Date: 2025-09-20
Спикер: Александра Чернышова
Общее саммари встречи
Встреча представляла собой разбор кейса по применению AI в большом качественном исследовании целевой аудитории.
Спикер полный цикл работы: от сбора и анализа данных до создания на их основе интерактивных AI-инструментов для компании. Основной фокус был сделан на превращении статических результатов исследования (отчетов) в живую, пополняемую базу знаний. Была показана архитектура работы с использованием инструментов Obsidian, Windser (Cursor) и Miro, а также продемонстрирован процесс создания «синтетических респондентов» для быстрого тестирования маркетинговых гипотез.
Ключевой вывод — AI позволяет не только ускорить и углубить анализ, но и кардинально изменить способ использования исследовательских данных внутри компании.
В ходе сессии были рассмотрены следующие ключевые аспекты:
-
Инструментарий и архитектура исследования:
- Obsidian: Использовался как основное хранилище для транскриптов интервью. Данные структурировались путем ручной разметки и автоматического сбора этой информации в тематические файлы с помощью скриптов.
- Cursor: Применялся для сквозного анализа нескольких файлов одновременно, поиска неочевидных инсайтов и проверки гипотез по всей базе данных.
- AI-ассистенты (встроенные в Obsidian): Использовались как «второй пилот» для дополнительного анализа отдельных транскриптов по фреймворку Jobs-to-be-Done, чтобы проверить, не упустил ли исследователь что-то важное.
-
От исследования к внутренним AI-инструментам:
- Результаты исследования (описание типажей клиентов, их барьеры, цитаты) стали основой для создания интерактивных AI-инструментов.
- AI-тренажер для отдела продаж: На базе реальных данных были созданы «синтетические клиенты» (персоны), с которыми менеджеры по продажам могли тренироваться в общении, отрабатывая возражения.
- AI-ассистент для менеджеров: Более сложный инструмент с тремя сценариями (подготовка к встрече, помощь во время, рефлексия после), который помогал сотрудникам в ежедневной работе, например, в написании follow-up писем.
-
Демонстрация «синтетических респондентов»:
- Была показана работа промпта в Windser, который на основе нескольких реальных транскриптов создавал персоны респондентов.
- Этим персонам были предложены три маркетинговых оффера. AI смоделировал их индивидуальную реакцию, а затем провел «групповую дискуссию», по итогам которой сформулировал коллективные выводы и выявил неочевидные барьеры.
Ответы на вопросы участников
| Вопрос | Ответ |
|---|---|
| Как организована работа с AI в команде, не все из которой — исследователи? | В компании создана внутренняя браузерная система, где сотрудники могут использовать разные AI-модели с уже подгруженными ключевыми контекстами (позиционирование, tone of voice и т.д.), что снижает порог входа и количество ошибок. |
| Как организовать совместную работу нескольких исследователей над большим проектом (50+ интервью)? | Obsidian можно использовать для совместной работы (есть функция shared vault). Это позволяет создать единую, структурированную базу знаний, где все транскрипты и выводы связаны между собой. |
| Как работать с сопротивлением команды внедрению AI? | Лучше всего работает демонстрация собственного рабочего флоу и создание простых, но полезных инструментов (например, тренажер для продаж), которые показывают ценность технологии на практике и вызывают интерес. |
| Как вы храните и используете фреймворки для AI? | Фреймворки сохраняются в Obsidian в виде пошаговых инструкций, очищенных от лишнего. К ним добавляются примеры собственного выполнения, что позволяет AI лучше понимать стилистику и давать более релевантные результаты. |