Позвонили в понедельник. Нужно исследование рынка к четвергу, бюджет 40 тысяч, и главный вопрос: почему нас перестали покупать. Классический путь в такой ситуации: неделя на гайд, две недели на поле, ещё неделя на отчёт. К четвергу будет готов только бриф, а рынок за это время успеет сдвинуться.
Года три назад я бы честно сказал, что задача нерешаемая. Сейчас собираю каркас за вечер, а глубину наращиваю там, где она реально нужна. Нейросети тут не поумнели. Изменилась экономика процесса: черновик перестал стоить неделю работы.
Маркетинговое исследование без академического налёта
Словарное определение: форма бизнес-исследования и направление прикладной социологии, которое изучает поведение, желания и предпочтения потребителей, конкурентов и рынков. Всё верно, но звучит как научная работа, а не как рабочий инструмент.
На практике задача проще. Нужно снизить неопределённость перед решением, на которое ты потратишь деньги: выйти в новый регион, поднять цену, переупаковать продукт, сменить сообщение в рекламе. Каждое такое решение опирается на предположение о рынке. Исследование проверяет предположение до того, как оно станет дорогой ошибкой.
Дисциплина старая. Точку отсчёта ведут от 1923 года, когда Артур Нильсен основал ACNielsen и превратил опросы в статистику с выборками, панелями и повторяемостью. Логика с тех пор не поменялась: собрать данные, очистить, найти закономерность, перевести в решение.
Классика делится на направления. Исследование процесса принятия решения отвечает, почему человек купил именно это. Позиционирование показывает, как марка выглядит в голове целевого рынка рядом с конкурентами. Тестирование рекламы проверяет, работает ли сообщение и меняет ли оно поведение у кассы. Дальше идут ёмкость рынка, ценовые исследования, трекинг удовлетворённости. Механика разная, суть одна.
Старая проблема никуда не делась. Нормальный количественный опрос - это месяцы работы и бюджет, который у среднего бизнеса не заложен. Поэтому исследования делают на глазок, а потом удивляются, что гипотеза не сработала.
ИИ меняет не скорость, а частоту
Главный сдвиг не в том, что нейросеть пишет отчёт быстрее аналитика. Исследование можно делать не раз в год, а постоянно. Традиционные методы были трудоёмкими и дорогими, и именно этот барьер ИИ снимает: аналитика приходит быстрее, точнее и обновляется без нового тендера.
Дальше - неструктурированные данные. Отзывы на маркетплейсах, комментарии в соцсетях, треды на форумах, тикеты в поддержке, транскрипты звонков отдела продаж. Человек читает такое выборочно и предвзято, потому что устаёт к сотому отзыву. Модель прогоняет двадцать тысяч и вытаскивает повторяющиеся формулировки, а не те, что первыми попались на глаза.
Прогнозная аналитика. На исторических данных модель ищет, кто из клиентов с высокой вероятностью купит в ближайший месяц, а кто на грани оттока. Target так и делает: рассылает персональные предложения, предугадывая потребность по прошлым покупкам. Сегментация перестаёт быть статичной картинкой из презентации и становится живым списком, который обновляется каждую неделю.
Три режима, в которых ИИ реально полезен
Разведка. Нужно понять категорию, в которой ты новичок: кто игроки, какие аргументы используют, на каких площадках живёт аудитория, что пишут в отзывах. Модель с доступом к вебу собирает первичную карту за час-два. Финальным исследованием это не считается, зато видно, куда копать глубже и где заказывать нормальные данные.
Анализ собственных данных. Выгрузка отзывов, обращений, комментариев, ответов на открытые вопросы. Тут ИИ сильнее всего: объём большой, структура рыхлая. Кодирование открытых ответов вручную - ад. Восемьсот анкет, восемьсот формулировок, кодировщик выдыхается к середине. Модель размечает темы, считает частоты, вытаскивает цитаты-иллюстрации. Точность проверяй на выборке, но экономия времени кратная.
Эксперименты. A/B-тесты тем писем, офферов, сегментов, креативов. ИИ быстро перебирает варианты и учится на результате в реальном времени. Гипотезы, которые раньше согласовывали месяц, проверяются за неделю.
Как выглядит процесс от брифа до отчёта
Бриф. Формулируешь решение, которое собираешься принять, а не тему исследования. Разница огромная. «Изучить рынок ИИ-сервисов» - тема, из неё ничего не следует. «Понять, готовы ли люди платить 1500 рублей в месяц за доступ к флагманским моделям и что их останавливает» - уже решение: цена, упаковка, возражения в лендинге.
