Дима из Глубины

LLM вам не помощник в анализе интервью. Часть 1

Идея отдать LLM расшифровку интервью и получить на выходе анализ с выводами — ахиреть какая заманчивая. Детальный анализ одного интервью отнимает 2–3 часа, даже в небольшом исследовании — это почти неделя сэкономленного времени. Конечно, все непрофессиональные исследователи переключились на LLM-анализ моментально. Да и профессиональные тоже пытаются, но не переходят до конца, потому что чувствуют подвох. Обычно это выглядит так: провели интервью, дали проанализировать ИИ, вроде ответы на вопросы есть, но всё плоское, не цепляющее, пустоватое. Ощущение еле уловимое, поэтому легко спутать с отсутствием инсайтов в исследовании, а если не вдумываться — и с хорошим результатом: ну нет там ничего цепляющего, всё понятно. В 99% случаев это не так.

Причина в следующем: хорошее исследование создаёт возможность посмотреть под новыми углами даже на знакомую область — оно создаёт новое знание. LLM по умолчанию смотрит на находки исследования максимально усреднённым взглядом и не ищет аномалий.

Чтобы объяснить это детальнее, нужно разобраться, что происходит в голове исследователя, когда он анализирует интервью. Это не просто чтение и выделение важного, а комплексный процесс из трёх составляющих: абдукция, рефрейминг и накопленное понимание. LLM справляется с ними очень по-разному.

Продолжение 👇

LLM вам не помощник в анализе интервью. Часть 2

Абдукция Это когда ты буквально спотыкаешься обо что-то странное и ищешь объяснение, которое сделало бы это странное логичным. Например, респондент говорит, что доволен продуктом, — но при этом уже полгода им не пользуется. Это противоречие. Хороший исследователь на нём спотыкается и думает: а что если «доволен» и «использую» для него вообще не связаны? Что если продукт для него — это как книга на полке: хорошо, что есть, но открывать необязательно? Это и есть абдукция — не вывод из данных, а способность почувствовать аномалию, дать ей наилучшее объяснение и создать новую гипотезу. ИИ умеет генерировать объяснения — если его попросить. Если прямо указать на противоречие, он его разберёт. Но он не спотыкается. Аномалии он склонен сглаживать, а не замечать: без прямого запроса они просто проходят мимо. Разница принципиальная: между «объяснить» и «заметить» — пропасть.

Рефрейминг Это когда ты понимаешь, что задавал не тот вопрос. Ты начинал с вопроса «почему люди уходят с платформы». А после десяти интервью вдруг видишь, что правильный вопрос — «что вообще удерживало их так долго, если продукт давно перестал развиваться». Это не новый ответ — это смена самого вопроса. И новая возможность для продукта. Рефрейминг — это разрыв между тем, с чем ты пришёл в исследование, и тем, с чем вышел. Именно здесь рождается стратегически ценное знание. ИИ может переформулировать вопрос, если его попросить. Но самостоятельно он работает в той рамке, которую ты задал. Он не чувствует, что рамка неправильная.

Накопленное понимание Это не операция, а феномен, который возникает из двух предыдущих — при условии, что за ними стоит живой человек. Ты читаешь восемь интервью подряд. Никто из респондентов не говорил одно и то же. Но у тебя накапливается ощущение — и в какой-то момент ты понимаешь: все они описывают один и тот же страх, просто разными словами. Этот страх нигде не назван — он проявился из структуры разговоров, из того, чего люди не говорили, из пауз, из того, как они уходили от темы. Это инсайт, который всплывает, а не вычисляется. У LLM нет этого процесса. Дело не в размере контекстного окна — современные модели спокойно вмещают двадцать и больше интервью одновременно. Дело в другом: LLM обрабатывает весь массив сразу, без временно́го измерения. Понимание у исследователя формируется постепенно, через трение с данными. Именно это трение порождает гипотезы, которые не лежат на поверхности. Ещё один момент, который часто недооценивают: исследователь работает не только с текстом. Он помнит, как респондент замолчал перед ответом. Как засмеялся не в том месте. Как трижды вернулся к одной теме, хотя его никто не просил. LLM видит только расшифровку — и анализирует её именно как текст, не больше.

Как итог ИИ отлично справляется с тем, что можно формализовать: найти повторяющиеся темы, сгруппировать цитаты, сделать краткое изложение. Это быстро и может нести пользу. Но абдукция, рефрейминг и накопленное понимание — это и есть то, за что исследования стоят своих денег. Это не техническая работа с текстом, это мышление через данные. И пока эта часть остаётся за человеком — не потому что ИИ недостаточно умный, а потому что ему нечем спотыкаться, нечем удивляться и не о чем думать в душе после восьмого интервью.

Я не отрицаю пользу ИИ и вайбкодинга, как может показаться из предыдущих постов. Я отрицаю их для себя – как для человека без интереса к технической части продукта. Если вы такой же – вы не одиноки. Не переживайте: эти ребята нас тоже будут звать в свою песочницу поиграть, как и раньше, но, может быть, не сразу.

