Три тижні на одне дослідження — норма для більшості продуктових команд. Тиждень іде на рекрутинг і планування, ще тиждень на самі інтерв'ю, і потім ще тиждень на те, щоб перетворити сорок годин записів на щось, що можна показати команді. Причому найважча частина – не самі розмови з учасниками, а все те, що навколо них.
AI-інструменти не роблять дослідження за вас, але вони забирають саме ту рутину, яка з'їдає найбільше часу. Транскрипцію, кодування, перший драфт звіту, підготовку матеріалів. Якщо раніше дизайнер витрачав половину часу на механічну роботу, зараз цю половину можна віддати на те, що насправді важливо – на розуміння людей і формулювання правильних висновків.
У цій статті розберемо три інструменти, що реально змінюють процес UX-дослідження.
Dovetail
Dovetail – це платформа для роботи з якісними дослідницькими даними. Ви завантажуєте туди записи інтерв'ю, нотатки, відео з тестів і далі він допомагає перетворити цей масив у структуровані висновки. До появи AI-функцій він був просто зручним репозиторієм. Зараз він бере на себе кілька завдань, на які раніше йшли дні.
- Транскрипція. Завантажуєте аудіо або відео та отримуєте текст. Якість достатня для подальшої роботи, і вам не потрібно самостійно прослуховувати кожну сесію від початку до кінця.
- Автоматичні highlights. Dovetail позначає фрагменти, де учасник висловлює думку, описує проблему або демонструє реакцію. Модель помиляється, але перехоплює більшість важливих моментів, і замість того щоб шукати їх самостійно, ви переглядаєте готові пропозиції і доповнюєте те, що пропустила система.
- Кластеризація тем. Тематичне кодування – це та частина роботи, яка найбільше виснажує. Читаєш фрагмент за фрагментом і вирішуєш, до якої теми він належить, одночасно формуючи самі теми. Dovetail пропонує автоматичну кластеризацію: він знаходить схожі фрагменти і групує їх. Ви не погоджуєтесь з усім, перейменовуєте, перебудовуєте, але починаєте не з порожнього аркуша, а з готової чернетки структури.
- Підсумки і звіти. Інструмент генерує короткі підсумки по кожному учаснику і загальний синтез. Публікувати їх без редактури не варто – вони завжди потребують доповнення вашим розумінням контексту. Але як перший драфт це суттєво скорочує час написання звіту.
Головне обмеження Dovetail – він добре читає те, що сказано явно, і не бачить підтексту. Паузи, інтонація, невпевненість у голосі — все це залишається поза його можливостями. Тому виділені фрагменти і запропоновані теми завжди потребують рев'ю живою людиною.
З точки зору бюджету – це інструмент для команд із регулярним потоком досліджень. Для студії, де дослідження відбуваються постійно, підписка виправдана. Для фрілансера з одним проєктом на квартал – точно ні.
Maze
Maze вирішує конкретну проблему: як отримати кількісні дані про юзабіліті прототипу без того, щоб витрачати тиждень на координацію живих сесій.
Ви завантажуєте прототип з Figma, налаштовуєте завдання, надсилаєте посилання учасникам – вони проходять тест у зручний для себе час без модератора. Maze фіксує все: кліки, час виконання, точки виходу, помилки навігації.
Раніше після збору даних починалася ручна інтерпретація: дивишся на теплові карти і потоки кліків та намагаєшся зрозуміти, що за ними стоїть. Тепер Maze генерує попередні висновки сам: де учасники найчастіше губляться, які завдання мають низький відсоток завершення, де поведінка розходиться з очікуваною. Це не замінює вашу інтерпретацію, але дає відправний пункт для подальших висновків.
Maze також вміє генерувати питання для опитувань: описуєте ціль дослідження і отримуєте набір скринер-запитань і питань для пост-тесту.
Де Maze добре працює → це перевірка конкретних деталей навігації і юзабіліті, коли концепт вже визначений і вам потрібен швидкий зворотній зв'язок.
Де він не замінить живих сесій → дослідження мотивації, контексту і того, чому люди взагалі поводяться певним чином. Для цього потрібен живий діалог.
Ще одне практичне застереження: люди, що добровільно проходять UX-тести онлайн – це специфічна аудиторія. Для продуктів із нестандартними користувачами, наприклад людьми старшого віку або з особливими потребами, вибірка може виявитися нерепрезентативною.
