Важные ссылки мероприятия:
- Запись встречи
- Презентация
- Дата воркшопа: 26 июня 2026 года
🎯 Фокус воркшопа: создание AI-персон на основе пользовательских интервью
Главная цель встречи — создание синтетических пользователей, или AI-персон, на основе реальных пользовательских интервью. Участники увидели, как загрузить исследовательский контекст в Google AI Studio, выделить поведенческие архетипы и использовать их для краш-теста гипотез.
Почему большинство продуктовых решений терпят неудачу
Большинство продуктовых провалов связано не только с качеством реализации. Часто команда допускает следующие ошибки:
- Не задала необходимый вопрос;
- Задала правильный вопрос слишком поздно;
- Начала разрабатывать решение до проверки проблемы;
- Приняла единичный запрос за подтверждённую потребность;
- Перенесла собственное понимание продукта на пользователя;
- Не разделила аудиторию на сегменты с разным поведением.
Product Discovery позволяет снизить эти риски. Его задача — последовательно уменьшать неопределённость и не давать команде строить продукт «с завязанными глазами».
Поэтому краш-тест — это попытка обнаружить логические дыры раньше, чем их обнаружит рынок. В презентации этот принцип сформулирован так: «Краш-тест — это попытка убить идею до того, как вы в неё вложились».
✅ Исследовательские задачи на стадиях Discovery, Validation и Growth
| Стадия | Ключевые вопросы и задачи | Ожидаемый результат |
|---|---|---|
| Discovery: проверка ценности | Какие боли и потребности существуют у аудитории? Насколько часто и остро возникает проблема? Как пользователи решают её сейчас? Какие продукты, альтернативы и «костыли» уже используются? Какие потребности не закрывают конкуренты? Какие сегменты сталкиваются с проблемой сильнее? Достаточно ли велик потенциальный рынок? | Обоснованные гипотезы о проблеме, аудитории и возможной ценности решения. |
| Validation: проверка решения | Понятен ли пользователю оффер? Считывается ли ценность продукта? Понятна ли логика интерфейса? Где пользователь пугается, сомневается или останавливается? На каких этапах Customer Journey возникают трение и барьеры? Где находятся точки слива? Действительно ли MVP демонстрирует ценность продукта? | Проверенная гипотеза о решении, список пользовательских барьеров и рекомендации по доработке MVP. |
| Growth | Категоризация Voice of Customer; Анализ отзывов и обращений; Разделение массовых и единичных проблем; Приоритизация багов; Анализ использования отдельных фич; Поиск неиспользуемой функциональности; Выявление новых потребностей активных пользователей; Поиск новых рынков и точек роста. | Приоритизированный бэклог улучшений, выявленные точки роста и гипотезы масштабирования. |
🛠 Роль ИИ: что он ускоряет, а что не заменяет
Важно разграничивать возможности и ограничения ИИ в исследованиях:
| ИИ помогает ✅ | Однако ИИ не заменяет ❌ |
|---|---|
| 1. Проводить desk research; 2. Искать и структурировать информацию о рынке; 3. Анализировать конкурентов; 4. Составлять и проверять гайды интервью; 5. Транскрибировать интервью; 6. Кодировать открытые ответы; 7. Сегментировать обратную связь; 8. Обрабатывать количественные данные; 9. Собирать исследовательские базы знаний; 10. Предварительно тестировать офферы и продуктовые идеи. | 1. Постановку исследовательской задачи; 2. Выбор подходящего метода; 3. Понимание стадии продукта; 4. Поиск и рекрутинг респондентов; 5. Проведение исследований с реальными пользователями; 6. Интерпретацию данных; 7. Ответственность за принятое решение. |
Что такое AI-персоны и на каких данных они строятся
AI-персона — это динамический синтетический пользователь, которому можно задавать вопросы. Такая персона отражает характерные потребности, боли, страхи, ограничения, модели принятия решений и лексику реальных пользователей.
