Habr AI: LLM смогут забрать рутину в бизнес-исследованиях, но не стратегию

Большой разбор о будущем продуктовых и маркетинговых исследований сводится к простой мысли: LLM не одинаково полезны для всех типов исследовательской работы. Чем жёстче заранее задана рамка — что измерять, как спрашивать и как интерпретировать ответ, — тем проще эту работу автоматизировать.

Три уровня исследований

Автор предлагает смотреть на бизнес-исследования не как на набор отдельных методов, а как на работу с «матрицей знания» — системой различий, через которую компания описывает рынок, пользователя и продукт. На первом уровне эта матрица уже готова: исследователь просто заполняет её данными. На втором уровне рамка уточняется по ходу работы: категории меняются, сегменты пересобираются, модель поведения пользователя постепенно подгоняется под реальность.

На третьем уровне предметом анализа становится уже сама рамка — то, как компания вообще определяет ценность, проблему, лояльность или успех. Из этой логики следует главный вывод текста: вопрос не в том, «умеет ли LLM проводить исследования вообще», а в том, на каком уровне находится конкретная задача. Если бизнесу нужно измерить заранее определённые параметры, модель справится намного раньше.

Если же нужно пересмотреть сами понятия, которыми команда описывает рынок, одних текущих языковых моделей недостаточно. Именно поэтому спор о полном замещении исследователей здесь выглядит слишком грубым: разные классы задач будут автоматизироваться с разной скоростью.

Где LLM уже сильны Самый очевидный кандидат на автоматизацию — исследования первого уровня.

Здесь у компании уже есть готовые метрики, шаблоны вопросов и правила интерпретации. По сути, речь идёт не о поиске новой исследовательской логики, а о быстром исполнении формализованной процедуры. Именно поэтому автор считает, что многие такие задачи в принципе можно было автоматизировать и раньше, а LLM лишь резко снижают стоимость и порог входа.

воронки продаж, NPS, CSI и другие метрики с фиксированными правилами расчёта разовые A/B-тесты для сравнения заранее заданных вариантов ценовые исследования вроде Van Westendorp, Gabor-Granger и conjoint-подходов структурированные CustDev-интервью и юзабилити-тесты с жёстким сценарием * приоритизация фич через модели вроде Kano, MaxDiff и TURF > «LLM не создают новый класс возможностей, а лишь снимают издержки формализации». С более сложными задачами второго уровня ситуация тоньше. Здесь недостаточно просто промпта или RAG: модель должна не только обрабатывать ответы, но и постепенно уточнять сам набор различий, по которым строится анализ.

В статье среди подходящих направлений названы LoRA и Representation Engineering — методы, которые меняют веса или активации модели и тем самым позволяют корректировать её семантическое поле. Иначе говоря, автор допускает, что LLM смогут помогать в сегментации сложных аудиторий, построении моделей принятия решений и уточнении исследовательских категорий, но это уже не «чат с документами», а более глубокая настройка системы.

Где проходит предел

Главное ограничение начинается на третьем уровне, где исследование должно не наполнять и не уточнять существующую рамку, а разбирать её на части и собирать заново. Это задачи, в которых команда спрашивает не «почему падает NPS», а «что именно мы называем лояльностью и почему считаем её важной». Сюда же относятся исследования языка бренда, культурных кодов, организационных дискурсов и стратегических понятий, через которые компания вообще видит свои проблемы и возможности.

По мнению автора, текущая архитектура LLM здесь упирается в принципиальный предел. Модель может генерировать интерпретации, спорить сама с собой в multi-agent-связке и даже использовать self-reflection, но всё это остаётся работой внутри одной и той же системы различий. Такой контур способен улучшать ответ, но не превращает саму модель в объект устойчивой трансформации.

Поэтому она может поддерживать исследователя, подсказывать ходы и ускорять анализ, но не заменяет человека там, где нужно пересобрать саму исследовательскую оптику.

Что это значит

Практический вывод жёсткий: большая часть того, что сегодня называют продуктовыми и маркетинговыми исследованиями, станет автоматизируемым сервисом. Ценность людей сместится туда, где нужно не просто считать, сравнивать и кодировать ответы, а менять язык постановки проблемы, замечать скрытые рамки и соединять бизнес, культуру и стратегию в одну исследовательскую картину. Отсюда и прогноз автора: вместо жёстко разделённых ролей вроде UX-ресёрчера, CX-менеджера или маркетингового аналитика вырастет спрос на исследователей-кураторов, которые умеют управлять ансамблем AI-инструментов.