Elveheti az AI a munkámat?
Az AI szerepe a kvalitatív kutatások feldolgozásában
Szakmabeliek egy részében felmerült már, hogy az AI megjelenése a kutatásokban elvezethet a teljes kutatás-automatizációhoz. Hisz az LLM alapú eszközök hónapról-hónapra vagy akár hétről-hétre fejlődnek, mára már nemcsak összefoglalásra, mintázatkeresésre vagy teljeskörű elemzésre alkalmasak, hanem akár a beszélgetések moderálását is képesek átvenni a kutatótól. Így felmerülhet a kérdés, hogy marad-e egyáltalán bármilyen humán elvégzendő kutatói feladat a jövőben?
A kutatók másik része azonban, ahogy egyre több tapasztalatot szerez az LLM szoftverekkel vagy az AI támogatott kutatási platformokkal, egyre tisztábban látja, hogy miben tudnak ezek az eszközök segíteni, hogyan tudják a munkát hatékonyabbá tenni. Mint ahogy azt is egyre tisztábban látják, hogy milyen korlátai vannak, melyek azok a kérdések, témák, amelyeket emberi részvétel nélkül nem lehet érdemben megválaszolni.
A szakmabeliek egy másik része azonban egyre inkább meggyőződik arról, hogy nem kell aggódnunk, nem fognak automatizálódni a kutatások. Ehelyett fel fognak értékelődni, hiszen az AI egyre jobban képes támogatni ezt a munkát is. Mint ahogy az is egyre egyértelműbbé válik, hogy csak velünk, kutatókkal tud teljessé válni a munka, csak a mi szakértelmünkkel lehet igazán jó az eredmény. Mi, itt a Works.-nél, is ezen az állásponton vagyunk.
Ebben a cikkben arra koncentrálok, hogy bemutassam, milyen előnyei vannak a mesterséges intelligencia használatának a kutatások elemzési fázisában.
Az ügyfeleink igényeire mindig igyekeztünk a lehető legnagyobb figyelemmel reagálni. Hiszen, ha elégedettek, ha bíznak bennünk, ha megfelelő támogatást kapnak tőlünk az üzleti dilemmáik megoldásához, akkor legközelebb is hozzánk fognak fordulni.
Az AI-val való kísérletezésünk hátterében is az ügyféligények állnak, azt mutatom be, hogy jelenleg, 2026. januárjában milyen hatékony, gép által támogatott megoldások tűnnek eredményesnek.
A kutatás mint közös építkezés: a biztos humán alapok és az irányt mutató „tervrajz” (a kontextus) nélkülözhetetlenek, miközben az AI a nehéz adatblokkok villámgyors helyretételében segít felépíteni a tudást. (A szimbolikus koncepciót és a képet a Gemini alkotta meg.)
Ügyféligény #1: Jövő hétre már szeretném az eredményeket is!
Pontos leiratok gyorsan
A legidőigényesebb lépése egy kvalitatív kutatásnak, hogy az interjúkból megfelelő leiratok, jegyzetek szülessenek. Tudjuk – és sokan nehezen fogadjuk el –, hogy ennek egy módja van: az interjúk visszahallgatása során történő részletes jegyzetelés. Ez nem ritkán két-háromszor annyi időbe kerül, mint maga a teljes interjú. Ezután már az összes többi lépés rövidebb és élvezetesebb is: mintázatok vizsgálata, problémák azonosítása és kategorizálása, okok-következmények megértése, javaslatok megfogalmazása, prezentáció készítése.
Az előbb említett, legkevésbé szeretett lépést már régóta tervezzük automatizálni. A Teams-t használjuk az interjúk készítésére, és hamar rájöttünk, hogy abban készül ugyan leirat, de az sajnos nagyon sok humán javítást igényel ahhoz, hogy jól használhassuk a szintetizáláshoz, elemzéshez. Emiatt a generatív AI fellendülése óta vizsgáljuk azokat az eszközöket, melyeknek célja a pontos leiratok készítése, és tavaly végre találtunk is olyat/olyanokat, amelyek megfelelő minőséget nyújtanak magyar nyelven is. Ezek összehasonlítását egy olyan módszer teszi lehetővé (WER – Word-error-rate számítás), amelyben meg kell számolni a félreértett, a kihagyott és az odahallott szavakat, és ezek összegét kell elosztani a jól azonosított szavak számával. Ezeknél az eszközöknél 15% alatti arányt kaptunk, ami kifejezetten jó eredménynek számít, míg a Teams-nél 50-60% közötti eredményeket kaptunk.
