Давайте делать крутые проекты вместе с K-Team HRM
Оставьте заявку на демонстрацию и мы свяжемся с вами в ближайшее время
Как я использовал AI для HR-исследования и почему без него теперь сложно работать
Рассказываем, как передать рутину AI и где он может ошибиться
Время чтения:
22 минуты
22 минуты
Последние пару лет HR непрерывно ускоряется – бизнес-приоритеты меняются, команды пересобираются, бюджеты становятся осторожнее, а запрос со стороны руководства, наоборот, жестче. Все чаще от HR ждут не просто инициатив, а четких объяснений – почему нужно предпринять именно это и именно сейчас и какой результат в итоге получит компания.
Интуиция у HR есть. Опыт и насмотренность тоже. Но этого уже недостаточно. Потому что компания – это не один человек и не один успешный кейс. То, что работало год назад или в другой организации, сегодня может не сработать вовсе.
В какой-то момент становится понятно: дальше без исследования двигаться нельзя. Не формального или «мы поговорили внутри команды». А нормального – с логикой, гипотезами, интервью, цифрами и выводами, за которые не стыдно отвечать перед стейкхолдерами.
Но тут возникают сложности. Исследование – это всегда про огромный объем ручной работы. Формулировки, вопросы, интервью, расшифровки, попытка удержать в голове десятки разговоров и при этом не потерять нюансы. Все это обычно происходит параллельно с основной работой, встречами и вечными «срочно посмотри».
На практике у многих этот процесс выглядит одинаково. Днем – операционка. Вечером – интервью. Потом расшифровки, заметки, мысли, которые крутятся в голове. И постоянное ощущение, что ты тонешь в текстах и уже не уверен, где данные, а где – собственные интерпретации.
Именно в такой момент у меня впервые возник вопрос: «А можно ли пройти этот путь иначе?» Быстрее не за счет упрощения, а благодаря избавлению от рутины. Идеальный план – делегировать не когнитивные функции, а черновую работу.
Так в одном из исследований у меня и появился искусственный интеллект. Не как замена человека, а как рабочий инструмент, который помогает удерживать фокус на главном – смыслах, логике и интерпретации данных.
Интуиция у HR есть. Опыт и насмотренность тоже. Но этого уже недостаточно. Потому что компания – это не один человек и не один успешный кейс. То, что работало год назад или в другой организации, сегодня может не сработать вовсе.
В какой-то момент становится понятно: дальше без исследования двигаться нельзя. Не формального или «мы поговорили внутри команды». А нормального – с логикой, гипотезами, интервью, цифрами и выводами, за которые не стыдно отвечать перед стейкхолдерами.
Но тут возникают сложности. Исследование – это всегда про огромный объем ручной работы. Формулировки, вопросы, интервью, расшифровки, попытка удержать в голове десятки разговоров и при этом не потерять нюансы. Все это обычно происходит параллельно с основной работой, встречами и вечными «срочно посмотри».
На практике у многих этот процесс выглядит одинаково. Днем – операционка. Вечером – интервью. Потом расшифровки, заметки, мысли, которые крутятся в голове. И постоянное ощущение, что ты тонешь в текстах и уже не уверен, где данные, а где – собственные интерпретации.
Именно в такой момент у меня впервые возник вопрос: «А можно ли пройти этот путь иначе?» Быстрее не за счет упрощения, а благодаря избавлению от рутины. Идеальный план – делегировать не когнитивные функции, а черновую работу.
Так в одном из исследований у меня и появился искусственный интеллект. Не как замена человека, а как рабочий инструмент, который помогает удерживать фокус на главном – смыслах, логике и интерпретации данных.
Содержание:
1) Почему именно ChatGPT, а не другие нейросети?
2) Какие бывают исследования и почему последовательность важнее инструментов
3) С чего начинается исследование: тема, цели и вопросы – и почему здесь легко ошибиться
4) Проекты в ChatGPT: как удержать логику исследования и не потерять контекст
5) Подготовка гайда глубинного интервью и почему хорошие вопросы – это половина результата
6) Приглашение респондентов: почему использовать AI – нормально
7) Запись, транскрибация и анонимизация
8) Анализ интервью: как использовать AI и не получить красивую чушь
9) Сводный анализ: как найти закономерности и не утонуть в выводах
10) Как превратить инсайты в опрос
11) Анализ результатов опроса и сбор финального отчета
12) Лайфхаки и честные выводы
1) Почему именно ChatGPT, а не другие нейросети?
2) Какие бывают исследования и почему последовательность важнее инструментов
3) С чего начинается исследование: тема, цели и вопросы – и почему здесь легко ошибиться
4) Проекты в ChatGPT: как удержать логику исследования и не потерять контекст
5) Подготовка гайда глубинного интервью и почему хорошие вопросы – это половина результата
6) Приглашение респондентов: почему использовать AI – нормально
7) Запись, транскрибация и анонимизация
8) Анализ интервью: как использовать AI и не получить красивую чушь
9) Сводный анализ: как найти закономерности и не утонуть в выводах
10) Как превратить инсайты в опрос
11) Анализ результатов опроса и сбор финального отчета
12) Лайфхаки и честные выводы
Почему именно ChatGPT, а не другие нейросети?