Даже больше – я хочу, чтобы меня позвали. Если вы умеете вайбкодить или уже навайбкодили какие-то продукты – пишите, я могу помочь вам сделать из них продукты, которые будут полезны. Форматы обсудим: от консультации до партнёрства. Если вы умеете строить процессы – тоже велкам, мне нужно пару процессов для агентства. Заплачу за решение, но немного – это же вайбкодинг 😉

Заметил, что навайбкоженые сервисы появляются уже пачками. Захотел тут прикупить новые диски на авто, еще пол года назад примерять надо было самому через фотошопы или американские сервисы с ограниченным количеством оем-дисков. Ну и чатугпт можно было дать задачу. Сейчас уже пачка сервисов на базе ИИ: загружаешь фото авто и дисков, получаешь такой же результат, как в чатегпт, но за деньги. Все сделаны как под копирку, у всех одинаковые проблемы – ИИ искажает пропорции машины и дисков, регулировать размер дисков не получается. Чем-то напоминает базар 90х годов, где целыми рядами продают одинаковую херню, но там хотя бы можно было торговаться.

Открыт набор на апрельский поток курса по JTBD

Зачем идти на него в 2026? - Во-первых, понять потребности людей – это лучший способ убить ненужный продукт или улучшить нужный с минимальными затратами. - Во-вторых, разобраться в JTBD – это все еще лучший способ научиться понимать потребности людей применительно к продуктам. - В-третьих, с этими знаниями вы сможете гораздо эффективнее шпынять ИИ-агентов, которые выдумывают не рабочие описания потребностей ЦА и концепты продуктов, а также повысить шанс на успех ваших навайбкоженых сервисов.

Внутри курса: - Видео-лекции, которые помогут освоить базу подхода за 3-4 часа. - Живые онлайн-воркшопы, на которых научимся находить потребности людей, описывать их понятным для команды языком и соединять с идеями продуктов и фичей. - Консультация 1 на 1 со мной после курса, на которой можно построить мостик к использованию JTBD у себя в проектах.

👉 Старт 13 апреля, регистрация и подробности на сайте: https://jtbd.academy

Моего интереса к вайбкодингу хватило ровно на 10 дней. Для меня это оказалось петлей мазохизма. Долго мучаешься с техническими аспектами, получаешь дофамин от того, что создал что-то “рабочее”. В кавычках, потому что во-первых это рабочее никому нафиг не нужно, функция есть, продукта нет. Во-вторых, оно требует постоянных доработок, а значит петля технического мазохизма не заканчивается. Пока есть ощущение, что вайбкодинг для гиков, как инстаграм для фитоняшек: самолюбование с надеждой на куш в ближайшем будущем.

Суббота мужчины в 26 году – весь день вайбкодишь агентов, которые будут оставлять заявки на профиру по голосовому вводу, парсить отзывы о них с разных платформ и присылать лучших тебе телеграм, искать клей для плинтуса по фото, искать лампочки сразу на 5 маркетплейсах по 150 фильтрам.

Очередной раз слава прогрессу.

Вайб вайбкодинга – как в детстве, когда скачиваешь на ПК игру с торрента, а её ещё нужно как-то пропатчить, взломать, накатить русский язык. Инструкция есть, ты чётко идёшь по ней – а ничего не работает. Делаешь ещё пять раз – ничего не работает. Потом сидишь на форумах три дня и пытаешься понять, что же всё-таки, блядь, не работает. Так я, кстати, завязал с играми на ПК и перешёл на консоль. А тут есть что-то такое?

Все так бросились вайбкодить новые продукты, как будто единственное, что удерживало от создания успешного продукта, – неумение программировать.

Свой первый стартап я “потратил” в 17 лет. Тема была верная: скандинавский аукцион, расчёт на пальцах давал профит в пятьсот процентов, инвестор в виде отца и 3 тысячи долларов на разработку. Полгода ожидания – ребята сделали всё по красоте: продукт был красив и работал. Скоро пришло осознание, что я что-то не учёл. Так 17-летний я узнал, что напрограммировать продукт – не равно создать бизнес. Не то чтобы я прям не знал об этом, я просто думал, что там-сям, пара баннеров, ещё баксов 500 на рекламу – и всё заработает, надо только подтолкнуть. После этой истории я решил разобраться в том, как создавать успешные продукты, пошел в маркетинг, а потом в исследования и продакт-менеджмент. В итоге, думаю, что отец все-таки сэкономил на моем образовании, тк дальше я учился уже "на свои".

Что сказать, хорошо, что прогресс дает возможность такому количеству людей проходить это всё за пару дней (плюс пол года на изучение вайбкодинга) и сохранить пару тысяч долларов (которые можно теперь потратить на курсы по вайбкодингу). Главное, что до этого же не было других способов 😉

ИИ дизрапшн рисёрча

Я всё чаще слышу, как здорово, что ИИ дизраптит рынок ресёрча: скоро будем проводить интервью с синтетическими информантами за 5 минут, кардинально срежем косты и сроки. Но не надо путать дизрапшн – когда мы получаем кардинально более дешёвый результат без потери качества – с технологическим расслоением, когда мы жертвуем качеством, так как больше не можем себе позволить подорожавшую технологию.

