Плохо: «Проанализируй эти интервью и найди паттерны.» Да Хорошо:
Контекст: Я провела 15 глубинных интервью с пользователями мобильного банка, которые отказались от подписки Premium за последние 3 месяца. Транскрипты в приложенных файлах. Роль: Действуй как опытный UX-исследователь с 10-летним стажем в финтехе, специализация — тематический анализ по Braun & Clarke. Задача: Проведи тематический анализ. Пройди все 6 фаз: знакомство с данными → генерация кодов → поиск тем → ревью тем → определение тем → финальный отчёт. Формат: Для каждой темы: название, описание, количество респондентов, 2–3 прямых цитаты. В конце — таблица рейтинга тем по частоте.
Шаблоны промптов
Кодирование транскриптов
Я загружаю [число] транскриптов интервью с пользователями [продукт]. Тема исследования: [тема].
Проведи тематический анализ: 1. Прочитай все транскрипты 2. Выдели первичные коды (высказывания, привязанные к цитатам) 3. Сгруппируй коды в темы 4. Для каждой темы укажи: - Название темы - Краткое описание (1–2 предложения) - Сколько респондентов упоминали - 2–3 цитаты-примера с указанием респондента 5. Отдельно выдели неожиданные находки
Формат: структурированная таблица + текстовое резюме. Не придумывай цитаты — только из транскриптов.
Анализ отзывов / тикетов
Я загружаю [число] отзывов из [App Store / Google Play / тикеты] за [период].
Задача: 1. Кластеризуй по темам 2. Для каждого кластера: название, тональность, % от общего, топ-3 характерных отзыва 3. Выдели тренды: какие проблемы нарастают 4. Определи 3 главные боли, требующие немедленного внимания
Отдельно отметь сравнения с конкурентами.
Скринер для рекрутинга
Мне нужно провести [число] глубинных интервью на тему: [тема]. Целевая аудитория: [описание].
Составь гайд: 1. Разогрев (2–3 вопроса) 2. Основные блоки (5–7, от общего к частному) 3. Follow-up к каждому вопросу (2–3) 4. Проективные техники, если уместно 5. Закрывающий блок
Проведи конкурентный анализ [тип продукта] на рынке [рынок].
Для каждого конкурента (5–8 основных): 1. Ключевые функции 2. Ценообразование 3. Отзывы (что хвалят, на что жалуются) 4. UX-особенности 5. Обновления за 6 месяцев
В конце: таблица сравнения, GAP-анализ, 3–5 возможностей для дифференциации.
Двухэтапная валидация
Теперь переключись в режим критика. Ты — скептически настроенный старший исследователь, который проверяет работу джуниора.
Оцени анализ, который ты только что провёл: 1. Какие темы могут быть притянуты за уши? 2. Где данных недостаточно для выводов? 3. Какие альтернативные интерпретации возможны? 4. Что было упущено? 5. Какие bias могли повлиять на анализ?
Вайбкодинг исследовательских инструментов
Дашборд результатов
Создай интерактивный HTML-дашборд для визуализации результатов UX-исследования. Данные: CSV с результатами опроса (respondent_id, age_group, gender, segment, q1, q2, q3...).
Содержит: 1. Общая статистика, разбивка по сегментам 2. Гистограммы по каждому вопросу 3. Фильтры по сегменту, возрасту, полу 4. Текстовые ответы, сгруппированные по темам 5. Экспорт графиков в PNG Стиль: минималистичный, светлая тема, шрифт Inter. Одним HTML-файлом. Аналог: Dovetail ~$30/мес, кастомная разработка ~$2000. Вайбкод — бесплатно.
Калькулятор выборки
Создай интерактивный калькулятор размера выборки. Ввод (с ползунками): размер популяции, уровень доверия (90/95/99%), погрешность (1–10%), ожидаемая доля (50%).
Вывод: размер выборки + визуальное объяснение параметров. Простой UI для продакта: «почему нам нужно 200 человек, а не 20?»
Интерпретация — не знает, почему это критично для вашего продукта. Контекст — не знает про редизайн через месяц. Нюансы речи — ирония, сарказм. Приоритизация — что важнее, 7 жалоб на онбординг или 3 на оплату?
AI делает 70–80% механической работы, но 100% стратегической работы — на нас.