1
За последний год я попробовал разные генеративные AI-инструменты: DeepSeek, Claude, Qwen, Gemini, Perplexity. У каждого есть свои сильные стороны, и я не считаю, что существует одна «правильная» нейросеть для всех задач.
Лично я выбрал ChatGPT не по идеологическим причинам. Не сравнивал таблицы, не устраивал соревнования моделей. Просто в задачах, которые были для меня критичны именно в исследовании, он показал наиболее стабильный результат.
Было важно, чтобы инструмент умел работать с длинными документами и не терял контекст. Я хотел возвращаться к материалам через неделю и продолжать работу в той же логике. А еще – адаптировать материалы под мой стиль, а не получать обезличенные аналитические отчеты, от которых веет консалтингом десятилетней давности.
ChatGPT справился с этими задачами лучше всего. Не идеально, но предсказуемо. Я понимал, где он может ошибиться, где начнет сглаживать углы и потребуется ручная проверка. И именно предсказуемость, как оказалось, и позволяет выстроить процесс.
Важно и другое. Цель этой статьи – не рассказать, какой AI лучше и не убедить использовать именно ChatGPT. Вы можете работать с тем инструментом, который вам ближе и который вписывается в ограничения вашей компании по безопасности и инфраструктуре.
Я делюсь не универсальными правилами для выбора платформы, а опытом. У меня получилось выстроить рабочий процесс именно так, и этим я решил поделиться, чтобы показать общую логику применения AI в HR-исследовании – где он реально помогает, а где его нужно вовремя останавливать.
Лично я выбрал ChatGPT не по идеологическим причинам. Не сравнивал таблицы, не устраивал соревнования моделей. Просто в задачах, которые были для меня критичны именно в исследовании, он показал наиболее стабильный результат.
Было важно, чтобы инструмент умел работать с длинными документами и не терял контекст. Я хотел возвращаться к материалам через неделю и продолжать работу в той же логике. А еще – адаптировать материалы под мой стиль, а не получать обезличенные аналитические отчеты, от которых веет консалтингом десятилетней давности.
ChatGPT справился с этими задачами лучше всего. Не идеально, но предсказуемо. Я понимал, где он может ошибиться, где начнет сглаживать углы и потребуется ручная проверка. И именно предсказуемость, как оказалось, и позволяет выстроить процесс.
Важно и другое. Цель этой статьи – не рассказать, какой AI лучше и не убедить использовать именно ChatGPT. Вы можете работать с тем инструментом, который вам ближе и который вписывается в ограничения вашей компании по безопасности и инфраструктуре.
Я делюсь не универсальными правилами для выбора платформы, а опытом. У меня получилось выстроить рабочий процесс именно так, и этим я решил поделиться, чтобы показать общую логику применения AI в HR-исследовании – где он реально помогает, а где его нужно вовремя останавливать.
Какие бывают исследования и почему последовательность важнее инструментов
2
Прежде чем подключать AI, важно проговорить главное правило – он не меняет логику исследования, но может ускорять работу, помогать с объемом и текстами. Если сама последовательность выбрана неправильно – AI не спасет.
В HR-практике обычно используются 3 типа исследований:
В HR-практике обычно используются 3 типа исследований:
Первое – кабинетное – работа с существующей аналитикой, отчетами, статьями, исследованиями рынка. Его задача – очертить поле возможных тем и трендов, которые обсуждают, и подсветить, где появляются противоречия. Для этой части я использовал Perplexity – он хорошо работает с источниками и помогает собрать контекст.
Но кабинетное исследование не отвечает на вопрос «Почему?». Оно показывает то, что принято говорить публично. Поэтому следующим этапом становится качественное исследование – глубинные интервью. В рамках этого этапа я провожу 20-30 интервью. Средняя продолжительность – около часа. Основными респондентами в данном исследовании были HRD и HRBP.
Глубинное интервью – это не анкетирование голосом, а разговор. Иногда неудобный, противоречивый. Именно в таких беседах появляются реальные причины решений, а не аккуратные формулировки.
Цель качественного этапа – не собрать разные мнения, а найти повторяемость. Если после десяти интервью у вас десять совершенно разных картин мира – это не «рынок сложный». Чаще всего такая ситуация показывает, что вы пока просто не докопались до сути.
Гайд интервью в процессе неизбежно меняется. Какие-то гипотезы не подтверждаются. Какие-то, наоборот, начинают звучать снова и снова. Это нормальный, живой процесс.
Но у качественного исследования есть ограничение. Оно не дает понимания масштаба. Вы понимаете, какие смыслы существуют, но не знаете, насколько они массовые.
Поэтому следующим этапом становится количественное исследование – опрос. Его задача – проверить гипотезы, полученные в интервью.
Но кабинетное исследование не отвечает на вопрос «Почему?». Оно показывает то, что принято говорить публично. Поэтому следующим этапом становится качественное исследование – глубинные интервью. В рамках этого этапа я провожу 20-30 интервью. Средняя продолжительность – около часа. Основными респондентами в данном исследовании были HRD и HRBP.
