Урок 3: AI-анализ интервью и фидбека

Чему вы научитесь

• Быстро расшифровывать аудиозаписи глубинных интервью с таймкодами через Whisper и Yandex SpeechKit
• Защищать UX-анализ от галлюцинаций языковой модели с помощью требования дословных цитат и привязки к респондентам
• Отделять вежливые обещания о будущем («я бы точно купил») от реального прошлого опыта по методике «Спроси маму» (The Mom Test) Роба Фицпатрика
• Кластеризовать сотни отзывов из сторов, чатов и NPS-опросов в приоритетный список продуктовых задач

Для практики используем arckep.ru — все основные модели, без VPN, оплата рублями. Вы можете использовать любые другие сервисы.

Почему сырые записи интервью превращаются в «кладбище файлов»

После серии из 10 глубинных интервью по 45 минут у дизайнера или продакта остаётся 7,5 часов аудиозаписей. В ручном режиме расшифровка одного часа речи занимает 3–4 часа, а ещё столько же уходит на вычитку, разметку тегами в таблицах и сведение инсайтов. Итого — полноценная рабочая неделя (около 40 часов).

На практике у команды нет этой недели. В результате записи оседают мёртвым грузом в облачной папке, а решения принимаются на основе когнитивного искажения недавности (Recency Bias): дизайнер проектирует экран под впечатление от самого последнего или самого эмоционального собеседника, забывая, что говорили остальные девять человек.

Искусственный интеллект сжимает цикл обработки с 40 часов до 1,5–2 часов. Но у автоматического анализа есть опасная ловушка: если просто закинуть пять расшифровок в чат с просьбой «сделай выводы», нейросеть сгладит углы, припишет единичное мнение всем участникам и примет вежливые комплименты респондентов за реальный спрос. Разберём, как выстроить строгий исследовательский конвейер без потери достоверности.

Пошаговый пайплайн: от аудиозаписи звонка до проверенного отчёта

1. Подготовьте чистое аудио и сожмите размер файла. Записывайте звонки в Zoom, Google Meet или на диктофон в тихом помещении. Если запись велась в шумном месте, пропустите дорожку через бесплатный фильтр речи Adobe Podcast Enhance. Большие WAV-файлы (300–400 МБ за 45 минут) сожмите в компактный MP3 без потери разборчивости голоса командой: ffmpeg -i interview.wav -b:a 64k interview.mp3 (файл уменьшится до 15–20 МБ и мгновенно загрузится в любой сервис).

2. Выполните транскрибацию с сохранением таймкодов и разделением спикеров. Прогоните запись через Whisper API (доступен на arckep.ru с оплатой в рублях, стоимость около $0.006 за минуту, то есть ~25–35 ₽ за 45-минутное интервью) или через Yandex SpeechKit (cloud.yandex.ru, от $0.004/мин, отлично знает российские реалии, названия банков и локальный сленг). Обязательно сохраняйте временные метки (timestamps) в тексте.

3. Обезличьте и промаркируйте файлы респондентов. Перед загрузкой в языковую модель удалите персональные данные (фамилии, телефоны, email, номера договоров) и дайте каждому тексту короткий паспорт в шапке: [Респондент Р1: роль, опыт, текущий используемый сервис]. Это позволит модели связывать цитаты с профилем человека.

4. Запустите кластеризацию с защитой от галлюцинаций и фильтром «Спроси маму». Загрузите все 5–7 расшифровок в контекстное окно Claude (оно вмещает до 200 000 токенов — около 6 часов плотного разговора) вместе со специализированным исследовательским промптом.

Защита от галлюцинаций и фильтр «Спроси маму» (The Mom Test)

В UX-исследованиях с AI есть две главные угрозы, которые могут пустить продукт по ложному следу:

1. Галлюцинации обобщения (Summarization Hallucinations). Когда вы просите нейросеть «написать инсайты», она стремится выдать красивый связный текст. Если в транскрипции не было ответа на ваш вопрос, модель может «додумать» логичную фразу или перефразировать слова человека так, что смысл изменится на противоположный. Решение: жёсткий запрет на пересказ без дословной цитаты в кавычках и указания кода респондента с таймкодом [Р2, 18:40]. Если модель не может привести точную цитату из файла — утверждение удаляется.
2. Ловушка социально одобряемых обещаний. Как доказал Роб Фицпатрик в книге «Спроси маму» (The Mom Test), люди на интервью не хотят обижать автора проекта. На вопрос «Вам нравится этот экран? Вы бы купили подписку за 990 рублей?» 8 из 10 человек вежливо ответят: «Да, выглядит отлично, я бы точно пользовался!» — а после релиза не купят ни одной подписки.
   • Шум (отбраковывать): любые высказывания в будущем и сослагательном наклонении («я бы стал использовать», «мне кажется, это удобно», «я бы заплатил»), а также абстрактные рассуждения («я обычно всегда проверяю аналитику»).
   • Твёрдый факт (принимать в работу): только конкретные действия в прошлом времени и уже понесённые затраты времени или денег («в прошлый вторник я полтора часа вручную сводил таблицу в Excel», «я пробовал сервис X, но удалил его через два дня, потому что он требовал привязку корпоративной карты»).

Промпт для строгого анализа интервью (с защитой от галлюцинаций и The Mom Test)

Ты — ведущий продуктовый исследователь. Ниже приведены расшифровки [N] пользовательских интервью о продукте [название/сфера].