ChatGPT і Claude
ChatGPT і Claude – не спеціалізовані UX-інструменти, але досвідчені дослідники знайшли для них кілька дуже конкретних застосувань, де вони реально заощаджують час.
- Підготовка матеріалів. Написання гайду для інтерв'ю з нуля займає кілька годин, особливо коли ви не є експертом у галузі клієнта. Якщо описати в промпті ціль дослідження, аудиторію і ключові гіпотези, отримаєте чернетку гайду з відкритими запитаннями, а далі редагуєте. Те саме зі скринерами, формами згоди і брифами для рекрутингу.
- Аналіз транскриптів без Dovetail. Якщо бюджет не передбачає спеціалізовані інструменти, ChatGPT і Claude справляються з базовим аналізом транскриптів: завантажуєте текст і просите виділити ключові теми, повторювані больові точки, цитати для звіту. Для великих обсягів це незручно через обмеження контекстного вікна, але для невеликих проєктів цілком працює. P.S Claude справляється з довшими текстами краще.
- Перевірка власного мислення. Перед фінальним синтезом корисно описати поточний стан дослідження і попросити вказати на сліпі зони або альтернативні інтерпретації. Це не замінює ваше мислення, але допомагає помітити те, що могли пропустити, занадто заглибившись у матеріал.
- Адаптація звіту для різних аудиторій. Дослідницький звіт і executive summary для керівництва – це зовсім різні тексти. LLM добре справляються з тим, щоб переформулювати ваші інсайти мовою бізнесу.
Симульовані користувачі
Це питання виникає дедалі частіше: чи можна описати персону в промпті і попросити модель "зіграти" роль користувача замість реальних інтерв'ю?
Теоретично привабливо – швидко, безкоштовно, можна повторювати скільки завгодно. Але на практиці це не дослідження, а симуляція того, як мовна модель уявляє поведінку описаної персони на основі навчальних даних.
Реальні люди роблять помилки через втому, говорять одне і роблять інше, реагують на контекст, якого ви не передбачили. Саме в цих "збоях" і прихований найцінніший матеріал для дослідника. Симульований користувач завжди поводитиметься раціонально і передбачувано і ніколи не скаже вам нічого справді несподіваного.
Є ситуації, де симуляція корисна: перевірити логіку запитань перед пілотом або пройтись по сценарію і знайти діри в структурі гайду. Але як заміна реального дослідження вона рано чи пізно виявиться у продукті, і не найкращим чином.
Як розподілити ці інструменти між собою
Ці три підходи вирішують різні завдання і добре поєднуються між собою.
Dovetail потрібен там, де є постійний потік якісних досліджень і головним болем є аналіз. Для команди, що проводить дослідження раз на квартал, він, мабуть, буде зайвим. Для команди, де дослідження – це регулярна практика, він змінює операційну реальність.
Maze закриває потребу в кількісній валідації прототипів без організації живих сесій. Найкраще він працює в парі з якісними дослідженнями – кількісно підтверджує те, що ви вже почали розуміти якісно.
ChatGPT і Claude – це помічники для підготовчої і комунікаційної роботи. Вони доступні всім і одразу, і в правильних руках дають реальний профіт без додаткових витрат.
З чого почати прямо зараз
Якщо ви хочете впровадити ці інструменти в роботу, не намагайтеся змінити все одразу – є логічна послідовність.
Почніть з ChatGPT або Claude для підготовки матеріалів. Напишіть із їхньою допомогою гайд для наступного інтерв'ю або скринер. Це нічого не коштує і одразу показує, де AI реально допомагає, а де краще зробити самостійно.
Якщо команда регулярно проводить дослідження і основний біль – це час на аналіз, протестуйте Dovetail на одному реальному проєкті і порівняйте, скільки годин пішло порівняно з попереднім підходом.
Maze підключайте тоді, коли вже є запит на кількісну валідацію і коли організація живих сесій забирає непропорційно багато часу. Але переконайтеся, що він доповнює якісні сесії, а не замінює їх.
Головне, що треба розуміти: ці інструменти добре автоматизують рутину, але не замінюють уміння ставити правильні запитання і розуміти людей. Цю частину роботи вони залишають вам – і це правильно.
