Результаты исследования ИИ-трансформации индустрии маркетинговых исследований
Поле: декабрь 2025 — март 2026. В цитатах атрибуция упрощена для анонимности: «директор по исследованиям (клиент)» объединяет руководителей разного уровня на клиентской стороне (директор, руководитель отдела, руководитель команды, руководитель направления).
Ограничение выборки: клиентская сторона здесь — исследователи из крупных корпораций. Они во многом задают тон рынку, но и описанные практики — про большие компании; средний и малый бизнес живёт иначе.
Раскол рынка и кризис идентичности. Индустрия исследований отстаёт от бизнеса по темпам внедрения ИИ. Внутри отрасли — прежде всего у агентств — происходит разрыв из-за кризиса профессиональной идентичности: кто-то радикально перестраивает процессы, а кто-то сопротивляется изменениям.
ИИ-трансформация идёт снизу. Реальные изменения в компаниях запускают рядовые энтузиасты, а не приказы топ-менеджмента. Внедрению ИИ способствует корпоративная культура, которая поощряет эксперименты энтузиастов и даёт право на ошибку. Спущенные сверху требования внедрять ИИ без поддержки инициативы снизу превращаются в имитацию работы.
Ценность агентств смещается в сторону стратегии и смыслов. Клиенты автоматизируют рутинные задачи с помощью ИИ — внутри своего контура или на внешних DIY-платформах. Агентствам готовы платить за то, что алгоритмы не воспроизводят: владение методологией, независимый экспертный взгляд, со-мышление и живой контакт с людьми.
Главный навык — валидация. ИИ легко генерирует правдоподобные результаты. Из-за этого центральной компетенцией специалиста становится способность отличить достоверные выводы от правдоподобного шума. При этом маркировка «сделано с помощью ИИ» проблему не решает и даже может быть опасной для индустрии. Со стороны клиентов есть запрос на гайдлайны, которые позволят быть уверенными в надёжности результатов, но на сегодняшний день единых стандартов на рынке нет. В этих условиях собственные методы валидации у агентств могут стать сильным конкурентным преимуществом.
Кадровое воспроизводство под угрозой. ИИ забирает на себя базовые задачи, из-за чего компании перестают нанимать и растить начинающих исследователей. Вместе с рутиной исчезает и «позитивная нагрузка», через которую специалист учится думать. Если мозг на старте карьеры получает готовый результат от ИИ, аналитическая «мышца» атрофируется. Индустрия теряет механизм воспроизводства профессии, что грозит дефицитом кадров в будущем.
Агентства «мутируют», стремясь занять своё место под солнцем — меняют бизнес-модели. Рынок расходится в стратегиях: одни делают ставку на технологии (AI-first) и даже выходят за рамки индустрии исследований в сторону индустрии принятия решений. Другие сохраняют фокус на эмпатии и живом контакте (Human-premium), находя интересное решение по интеграции ИИ через разделение ролей: алгоритмы забирают на себя сбор данных и подготовку, а человек оставляет за собой глубинную работу и инсайты. В главной опасности оказывается «уязвимая середина» — те, кто работает «как раньше, плюс немного ИИ».
Кто здесь эксперт? Плата за ИИ — это усложнение. Появление новой сущности (искусственного интеллекта) не упрощает профессию: за интеграцию алгоритмов приходится платить усложнением всей системы. Теперь для работы нужна выстроенная экспертная система, способная управлять этой сложностью. В ней необходимо осознанно держать новые исследовательские роли: внутри ИИ-контура («Куратор ИИ») и над ним («Защитник человеческого» и «Стратег»). Эти функции могут распределяться между разными специалистами, но в случае небольшой команды или соло-эксперта их приходится совмещать в одном человеке.
Мы спросили каждого из экспертов: «Как бы вы описали то, что происходит с индустрией маркетинговых исследований в связи с появлением ИИ одним словом или фразой?» Ответы не складываются в общую картину.
Проникновение ИИ запустило структурную трансформацию отрасли. Она разъезжается по двум осям — это разрыв перед пересборкой.
«Я ожидал, что космолёты бороздят просторы ресёрча. А они там [на исследовательской конференции] про открытые вопросы» директор по исследованиям (клиент)
«Цель на 26-й год — прямо у нас прописаны, от этого мои оценки зависят, это операционная эффективность. Моя задача увеличить пропускную способность, TTM в два раза. То есть у меня коммит на этот год — уменьшение TTM — сокращение времени на исследования в два раза» директор по исследованиям (клиент)
«Я вижу со стороны продактов историю типа: «Я там в ChatGPT разогнал, давайте вот это сделаем». Приходится останавливать: «А какую бизнес-задачу вы решаете? Почему нужны именно такие вопросы и эта аудитория?». Ребята стали больше полагаться на нейронки и меньше думать сами, зачем им это надо» директор по исследованиям (клиент)
На отраслевой конференции обсуждают автоматизацию кодировки открытых вопросов. Тем временем бизнес встроил ИИ в продукт и процессы — автоматизация идёт там, где сразу виден финансовый результат. Индустрия исследований медленнее бизнеса.
