Маркетинговые исследования за последние два года изменились кардинально. Раньше процесс занимал у компаний недели, тогда как сейчас все данные и итоговый материал, как правило, обходится в несколько часов. Однако скорость не всегда означает точность. Многие компании просто перестали проверять то, что делает за них ИИ и это сегодня главная проблема.

Где ИИ действительно помогает

Искусственный интеллект нужнее всего на этапах, где нужна скорость и масштаб. В первую очередь, это обработка больших массивов данных, например, расшифровка открытых вопросов, категоризация ответов, поиск повторяющихся паттернов. Простыми словами, модели сокращают время анализа, позволяя авторам исследования быстрее переходить к интерпретации результатов.

ИИ также хорошо помогает структурировать информацию из открытых источников, в том числе собирать упоминания бренда в СМИ и соцсетях, отслеживать тональность, группировать темы. Все это особенно полезно для мониторинга репутации, где объем данных превышает человеческие возможности.

Еще одна зона, где ИИ показывает себя хорошо, — это первичная генерация гипотез. Он может предложить несколько вариантов интерпретации данных, которые исследователь может не видеть из-за массива всех данных. В этом смысле ИИ работает как "младший аналитик", условно, оперативно собирая черновик, но не принимая финальных решений.

Где ИИ начинает искажать

Самая главная ошибка — массовые галлюцинации. Ни для кого не секрет, что ИИ может генерировать убедительные, но полностью выдуманные факты, цитаты и даже ссылки на несуществующие источники. Последствия подобных кейсов уже были за рубежом. Так, крупная консалтинговая компания Deloitte Australia согласилась частично вернуть государственному заказчику оплату за отчет стоимостью 440 тыс. австралийских долларов, при подготовке которого использовалась языковая модель. В документе обнаружили несуществующие источники и выдуманную цитату из судебного решения.

ChatGPT, например, дает корректные ответы только чуть более чем в половине случаев, а у некоторых моделей точность опускается ниже 40%. Те, кто регулярно пользуются ИИ в работе, постоянно сталкиваются с ошибками генеративных моделей. Это уже достоверно подтверждают данные многочисленных исследований.

Еще одна важная проблема, о которой мало говорят, заключается в усреднении. Например, нейросеть воспроизводит наиболее вероятный, "средний" сценарий, сглаживая при этом отклонения. В итоге нестандартные реакции, которые часто содержат самые сильные инсайты, просто теряются. ИИ не замечает того, что выбивается из паттерна.

То же самое касается потери контекста. Модель видит корреляцию, но не понимает причинно-следственные связи. Алгоритм может связать рост продаж мороженого и количество утопленников, "предложив" продвигать пляжный отдых через эскимо. Ошибки такого рода возникают из-за неспособности ИИ осмыслить бизнес-логику и отраслевую специфику.

Четвертая проблема — устаревшие данные. Модели обучаются на исторических срезах и физически не могу знать, что изменилось вчера. В маркетинге, где потребительские тренды меняются быстро, это наиболее критично.

Почему это становится системной проблемой

Сегодня большинство исследователей активно используют ИИ, причем многие делают это ежедневно. В итоге получается, что ИИ, который должен экономить время, добавляет новую работу, так как пользователю приходится тратить часы на ручную проверку данных, которые, как выясняется, уже не релевантны или не вызывают доверия.

Как правильно работать с ИИ

Самое главное правило — никогда не принимать выводы ИИ без проверки. Любой факт, цифра или ссылка должны быть перепроверены по первоисточнику.

Если все-таки решили использовать ИИ, то важно задействовать несколько независимых источников. Например, если один сервис показывает одни цифры, а другой — другие, причина не в том, что один "правильный". Скорее всего, оба — с разной степенью погрешности.

Важно также уметь разделять сбор данных и интерпретацию. ИИ может собрать и структурировать. Но объяснять, что эти данные означают для бизнеса, должен человек, который понимает контекст.

Недооцененное правило — документировать использование ИИ. Если вы не можете объяснить, как пришли к выводу, вам не стоит на него опираться.

ИИ в маркетинговых исследованиях уместен, но это не замена экспертизы. Да, можно ускорить рутину, но ИИ не понимает контекста, не чувствует аудиторию и не различает бизнес-приоритеты. Делегировать интерпретацию данных алгоритму без человеческого контроля сегодня становится все большим риском, чем эффективной стратегией.