Сбор. Комбинируешь три потока: внутренние данные (продажи, поддержка, отзывы), внешние (соцсети, форумы, обзоры, конкуренты) и, если бюджет позволяет, первичку через опрос или интервью. Нейросеть помогает на этапе гайда: собрать черновик вопросов, отловить наводящие формулировки, разложить интервью в транскрипт и темы.
Анализ. Промпт здесь не «сделай анализ», а конкретная задача с форматом ответа. Чем уже задача, тем меньше воды на выходе.
Отчёт. Хороший отчёт содержит не только выводы, но и след: какие источники использованы, где выборка смещена, что осталось непроверенным. Модель оформит структуру, ответственность за интерпретацию всё равно на тебе.
Промпт, который работает
Универсального шаблона нет, но рабочий каркас выглядит примерно так: «Ты аналитик. Ниже 640 отзывов о нашем продукте и о двух конкурентах. Верни таблицу: тема, частота упоминаний, тональность, две дословные цитаты. Цитаты копируй буквально, не переписывай. Темы, которые встретились один раз, не выделяй, собери их в отдельный блок «единичные». Отдельно посчитай долю упоминаний цены и доставки».
Три правила, которые я вывел на своих провалах. Всегда задавай формат вывода, иначе получишь эссе. Запрещай модели додумывать: проси копировать цитаты дословно и указывать, где данных нет. Не грузи всё в один запрос, разбивай на этапы. Сначала темы, потом частоты, потом выводы по каждой теме отдельно. Качество на каждом шаге заметно выше.
И держи под рукой проверку. Возьми двадцать случайных отзывов, прочитай сам и сверь с разметкой. Если модель записала жалобу на доставку в тему «качество упаковки», категории надо переопределить и прогнать заново.
Где ИИ врёт, и почему это нормально
Языковая модель обучена предсказывать следующий токен, а не устанавливать истину. Попросишь «привести статистику рынка», она приведёт. Правдоподобную. Иногда реальную, иногда склеенную из общих мест. Отличить на глаз невозможно: цифры выглядят одинаково убедительно.
Лечится тремя привычками. Всегда просить ссылку на источник и проверять, что он существует и что в нём эта цифра есть. Не спрашивать цифры в пустоте, а давать конкретный документ и просить найти их там. И триангуляция: один вывод проверяется минимум по двум независимым источникам. Если модель уверенно называет объём рынка, а в открытых источниках цифра гуляет в десять раз, это не данные, это шум.
Есть и системные перекосы. Модели лучше знают англоязычные рынки. Русскоязычные ниши, особенно небольшие B2B-сегменты, они видят хуже: меньше текста в обучении, меньше упоминаний. Ответы там часто общие и бесполезные. Спасают не модели, а свои данные: звонки, переписка, выгрузки из CRM.
На Reddit практикующие исследователи отмечают неочевидный нюанс: темы модель размечает уверенно, а ломается на сарказме и цитатах с опечатками. Такие фрагменты дешевле просматривать руками, чем ждать от модели идеальной точности.
И ещё: ИИ не заменяет поле. Он не позвонит клиенту и не почувствует раздражение в голосе. Пять глубинных интервью часто дают больше, чем пятьсот обработанных отзывов, потому что там есть «почему», а не только «что».
Репрезентативность никуда не делась
Самая частая ошибка: люди думают, что нейросеть решает проблему плохой выборки. Не решает. Если ты собрал отзывы только с одного маркетплейса, где сидят охотники за скидками, никакая модель не сделает из этого картину всего рынка. Она аккуратно и красиво обобщит смещённые данные.
Перед анализом задай себе два вопроса. Кто именно попал в выборку и кто в неё не попал. И о чём эти люди могут судить компетентно. Отзывы хорошо отвечают про опыт использования и барьеры. Плохо отвечают на вопрос, купили бы люди продукт, которого ещё нет.
Агенты вместо промптов
Промпт - разовый запрос. Агент - исполнитель с ролью, инструментами и памятью. Для исследований разница принципиальная: агент держит контекст задачи, возвращается к данным, разбивает работу на шаги. Наблюдение, обработка, план действий. Агенты анализа данных уже сейчас вытаскивают паттерны и аномалии там, где человек видит просто массив строк.
Практические сценарии простые: агент-аналитик отзывов, агент-исследователь конкурентов, агент, который раз в неделю собирает дайджест упоминаний бренда. Настраивается один раз, дальше работает по расписанию, а ты приходишь с новой порцией данных.