Клиентский исследователь стоит прямо на этой границе разлома: сверху руководство требует ускоряться и снижать косты, а сбоку продакты приходят с собственными инициативами и готовыми выводами от ChatGPT, которые нужно проверять на адекватность.
«Разрыв. Это, мне кажется, ключевая фраза, потому что есть те, кто очень активно внедряют и становятся, скажем так, AI-first исследователями, и те, кто пытаются сохранить свою экспертизу на человеческом уровне. Вторые, мне кажется, просто остановились, они отдаляются куда-то в прошлое очень быстро. И вот разрыв для меня это ключевое слово из того, что я вижу в индустрии сейчас» основатель AI First агентства
Индустрия разрывается между двумя полюсами: одни радикально перестраивают процессы под ИИ, другие сопротивляются изменениям, пытаясь защитить привычные методы работы.
Этот разрыв проходит через весь рынок, но прежде всего он проявляется у исследовательских агентств. Для них главный барьер адаптации — кризис профессиональной идентичности.
Если не понимать, что происходит с людьми, не поймёшь, что происходит с индустрией.
Пять основных переживаний того, что ИИ делает с работой исследователя. Все пять переживаний могут «жить» внутри одного человека — в зависимости от задач.
У опытных исследователей ИИ забирает описательную часть — то, на что раньше уходили дни. Освободившееся внимание уходит в выводы.
«Ты опытный исследователь, тебе интересно делать выводы, но тяжело делать описательную часть. А клиент не готов платить только за выводы. С этой частью опытные отлично справляются с помощью ИИ. Раньше бы они подыхали 10 дней. Сейчас делают за несколько дней отличную работу. Они визжат от счастья!» партнёр агентства
Ждать от ИИ результата без понимания, что под капотом, — путь, который быстро ведёт к разочарованию и становится аргументом против ИИ. Возникает глухое отрицание самой природы алгоритмов — уверенность, что «машина принципиально на это не способна». За этой позицией бывают реальные основания, но часто за риторикой о защите человеческого скрывается банальное нежелание переучиваться или страх потерять работу.
«Люди часто считают, что это кнопка "сделать зашибись". Нажали, врезались в столб и говорят: "Машина дурная". Они не понимают, что нужно компьютер-сайенс знать, понимать архитектуру кода» партнёр агентства
ИИ не разгрузил — добавил новый слой ответственности. Валидация, оркестрация, надзор. Освобождённое время не всегда идёт в стратегию.
«Любая новая технология — это увеличение работы. Нужно следить, чтобы всё правильно отработало. Придётся ещё больше мобилизоваться, не расслабляться и качать критическое мышление» исследователь (клиент)
У тех, кто в профессии 12+ лет, звучит особый регистр — не про работу, а про вытеснение из жизни. Вдумчивый анализ, полевое наблюдение, прямой контакт, ремесло.
«Мы до конца не успели стать людьми в полной мере, а нам уже предлагается стать киборгами или пост-людьми. Важно человеческое сохранять. Атака на человеческое очень сильная, и я это со всех сторон вижу» партнёр агентства
«Зона напряжения не в компаниях, она в головах отдельных людей. У меня зона напряжения вообще другая — я за человечество беспокоюсь» партнёр платформы
Это тревога за то, что ИИ-волна начинает вытеснять человека из жизни.
У линейных исследователей это начинается со страха потери работы — конкретного, материального. У руководителей агентств — глубже: под ударом профессиональная идентичность и бизнес-модель.
Исследователь защищается. Острее всего — на стороне агентств. Одни перестраивают идентичность: пересобирают связки, ищут, как соединить экспертизу с ИИ. Другие держат пассивную оборону — отказ, выжидание, риторика «машина не сможет». За разными ответами уже проступают новые ролевые конфигурации. К ним вернёмся в финале.
Молодое поколение работает с ИИ свободнее старшего. Это одновременно угроза глубине и драйвер изменений.
«Миллениалы очень дотошные, они будут писать крутые промты. А как будут умножать экспертизу ребята, которые недавно в исследованиях? У них большое желание облегчить жизнь, но не вижу желания глубоко копать. А в нашей профессии это критично. Если делать по верхам — не ответишь на ключевые вопросы» директор по исследованиям (клиент)
Первая половина — про риск. Молодые охотно отдают ИИ всё, что можно, — включая то, через что должны были вырастить мышцу глубины. «Джун с бензопилой».
«Они — катализаторы изменений. Их патологическая лень и желание оптимизировать — это круто. Главное — не отбить это желание, а мягко объяснять, что важна ещё и глубина. Новое поколение можно залоялить» директор по исследованиям (клиент)
Та же фигура — вторая половина. Задача — направить этот импульс: дать автоматизировать рутину и одновременно заложить требование к глубине.
ИИ забирает на себя базовые задачи, из-за чего компании перестают нанимать и растить начинающих исследователей.
«Мне не очень понятно, зачем нужны джуны. Что делал раньше джун? Он кодировал — теперь это делается автоматически. Он транскрипты вычитывал, выписывал — это тоже делается. Он писал гайды, анкеты — сейчас очень много всяких тулзов. То есть в целом вопрос: зачем мне в команде нужны джуны?» директор по исследованиям (клиент)
Вместе с рутиной исчезает и та самая «позитивная нагрузка», через которую молодой специалист учится думать. Если мозг не проходит этап самостоятельного анализа и синтеза, а получает сразу готовый структурированный результат от алгоритма, аналитическая «мышца» атрофируется.
