Будущее исследовательской функции в бизнесе: горизонт 2026–2036

Искусственный интеллект ускоряет сбор и анализ данных, а исследовательские методы становятся доступны продактам, маркетологам и другим специалистам. Границы между ролями размываются. Если бизнес получает инсайты быстрее и дешевле, в чем будет ценность инхаус-исследователя через десять лет и за какие решения в компании он будет отвечать?

Чтобы ответить на этот вопрос, команда исследователей Контура провела форсайт-сессию с 30 senior-исследователями, руководителями профильных функций и заказчиками из крупных компаний разных отраслей. Вместе мы построили сценарии будущего и рассмотрели, как к 2036 году компании будут принимать решения на основе данных и какие исследовательские роли будут актуальны для бизнеса.

В Контуре исследования — самостоятельное направление маркетинга. Команда изучает рынки, отрасли и тренды, ищет возможности для продуктов и помогает обосновывать продуктовые и маркетинговые стратегии. Исследователи работают вместе с продактами, продуктовыми маркетологами, аналитиками и продажами, а результатами делятся между командами. В экосистеме более 70 B2B-продуктов, в маркетинге работают 400+ специалистов. Поэтому нам важно понимать, как будет меняться роль исследователя и к чему готовить продуктовые и маркетинговые команды.

Главный результат форсайт-сессии: четыре сценария будущего, которые дают ориентир в принятии решений для стратегии развития исследовательской функции уже сейчас.

Тренды, которые меняют бизнес, его окружение и запрос к исследованиям

Чтобы представить работу исследователя в 2036 году, сначала нужно понять, как за это время изменятся потребители, запросы бизнеса и работа с данными. Для форсайта мы отобрали тренды, которые уже заметны и будут влиять на эти изменения в долгосрочной перспективе.

Потребители: жизненные приоритеты и способы выбирать

Демография: «серебряная» экономика, зумеры и одиночные домохозяйства. Потребительский рынок все сложнее описывать одним портретом: «серебряная» экономика охватывает потребности людей 50+, а зумеры иначе относятся к семье и потреблению, для них теряют привлекательность обладание собственностью и классическая конкуренция. Растет и число домохозяйств из одного человека, и представление о «типичном потребителе» меняется. При этом для людей разных возрастов все важнее забота о себе — здоровье, развитие и питание.

Повседневность: границы между работой и личной жизнью размываются. Дефицит времени меняет образ жизни. Работа из офиса и из дома, стремление выстроить жизнь в пределах района или квартала. Рабочие и личные занятия перемешиваются в течение дня, общение и развлечения вплетаются в работу: по данным РОМИР, россияне около пяти часов в день совмещают разные виды деятельности. Многозадачность, просмотр контента на скорости 2х и сразу с двух экранов — сигналы этих же изменений.

Внимание: компаниям все сложнее установить контакт с покупателем. В потоке сообщений человек фильтрует онлайн-триггеры и обращает внимание только на то, что для него важно. Компаниям приходится конкурировать за его внимание: одного обращения часто недостаточно, а до действия могут потребоваться десятки касаний.

«Сегодня количество социальных взаимодействий огромно, покупатель пытается оградить себя от разовых коммуникаций и сфокусироваться на наиболее ценных для него. Бизнес борется за внимание покупателя, нам становится все сложнее установить контакт с нашей целевой аудиторией», — говорит Анастасия Сидорина.

AI-посредники: покупатель передает агенту выбор и общение с компанией. Вместо самостоятельного поиска товаров человек обращается к AI-агентам, поручает им сформировать корзину и общаться с продавцом. Пока это делают только новаторы, но практика быстро распространяется. Маркетологам все сложнее будет добраться до покупателя: между ними появляется агент, которому делегировали часть решений.

Поляризация: живой сервис становится признаком премиального сегмента. Средний класс размывается, а рынок делится на массовый сегмент и люкс. В массовом сегменте AI и алгоритмы стандартизируют выбор, а персональные менеджеры, живые консультации и человеческое общение становятся частью премиального предложения.

Бизнес: от исследователей ждут идей для новых направлений роста и участия в решениях

Конкуренция: AI ускоряет создание фич, растет роль маркетинга и репутации. Создавать продукты становится дешевле и быстрее: конкурент может воспроизвести фичу за несколько недель. Большее значение получают доверие, бренд, репутация и понимание неочевидных контекстов жизни клиента.

Запрос бизнеса: исследования должны помогать выбирать будущие ниши и продукты. Объяснение прошлых результатов, например логики выбора потребителей, перестает быть достаточной задачей для исследовательской функции. Бизнесу нужны данные о том, где расти и какой продукт создавать. От инхаус-команды ждут инициативы: самостоятельно предложить направление исследования и взять ответственность за него.