Глубинное интервью – это не анкетирование голосом, а разговор. Иногда неудобный, противоречивый. Именно в таких беседах появляются реальные причины решений, а не аккуратные формулировки.
Цель качественного этапа – не собрать разные мнения, а найти повторяемость. Если после десяти интервью у вас десять совершенно разных картин мира – это не «рынок сложный». Чаще всего такая ситуация показывает, что вы пока просто не докопались до сути.
Гайд интервью в процессе неизбежно меняется. Какие-то гипотезы не подтверждаются. Какие-то, наоборот, начинают звучать снова и снова. Это нормальный, живой процесс.
Но у качественного исследования есть ограничение. Оно не дает понимания масштаба. Вы понимаете, какие смыслы существуют, но не знаете, насколько они массовые.
Поэтому следующим этапом становится количественное исследование – опрос. Его задача – проверить гипотезы, полученные в интервью.
С чего начинается исследование: тема, цели и вопросы – и почему здесь легко ошибиться
3
Любое исследование начинается с формулировок. И именно здесь чаще всего все ломается. Фразы вроде «HR-приоритеты на следующий год» звучат правильно, но, по сути, не означают ничего. Они не отвечают на вопрос, что именно мы хотим узнать и зачем.
Моя задача в этот раз была прикладной – понять, какие HR-задачи реально были в фокусе компаний в 2025 году, на что тратились бюджеты и что меняется в 2026-м. Меняются ли приоритеты по сути или просто переименовываются старые инициативы.
ChatGPT я использовал не для того, чтобы он придумал исследование за меня. Без контекста AI выдает аккуратные, но слишком универсальные формулировки, которые красиво выглядят в презентации и плохо работают в реальности.
Я использовал его как инструмент прояснения мысли. Сначала описывал задачу максимально простым языком, почти разговорно. Так, как объяснил бы коллеге. После этого смотрел на результат и понимал, какие задачи или вопросы требуют корректировки.
Чтобы сделать промпт точнее, я использовал сервис PromptCraft. Он задает уточняющие вопросы, а затем генерирует промпт. И именно в этот момент становится видно, где у тебя самого пока нет ясности.
Моя задача в этот раз была прикладной – понять, какие HR-задачи реально были в фокусе компаний в 2025 году, на что тратились бюджеты и что меняется в 2026-м. Меняются ли приоритеты по сути или просто переименовываются старые инициативы.
ChatGPT я использовал не для того, чтобы он придумал исследование за меня. Без контекста AI выдает аккуратные, но слишком универсальные формулировки, которые красиво выглядят в презентации и плохо работают в реальности.
Я использовал его как инструмент прояснения мысли. Сначала описывал задачу максимально простым языком, почти разговорно. Так, как объяснил бы коллеге. После этого смотрел на результат и понимал, какие задачи или вопросы требуют корректировки.
Чтобы сделать промпт точнее, я использовал сервис PromptCraft. Он задает уточняющие вопросы, а затем генерирует промпт. И именно в этот момент становится видно, где у тебя самого пока нет ясности.
Дальше улучшенный промпт я переносил в ChatGPT и получил черновую версию темы исследования, его целей и исследовательских вопросов. Ключевое слово здесь – черновую.
Результат я всегда правил вручную. Убирал абстрактные формулировки. Жестко разводил 2025 и 2026 год, потому что AI постоянно стремится их склеить. Мне было важно, чтобы прошлое, настоящее и планы не смешивались в одну картину.
Когда финальные формулировки меня устраивали, я обязательно загружал их обратно в ChatGPT и прямо фиксировал: дальше работаем только с этой версией. Это критичный момент. Если этого не сделать, в одном документе у вас будет одна версия целей, а в следующих – уже другая, и противоречия начнут накапливаться незаметно.
На этом этапе я окончательно зафиксировал тему, цели и ключевые исследовательские вопросы. И только после этого стало возможным двигаться дальше. Потому что, если этого не сделать, дальше AI будет помогать вам очень быстро идти. Но, к сожалению, не туда.
Результат я всегда правил вручную. Убирал абстрактные формулировки. Жестко разводил 2025 и 2026 год, потому что AI постоянно стремится их склеить. Мне было важно, чтобы прошлое, настоящее и планы не смешивались в одну картину.
Когда финальные формулировки меня устраивали, я обязательно загружал их обратно в ChatGPT и прямо фиксировал: дальше работаем только с этой версией. Это критичный момент. Если этого не сделать, в одном документе у вас будет одна версия целей, а в следующих – уже другая, и противоречия начнут накапливаться незаметно.
На этом этапе я окончательно зафиксировал тему, цели и ключевые исследовательские вопросы. И только после этого стало возможным двигаться дальше. Потому что, если этого не сделать, дальше AI будет помогать вам очень быстро идти. Но, к сожалению, не туда.