«Есть негативная нагрузка — рутина, её надо снижать. Но есть позитивная — то, через что ты растёшь. Написание отчёта вначале — это позитивная нагрузка, ты анализируешь и синтезируешь. Если мозг это не проходит, а сразу получает структурированный ответ от ИИ, мышцы атрофируются. Ты доехал до точки на машине, но ноги слабые» партнёр агентства
Та же метафора с машиной выворачивается в ответ — на индивидуальном уровне мышцу можно качать осознанно.
«Используйте ИИ как усилитель когнитивных способностей, как тьютора. Как с автомобилями: мы не отказались от них, но стали ходить в спортзал, чтобы компенсировать сидячий образ жизни. С ИИ так же: мы выработаем правила ментального фитнеса» руководитель агентства
Индустрия теряет механизм воспроизводства профессии, что грозит дефицитом сильных кадров в будущем.
Внедрение ИИ в исследовательские процессы происходит преимущественно снизу. Корпоративные директивы без подхвата на местах приводят лишь к имитации работы.
Драйверы внедрения «снизу» — личный интерес исследователей к новым инструментам и требование бизнеса «ускоряйтесь». Часто ИИ осваивают в обход официальных IT-систем и без выделенных бюджетов: аналитики пишут ботов в свободное время, руководители идут учиться использованию ИИ в исследованиях по своей инициативе. По данным InsightChat-интервью 11 из 20 линейных исследователей самостоятельно оплачивают подписки на внешние сервисы из-за отсутствия корпоративного доступа к сильным моделям.
«Это часто упирается в энтузиастов. Бота для базы данных в соседнем юните запилил аналитик на выходных просто потому, что ему было интересно. На это не выделяются официальные ресурсы разработки. Я свою базу данных тоже буду делать сама. Это всё двигается снизу» директор по исследованиям (клиент)
Дополнительный фактор — приход молодых специалистов с сильной мотивацией использовать ИИ в работе.
Успешные практики распространяются горизонтально: внутри отделов и через обмен опытом со смежными продуктовыми или бизнес-командами.
«Надо было настроить под наш формат выгрузки табличек. В итоге инициативная группа из двух девчонок-ресёрчеров это дотюнила чатом GPT и выкатила на всю команду. <…> Она «базила» команду: "Смотрите, Ишка мне это сделала в личных целях, а вот это — в рабочих". <…> И постепенно я поняла, что это не фигня» директор по исследованиям (клиент)
Внедрение ИИ исключительно директивами «сверху» сводится к формальности:
«У нас, если ТОП не скажет — ничего не будет. А как только у нас лозунг: "Внедрение ИИ!", все берут под козырёк и ставят галки» директор по исследованиям (клиент)
Более того, жёсткие требования без должной подготовки команд вызывают сопротивление на местах:
«<…> C-level, топ-менеджмент и собственники компаний в этом заинтересованы, они драйвят процесс. А низы пытаются тормозить, боясь вылететь из этой гонки» руководитель агентства
Как итог — ИИ-имитация: безопасный внутренний контур развёрнут, отчёты о внедрении идут, но реальной перестройки рабочих процессов не происходит. Эффективная трансформация возможна только при встречном движении:
«Должен быть импульс и снаружи, и внутри компании. Нам это очень помогает» директор по исследованиям (клиент)
Но даже при наличии стратегии и выделенных бюджетов успешность интеграции во многом зависит от линейных сотрудников:
«Ты не можешь просто взять и заставить своих сотрудников, будучи даже самым продвинутым управленцем, пользоваться искусственным интеллектом — это должно идти от них» основатель AI First агентства
Клиентские исследователи сокращают внешний разрыв «индустрия — бизнес». Контур усложняется, роли пересобираются, потребность в агентствах не исчезает.
Чтобы понять, как ИИ заходит в исследовательские процессы на стороне клиента и как меняется работа исследователя, удобно использовать управленческую рамку RUN · CHANGE · DISRUPT. На неё указал один из участников исследования. Это сегментация деятельности по типу и горизонту.
«Есть деление run, change, disrupt. Вот run — это супертекучка, самые обычные стандартные проекты – одинаковые, постоянные. И вот эта штука просто автоматизируется. Зато ресурсы сохранятся. <…> вся операционка автоматизируется, у людей, у исследователей, у бизнеса появляются ресурсные, настоящие, большие, глубокие, детальные, тщательные проекты. В общем, наоборот, откат даже к таким классическим, даже социологическим методам. И понимание людей здесь все равно мы не сможем [автоматизировать], ни в коем случае не надо воспринимать это как замену» директор по исследованиям (клиент)
ИИ заходит снизу вверх — сначала RUN, потом CHANGE, потом DISRUPT. На нижних уровнях человек настраивает и затем поддерживает. На верхнем главным остаётся человек, ИИ — помощник.
Рутина, которая была и до ИИ: кодировка, транскрибация, трекеры, тесты креативов.
Клиенты автоматизируют сами — своим ИИ или через DIY-платформы.
→ Освобождает ресурс для CHANGE и DISRUPT.