Важно: AI-персона не создаётся «из головы» модели. Если попросить LLM придумать несколько пользователей только на основании общего описания продукта, результат будет слишком универсальным и ненадёжным.
Для создания рабочей персоны необходимы:
- Описание продукта: стадия, принцип работы, ценность и ограничения.
- Описание целевой аудитории: пользователи, покупатели, участники принятия решения.
- Контекст проблемы: боли, страхи, альтернативы и существующие способы решения.
- Информация о сегментах: чем группы отличаются и почему это важно для продукта.
- Реальные интервью: полные транскрипты, из которых модель может извлекать паттерны и характерную лексику.
- Исследовательские гайды: контекст того, как и о чём спрашивали респондентов.
Пошаговое создание персон в Google AI Studio
Промпт Ольги Звегинцевой — ссылка
Шаг №1 – Задать роль модели
В инструкции фиксируется, что модель должна:
- Анализировать качественные данные;
- Работать с транскриптами;
- Находить повторяющиеся паттерны;
- Группировать пользователей;
- Не придумывать людей и факты;
- Опираться только на предоставленные материалы.
Шаг №2 – Загрузить материалы
В Google AI Studio загружаются:
- Транскрипты интервью;
- Продуктовый бриф;
- Описание целевой аудитории;
- Описание выборки;
- Исследовательские гайды;
- Дополнительный контекст о рынке и продукте.
Шаг №3 – Настроить модель
Для создания персон рекомендуется установить температуру около 0,5. Это оставляет модели некоторую свободу для синтеза, но снижает вероятность необоснованных дополнений.
System Instructions и сложный промпт рекомендуется писать на английском, а отдельно указывать, что исходные материалы и итоговый ответ должны быть на русском языке.
Шаг №4 – Попросить синтезировать архетипы
Модели ставится задача выделить примерно 3–5 профилей. Слишком большое количество персон затрудняет работу, а одна персона не позволяет увидеть различия между сегментами.
Для каждого профиля можно попросить определить:
- Тип пользователя;
- Ключевую боль;
- Текущее решение проблемы;
- Отношение к продукту;
- Отношение к мониторингу или контролю;
- Основные барьеры;
- Готовность платить;
- Характерные высказывания;
- Условия принятия или отказа.
Шаг №5 – Закрепить созданные персоны в контексте модели
После генерации модель просят запомнить архетипы. Затем к ним можно обращаться в одном диалоге, тестируя вопросы, идеи и сценарии.
Преимущества Google AI Studio по сравнению с обычным интерфейсом Gemini — отдельное поле System Instructions, настройка температуры, дополнительные параметры и более широкий лимит бесплатных токенов. При этом в обеих средах используются модели Gemini.
✅ Практический кейс Guard
О чём продукт: Вымышленное приложение, которое защищает пожилых родителей от финансового мошенничества.
Что делает продукт: отслеживает звонки, анализирует SMS и контролирует подозрительные транзакции. Он предупреждает взрослого ребёнка до перевода денег мошенникам и потенциально может блокировать отдельные операции.
Стадия продукта: Discovery (мы хотим понять, существует ли значимая проблема и за какие механики пользователи готовы платить).
Что подготовлено перед созданием ИИ-персон: кабинетное исследование, 12 пользовательских интервью.
В выборке учитывались разные ситуации: взрослые дети живут рядом или далеко; случаи мошенничества уже происходили или не происходили; ребёнок выступает покупателем; родитель является непосредственным пользователем и может принять или отвергнуть установку приложения.
На основании интервью Google AI Studio выделил четыре архетипа:
- Тревожный релокант;
- Травмированный реаниматор — человек, чья семья уже столкнулась с мошенничеством;
- Деликатный наблюдатель — хочет помочь, но боится нарушить приватность;
- Гордый автономный родитель — сопротивляется внешнему контролю.
✅ Механика краш-теста продуктовой идеи
Задача метода — обнаружить критические барьеры, неучтённые сценарии, противоречия между сегментами, риски внедрения и причины возможного отказа.