ЖЕСТКИЕ ПРАВИЛА АНАЛИЗА (нарушение недопустимо):
1. Никаких домыслов: каждый вывод обязан опираться ТОЛЬКО на предоставленный текст. К каждому тезису приводи дословную цитату в кавычках с кодом респондента и таймкодом в формате [Р1, 12:45]. Если точной цитаты нет — не включай тезис.
2. Фильтр «Спроси маму» (The Mom Test): жёстко разделяй реальный прошлый опыт респондента и его обещания о будущем. Фразы вида «я бы купил», «мне нравится идея», «я бы пользовался каждый день» НЕ считай подтверждением спроса — выноси их в отдельную секцию «Неподтверждённые обещания (комплименты)». В качестве доказанных болей учитывай только истории о том, что человек УЖЕ делал в прошлом, как решал проблему раньше и за что уже платил.

Сформируй отчёт по 5 блокам:

1. КЛАСТЕРЫ РЕАЛЬНОГО ОПЫТА И БОЛЕЙ (отсортируй по частоте)
   Для каждого кластера:
   - Название проблемы и этап сценария
   - Частота и сила сигнала: СИЛЬНЫЙ (4–5 из 5) / УМЕРЕННЫЙ (2–3 из 5) / ЕДИНИЧНЫЙ (1 из 5)
   - Дословные цитаты о прошлом опыте с кодом [Рx, мм:сс]
   - Текущий обходной путь (Workaround): как респонденты справляются с этой болью прямо сейчас без нашего продукта

2. ОТСЕЯННЫЕ КОМПЛИМЕНТЫ И ФАНТАЗИИ О БУДУЩЕМ (фильтр The Mom Test)
   - Где респонденты говорили вежливые гипотетические фразы («я бы...»), которым опасно верить на слово без проверки действием

3. НЕОЖИДАННЫЕ НАХОДКИ И ПРОТИВОРЕЧИЯ
   - Где реальное поведение человека расходится с его собственными заявлениями в начале разговора

4. ТАБЛИЦА ПРОДУКТОВЫХ РЕШЕНИЙ ДЛЯ ДИЗАЙНА
   - Доказанная боль → Какой конкретный экран/элемент интерфейса меняем → Как проверим успех

[Вставьте промаркированные транскрипции Р1..Р5]

Пример фрагмента верифицированного отчёта (мобильный банк)

КЛАСТЕР 1: Страх ошибки при переводе крупной суммы по номеру телефона
Сила сигнала: СИЛЬНЫЙ (4 из 5 респондентов: Р1, Р2, Р3, Р5)
Доказательства из прошлого опыта:
- «В прошлом месяце переводила за аренду квартиры 65 тысяч, три раза перепроверяла цифры и всё равно сначала скинула 10 рублей на проверку, а потом звонила хозяину узнать, дошло ли» [Р2, 09:15]
- «Вчера оплачивал доставку стройматериалов курьеру по номеру, там высветилось только имя и первая буква фамилии — я 5 минут стоял у машины и боялся нажать кнопку» [Р5, 21:40]
Текущий обходной путь (Workaround): Переводят «пробные 10 рублей» перед основной суммой, тратя двойное время.

ОТСЕЯННЫЕ ОБЕЩАНИЯ (фильтр The Mom Test):
- Респонденты Р1 и Р4 сказали: «Было бы круто иметь голосовой помощник для переводов, я бы точно им пользовался» [Р1, 31:10]. При этом на уточняющий вопрос выяснилось, что ни один из них ни разу за год не запускал уже существующего голосового ассистента в приложении. Вывод: голосового бота в разработку НЕ берём.

РЕШЕНИЕ ДЛЯ UI:
На экране подтверждения перевода крупно выделять банк получателя, маску имени и добавить плашку «Вы уже переводили этому человеку 15 сентября (65 000 ₽)» для снятия тревоги при повторных платежах.

Массовый анализ текстовых отзывов из сторов, чатов и NPS-опросов

По тому же принципу доказательной кластеризации обрабатываются сотни коротких текстовых отзывов из App Store, Google Play, Яндекс Карт или форм обратной связи на сайте.

Промпт для категоризации массива отзывов

Проанализируй выгрузку из [N] реальных отзывов пользователей о сервисе [название].
Твоя задача — превратить поток жалоб в приоритизированный план правок UX/UI.

1. Разбей все обращения на смысловые категории (Онбординг и вход, Оплата и тарифы, Навигация и поиск, Скорость и баги, Поддержка).
2. Для каждой категории посчитай точную долю упоминаний (количество и % от общего числа отзывов).
3. Выдели ТОП-3 критических UX-блокера, из-за которых пользователи удаляют приложение или ставят 1 звезду. К каждому блокеру приведи по 3 дословные цитаты.
4. Отдели технические сбои сервера («не грузится экран») от проблем дизайна интерфейса («не понял, как отменить автопродление»).
5. Предложи конкретное изменение в дизайне интерфейса для каждого из 3 UX-блокеров.

[Вставьте список отзывов]

Специализированные репозитории инсайтов для команд

Если вы работаете в продуктовой команде, где интервью проходят каждую неделю, хранить текстовые файлы в разрозненных документах неудобно. В 2026 году стандарт индустрии — единые базы знаний (Research Repositories):

• Dovetail (dovetail.com, от $29/мес) — профессиональный репозиторий исследований. Позволяет выделять цитаты прямо по тексту расшифровки, автоматически нарезает видеоролики (Highlight Reels) с живыми эмоциями пользователей на конкретной секунде звонка и связывает инсайты с задачами в Jira и макетами в Figma. Короткая 40-секундная видеосклейка, где три разных клиента подряд чертыхаются на одной и той же кнопке, убеждает разработчиков и руководство сильнее любого текстового отчёта.
• BuildBetter AI (buildbetter.ai) — автоматический регистратор созвонов в Zoom и Google Meet, который сам тегирует запросы на новые функции (Feature Requests), жалобы на юзабилити и баги, выстраивая хронологию проблем продукта.