Новые возможности, которые открыл ИИ: система знаний — копилот по внутренней библиотеке; мониторинг внешнего — конкуренты, отзывы, тренды в потоке.
Кто настраивает — открытый вопрос: часть клиентов сама, через vibe-кодинг; часть хочет отдать агентствам, но упирается в compliance.
→ Ответ в реальном времени (real-time) — по запросу или в потоке.
Прорыв, синтез, смыслы: прорывные гипотезы, перепаковка. Главным остаётся человек, ИИ — помощник.
Возвращается спрос на сложные, «академические» анализы — и на живой голос потребителей, и на внешнюю экспертизу.
→ Исследователь становится консалтером-стратегом.
Внутри CHANGE зреет свой сюжет: ИИ открывает исследование как непрерывную «видеозапись» рынка, а не только разовую «фотографию».
Чтобы закрывать эти уровни — автоматизировать RUN, обустраивать CHANGE, — компания собирает собственную ИИ-модель. Складывается она из пяти компонентов, и внутри каждого свой выбор, что взять, поэтому модель у каждой получается своя: где-то компонент проработан целиком, где-то едва намечен.
Право на ошибку и поддержка низовых инициатив — у одних в основе, у других отсутствует.
Выделенная роль директора по ИИ или внутренний ИИ-центр — есть только у части компаний.
Целевые показатели на использование ИИ — почти везде их нет, и это осознанный анти-карго-культ: формальный показатель вроде «50% задач через ИИ» или «сотрудник прошёл курс по ИИ» работы не двигает. Важен бизнес-результат.
Режимы различаются по одному: есть ли легальный доступ к мощным зарубежным моделям. «Локальные» — это модели, развёрнутые внутри корпоративного контура: данные из него не выходят.
Закрытый периметр — только локальные модели, доступа к мощным зарубежным нет. Причина одна — безопасность: где-то внешние модели запрещены IT-политикой, где-то компания принципиально не выпускает наружу персональные данные.
Гибрид через посредника — локальные для чувствительного + доступ к мощным зарубежным через агрегатор с не-российским юрлицом.
Свой обезличивающий контур — доступ к мощным зарубежным напрямую через корпоративный API с обезличиванием данных.
Поверх любого режима работают «партизаны» через личные подписки — об универсальной подложке ниже.
Клиентские данные — поведение пользователей, аналитика, история взаимодействия. Есть в большом объёме у банков и технологических компаний с прямым каналом к потребителю; отсутствуют в FMCG, где продажи идут через ритейл.
Архив исследований — накопленные отчёты, часто разрозненные: у разных команд, в разных форматах. Вопрос — насколько они систематизированы.
Без клиентских данных или архива не на чем обучать ИИ — делать его умнее, затачивать под задачи компании, создавать ИИ-агентов с «вшитым» мировоззрением.
Привлечение дата-инженеров и дата-сайентистов — у крупных банков, технологических гигантов и развитого телекома; почти всегда через бэклог, доступ только с обоснованием финансовой эффективности.
Через корпоративный IT-департамент — в FMCG и e-commerce.
Vibe-кодинг внутри команды — профессиональных разработчиков в исследовательских командах обычно нет, поэтому сборку инструментов сотрудники часто берут на себя.
Системные ИИ-инструменты — AI-copilot по корпоративной библиотеке исследований, обученные ИИ-агенты со «вшитым мировоззрением», автоматизированные телефонные опросы на больших выборках. Делаются через свою команду разработки.
Точечные сильные кейсы — оценочный движок креативов, ассистент по опыту сотрудников (EX) с корпоративной базой знаний из разных центров экспертизы, мульти-агентный анализ баз. Под конкретный бизнес-кейс.
Vibe-кодинг внутри команды — единичные сотрудники в исследовательских командах сами осваивают и собирают инструменты: кто-то для масштабирования на всю команду, кто-то как энтузиаст-одиночка.
Точечные внешние сервисы — готовые продукты вроде Perplexity Comet, Julius AI и подобных.
Каталоги промтов — локальная инфраструктура команды, везде, где работают.
Эти пять компонентов складываются в четыре устойчивые модели — от полной архитектуры до минимума:
1. Полная архитектура — все пять компонентов вместе.
2. Точечные сильные кейсы — один-два инструмента под конкретную задачу, без полной архитектуры.
3. Активная экспериментальная среда — сильная культура и корпоративный ИИ-центр, но архитектуры под ресёрч ещё нет.
4. Минимум — жёсткий режим, нет команды разработки → одна-две функции.
Отдельно от этой шкалы — дисфункция: контур развёрнут, но исследователи им не пользуются и обходят его через внешние модели.
Поверх всех четырёх моделей работает универсальная подложка: личные подписки на ChatGPT, Perplexity и DeepSeek. Работает везде, в том числе там, где корпоративного контура нет совсем.
ИИ забирает у клиентского исследователя рутину — но работы не убавилось. Роль не исчезает, она пересобирается: исследователь совмещает сразу несколько ролей, и ИИ задел каждую по-своему — что-то сделал важнее, чем было, что-то добавил с нуля, а центр тяжести сместился в сторону стратегии.