Краш-тест состоит из четырёх действий:
- Выбрать одну или несколько AI-персон.
- Задать острый вопрос о продукте или фиче.
- Изучить не только реакцию, но и логику ответа.
- Решить, выдерживает ли гипотеза предварительную проверку.
Пример из воркшопа: при обсуждении финансовых отчётов для родственников AI-персоны подсветили несколько рисков:
- Родитель может воспринять отчёт как чрезмерный контроль;
- Ребёнок может чувствовать себя шпионом;
- Пожилые пользователи могут редко пользоваться электронной почтой;
- Письмо с финансовой информацией может приучить пользователя открывать ссылки, похожие на фишинговые;
- Отчёт может создавать психологическое давление, но не помогать предотвращать мошенничество.
❓ Примеры вопросов для проверки идей и фич
| Вопросы о продукте | Примеры фич для проверки |
|---|---|
| Почему ты не установишь это приложение прямо сейчас? Согласится ли твой родитель на установку? Почему? Что должно произойти, чтобы ты удалил приложение через месяц? В какой ситуации приложение перестанет приносить тебе пользу? Какой сценарий заставит тебя перестать ему доверять? Что в продукте будет восприниматься как нарушение приватности? Как ты решаешь эту проблему сейчас? Что должно произойти, чтобы ты начал платить? | Еженедельный отчёт о финансах родителя; Push-уведомление при переводе незнакомому получателю; Тревожная кнопка на телефоне родителя; Блокировка перевода свыше 10 000 рублей; Белый список доверенных номеров; Маркировка звонков с незнакомых номеров. |
❓ Как интерпретировать ответы синтетических пользователей
Персона отказывается. Нужно выяснить: почему возник отказ; на каком барьере он основан; содержался ли этот барьер в интервью; относится ли он ко всему сегменту; можно ли изменить механику или упаковку решения.
Персона быстро соглашается. Нужно выяснить: при каких условиях человек согласится; какую конкретную ценность он ожидает; почему эта ценность важна; что может изменить решение; на каких данных модель основывает согласие.
Персоны противоречат друг другу. Это может указывать на сегментационную проблему.
Персона не знает того, чего нет в исходных данных. При недостатке информации модель начнёт достраивать ответ на основании общих знаний.
Принцип «garbage in, garbage out»: качество персоны равно качеству исходных материалов.
Нельзя доверять точным прогнозам поведения. Вопросы о будущем поведении рискованны и при интервью с реальными респондентами.
AI-персона может галлюцинировать. Ответ необходимо сопоставлять с исходными материалами и просить модель ссылаться только на предоставленную информацию.
Практика, показанная на воркшопе, входит в программу интенсива AI Research Sprint. На интенсиве участники проходят полный исследовательский цикл — от анализа рынка до создания AI-интерфейса к базе исследований.
https://rootsproduct.ru/ai-research-sprint
Что вы получите по итогам интенсива:
- Карта рынка и список гипотез — конкуренты, тренды, незакрытые боли, собранные и структурированные;
- Аналитический отчёт по интервью и опросу — какие гипотезы из карты подтвердились, какие сегменты выделились, где инсайты;
- Свалидированный оффер и UX-отчёт — ценностное предложение, сформированное на основе подтверждённых болей, а также список точек трения в пользовательском пути;
- Карта рисков — прогнали продукт через синтетических пользователей ещё до запуска и заранее нашли причины, по которым он может не взлететь;
- Размеченный массив отзывов — тональность, баги, повторяющиеся запросы по реальным отзывам запущенного продукта, всё в одной таблице с приоритетами;
- AI-интерфейс к базе исследований — загрузили весь архив за интенсив, задаёте вопросы, находите паттерны и точки роста.
Кому подойдёт интенсив:
- Продакт-менеджерам, которые хотят меньше тратить времени на рутину и больше — на решения;
- Продуктовым дизайнерам, которые ищут способ ускорить цикл от данных до инсайта;
- Фаундерам, которым важно быстро валидировать гипотезы без найма отдельного ресёрчера.