Проекты в ChatGPT: как удержать логику исследования и не потерять контекст
4
К моменту начала этого исследования я уже довольно активно работал с ChatGPT. Особенность работы с отдельными чатами заключается в том, что каждый новый диалог обнуляет контекст. Ты снова объясняешь цели исследования,
проговариваешь различия между 2025 и 2026 годом, уточняешь аудиторию, стиль и ограничения. На коротких задачах – терпимо. На дальней дистанции – нет.
Исследование – это десятки интервью, возвраты к материалам, постоянная сверка выводов. И если контекст не зафиксирован, логика начинает расползаться уже после нескольких шагов. Поэтому с самого начала я работал внутри отдельного проекта в ChatGPT.
Проект – это не просто удобство интерфейса, а единое рабочее пространство, где хранятся все инструкции, документы и логика анализа. Ты один раз задаешь рамку, а дальше продолжаешь работу, не начиная ее каждый раз с нуля.
проговариваешь различия между 2025 и 2026 годом, уточняешь аудиторию, стиль и ограничения. На коротких задачах – терпимо. На дальней дистанции – нет.
Исследование – это десятки интервью, возвраты к материалам, постоянная сверка выводов. И если контекст не зафиксирован, логика начинает расползаться уже после нескольких шагов. Поэтому с самого начала я работал внутри отдельного проекта в ChatGPT.
Проект – это не просто удобство интерфейса, а единое рабочее пространство, где хранятся все инструкции, документы и логика анализа. Ты один раз задаешь рамку, а дальше продолжаешь работу, не начиная ее каждый раз с нуля.
Отдельным блоком я задал правила работы. Не додумывать за респондента. Делать выводы только на основе текста интервью. При недостатке данных прямо указывать на неопределенность, а не заполнять ее аккуратными формулировками.
Проект стал точкой сборки всего исследования. Все транскрибации, анализы и отчеты хранились в одном пространстве, что сильно снижало когнитивную нагрузку и позволяло держать единую логику.
Проект стал точкой сборки всего исследования. Все транскрибации, анализы и отчеты хранились в одном пространстве, что сильно снижало когнитивную нагрузку и позволяло держать единую логику.
Подготовка гайда глубинного интервью и почему хорошие вопросы – это половина результата
5
Хороший гайд глубинного интервью – это не просто список вопросов, а продуманная логика разговора.
Я не просил ChatGPT «сделать вопросы для интервью». AI помогал генерировать черновые версии, варианты формулировок, перестраивать блоки. Но каждый гайд я переписывал вручную. Убирал вопросы, на которые легко ответить общими словами. Добавлял уточнения, которые возвращают собеседника к реальным ситуациям.
По ходу интервью гайд неизбежно менялся. Если гипотеза не повторялась, я переставал ее активно проверять. Напротив, если появлялся устойчивый мотив, усиливал этот блок и проверял его на следующих респондентах.
Это нормальный процесс. Гайд глубинного интервью не должен быть высечен в камне. Он живет и меняется вместе с исследованием.
Именно здесь AI сильно ускорял работу - помогал быстро переформулировать вопросы, находить альтернативные варианты, перестраивать структуру. Но ключевые решения (что спрашивать и зачем) всегда оставались за мной.
Когда гайд был обкатан на первых интервью, можно было переходить дальше – к приглашению респондентов. И именно на этом этапе у многих возникает внутреннее сопротивление – зачем это тоже делать с помощью AI?
Я не просил ChatGPT «сделать вопросы для интервью». AI помогал генерировать черновые версии, варианты формулировок, перестраивать блоки. Но каждый гайд я переписывал вручную. Убирал вопросы, на которые легко ответить общими словами. Добавлял уточнения, которые возвращают собеседника к реальным ситуациям.
По ходу интервью гайд неизбежно менялся. Если гипотеза не повторялась, я переставал ее активно проверять. Напротив, если появлялся устойчивый мотив, усиливал этот блок и проверял его на следующих респондентах.
Это нормальный процесс. Гайд глубинного интервью не должен быть высечен в камне. Он живет и меняется вместе с исследованием.
Именно здесь AI сильно ускорял работу - помогал быстро переформулировать вопросы, находить альтернативные варианты, перестраивать структуру. Но ключевые решения (что спрашивать и зачем) всегда оставались за мной.
Когда гайд был обкатан на первых интервью, можно было переходить дальше – к приглашению респондентов. И именно на этом этапе у многих возникает внутреннее сопротивление – зачем это тоже делать с помощью AI?
Приглашение респондентов: почему использовать AI – нормально
6
Предвосхищаю реакцию некоторых. Мол, ну уж текст письма-то я точно сам напишу. Это же про людей, уважение, живое общение. Как вообще можно отдавать такое нейросети. Кажется, что, если ты используешь AI даже здесь, значит ты уже перестал думать и писать сам.
Важно разделять смысл и форму. Смысл приглашения – ваша ответственность. Форма – черновик текста. И вот именно эту часть вполне можно делегировать.
Я использовал ChatGPT не для того, чтобы он «написал письмо за меня», а чтобы быстро получить несколько вариантов формулировок. Это сильно экономит время, особенно когда нужно написать не одно сообщение, а десятки.