Сейчас мы имеем именно второе: ресёрч без ИИ и рекрут реальных респондентов дорожают и становятся менее доступными для небольших компаний. Условный кастдев на 20 человек – это сейчас супердорого для среднего стартапера (про некоторые причины писал ранее). Поэтому они начинают ресёрчить с использованием ИИ, получают плохие, по меркам профессионального ресёрча, результаты, которые им кажутся меньшим злом, чем совсем ничего. Богатые же компании тем временем нанимают больше исследователей на большие зарплаты и платят за подорожавшие услуги агентств, потому что могут себе позволить платить за качество.

То есть ИИ-ресёрч – это как дать пешеходам, которые больше не могут себе позволить обслуживать автомобили, велосипед, пока богатые продолжают ездить на автомобилях. Получит ли этот автомобиль более дешёвую версию? Поживём – увидим. Главное – не обманывать себя и помнить, на чём в действительности ты передвигаешься и какой результат получаешь.

Коллеги, наконец я понял, для чего нам ЧатГПТ.

Из года в год поиск респондентов становится сложнее и дороже. А гроусхакинги и запуски пятисот миллиардов несуществующих фичей этому процессу тоже способствуют. Недавно услышал, как коллеги восхищались, что теперь с ИИ вообще можно гипотезу продукта придумать, сделать лендос и запустить за несколько часов.

Это все клево, но есть предположение, что такими темпами мы сначала захерачим свою базу, а потом весь рынок и возможность вообще что-то исследовать с реальными людьми.

С другой стороны, это же идеальная система: ИИ сам придумал продукт, сам протестировал его с синтетическими респондентами, потом продал… а, нет, не продал. Короче, схема требует доработки 🙄

Работать талисманом

Я как-то проходил замечательный курс Александра Сорокоумова про менторство, и там была прикольная фича – участники не рассказывали про себя первые несколько занятий, но активно взаимодействовали друг с другом. В один момент мы должны были выдвинуть свои гипотезы о том, чем занимаются другие, и на какую бы работу ты бы нанял их.

Про меня сказали, что я очень загадочный маг-дизайнер и со мной просто приятнее быть в команде, типа, взяли бы меня работать талисманом. Последняя часть меня как-то даже расстроила, но, со временем, я понял, что это лучшее качество для человека помогающей профессии, особенно в эпоху ИИ. Мб только за это мне и будут платить, когда все остальное уже научится делать ИИ? Или талисманом он тоже научиться быть? 🤔

Кстати, про бесшовное внедрение фичей, на днях Ноушн вообще отжег – запускаю звонок в Зуме, а Ноушн предлагает сделать расшифровку и уже даже создал для этого страничку. Как это технически реализовано, поясните плз?

Иметь контакты пользователей или быть с ними в контакте?

Видел ни раз, когда у компании есть лям пользователей и команда потирает руки – ща наделаем продуктов и будем им продавать. Идем касдевить, крутить-вертеть идеи, пилить, релизить. А потом оказывается, что нет рабочих каналов коммуникации. Рассылка, пуши, баннеры в личных кабинетах – не конверсия, а кошкины слезки. Тут становится понятно, что иметь контакты пользователей и быть с ними в контакте – разные вещи.

Ну мы сами виноваты. Помните, как в расцвет диджитал-рекламы бренды заводили паблики во всех соцсетях и гордо называли это “сообщество”? “Поделись своим мнением...”, “ставь лайк, если…”? На стороне бренда 19-летний сммщик. Продукт в руках не держал, пользователей в глаза не видел, но фигачит контент-планы, энгейджмент рейты считает. Мы им фейковый интерес – они нам фейковые метрики в виде лайков. В итоге, отношения с продуктом стали максимально прагматичными: мы им закрываем работу, они нам платят деньги.

Что с этим делать? Очевидно, что стратегия Вичата / Яндекса, когда насильно суем под нос новые продукты, а потом постепенно прорастаем, рабочая, но токсичная. Понимаю, но слегка осуждаю. Деньги зарабатываются, но без любви и “только без поцелуев”.

Альтернатива – наш с вами любимый jtbd и стратегия закрытия соседних работ. Когда компания понимает цепочку реальных работ – от основной, ради которой он пришёл, до соседних, которые возникают в процессе или до/после выполнения основной. Так делают, например, Notion, которые встраивают новые фичи в точки контактов, где они приносят пользу. Как Notion AI, который встроен в поле редактирования: ты уже пишешь текст, и видишь кнопку Ask AI рядом с курсором. Это медленный способ, без захвата всех экранов и push-штормов, но зато каждый контакт уместен и даже может радовать. И радовать не только своей редкостью :)

Ребята, еще можете успеть на июльский поток курса про JTBD. Напомню, что не смотря на всякие чатыгпт, это все еще лучший способ разобраться в теме и прокачать свое понимание потребностей пользователей 🙂

Коллеги, чем будете заниматься после того, как ИИ заменит вас в профессии? Есть план Б? Я займусь детейлингом автомобилей 🌚