«Бюджеты на сервисную функцию будут снижаться. У компаний есть ожидание, что исследовательская функция инхаус будет агентна и субъектна — будет работать с запросом, забирать ответственность за полезность исследований себе, а не ждать идеального заказчика», — говорит Николай Бобров.

Партнерства: компании объединяются для создания сервисов и обмениваются данными. На сложном рынке технологическое сотрудничество и общие экосистемные решения могут оказаться выгоднее прямой конкуренции: бизнес выбирает совместную разработку сервисов и обмен данными, чтобы лучше понимать клиентов.

Модели оплаты: от предоплаты за товар к подписке и оплате за результат. Компании предлагают подписку на сервис, бесплатную базовую версию с платными дополнительными возможностями или оплату за результат. Предельный вариант — «подписка на жизнь», которая охватывает повседневные потребности.

Сближение функций: исследователи и продакты осваивают задачи друг друга. Границы между исследованиями, аналитикой и продакт-менеджментом становятся менее четкими.

Данные: цифровой путь клиента становится подробнее, данных больше, доступ к ним усложняется

Регулирование: взаимодействие с государством становится необходимостью. Государство усиливает влияние на работу компаний: это касается цифровых платформ, «Честного знака», «Госключа», НДС и регулирования трафика. Для бизнеса растет значение GR — работы с государством и его требованиями.

Инфраструктура: государство становится центральным хабом данных. Один из вариантов на дальнем горизонте — интеграция клиентских данных на государственных платформах. Примером служит китайская модель суперприложений.

Потребительский путь: оцифровка усиливает борьбу за данные. Среди множества предложений человеку все сложнее выбирать самостоятельно, поэтому он передает алгоритмам рутину и часть решений. Компании гиперсегментируют аудиторию и персонализируют точки контакта и траектории движения к покупке. За данные растет конкуренция.

Кризис «мусорных данных» и ботов: очистка и проверка обходятся дороже сбора. Объем данных растет, а их качество снижается из-за синтетического контента и ботов. Онлайн-панели уже сталкиваются с усталостью респондентов и автоматизированными ответами ради вознаграждения. Проверка и очистка уже требуют больше затрат, чем сбор, при этом задач у исследователей становится больше, а ресурсы остаются ограниченными.

«У будущего исследований есть много противоречий. С одной стороны, рост и ускорение задач возникают в любом случае, а с другой стороны, мы будем работать в условиях ограниченности ресурсов. Мы ускоряемся, ускоряемся и ускоряемся. При этом есть вопросы к доверию и качеству данных. Как это делать, чтобы не снизить качество результатов?» — говорит Мария Незговорова.

Автоматизация: исследователь проверяет выводы AI и отвечает за их применение. AI делает сбор и производство знания быстрыми и дешевыми. Вместе с автоматизацией экспертной работы растет значение верификации: исследователю нужно оценить достоверность результата, его ценность и применимость к конкретному решению.

«Контакт с реальностью не автоматизируется… мы как исследователи будем строить систему помощи в принятии решений, которая будет сочетать человеческое понимание с машинной скоростью и масштабом. И будем нести за это ответственность», — говорит Дмитрий Соловьев.

Сценарии будущего на горизонте до 2036 года

На форсайт-сессии четыре группы независимо разработали сценарии на основе значимых трендов. В одних AI принимает решения за человека, в других покупатель сам управляет данными через цифрового аватара. Одни миры построены вокруг экосистем, другие — вокруг живого общения.

При сравнении сценариев мы выделили три вопроса, вокруг которых строится дискуссия о будущем.

• Что поможет бизнесу выигрывать конкуренцию: автономные решения AI или сочетание технологий с человеческой интуицией и творчеством?
• Кто будет управлять выбором покупателя: алгоритмы экосистем или сам человек с помощью цифрового аватара?
• У кого окажется контроль над данными: у государства или частных экосистем?

Эти вопросы стали тремя осями неопределенности. Каждая показывает диапазон между двумя крайними вариантами будущего.

Четыре сценария будущего: от власти экосистем до возвращения к живому общению

Мы оттолкнулись от трендов и полюсов трех осей, чтобы собрать сценарии будущего: от мира крупных экосистем и повсеместного AI до возвращения к живому общению. В таблице показываем, как в каждом из них устроена среда, как ведет себя потребитель и чем занимается исследователь.

Эти сценарии — не предсказания будущего, а выкрученные на максимум варианты развития событий под влиянием трендов. Они помогают отслеживать изменения и замечать, какие элементы сценариев проявляются в реальности. На практике разные сценарии будут сочетаться.

Три роли исследователя: автоматизатор, интерпретатор-эмпат и стратег

Получение данных, их обработка и интерпретация автоматизируются, а бизнесу нужны скорость и решения, которые дают конкурентное преимущество в нестабильной среде. Поэтому переход от отдельных проектов к полноценному партнерству с бизнесом становится неизбежной эволюцией исследовательской функции. Исследователь сам предлагает направления работы, глубже понимает цели компании и связывает рекомендации с выручкой, P&L и продуктовыми метриками. Внутри этой роли формируются три специализации.