В промпте я всегда указывал контекст исследования, роль респондента и формат разговора. Просил нейтральный, спокойный тон, но персонализировано с учетом информации о собеседнике. В письмах или личных сообщений в мессенджерах особенно легко либо звучать слишком сухо, либо наоборот – навязчиво. AI помогал найти баланс, а дальше я адаптировал текст под конкретного человека и контекст знакомства.
Полученный текст я обязательно перечитывал и редактировал. Где-то упрощал формулировки. Где-то делал сообщение теплее или добавлял личное обращение. В итоге от AI оставалась структура, а финальное звучание все равно было моим.
Важно разделять смысл и форму. Смысл приглашения – ваша ответственность. Форма – черновик текста. И вот именно эту часть вполне можно делегировать.
Я использовал ChatGPT не для того, чтобы он «написал письмо за меня», а чтобы быстро получить несколько вариантов формулировок. Это сильно экономит время, особенно когда нужно написать не одно сообщение, а десятки.
В промпте я всегда указывал контекст исследования, роль респондента и формат разговора. Просил нейтральный, спокойный тон, но персонализировано с учетом информации о собеседнике. В письмах или личных сообщений в мессенджерах особенно легко либо звучать слишком сухо, либо наоборот – навязчиво. AI помогал найти баланс, а дальше я адаптировал текст под конкретного человека и контекст знакомства.
Полученный текст я обязательно перечитывал и редактировал. Где-то упрощал формулировки. Где-то делал сообщение теплее или добавлял личное обращение. В итоге от AI оставалась структура, а финальное звучание все равно было моим.
Запись, транскрибация и анонимизация
7
Во время разговора невозможно одновременно качественно слушать и фиксировать мысли. Начинаешь писать – теряется контакт с человеком. Полностью уходишь в диалог – после встречи остаются лишь отрывочные заметки и общее впечатление. А память, как правило, очень избирательна. Поэтому для меня было принципиально важно сохранять именно аудиозапись интервью.
Я записывал разговоры самым простым способом – на диктофон смартфона. Без специальных приложений и сложных сервисов. Здесь важен не инструмент, а стабильное качество звука и возможность спокойно вернуться к деталям разговора.
Перед началом интервью я всегда предупреждал респондента о записи и объяснял, зачем она нужна. Аудио используется только для анализа, никуда не передается и не выходит за рамки исследования. Этот момент напрямую влияет на уровень доверия и откровенности в разговоре.
Важный момент – без текстовой расшифровки невозможно сделать качественный анализ. Мы запоминаем яркие фразы, но теряем ход рассуждений. Начинаем интерпретировать ответы через собственный опыт, сами того не замечая.
В Корусе для транскрибации используется собственное локальное решение. Оно работает внутри корпоративного контура, поэтому аудиофайлы и расшифровки не передаются вовне – так мы соблюдаем требования безопасности и гарантируем конфиденциальность данных.
Я записывал разговоры самым простым способом – на диктофон смартфона. Без специальных приложений и сложных сервисов. Здесь важен не инструмент, а стабильное качество звука и возможность спокойно вернуться к деталям разговора.
Перед началом интервью я всегда предупреждал респондента о записи и объяснял, зачем она нужна. Аудио используется только для анализа, никуда не передается и не выходит за рамки исследования. Этот момент напрямую влияет на уровень доверия и откровенности в разговоре.
Важный момент – без текстовой расшифровки невозможно сделать качественный анализ. Мы запоминаем яркие фразы, но теряем ход рассуждений. Начинаем интерпретировать ответы через собственный опыт, сами того не замечая.
В Корусе для транскрибации используется собственное локальное решение. Оно работает внутри корпоративного контура, поэтому аудиофайлы и расшифровки не передаются вовне – так мы соблюдаем требования безопасности и гарантируем конфиденциальность данных.
Понимаю, что не в каждой компании есть подобные инструменты. В таком случае можно использовать облачные сервисы транскрибации, которым вы доверяете, либо обратиться к нам – мы разворачиваем аналогичные локальные решения для клиентов. Здесь важен принцип, а не конкретная платформа.
После расшифровки обязательно проводится анонимизация. Удаляются имена, названия компаний, уникальные детали, по которым можно распознать человека. Это не формальность и не бюрократия, а вопрос доверия, этики и безопасности.
Только после всех процедур текст становится рабочим материалом для анализа.
После расшифровки обязательно проводится анонимизация. Удаляются имена, названия компаний, уникальные детали, по которым можно распознать человека. Это не формальность и не бюрократия, а вопрос доверия, этики и безопасности.
Только после всех процедур текст становится рабочим материалом для анализа.
Анализ интервью: как использовать AI и не получить красивую чушь
8
Каждое интервью я анализировал по единому шаблону. В проекте ChatGPT заранее задал структуру анализа. Краткое описание респондента и его текущей ситуации – строго обезличенное. Далее – ответы по ключевым блокам интервью. Затем – выводы и инсайты в привязке к целям исследования. И в конце – гипотезы, которые стоит проверить количественно.