Методолог-валидатор. Исследователь на стороне клиента всегда занимался переводом с бизнес-языка на «социологический», выбором подхода к исследованию и валидацией данных. Сейчас он всё чаще сталкивается с проблемой валидации того, что выдал ИИ. Продакт-менеджерам нужна скорость, они уверены, что теперь вооружены мощным инструментом, но ИИ часто выдаёт правдоподобный шум.
«ChatGPT может красиво расписать три страницы текста, и кажется, что это глубоко. А на самом деле у него нет контекста твоей бизнес-задачи, и он даёт ответ, который можно найти по первой ссылке в Google» директор по исследованиям (клиент)
«<…> наши заказчики, кажется, пользуются, когда пишут брифы. Там часто "обнять и плакать". Получаешь абсолютно "ИИ-шный" бриф, идёшь выяснять, что за красивой формулировкой скрыто, а они сами не знают, потому что это ИИ придумал» директор по исследованиям (клиент)
Принцип общий: инструмент подсказывает, решение визирует человек.
«В медицине есть системы поддержки решений, но финальный вердикт за врачом. Это хорошая метафора. В Market Research могут быть помощники, но только ресёрчер видит весь контекст и должен процесс "засайнить"» руководитель агентства
Дирижёр. В оркестре появилась ещё одна сущность, которой надо управлять, — ИИ, его агенты, копилоты и инструменты. Но сам пульт никуда не делся: собирать вокруг бизнес-задачи команду, продактов и агентства исследователю приходилось и раньше, и это остаётся его работой.
«Я вижу себя бизнес-дирижёром. Моя роль — выстраивание процессов взаимодействия команды с продактом для максимального импакта. Это не изменится. Я не верю, что агенты заменят исследователей. Голова исследователя нужна для стратегии» директор по исследованиям (клиент)
«Внедрятор». Появилось и то, чего раньше не было: исследователь теперь сам собирает инструменты, которыми пользуется. Команды разработки под ресёрч обычно нет, так что настройка и сборка ложатся на него — через vibe-кодинг. Освоив, он раскатывает это на команду.
«<…> из инженерной задачи превращается в задачу кодинга просто. А кодинг — это то, что делают нейросети. И вот у нас сейчас работает как раз именно инструмент, который является результатом скорее этого Vibe-кодинга, а не какой-то дорогой команды ML-щиков» директор по исследованиям (клиент)
Стратег. Центр тяжести роли исследователя на стороне клиента сместился в сторону стратегии. Сдвиг реальный, но не быстрый. Сейчас, в период внедрения ИИ, много сил и времени уходит на автоматизацию RUN- и CHANGE-задач.
«<…> исследователь становится уже чем-то вроде консалтера-стратега, более тесная связка происходит. Рутинные истории — и на них всё меньшее внимание обращаешь <…> Но меньше проектов точно не стало. Мы же всё время хотим всё глубже и глубже» директор по исследованиям (клиент)
«<…> сейчас это прямо очень драгоценные люди, которые умеют всё это синтезировать, вычленить ключевое и выделить какие-то предложения, действия, решения. Потому что проблема исследователя — исследование провели, а дальше ничего не изменилось» директор по исследованиям (клиент)
Есть и обратный взгляд. Не все считают, что роль консолидируется в одной фигуре — кто-то видит ровно противоположное: исследования размываются и проникают во все бизнес-процессы напрямую.
«Сейчас ресёрч диффузируется, проникает везде как аэрозоль. Раньше это был отдельный кусок колбасы, а теперь он везде» партнёр агентства
Граница профессии и правда размывается — продакт сам проводит интервью, маркетолог сам кодирует. Но из этого не следует, что исследователь как роль исчезнет. Скорее наоборот: чем шире растекается рутинный ресёрч, тем нужнее центр, который держит метод и научную строгость. Подробнее об этом в следующем разделе.
Вернёмся к трём типам задач — RUN, CHANGE, DISRUPT — и пройдём по ним.
RUN — рутина автоматизируется: этот тип задач клиент закрывает сам через внедрение ИИ или через DIY-платформы. Агентствам (тем, что не платформы) здесь места почти не остаётся.
CHANGE — зону клиент обустраивает в основном сам. Место для внешних специалистов здесь есть — настроить систему постоянного мониторинга (always-on); на агентской стороне такие системы уже строят. Но упирается в compliance.
DISRUPT — стратегия и смыслы. Вот тут настоящий спрос — на то, что ИИ не воспроизводит. Три вещи.
Экспертиза как метод. По мере того как рынок начинает массово использовать базовые ИИ-инструменты, становится очевидным, что ключевая ценность заключается в глубокой методологической экспертизе. Задача профессионала — не просто исправлять машинные ошибки, а определять границы применимости ИИ.