Исследователь-автоматизатор: обеспечивает непрерывный поток проверенных данных

Объединяет транзакции, логи, клики, открытые и внутренние источники, выстраивает стек AI-инструментов и систему агентов для наблюдения за рынком и конкурентами. AI здесь служит инфраструктурой, которую исследователь настраивает и контролирует. Его ключевой навык — свести разрозненные данные и наладить непрерывный поток инсайтов.

Исследователь-интерпретатор и эмпат: объясняет поведение и представляет интересы клиента

Сохраняет живой контакт с человеком, разбирается в его ценностях и логике решений, объясняет аномалии в данных. AI освобождает время от рутины, чтобы исследователь мог глубже изучать культурные нормы, страхи и мотивы. В этой роли форсайт отводит человеку понимание контекста, принципиально недоступного алгоритмам, и защиту интересов потребителя внутри компании.

Исследователь-стратег: связывает исследование с выбором направления для бизнеса

Ищет возможности роста, составляет карту решений, помогает сформировать стратегию, защитить бизнес-кейс и запустить эксперимент. AI ускоряет аналитику и проверку гипотез. Исследователь становится соавтором бизнес-решения и принимает ответственность за направление развития продукта или компании.

Что включить в стратегию исследовательской команды на ближайшие один — три года

Сценарии дают нам возможность заглянуть в будущее исследований. Чтобы подготовиться к любым исходам и сохранить ценность исследований для бизнеса, мы сформулировали, что командам можно делать в ближайшие один — три года. Это пять направлений, которые можно включить в стратегию развития команды.

Главный вызов: субъектность функции исследований в бизнесе. Как перейти от сервисной функции к роли бизнес-партнера?

Если функция остается исполнителем входящих ТЗ, ценность роли снижается: информация дешевеет, а решения нужно принимать быстрее. Сила инхаус-исследований в партнерстве с бизнесом, которое предполагает собственную инициативу и готовность разделять ответственность за результат.

Задачи:

• Синхронизировать исследовательскую работу с бизнес-метриками. Учитывать не только качество исследований, но и их влияние на time-to-market решений, привлечение и удержание клиентов, выручку и P&L.
• Инициировать исследования проактивно. Запускать опережающие проекты на стыке рыночных трендов и задач команд, приносить данные о перспективных нишах до появления формального брифа.
• Брать персональную ответственность за рекомендации. Ставить профессиональную «подпись» под выводами и разделять с бизнесом риски продуктовых и стратегических решений.
• Обновить позиционирование функции внутри компании. Пересмотреть принципы, миссию и внутренний бренд команды, закрепить роль как стратегического партнера.

Вызов внешних коммуникаций. Как сохранить контакт с потребителями

Доступ к думающему респонденту дорожает и усложняется. Люди перегружены звонками, спамом и опросами, а из-за мошенников осторожнее относятся к приглашениям. В онлайн-панелях появляются боты и профессиональные респонденты, которые массово генерируют ответы с помощью нейросетей. В B2B узкие клиентские базы истощаются из-за частых обращений.

Прежний офер «повлиять на продукт» тоже теряет привлекательность: сервисы стали привычными и удобными, а люди стремятся сократить лишние коммуникации.

Задачи:

• Развивать комьюнити и закрытые панели. Поддерживать долгосрочные доверительные отношения с клиентами.
• Проверять новые оферы для респондентов. Тестировать справедливую рыночную оплату, закрытый клуб для нетворкинга, встраивать геймификацию в процессы.
• Использовать цифровой след, чтобы масштабировать источники данных. Заменять часть опросов анализом логов, чеков, транзакций, обращений в поддержку и поисковых запросов.
• Создавать и изучать синтетических респондентов. Понять возможности и границы применения AI для своей отрасли, встроить синтетические данные в цепочки принятия решений. Тестировать формат интерактивных чат-интервью с людьми через AI-модераторов.
• Создавать корпоративные контуры знаний (RAG-системы). Выстраивать архитектуру централизованного хранения результатов исследований, отчетов и клиентских инсайтов с семантическим поиском, чтобы исключить дублирование работ и обеспечить преемственность знаний.

Технологический вызов. Как интегрировать AI с хорошим ROI и сохранить качество исследований

Возможности искусственного интеллекта кажутся ответом и на вызов скорости, и на вызов поиска альтернативных опросным методик и источников данных. Но первичная эйфория от внедрения языковых моделей сменяется операционным кризисом: во многих командах AI не сократил, а увеличил трудозатраты. К прежним операциям добавились подготовка промптов, многократные итерации и перепроверка ответов. Осмысление и проверка гипотез остаются узким местом, а экономический эффект автоматизации пока трудно оценить. С этим связаны информационная перегрузка, технологическая тревожность и выгорание.