Tehát minimális humán időráfordítással remek leiratunk lesz. Rengeteg időt takaríthatunk meg ennél a lépésnél a Transkriptor vagy a Turboscribe segítségével.
Az idézetek keresése sem igényel órákat a prezigyártás véghajrájában
Van még egy lépés, ami elég lassú, és egy sietős projektnél időnként el is marad: az egyes insightokhoz megfelelő idézetek beillesztése a prezentációba. Azt gondolnád, hogy a pontos leiratok esetén könnyebb ezeknek a visszakereshetősége, de valójában nem, mert arra biztosan emlékszik a moderátor, hogy melyik alany mondott olyan gondolatot, ami jól támasztja alá a mondanivalónkat, de hogy a 30-40 oldalas átiratban hol találjuk, pontosan milyen kifejezést is “ctrl+f-ezzünk”, az már problémásabb. Ezt a lépést a NotebookLM gyorsította meg számunkra. A leiratokhoz a megfelelő kérdéseket feltéve azonnal kidobja a megfelelő idézeteket hallucináció mentesen, hiszen csak a feltöltött szövegekkel dolgozik.
A tisztánlátás eszköze: az AI prizmaként képes a beérkező kaotikus, nyers adathalmazt tiszta, értelmezhető insight-mintázatokká bontani, de szükség van az emberi kézre, amely a megfelelő szögben tartja és fókuszálja azt. (A szimbolikus koncepciót és a képet a Gemini alkotta meg.)
Ügyféligény #2: Még jobb minőségű eredményeket szeretnék!
Ahhoz, hogy meg tudjuk ítélni, hogy ebben hogyan tud teljesíteni az AI, egy új kísérleti munkamódszert vezettünk be. Úgy dolgozunk, hogy a leiratok elkészültét követően a kutatócsapat kettéválik, és egyikük a hagyományos módon elemez, míg másikuk ehhez igénybe vesz különböző AI eszközöket. Hiszen csak így lehet megítélni, hogy milyen minőségben tud támogatást nyújtani az AI.
Nézzük, hogyan dolgozik az AI támogatott csapat:
Egyrészt használnak LLM alapú chatbotokat, amelyek képesek jól támogatni a gondolkodást, az elemzést, ha jól használjuk őket. Ennek a kulcsa a promptolás és a kontextus teremtés.
Alap a megfelelő promptolás és kontextusteremtés
AI chatbotokkal történő beszélgetésünk során is teremtsük meg a kontextust, adjuk meg az üzleti célt, a kutatási célt, a hipotéziseket, és csak utána kezdjünk bele a beszélgetésbe. Hisz, ha nem érti a „beszélgetőtárs” a kereteket, nem fog tudni megfelelő segítséget nyújtani.
Használjunk megfelelő promptokat: nyugodtan legyünk specifikusak, határozzuk meg a kutatási kérdéseket vagy azokat a részkérdéseket, amelyekre adott válaszokkal, jó irányba haladhatunk az eredményekhez. Pl: ne arra kérd, hogy foglalja össze a beszélgetést, ne is azt kérdezd, hogy melyik alany mit emelt ki egy adott funkció használatánál, hanem inkább azt kérdezd meg, hogy milyen hasonlóságok és különbségek merültek fel az egyes alanyok adott funkcióra vonatkozó gondolataiban. Érdemes hozzátenni olyan részleteket is, amelyek a te saját interjútapasztalataidra építenek, pl: válassza szét a szolgáltatásra és a használhatóságra vonatkozó gondolatokat vagy kizárólag azokra az elemzési szempontokra koncentráljon, melyek szükségesek az adott projekt esetében.
És ki lehet jobb a promptolásban, kontextusteremtésben, mint egy kvali kutató?
Nekünk ugyanis a promptolás és a kontextus alkotás nem az AI-val érkezett az életünkbe. Minden olyan kvalitatív módszertannál, ahol a rugalmasság szükséges a jó eredményekhez, és a beszélgetőtársunkra való odafigyelés bármikor új kérdéseket vethet fel, azokat meg is kell kérdeznünk. Jó időpontban, jó kérdéssel. Tehát promptolunk rendszeresen az interjúinkban, és az AI chatbotokkal való beszélgetésben sokat segített ez a tudás.
A kutatásokban, az alanyokkal való beszélgetések legtöbbjében kiemelt jelentőségű az a kontextus, amit biztosítunk a beszélgetés elején. Hiszen, ha ez nem jó, akkor az alany teljesen más szemszögből közelítheti meg például egy prototípus koncepciójának megértését. Például ha egy vásárlási folyamat tesztelése során a prototípusban dummy árakat használunk, akkor nagyon fontos előzetesen egyértelművé tennünk az alany számára a kereteket, hogy tényleg az ergonómiára tudjon figyelni, ne pedig az árakkal legyen elfoglalva.