«Очень легко всю накопленную экспертизу забыть и начать интервьюировать только синтетических респондентов. И тогда мы просто оторвёмся от реальности. А кто-то должен правильно заплейсить ИИ, не убить истину, научно обосновать всё это и где-то оставить традиционные методы. <…> У кого-то должен быть ресурс на исследовательские работы, которые подтверждают: вот здесь можно пользоваться синтетикой, а здесь лучше не нужно. Это эпоха, когда в маркетинг-ресёрч нужно добавить чуть больше scientific подхода к интеграции ИИ» директор агентства
Именно знание методологии позволяет агентствам настраивать ИИ-решения точнее, чем это может сделать «масс-маркет»:
«Чтобы сделать хороший скилл, нужно знать методологию. Агентство тут может быть крутым, потому что оно владелец методологии. Оно может подтюнить скилл до качества 90% от специалиста, и это будет конкурентным преимуществом» партнёр агентства
Поверхностная, конвейерная работа теряет ценность. Нейросети сделали очевидным, кто действительно обладает экспертизой, а чей результат легко заменим автоматической генерацией.
«Было много претензий, что исследователи не понимают предмет — просто пытаются проинтерпретировать бриф и быстро провести опрос, не понимая сути. Эта "фабричность" ломается и теряет ценность. Если ваш ответ банален и Чат GPT пишет отчёт лучше вас — это становится заметным. Случайные люди будут вымываться» партнёр платформы
Чем больше рутинных задач забирают алгоритмы, тем сильнее запрос клиентов на сложную аналитику и глубокий метод.
«Конкуренция будет происходить за счёт <…> более высоких слоёв. Нам сейчас <…> экспертиза агентства очень нужна <…> Когда ты закрыл потребность нижнего слоя, всё внимание менеджмента продуктов будет на следующих. <…> А теперь нам нужны действительно прорывные штуки. Поэтому агентства могут быть спокойны» директор по исследованиям (клиент)
Со-мышление. Независимая позиция и свежий взгляд — то, чего у in-house по определению нет: изнутри взгляд замыливается. Это и есть co-thinker — вторая голова, об которую думаешь; плюс готовность взять на себя ответственность за решение на топ-уровне.
«В экспертизе, методике и независимом взгляде. Это такая "вторая голова", co-thinker, об которого можно подумать» директор по исследованиям (клиент)
«<…> когда нужно взять ответственность и направить на топ-уровне — тогда агентство» директор по исследованиям (клиент)
Живой контакт с потребителями. Антропология, эмпатия, голос реальных людей. В RUN контакт либо уходит к синтетикам, либо недостаточно глубокий — не подходит для создания новых смыслов и стратегии. А глубокая, незаменимая часть остаётся здесь, наверху. Синтетики полностью её не заменят — и это говорит даже основатель AI-first агентства.
«Ни один синтетик у тебя продукт никогда не купит. <…> Валидация того, что тебя купят, очень важна, и она пропускается на уровне синтетиков. Это опасно» основатель AI First агентства
И поверх всех трёх типов задач — доступ к рынку за пределами своей базы. Наблюдать публичные «следы» конкурентов и тренды рынка — рекламу, релизы, отзывы — можно и самому (это always-on, выше). Но опросить людей, которых нет в твоей базе — клиентов конкурентов, рынок целиком, — ситуационно или прицельно под задачу можно только через агентства.
И ещё одно — проактивность: клиенты ждут от агентств работы на опережение. На рынке этот запрос по-прежнему не удовлетворён.
«Мы очень приветствуем, когда агентства приходят со свежим взглядом и видят то, что мы не видим. Хочется, чтобы агентство удивляло: когда мы про это ещё не думали, а они — уже подумали. Мы так не сделали, а они — сделали. Вот это круто!» директор по исследованиям (клиент)
«Мне не хочется находить проблему самой. Хочется, чтобы агентство само приходило и говорило: "Тут ошибка, мы знаем, как решить"» директор по исследованиям (клиент)
Под давлением спроса агентства мутируют — расходятся в стратегиях, занимают ниши. Но не все: у середины, которая «как раньше плюс чуть-чуть ИИ», своего покупателя не остаётся.
Главный барьер адаптации у агентств — необходимость пересборки идентичности. Это тот самый внутренний разрыв из раздела 1, и у агентств он острее всего.
«Я консультировал несколько исследовательских агентств <…> Как только дело доходит до имплементации в какие-то свои процессы, они начинают очень сильно держаться за свою собственную экспертизу и не конвертируют в задачи искусственному интеллекту ту экспертизу, которая у них есть. Это ключевая проблема в майндсете, а не в технологии» основатель AI First агентства
Почему за экспертизу держатся так крепко — понятно, и причин две. Первая — статус: он всегда стоял на владении методом (исследователь — тот, кто умеет добыть знание строго, по правилам), а ИИ ровно метод и обесценивает: скиллы, generic-агенты, DIY-платформы делают вчерашнюю экспертизу дешёвой и доступной любому. Адаптироваться значит признать, что основа статуса обесценилась. Вторая — ремесло: тяжелее всего перестройка даётся качественникам, чьё дело всегда стояло на эмпатии и живом контакте, а не на инструментах. Для них учиться технике — идти против того, кем они были. «Это не моё» здесь и правда, и самозащита разом.
Вход в технологию кому-то и правда даётся непросто — но главный барьер глубже, он про идентичность.
«У меня нет ощущения, что провалился ИИ. Могли провалиться попытки его не использовать. <…> Барьерами часто являются сами люди, которые сопротивляются новому. AI adoption может не иметь ничего общего с технологиями — это про то, как внедряются изменения» руководитель агентства
А пока держишься за экспертизу — работа физически уходит. «Коммодити-низ» — кодировку, мониторинг, типовые опросы — клиент закрывает сам, через ИИ-системы и vibe-кодинг, и перестаёт заказывать.