FAQ участников воркшопа
1. Может ли AI-персона отклонить идею, которую реальные пользователи сочли бы ценной?
Ответ Ольги →
Да, особенно если вопрос выходит за границы загруженных материалов. Поэтому ответ персоны — это сигнал, а не итоговое решение. Нужно изучить аргументацию, сопоставить её с реальными данными и при необходимости проверить гипотезу на пользователях.
2. Чем разговор с AI-персоной отличается от интервью?
Ответ Ольги →
Реальное интервью используется для получения новой информации. AI-персона работает с уже собранным материалом и помогает быстрее уточнять и развивать существующие гипотезы. Нельзя сначала создать вымышленную персону, а затем использовать её ответы как доказательство существования потребности.
3. Что делать, если синтетические и реальные пользователи отвечают по-разному?
Ответ Ольги →
Необходимо вернуться к исходным данным: проверить, на каких интервью построена персона; определить, представлен ли нужный сегмент; изучить контекст вопроса; проверить, не вышел ли вопрос за границы данных; при принятии важного решения опираться на реальное исследование.
4. Можно ли исследовать продукт, в котором нет классического интерфейса?
Ответ Ольги →
Да. Если пользователь взаимодействует с продуктом через AI-агента, такой агент фактически становится интерфейсом. Можно проверять:
- Понятность диалога;
- Последовательность вопросов;
- Реакции на ошибки;
- Доверие к ответам;
- Барьеры использования;
- Сценарии отказа;
- Соответствие агента пользовательской задаче.
5. Можно ли заменить preference-тест синтетическими пользователями?
Ответ Ольги →
Нет. AI-персоны можно использовать как предварительный фильтр: убрать явно слабые варианты или найти возможные проблемы. Финальный выбор дизайна необходимо проверять с реальными пользователями.
6. Как выбирать критерии сегментации?
Ответ Ольги →
Критерии формируются на основании:
- Гипотез команды;
- Desk research;
- Структуры рынка;
- Поведения пользователей;
- Конкурентных продуктов;
- Существующего опыта;
- Факторов, которые могут менять потребность и готовность платить.
В кейсе Guard использовались наличие предыдущего инцидента и расстояние между ребёнком и родителем, потому что команда предполагала, что эти факторы влияют на восприятие продукта.
7. Подходит ли Jobs to be Done для сегментации?
Ответ Ольги →
JTBD — один из возможных подходов, но не универсальная система.
Сегментировать можно по:
- Задачам;
- Поведению;
- Размеру бизнеса;
- Уровню зрелости;
- Опыту использования аналогов;
- Частоте проблемы;
- Роли в принятии решения.
Критерий полезен, если полученные сегменты действительно отличаются и позволяют по-разному проектировать продукт, коммуникацию или продажи.
Главные выводы воркшопа
- Продуктовые решения проваливаются из-за вопросов, которые не были заданы или были заданы слишком поздно.
- Исследовательские задачи зависят от стадии продукта.
- Discovery проверяет проблему, Validation — решение, Growth — способы оптимизации и масштабирования.
- ИИ ускоряет исследовательский процесс, но не меняет его фундаментальную логику.
- AI-персона должна строиться на реальных данных.
- Нужны интервью, продуктовый контекст, информация о сегментах, болях и текущем поведении.
- AI-персона — не источник объективной истины.
- Она помогает рассуждать, искать риски и готовить следующие проверки.
- Краш-тест нужен для раннего обнаружения слабых мест.
- Его результат — не решение о запуске, а список барьеров и исследовательских вопросов.
- Положительные ответы необходимо проверять так же внимательно, как отрицательные.
- Противоречия между персонами могут указывать на разные сегменты и несовместимые потребности.
- Новые инсайты следует искать у реальных пользователей.
- Синтетические пользователи работают в границах уже собранных данных.
- Хороший продукт начинается с правильных вопросов.
- ИИ делает исследования быстрее, дешевле и доступнее, но глубина по-прежнему зависит от исследователя и качества исходных данных.