Задачи:

• Оцифровать эффект внедрения AI. Возможно, сменить метрики и измерять успех не в количестве протестированных гипотез, а в скорости time-to-decision и качестве итоговых решений.
• Снижать технологическую тревожность и информационную перегрузку сотрудников. Собрать базу проверенных промптов и скиллов, развивать внутренние сервисы и защищенный контур корпоративных данных.
• Перепроектировать процессы вокруг AI. Не встраивать нейросети к сложившимся процессам, а тестировать новые форматы параллельно. Например, такие, где рутина делегирована агентам, а человек в цепочке выступает в роли экспертного валидатора на контрольных точках.
• Проверять и сопоставлять источники. Валидировать синтетические данные и выстраивать триангуляцию: сопоставлять цифровое поведение с глубинным контекстом и качественными данными, внутренние источники с внешними, работать с мультимодальными материалами.
• Накапливать знания команды. Централизованно хранить исследования, отчеты и клиентские инсайты, использовать семантический поиск, в том числе RAG. Такая база помогает находить прежние результаты, сохранять преемственность и избегать повторной работы.

Корпоративный вызов. Как удержать методологию и качество в условиях демократизации исследований

Продакты, дизайнеры и маркетологи массово идут «в поля» и собирают AI-агентов для desk research, экспресс-интервью и суммаризации транскриптов. С одной стороны, это снимает с исследователей операционную перегрузку, с другой — порождает неконтролируемое качество: команды принимают критические решения на основе поверхностных AI-выжимок и невалидных интерпретаций. При этом сама исследовательская функция может попасть под сокращение.

Задачи:

• Возглавить исследовательский DIY. Выстроить методологию и стандарты самостоятельных исследований внутри компании. В том числе подключать AI-агентов для исследовательского процесса.
• Внедрить институт партнерства и закрепить исследователей за ключевыми продуктовыми направлениями. В роли «играющих тренеров» помогать командам составлять план исследования, выбирать метод и проверять гипотезы.
• Валидировать внутренние исследовательские AI-инструменты. Проверять агентов, парсеры и суммаризаторы, которые коллеги собирают для себя.
• Находить в этом новую сильную роль медиатора интересов разных функций. Прокачивать навыки переговоров, учиться работать со сложными стейкхолдерами и разрешать конфликты между продуктовой, маркетинговой и другими командами.

Карьерный вызов. Как изменить карты компетенций исследователей и развивать джунов

Привычное деление исследований на качественные и количественные уходит в прошлое. Специализации будут формироваться иначе: вокруг автоматизации либо валидации и интерпретации данных, а также вокруг уровня решений, с которыми работает исследователь. Изменится и карьерная лестница. Рутинные задачи, с которых специалисты начинали профессию, будут автоматизироваться, а спрос на senior-исследователей продолжит расти.

Задачи:

• Перепроектировать карьерные треки. В индивидуальных траекториях развития предусмотреть дополнительную техническую, коммуникационную или стратегическую специализацию.
• Изменить требования к junior-позициям. Отказаться от найма начинающих специалистов только под ручной механический труд.
• Перестроить стажировки. Давать новичкам опыт проверки чужих данных, помощи на стратегических сессиях и проектирования AI-процессов, связывая обучение с будущими задачами функции.

Что ждет исследовательскую функцию на горизонте трех-пяти лет

Развивать партнерство с бизнесом, обновлять рекрут, работу с AI и карьерные треки, поддерживать самостоятельные исследования коллег можно уже сейчас. На горизонте трех-пяти лет появятся новые вызовы, к которым можно готовиться уже сейчас: изучать совместные решения человека и AI-агента и сохранять самостоятельность исследовательского мышления.

Изучать предстоит человека вместе с его AI-агентом. Уже сейчас появляются сегментации покупателей по тому, как они используют AI. На горизонте трех-пяти лет форсайт выделяет новый объект исследования: совместные решения человека и его цифрового помощника. Чтобы понять потребительский выбор, исследователю понадобится разбираться в их взаимодействии.

Методологическое мышление исследователя станет преимуществом. Привычка получать готовые ответы может ослабить умение формулировать проблему, критически оценивать выводы и связывать их в целостную картину. Запрос на развитие критического мышления, системность и методологию есть.

Форсайт не дает точного ответа, какой будет исследовательская функция в 2036 году. Но он помогает командам заранее увидеть возможные изменения и понять, что можно делать уже сейчас. Развивать партнерство с бизнесом, осваивать работу с AI, искать новые методы и пересматривать карьерные треки. Будущее функции складывается из этих решений, и исследователи могут вместе влиять на то, каким оно станет.