AI для количественного анализа
Я загружаю CSV с результатами опроса (N=500).
1. Общая статистика по каждому вопросу 2. Статистически значимые различия между сегментами A и B? (t-test / chi-square / Mann-Whitney) 3. Визуализируй ключевые различия 4. Выводы простым языком для продакт-менеджера
Если данных недостаточно — скажи прямо, не натягивай значимость.
Часть IV. Развитие
Workflow: полный цикл с AI
Пример A — Качественное discovery
Задача: понять, почему пользователи уходят после первой недели.
Этап
Инструмент
Время
Постановка вопросов
Claude
30 мин
Скринер и гайд
Claude
1 час
Рекрутинг
Great Question / CRM
1–3 дня
Интервью (12–15)
Zoom + Dovetail
2 недели
Первичный анализ
Claude + Dovetail
2 часа
Глубокий анализ
Мы + Claude
1 день
Синтез
Claude
2 часа
Интерактивный отчёт
Claude (вайбкодинг)
2 часа
Презентация
Мы
1 час
Итого: ~3 недели вместо 5–6 без AI.
Чего AI не может
Эмпатия. Он не видит, как у респондента дрожит голос. Разница между «обнаружить» и «понять» — огромна. Контекст организации. AI не знает, что наш CEO одержим метриками и что Маша уже пробовала три варианта. Этические суждения. Тёмные паттерны, данные несовершеннолетних, граница персонализации и слежки. Правильные вопросы. AI может ответить, но не может спросить «почему пользователи уходят? 20% точности. AI даёт 80–85%. Оставшиеся 15–20% часто содержат самые ценные находки.
Полезные ссылки
AI-модели и чаты
Инструмент
Ссылка
Примечание
Claude
https://claude.ai
VPN из РФ
ChatGPT
https://chatgpt.com
VPN из РФ
DeepSeek
https://chat.deepseek.com
да из РФ, бесплатно
Perplexity
https://perplexity.ai
да из РФ
GigaChat
https://giga.chat
да Российский
NotebookLM
https://notebooklm.google.com
VPN
Агрегаторы (Claude/GPT без VPN)
Сервис
Ссылка
BotHub
https://bothub.chat
AI Academy
https://aiacademy.me
OpenRouter
https://openrouter.ai
Платформы для UX-исследований
Платформа
Ссылка
Для чего
Dovetail
https://dovetail.com
Репозиторий инсайтов, AI-анализ
Maze
https://maze.co
Юзабилити-тестирование
Sprig
https://sprig.com
In-product опросы
Great Question
https://greatquestion.co
Полный цикл ресерча
BuildBetter
https://buildbetter.ai
Синтез из 100+ источников
Synthetic Users
https://syntheticusers.com
AI-интервью
Вайбкодинг и AI-агенты
Инструмент
Ссылка
Для чего
Claude Code
https://claude.ai/code
Вайбкодинг
Cursor
https://cursor.com
AI-IDE
Replit
https://replit.com
Браузерная среда
v0
https://v0.dev
React UI из описания
OpenClaw
https://openclaw.ai
Локальный AI-агент
Ollama
https://ollama.com
Локальные модели
Отчёты и исследования
Отчёт
Ссылка
Maze — Future of User Research 2026
https://maze.co/blog/future-user-research-2026
Lyssna — UX Research Trends 2026
https://lyssna.com/blog/ux-research-trends/
NN/g — State of UX in 2026
https://nngroup.com/articles/state-of-ux-2026/
Вместо заключения
AI не заменяет исследователя, AI делает исследователя сильнее. Мы можем сфокусироваться на том, что действительно важно — на понимании людей и влиянии на продукт.
1. Делегируем рутину, оставляем себе смысл. Транскрипция, кодирование — AI. Интерпретация, рекомендации — мы. 2. Доверяем, но проверяем. AI уверенно ошибается. Привычка верифицировать — профессионализм. 3. Начинаем с малого. Один шаблон промпта и одна задача. 4. Учимся формулировать. Качество AI-аутпута = качество нашего промпта. 5. Помним, зачем мы здесь. Не чтобы быть операторами AI, а чтобы помогать создавать продукты, которые нужны людям.
Удачи. И если что-то из мануала пригодилось — буду рада обратной связи)