Каждую новую транскрибацию я загружал в проект и просил провести анализ строго по заданному шаблону. Но именно на этом этапе я впервые столкнулся с реальным риском работы с AI. Он начинает звучать слишком уверенно.
Иногда AI интерпретировал слова респондента шире, чем тот имел в виду. Или добавлял выводы, которых человек напрямую не говорил, но которые «логично звучали». Особенно опасно это проявлялось в рекомендациях и оценках будущих действий.
Один из самых показательных фейлов случился, когда я попросил AI сформулировать рекомендации для респондентов на 2026 год на основе их ответов. Текст выглядел солидно, структурно, очень «консалтингово». И при этом это была полная чушь.
AI не понимал бизнес-контекста компании, ограничений, внутренней политики, реальных причин решений. Он просто красиво связал слова в логичную конструкцию. Получился хороший пример того, как легко можно получить убедительный, но абсолютно бесполезный результат.
После этого я жестко ограничил его роль. Он может помогать структурировать информацию, находить повторяемость, формулировать гипотезы. Но не давать рекомендации.
Каждый анализ я обязательно проверял вручную. Лучше всего – сразу после интервью, пока разговор еще свеж в памяти. При сомнениях точечно сверял выводы с текстом расшифровки, особенно в местах, где AI мог «додумать».
Да, это требует времени. Но именно здесь формируется доверие к данным. При этом пользу AI на этом этапе сложно переоценить. Он помогает увидеть повторяющиеся формулировки, схожие аргументы, одинаковые страхи и ограничения, которые легко пропустить в нескончаемом потоке текста.
Каждую новую транскрибацию я загружал в проект и просил провести анализ строго по заданному шаблону. Но именно на этом этапе я впервые столкнулся с реальным риском работы с AI. Он начинает звучать слишком уверенно.
Иногда AI интерпретировал слова респондента шире, чем тот имел в виду. Или добавлял выводы, которых человек напрямую не говорил, но которые «логично звучали». Особенно опасно это проявлялось в рекомендациях и оценках будущих действий.
Один из самых показательных фейлов случился, когда я попросил AI сформулировать рекомендации для респондентов на 2026 год на основе их ответов. Текст выглядел солидно, структурно, очень «консалтингово». И при этом это была полная чушь.
AI не понимал бизнес-контекста компании, ограничений, внутренней политики, реальных причин решений. Он просто красиво связал слова в логичную конструкцию. Получился хороший пример того, как легко можно получить убедительный, но абсолютно бесполезный результат.
После этого я жестко ограничил его роль. Он может помогать структурировать информацию, находить повторяемость, формулировать гипотезы. Но не давать рекомендации.
Каждый анализ я обязательно проверял вручную. Лучше всего – сразу после интервью, пока разговор еще свеж в памяти. При сомнениях точечно сверял выводы с текстом расшифровки, особенно в местах, где AI мог «додумать».
Да, это требует времени. Но именно здесь формируется доверие к данным. При этом пользу AI на этом этапе сложно переоценить. Он помогает увидеть повторяющиеся формулировки, схожие аргументы, одинаковые страхи и ограничения, которые легко пропустить в нескончаемом потоке текста.
Сводный анализ: как найти закономерности и не утонуть в выводах
9
Для сводного анализа я создал отдельный проект и работал уже не с транскриптами, а со структурированными анализами интервью.
В новом проекте я снова зафиксировал рамку. Напомнил цели исследования. Указал задачу – найти повторяемые паттерны, устойчивые противоречия, различия в подходах и потенциальные гипотезы для проверки количественным этапом.
В новом проекте я снова зафиксировал рамку. Напомнил цели исследования. Указал задачу – найти повторяемые паттерны, устойчивые противоречия, различия в подходах и потенциальные гипотезы для проверки количественным этапом.
После этого загрузил документы с анализами интервью и попросил подготовить сводный отчет. Но здесь есть важный момент, который повышает качество результат – я никогда не прошу AI сгенерировать отчет целиком.
Если сделать это одним запросом, вы почти гарантированно получите аккуратный, но поверхностный документ. Поэтому я просил отдавать результат частями. Ключевые закономерности, расхождения во взглядах, повторяющиеся страхи и ограничения, гипотезы, которые стоит проверить дальше – все отдельно друг от друга.
Каждый блок внимательно перечитывал и правил. Где-то уточнял формулировки или возвращался к исходным анализам интервью, чтобы убедиться, что вывод действительно опирается на данные, а не на «логичное предположение».
Этот этап невозможно полностью автоматизировать. И, пожалуй, это нормально. Потому что именно здесь исследование перестает быть набором текстов и становится аналитикой.
В итоге у меня появился качественный сводный отчет. Не финальный, но достаточно четкий, чтобы понимать, какие гипотезы действительно имеет смысл выносить на количественную проверку.
А дальше логика снова меняется. Теперь нужно не искать смыслы, а подтвердить их цифрами.
Если сделать это одним запросом, вы почти гарантированно получите аккуратный, но поверхностный документ. Поэтому я просил отдавать результат частями. Ключевые закономерности, расхождения во взглядах, повторяющиеся страхи и ограничения, гипотезы, которые стоит проверить дальше – все отдельно друг от друга.