Tehát a promptolás és a kontextus teremtés képességét a kutatók az első években még tudatosan fejlesztik, aztán ösztönössé válik. Ezeket a képességeinket kell alkalmazni a generatív AI alapú eszközök használata során
Vannak eszközök, amelyek azonnal javasolnak új megközelítést, következő lépést. Ne hagyjuk, hogy elsodorjon a beszélgetésekben, ha kapunk valami jó javaslatot. Csak írjuk fel, de először haladjunk végig a saját megközelítésünk szerinti kérdéseken. Fontos, hogy amikor kérdezünk, akkor ahhoz hasonlóan ahogy az alanyokat kérdezzük, a gépet se befolyásoljuk. Ne a nehézségeket, problémákat szedessük vele össze, hiszen akkor azokat fog gyártani, és olyan dolgokat is fel fog erősíteni, amit a humán elemzés nem tenne.
Kutatási platformok használata
Eddig is rengeteg kutatás támogató platform volt elérhető a vállalatok számára, amelyek a humán elemzéseket eddig is képesek voltak jól támogatni. Azonban az elmúlt 2 évben szinte mindegyikbe került be valamilyen AI támogatott funkció vagy jöttek létre új platformok, amelyek már-már csodát is ígérnek. Természetesen ezekkel is folyamatosan kísérletezünk, mert ezeket összehasonlítva tapasztalhatjuk meg, hogy melyik miben jár élen, melyik hogyan képes a mi, vagy ügyfeleink napi munkáját megfelelően támogatni.
Az átnézett és kipróbált platformokat az alábbi csoportokba tudtam sorolni az elmúlt hónapokban. Ami közös volt bennük: Klassz landing page, ami alapján szívesen kezdenéd el használni, de… Mindig van de, ezúttal az alábbiak:
De a platform nem jól támogatja a kvalitatív kutatásokat, hanem más típusú ügyfélhang feldolgozást teszi lehetővé. Ilyenek: Kraftful, Collectif, Notably, Attention Insight
De kizárólag egy online demo után érhető el. Például: Yabble, Dovetail.
De nem beszél magyarul, mint az Askviable, Innerview vagy a Viable.
És végül mindezek után maradt néhány platform, amit tényleg el is tudtunk kezdeni használni, és azóta is szívesen dolgozunk velük, ha a projektünk lehetővé teszi.
Doreveal
Nemcsak a humán elemzést támogatja taggelési funkcióval, a tagek szerinti rendszerezés funkciójával vagy transzkriptből, videóból egy-egy idézet kiemelhetőségével, hanem arra is képes, hogy a videófájlok feltöltése után a kutatási kérdések alapján minden interjúból a megfelelő kérdésre választ adva interjúnként foglalja össze a fontos állításokat, és egy kattintással el is érem az ezekhez kapcsolódó videó vagy transzkript részleteket. A szintetizálás első lépéseinél ez nagy segítséget nyújt, és gyors áttekinthetőséget is. Tehát nincs szükség transzkriptre, hanem már a videófájlból képes eredményeket adni. Ennél a szoftvernél kihívást jelent még a magyar nyelv használata, mert bár képes a magyar nyelvű inputokat befogadni (brief, guide, interjúk, kutatási kérdések), viszont bármiben is kérjük a segítségét, arra angol nyelvű választ ad. Ez persze némi kompromisszumot jelent, de egyebként egy jó kutatótársként támogat bennünket.
Marvin
Sokáig ez a platform sem beszélt magyarul, de most már teljes értékű kutatótársként képes támogatni a munkát. Ami kifejezetten hasznos benne az az, hogy nemcsak az előre megadott kutatási kérdések mentén foglal össze, hanem egy-egy konkrét kérdésünkre is választ képes adni a konkrét interjúk hivatkozásait is megadva. Az egyes interjúkhoz nemcsak AI summary készül automatikusan, hanem AI notes is kérhető, így ez óriási segítséget jelenthet, ha például a kutatási csapaton kívülről bárki az üzleti csapatból vagy a menedzsmentből bepillantást szeretne nyerni. Ha egy órát tud egy ilyen csapattag a kutatásra szánni, akkor hasznosabb ez a funkció, mintha mindössze 1 interjút hallgatna meg, mert ennek a funkciónak a használatával sokkal teljesebb képet kaphat a résztvevők megéléseiről.