Чем я пользуюсь сам
Из России главная проблема не в том, какую модель выбрать, а в том, как до неё дотянуться. Карты не работают, аккаунты улетают в бан, VPN добавляет головной боли и риска. Поэтому держу доступ через роутер 3GPT от 3SELLER: 3seller.com/3gpt. Один интерфейс, флагманские модели, оплата российской картой, через СБП или криптой.
Что доступно на момент, когда я это пишу: Chat GPT 6 Astra, the model 5, the model 5.1, the model 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для изображений, генерация видео. Плюс модели попроще для рутины, где флагман не нужен. Стартует от 149 рублей, без иностранных карт и посредников.

Для исследования удобен именно набор. Разведку рынка лучше делать моделью с веб-доступом. Кодирование отзывов дешевле гонять на средней модели: там не нужен гений, нужна усидчивость. Финальную сборку отчёта и формулировки выводов отдаёшь флагману. Переключаешься в одном окне и не переплачиваешь токенами топовой модели за каждую мелочь.
Готовые агенты под конкретную задачу
Отдельная фишка, которая экономит больше всего времени: готовые ИИ-агенты. Выбираешь агента под задачу, начинаешь общение, а модель меняешь прямо в чате, если понимаешь, что эта не тянет. Для маркетингового исследования это набор ролей: аналитик отзывов, исследователь конкурентов, редактор отчёта.

Контекст не нужно объяснять заново каждый раз. Агент держит роль и инструкции, ты приходишь с новой порцией данных. Один и тот же агент-аналитик отзывов работает и по твоему продукту, и по конкуренту, и по новой категории.
Картинки и видео в исследовании
Отчёт, который никто не открыл, бесполезен. Визуал работает на вовлечение: мудборд позиционирования, сравнение креативов конкурентов, референсы упаковки. Реалистичные изображения делаю через 3gpt-image, там же генерация видео и голоса для внутренних презентаций.


Практическая мелочь, которая окупается. Для теста рекламных сообщений дешевле сгенерировать десять вариантов креатива и прогнать их на тридцати респондентах, чем рисовать один баннер у дизайнера и надеяться. Гипотез становится больше, цена ошибки падает.
Сколько это стоит в деньгах
Цифры из моей практики, у вас могут отличаться. Количественный опрос на 1000 респондентов с нормальной выборкой у панельного провайдера: 150-300 тысяч рублей и три-четыре недели. Глубинное интервью: 8-15 тысяч за штуку плюс время на рекрут. Ручное кодирование открытых ответов: 30-60 рублей за анкету, и это только разметка, без выводов.
Проход тех же 1000 анкет через модель: несколько часов и стоимость токенов, которая измеряется сотнями рублей. Экономия не в том, чтобы отказаться от поля. Она в том, чтобы перенести бюджет с рутины на глубину: меньше денег на разметку, больше на интервью с реальными клиентами, где рождаются инсайты.
Куда всё движется
Направление понятное: исследования в реальном времени. Не отчёт по итогам квартала, а дашборд, который сам ловит сдвиг настроений и подсвечивает: за неделю выросла доля жалоб на доставку. Компании, которые это внедрят, будут реагировать на рынок за дни, а не за месяцы.
Второе: агенты, которые ведут исследование сами. Ставят гипотезу, собирают данные, проверяют, отчитываются. Человек остаётся на уровне постановки задачи и проверки выводов. Эксперименты, где две модели общаются между собой без вмешательства, уже перестали быть игрушкой и превращаются в прототип исследовательского конвейера.
Третье: смещение от сбора к интерпретации. Когда данные перестают быть дефицитом, дорожает умение задать правильный вопрос и не поверить красивой цифре. Навык скепсиса становится главным профессиональным качеством.
С чего начать на этой неделе
Возьми один конкретный вопрос, на который давно нет ответа. Почему клиенты уходят после второго месяца. Что пишут конкуренты в негативных отзывах. Какая цена выглядит справедливой. Собери 200-300 единиц текста по теме: отзывы, комментарии, тикеты, ответы на открытые вопросы.
Прогони через модель с чётким промптом и заданным форматом. Сверь выводы с тем, что говорят продажи и поддержка. Если картинка сходится, у тебя есть рабочий процесс, который повторяется раз в месяц и стоит копейки. Если нет, ты узнал, где врут данные, и это тоже результат.
Доступ ко всем моделям, о которых шла речь, открывается на 3seller.com/3gpt, там же агенты и генерация изображений. Начать с одного вопроса дешевле, чем ещё год принимать решения на ощущениях.