Каждый блок внимательно перечитывал и правил. Где-то уточнял формулировки или возвращался к исходным анализам интервью, чтобы убедиться, что вывод действительно опирается на данные, а не на «логичное предположение».
Этот этап невозможно полностью автоматизировать. И, пожалуй, это нормально. Потому что именно здесь исследование перестает быть набором текстов и становится аналитикой.
В итоге у меня появился качественный сводный отчет. Не финальный, но достаточно четкий, чтобы понимать, какие гипотезы действительно имеет смысл выносить на количественную проверку.
А дальше логика снова меняется. Теперь нужно не искать смыслы, а подтвердить их цифрами.
Как превратить инсайты в опрос
10
Переход к опросу начинался не с вопросов, а с гипотез. Что именно я хочу проверить. Какие изменения между 2025 и 2026 годом кажутся устойчивыми. Где HR действительно меняет фокус, а где – просто по-другому называет те же самые задачи.
Каждый вопрос и варианты ответов, сгенерированные ChatGPT, приходилось проверять вручную. Где допустим один вариант ответа, множественный выбор или же логичнее использовать шкалу, а где вопрос вообще стоит убрать, потому что он красиво звучит, но ничего не дает для анализа.
После нескольких итераций у меня получилась структура опроса, которая логически продолжала качественное исследование. Дальше все достаточно просто. Вопросы переносятся в форму – Яндекс, Google или любой другой инструмент.
Принципиальный момент – не собирать персональные данные. Они здесь не нужны. Важно увидеть распределение ответов, а не идентифицировать людей.
Каждый вопрос и варианты ответов, сгенерированные ChatGPT, приходилось проверять вручную. Где допустим один вариант ответа, множественный выбор или же логичнее использовать шкалу, а где вопрос вообще стоит убрать, потому что он красиво звучит, но ничего не дает для анализа.
После нескольких итераций у меня получилась структура опроса, которая логически продолжала качественное исследование. Дальше все достаточно просто. Вопросы переносятся в форму – Яндекс, Google или любой другой инструмент.
Принципиальный момент – не собирать персональные данные. Они здесь не нужны. Важно увидеть распределение ответов, а не идентифицировать людей.
Анализ результатов опроса и сбор финального отчета
11
Цифры сами по себе ничего не говорят. Без контекста качественного исследования они легко превращаются в проценты, из которых каждый может сделать удобный для себя вывод. Поэтому я всегда возвращался к исходным гипотезам, сформулированных на этапе глубинных интервью.
Первое, что я делал – загружал таблицу с результатами опроса в проект ChatGPT и просил провести анализ строго в рамках этих гипотез. Не «посмотри, что тут интересного», а именно «проверь, подтверждается или нет то, что мы предполагали ранее».
Далее просил отдельно фиксировать не только подтверждения, но и расхождения. Где ожидания не совпали с реальностью, качественные интервью давали одно ощущение, а цифры показывали другое.
После этого переходил к формированию выводов по количественной части. Без интерпретаций уровня «рынок меняется», а с конкретикой: какие приоритеты усилились, ослабли, остались стабильными.
Когда количественный отчет был готов и проверен, я возвращался к качественному. Загрузил сводную таблицу по интервью и попросил подготовить единое заключение, объединяющее оба этапа исследования.
И здесь снова важно не пытаться получить результат одним запросом. Я просил формулировать выводы по частям. Сначала – общую картину. Потом – ключевые изменения между 2025 и 2026 годом. Затем – объяснение причин этих изменений. И только в самом конце – аккуратные выводы.
Каждую часть внимательно перечитывал и корректировал: упрощал формулировки, снижал излишнюю уверенность, возвращался к данным, чтобы убедиться, что вывод действительно на них опирается.
Когда итоговый документ был собран, загрузил его в ChatGPT еще раз, но уже целиком, и просил проверить на логические противоречия, неточности и расхождения между разделами. Это хороший способ поймать ошибки, которые легко пропустить, когда долго работаешь с одним и тем же текстом.
После финальных правок исследование можно было считать завершенным. Но в процессе у меня появилось несколько наблюдений, которые сильно упростили работу и помогли избежать типичных ошибок.
Первое, что я делал – загружал таблицу с результатами опроса в проект ChatGPT и просил провести анализ строго в рамках этих гипотез. Не «посмотри, что тут интересного», а именно «проверь, подтверждается или нет то, что мы предполагали ранее».
Далее просил отдельно фиксировать не только подтверждения, но и расхождения. Где ожидания не совпали с реальностью, качественные интервью давали одно ощущение, а цифры показывали другое.
После этого переходил к формированию выводов по количественной части. Без интерпретаций уровня «рынок меняется», а с конкретикой: какие приоритеты усилились, ослабли, остались стабильными.
Когда количественный отчет был готов и проверен, я возвращался к качественному. Загрузил сводную таблицу по интервью и попросил подготовить единое заключение, объединяющее оба этапа исследования.