«Клиент говорит: "Мы не будем заказывать в следующем году". Почему? "А мы сделали систему мониторинга, она сама дайджесты шлёт, продукты сами Vibe-coding используют и респондентов опрашивают". На тебя ИИ вроде не повлиял, ты делал что делал, а работа ушла» партнёр агентства
И парадокс: вместо новых интервью можно прогнать накопленный архив через ИИ — заказ на повторяемое просто не появляется, прошлая работа агентства съедает его будущую. Но отъедает только низ: на действительно новое и глубокое — на DISRUPT — ответа в архиве нет, там нужны свежие исследования, и агентство остаётся нужным. Кто проходит барьер — пересобирает роль и уходит в одну из стратегий. Кто застревает — остаётся уязвимой серединой. Чем именно становится исследователь, пройдя барьер, — в финале.
Агентства меняют бизнес-модели — «мутируют» вслед за спросом или загодя, предугадывая его. Но далеко не все. Из материала складывается несколько устойчивых моделей: кто-то ставит ИИ в центр, кто-то — на живое ремесло, кто-то продаёт сам инструмент.
AI-first. Бизнес строится вокруг ИИ — он в центре методологии, инструментария, продукта. Ставка простая: кто переобуется в AI-first, тот обгонит традиционных — как digital-first обогнал старые корпорации.
«Те, кто были digital first, они быстро обогнали старые большие огромные корпорации. И здесь произойдёт то же самое» основатель AI First агентства
Human-premium (+AI). Ставка на живую человеческую работу — глубину, контакт, антропологию, ремесло. Но это не отказ от ИИ: такие агентства активно с ним экспериментируют — просто разделяют роли внутри. ИИ берёт подготовку: desk research, сбор информации, разметку. Человек берёт живую часть: интервью, наблюдение, инсайт. Заказчик покупает инсайт, не инструмент, и премию берут за то, что ИИ не заменит.
«<…> мы ставим ставку на нишу сложных проектов, где нужна антропология и человеческое включение. Там ИИ помогает, но не является драйвером» партнёр агентства
Платформы / DIY с ИИ. Не классические агентства, а сервисы со встроенным ИИ. Продают инструмент — и клиентам напрямую, и самим агентствам.
«У нас история, мне кажется, стандартной золотой лихорадки. То есть продавцы лопат, конечно же, выигрывают больше всех» партнёр платформы
Соло-эксперты и небольшие команды. Новая сущность. Один человек или небольшая команда с собственной методологической экспертизой и набором ИИ-инструментов делает работу, на которую раньше нужна была команда среднего агентства.
Большинство адаптирующихся — посередине, в режиме AI-augmented: ИИ забрал рутину, человек остался на стратегии. Это рабочая позиция. А вот уязвимая середина — «как раньше плюс чуть-чуть ИИ» — теряет в обе стороны: тех, кому нужны скорость и масштаб, забирает AI-first; тех, кому нужна глубина и живой контакт, — human-premium. Своего покупателя у неё не остаётся.
Ещё один ответ на это давление — не подстраивать модель, а выйти из категории вовсе: перестать считать себя «индустрией исследований» и переопределиться в «индустрию принятия решений» — туда, где спрос не стагнирует.
«Мы перестали себя ассоциировать с индустрией исследований. <…> Мы стали ассоциировать себя с «индустрией принятия решений». Она никогда не умрёт: бизнесу всегда нужны будут вводные и консультанты, которые берут на себя ответственность за помощь в принятии решения. А конкретно индустрия исследований… <…> там незначительный рост, сопоставимый с инфляцией или ниже. Индустрия стагнирует много лет» руководитель агентства
С доступом к моделям и compliance понятно — это решается в контуре каждого клиента. Открытым остаётся вопрос отрасли в целом, и в нём два слоя — гайдлайны (методологические правила, прежде всего как валидировать ИИ-выводы) и этика (что честно, а что нет). Нужны ли общие правила, какие и когда.
Запрос на гайдлайны по валидации ИИ-данных идёт в основном со стороны клиентов: им нужны ориентиры, как оценивать работу с ИИ. У агентств общего ответа пока нет: у каждого свои практики, от «проверяем 20% рандомно» до полного отказа от формализации. А самый прикладной угол этого запроса — про закупки: критерий, который можно вписать в тендер (хотя нужно это далеко не всем).
«Главное, чтобы можно было скопипастить в закупку требование: "компания следует кодексу применения ИИ в исследованиях". <…> Мы однажды закупили панель — заявляли миллион респондентов, а живых оказалось 3 тысячи. Остальные фейковые. И здесь могут быть фейковые респонденты и фейковые процессы. Индустрия должна определить критерии: по процессам, по деливераблам» директор по исследованиям (клиент)
Отдельные люди хотят участвовать в выработке общих правил для индустрии, и со временем какие-то своды появятся. Вопрос не в этом, а в том, станут ли они общей нормой. Тут важны две вещи.
Во-первых, задача подвижная: ИИ эволюционирует так быстро, что любой свод устаревал бы на ходу.