Navigáció az ismeretlenben: a folyton változó piaci környezet „digitális terepasztalát” az AI segít villámgyorsan feltérképezni, de a célt és a helyes irányt a humán szakértelem jelöli ki a zajban. (A szimbolikus koncepciót és a képet a Gemini alkotta meg.)
Ügyféligény #3: Érthetnétek még jobban bennünket!
A legtöbb ügyfelünk visszajelzése alapján elmondhatjuk, hogy azért szeretnek bennünket az ügyfeleink, mert jól értjük őket, az iparágukat, problémáikat és üzletileg is releváns javaslatokat tudunk megfogalmazni számukra a továbbfejlődésük érdekében. De ezt mindig lehet még jobban csinálni.
Piaci kontextus
Még ha a domain tudásunk megfelelő is, előfordulhat, hogy a szabályozás változásai vagy a versenytársak aktivitásai nem kerülnek a látóterünkbe azonnal. Ezen a területen (is) hasznos segítség, ha valamelyik AI chatbot segítségét kérjük. Ezekben az esetekben nem szükséges az ügyfelünk segítségét kérni, hogy ki tudjuk deríteni az aktuális piaci helyzetet, hanem elég csak a gépet kérdeznünk, és csak akkor egyeztetnünk a megbízónkkal, ha valami így sem egyértelmű.
Benchmark elemzések
Sosem volt ilyen könnyű. Persze kitartó keresgéléssel eddig is megtaláltuk azokat a szolgáltatásokat, weboldalakat, amelyek benchmarkként vagy best practice-ként követendő vagy kerülendő példaként ellenőrizhetők. De tipikus problémánk volt, hogy sokkal több időt igényelt megtalálni ezeket a megoldásokat (főleg külföldieket), mint utána megtalálni azokat az alanyokat, akik ezeket a megoldásokat használják. Mint ahogy könnyen ment az is, hogy be tudják nekünk részletesen mutatni azt a megoldást, amit mi magunk jó példának láttunk.
Most a generatív AI sokkal hamarabb átnézi a relevánsnak gondolt oldalakat, és listázza ki nekünk azokat, amit utána nekünk szakértőknek természetesen a régi megszokott módon ellenőriznünk kell. Napok spórolhatók meg a segítségével.
Korábbi kutatások, publikációk
Sokszor akad olyan új termék-, szolgáltatás- vagy funkcióötlet, amelyhez nincs megfelelő információnk a potenciális használók igényeiről, és nem fér bele a projekt kereteibe – akár időben, akár pénzben –, hogy kutatással derítsük ki, hogy tényleg jó-e az irány. A benchmark elemzésekhez hasonlóan eddig is volt lehetőségünk ilyeneket keresni a Google segítségével, de a releváns információt ezekben a keresésekben talán még nehezebben találtuk meg, mint ha csak szolgáltatót vagy terméket kerestünk volna. Mára azonban már olyan AI által támogatott megoldás is a rendelkezésünkre áll, amely csak szakértők által is megfelelőnek tartott (peer review-zott) kutatásokban és publikációkban keres, és bármilyen kérdésünkre hasznos találatokat ad, rövid összefoglalóval, és a teljes dokumentumhoz való hozzáféréssel. Például egy teljesen új termékötlet esetében is forduljunk hozzá nyugodtan, kérdezzük meg hogy talál-e bármilyen kutatási anyagot a témában, hiszen ha igen, akkor olyan információval gazdagodsz, amelyekhez néhány éve még lehet, hogy csak többmillió forintos kutatásokkal juthattál volna. Vétek kihagyni!
Csak a változás állandó
Most, 2026 elején, azt látjuk, hogy ezek azok az ügyféligények, amelyek kezelésében jó partnerként támogat bennünket mesterséges intelligencia. Hétről-hétre tapasztaljuk azonban, hogy mennyivel többet képesek kihozni az emberek az AI-ból, látjuk, hogy milyen jelentős lépésekben fejlődnek az eszközök, és tesznek bennünket is képessé a fejlődésre. Mi az idén is azon leszünk, hogy képesek maradjunk tartani a lépést az eszközök fejlődésével.
Nem látjuk még most tisztán, hogy még mi mindenre fogjuk tudni használni a jövőben, mint ahogy azt sem, hogy mire nem lesz alkalmas, akárhogy is próbáljuk. De figyelemmel kísérjük ezeket a lehetőségeket, és veletek is rendszeresen megosztjuk a tudásunkat, tapasztalatunkat.
A cikket Bartha Gizella, a Works. Senior Experience Designer kollégája írta.