И здесь снова важно не пытаться получить результат одним запросом. Я просил формулировать выводы по частям. Сначала – общую картину. Потом – ключевые изменения между 2025 и 2026 годом. Затем – объяснение причин этих изменений. И только в самом конце – аккуратные выводы.
Каждую часть внимательно перечитывал и корректировал: упрощал формулировки, снижал излишнюю уверенность, возвращался к данным, чтобы убедиться, что вывод действительно на них опирается.
Когда итоговый документ был собран, загрузил его в ChatGPT еще раз, но уже целиком, и просил проверить на логические противоречия, неточности и расхождения между разделами. Это хороший способ поймать ошибки, которые легко пропустить, когда долго работаешь с одним и тем же текстом.
После финальных правок исследование можно было считать завершенным. Но в процессе у меня появилось несколько наблюдений, которые сильно упростили работу и помогли избежать типичных ошибок.
Антон Бобров
Директор департамента корпоративных сервисов ГК «КОРУС Консалтинг
По ходу исследования я несколько раз ловил себя на одной и той же мысли. AI очень легко использовать неправильно. Особенно когда устал, дедлайны горят и очень хочется скорее «дожать результат».
Поэтому один из самых полезных приемов – выносить промежуточные материалы в отдельный чат. Не в проект – в специальное пространство, где вы сможете задать простой вопрос: что здесь не так, где слабые места, что можно улучшить. Такой критический взгляд со стороны помогает увидеть то, к чему мы уже привыкли.
Иногда я загружал туда первые разборы интервью и спрашивал, где вопросы были заданы неудачно, я не докопался до точного ответа, что стоило бы уточнить в следующих беседах. Это особенно полезно в начале исследования, когда еще есть возможность скорректировать гайд и не повторять одну и ту же ошибку десятки раз.
Важно и другое – ChatGPT не делает работу за вас: не думает, не чувствует контекст так, как его чувствуете вы. Он не понимает внутреннюю кухню компаний и не знает, почему одно и то же решение в разных организациях имеет разные последствия.
Плохой результат получается тогда, когда человек пытается загрузить на AI все целиком и ждет, что на выходе появится готовое исследование. Так не работает. Получается аккуратный текст без глубины, в котором вроде бы все правильно, но по факту – сумбурный набор тезисов.
Хороший результат появляется, когда AI используется как усилитель. Он снимает рутину, ускоряет черновую работу, помогает структурировать. Но каждое важное решение – что считать выводом, что считать гипотезой, что выносить в отчет – остается за человеком.
Иногда после всего этого возникает резонный вопрос. Если все равно нужно проверять, думать, править и возвращаться к данным, то зачем вообще нужен ChatGPT? Может, действительно проще сделать все самому? По опыту – нет.
Без AI вы тратите слишком много энергии не на исследование, а на обслуживание процесса: переписывание, структуру, оформление, попытки удержать в голове десятки документов одновременно.
Искусственный интеллект освобождает именно это пространство и позволяет сосредоточиться на смыслах, а не на механике. На интерпретации, а не на форматировании. На разговоре с людьми, а не на борьбе с текстом.
Поэтому один из самых полезных приемов – выносить промежуточные материалы в отдельный чат. Не в проект – в специальное пространство, где вы сможете задать простой вопрос: что здесь не так, где слабые места, что можно улучшить. Такой критический взгляд со стороны помогает увидеть то, к чему мы уже привыкли.
Иногда я загружал туда первые разборы интервью и спрашивал, где вопросы были заданы неудачно, я не докопался до точного ответа, что стоило бы уточнить в следующих беседах. Это особенно полезно в начале исследования, когда еще есть возможность скорректировать гайд и не повторять одну и ту же ошибку десятки раз.
Важно и другое – ChatGPT не делает работу за вас: не думает, не чувствует контекст так, как его чувствуете вы. Он не понимает внутреннюю кухню компаний и не знает, почему одно и то же решение в разных организациях имеет разные последствия.
Плохой результат получается тогда, когда человек пытается загрузить на AI все целиком и ждет, что на выходе появится готовое исследование. Так не работает. Получается аккуратный текст без глубины, в котором вроде бы все правильно, но по факту – сумбурный набор тезисов.
Хороший результат появляется, когда AI используется как усилитель. Он снимает рутину, ускоряет черновую работу, помогает структурировать. Но каждое важное решение – что считать выводом, что считать гипотезой, что выносить в отчет – остается за человеком.
Иногда после всего этого возникает резонный вопрос. Если все равно нужно проверять, думать, править и возвращаться к данным, то зачем вообще нужен ChatGPT? Может, действительно проще сделать все самому? По опыту – нет.
Без AI вы тратите слишком много энергии не на исследование, а на обслуживание процесса: переписывание, структуру, оформление, попытки удержать в голове десятки документов одновременно.
Искусственный интеллект освобождает именно это пространство и позволяет сосредоточиться на смыслах, а не на механике. На интерпретации, а не на форматировании. На разговоре с людьми, а не на борьбе с текстом.
"
Лайфхаки и честные выводы
12
"
Станьте экспертом блога K-Team