«<…> произошло столько релизов у Anthropic и Google, что нет смысла заморачиваться со стандартами. Нужны базовые принципы. Лучшие практики слишком быстро превращаются в худшие» руководитель исследований (клиент)
Во-вторых, общими они всё равно не станут: нейтрального арбитра — аналога глобального ESOMAR — в России нет, есть только ассоциации, представляющие интересы отдельных групп. А небольшие агентства и соло-эксперты, которые как раз и делают ставку на умение работать с ИИ, в ассоциации часто не входят. Чьи бы правила ни написали, общими им стать непросто — норма скорее складывается снизу, через практику.
«Я боюсь, что это утопичная история: даже если кто-то на конференции озвучит "10 правил", не все их примут. Скорее это будут неписаные "пацанские" правила, которые станут органичными через практику» директор по исследованиям (клиент)
Этика — второй слой, и единого ответа тут тем более нет. Часть респондентов вообще считает разговоры об «этике ИИ» преувеличенными: дело не в инструменте, а в человеке.
«Когда начинают разговоры про этику применения ИИ, что надо указывать, где он работал… мне без разницы. Если человек ведёт себя неэтично, мне не важно, делает он это с помощью ИИ или автомата Калашникова» руководитель исследований (клиент)
Самая обсуждаемая конкретика — нужно ли маркировать, что сделано с ИИ. Идея выходит сомнительной с двух сторон. С одной — рискованно: непонятно, как «сделано с ИИ» воспримут надзорные органы.
«Мне кажется, рано об этом говорить. Для нормы нужна база, наблюдение. <…> Я не уверена в реакции потребителей и надзорных органов. Рекламу мы размещаем через ФАС <…> примут ли они информацию, если будет сказано, что это сделано ИИ? <…> за нами всё время следят» директор по исследованиям (клиент)
С другой — бессмысленно: если человек проверил и довёл результат, участие ИИ — внутренняя невидимая часть.
«А что это изменит? Степень глубины проникновения в материал, уровень анализа — вот что важно. Если финальный текст редактирован человеком, то если мы сейчас уберём из нашего отчёта ИИ, суть вообще не изменится. Это внутренняя невидимая часть» руководитель агентства
А реальная боль — не «признался ли в ИИ», а что ИИ легко выдаёт правдоподобную, но негодную работу: собрали абы что, красиво назвали — а ценности заказчику ноль. И это вопрос не этики-маркировки, а валидации. Только свой подход к ИИ каждый держит при себе как скрытое преимущество, так что в единый стандарт он вряд ли сложится — разве что какие-то базовые требования к агентствам всё же заложат.
«Это скрытая деталь от общего взора, благодаря которой мы просто работаем быстрее и точнее, но мы это не афишируем. <…> Мы сосредоточены на том, чтобы внутри компании повышать экспертизу, делать максимум задач, но об этом никому не рассказывать. Пока это наш троянский конь» руководитель агентства
Базовый стандарт работы с ИИ-системами — это подход «human in the loop». Это гибридная модель: она объединяет возможности машины с человеческим здравым смыслом и ответственностью, чтобы избежать критических ошибок. Я бы переименовал его в expert in and above the loop. Во-первых, не любой человек, а эксперт. Во-вторых, экспертиза крутится не только в контуре — она ещё должна быть над ним.
Мы начали с двойного разрыва — внешнего, между индустрией и бизнесом, и внутреннего, по идентичности: одни уходят в AI-first, другие держат оборону за человеческое. На самом деле это ложный выбор. ИИ будет использоваться в работе исследователя — это данность. Вопрос только в том, заходит ли экспертиза в контур — а заодно и живой голос потребителей, — и какая именно экспертиза.
Но плата за ИИ — это усложнение. Появление новой сущности (искусственного интеллекта) не упрощает профессию: за интеграцию алгоритмов приходится платить усложнением всей системы. Теперь для работы нужна выстроенная экспертная система, способная управлять этой сложностью. В ней необходимо осознанно держать новые исследовательские роли: внутри ИИ-контура («Куратор ИИ») и над ним («Защитник человеческого» и «Стратег»).
Эти роли могут распределяться между разными специалистами, но в случае небольшой команды или соло-эксперта их приходится совмещать в одном человеке.
Эксперт в контуре с ИИ: умеет работать с новой сущностью и управлять ею. Настраивает контур, оркеструет ИИ-агентов, ставит машине операционные задачи.
Эксперт над контуром. Вносит человеческое: живой контакт, голос реальных людей и собственное мышление, отличное от машинного.
Эксперт над контуром, отвечающий за «зачем» и «что дальше». Ставит верный вопрос — что вообще стоит знать бизнесу — и доводит ответ до решения, за которое берёт ответственность. Когда «узнать» дешевеет, дефицитом становится «понять, что спросить и что с этим делать».
Все три заняты валидацией, каждая на своём уровне, и все три держатся на владении методом — той исследовательской экспертизе, которую нельзя свести к инструменту.
Контуры могут объединяться в экспертные системы — например, команда исследователей на стороне клиента и команда агентства. Тогда возникает усиление и со-мышление: один контур держит контекст бизнеса, другой приносит метод и независимый взгляд.