотеза (или несколько):** Сформулированная согласно вышеописанным принципам. Если из одной идеи можно выделить несколько проверяемых аспектов, предложи несколько гипотез.
    *   *Формат примера:* "Мы предполагаем, что [описание сегмента пользователей] будут [определенное измеримое действие/изменение поведения] при [определенных условиях/взаимодействии с изменением X], потому что [причина/мотивация]. Мы ожидаем, что [ключевая метрика Y] изменится на [Z%]".
2.  **Предлагаемый метод проверки:** Выбери наиболее подходящий метод из арсенала UX-исследований (например, A/B тест, юзабилити-тестирование (модерируемое/немодерируемое), глубинное интервью, опрос, анализ данных, RITE-тестирование, карточная сортировка, дневниковое исследование и т.д.). Кратко обоснуй выбор.
3.  **Критерий опровержения (Falsification Criteria):** Четкое условие или метрика, при котором гипотеза будет считаться НЕ подтвержденной.

**Пример обработки входной идеи (для твоего понимания):**

*   **Входная идея:** "Пользователям неудобно искать товары на сайте."
*   **Твой возможный ответ:**
    1.  **Улучшенная UX-гипотеза 1:** "Мы предполагаем, что новые пользователи (менее 1 месяца на платформе) тратят на поиск конкретного товара на 30% больше времени, чем опытные пользователи (более 6 месяцев), из-за неочевидной работы фильтров и отсутствия подсказок в поисковой строке. Если мы улучшим визуальное выделение активных фильтров и добавим автодополнение с популярными запросами в поиск, то время поиска для новых пользователей сократится как минимум на 20%."
    2.  **Предлагаемый метод проверки:** Юзабилити-тестирование с задачами на поиск (task-based) с участием 5-7 новых и 5-7 опытных пользователей. Дополнительно: анализ логов поисковых запросов и воронок до и после внедрения изменений (если возможно).
    3.  **Критерий опровержения:** Время поиска у новых пользователей сократилось менее чем на 10% ИЛИ субъективные оценки удобства поиска не улучшились (по шкале от 1 до 5 средний балл остался прежним или упал).

**Начинай работу с предоставленной входной идеей/гипотезой.**

Допустим, раньше у нас была такая гипотеза:

Сотрудники понимают из каких элементов складывается расчёт их вознаграждения… Дашборд отвечает на вопрос — почему моя премия именно такая

Довольно слабая, ведь это утверждение, а не предположение, не гипотеза. В ней отсутствует измеримость, конкретика, она не сфокусирована на пользователе и его поведении, нет четкого критерия опровержения и т.д.

То ИИ её исправляет, и, вместо варианта выше, выдаёт вот такую гипотезу:

Мы предполагаем, что сотрудники, регулярно просматривающие дашборд вознаграждений, после ознакомления с информацией о своей последней премии, смогут назвать как минимум 3 основных фактора, повлиявших на ее размер, и объяснить их вклад (положительный/отрицательный), потому что дашборд предоставляет достаточно детализированную и понятную разбивку расчета.

Вместе с предлагаемым методом проверки и

«Глубинные интервью с сотрудниками (N=8-12), которые недавно получили премию и ознакомились с дашбордом. Попросить их объяснить, из чего сложилась их премия, опираясь на дашборд. Можно дополнить контекстным запросом во время использования дашборда»

И критерием опровержения:

«Менее 70% опрошенных сотрудников могут четко назвать и объяснить как минимум 3 основных фактора, повлиявших на размер их премии, используя информацию с дашборда»

В общем, мы довольны.

Рекомендации

Пара рекомендаций в конце.

Итеративность с LLM: не ожидайте идеального результата с первого раза, особенно со сложными или очень сырыми входными данными. Будьте готовы уточнять, просить переформулировать или фокусироваться на определённом аспекте.

«Мусор на входе — мусор на выходе» (GIGO). Этот принцип как никогда актуален.

• Для транскрибации: чем чище аудиозапись, тем точнее будет текст.

• Для анализа: чем структурированнее и понятнее ваши исходные данные (тексты, гипотезы), тем релевантнее будет помощь ИИ.

Сохраняйте критическое мышление: ИИ — помощник, а не истина в последней инстанции. Всегда проверяйте, дорабатывайте и адаптируйте результаты его работы. Финальное слово и ответственность — за вами.

Итерация, итерация, и ещё раз итерация! Не ждите идеального результата с первой попытки, особенно на сложных задачах. ИИ — это партнёр по диалогу.

Что делать, если результат не тот: уточняйте промт, добавляйте больше контекста, просите переформулировать, разбивайте большую задачу на несколько маленьких подзадач для ИИ.

Подписывайтесь на Телеграм-канал Alfa Digital — там мы постим новости, опросы, видео с митапов, краткие выжимки из статей, иногда шутим.