Рассказываем про Discovery — уникальное решение для продуктовых исследований с ИИ-помощником
В Сбере идей всегда было много, а вот быстро и системно проверять их оказалось сложнее. Ответом стал Discovery — инструмент, который впервые объединил весь путь работы с гипотезами: от их формулирования до анализа исследований.
С ним команды быстрее находят инсайты и принимают решения на основе данных о пользователях и их потребностях.
Вместе с Ольгой Дятловой, исполнительным директором ПАО «Сбербанк», на примере опыта команды Сбера разбираем, как появился Discovery, почему у него нет аналогов и как ИИ помогает исследователям работать быстрее.
Зачем вообще понадобилось что-то менять?
В Сбере сотни продуктовых команд параллельно работают с гипотезами. При этом до появления Discovery каждая команда выстраивала процесс по-своему: использовала таблицы, отдельные сервисы, собственные методики и форматы хранения результатов.
Со временем это привело к системным проблемам: результаты исследований хранились в разных местах, опыт не переиспользовался, было сложно масштабировать лучшие практики — работа с идеями оставалась фрагментированной.
Discovery изменил эту логику. Сегодня весь начальный этап — от генерации идеи до решения о её реализации — автоматизирован. Команды сначала приоритизируют гипотезы, выбирают значимые и только потом переходят к исследованиям. По их итогам принимается решение, реализовывать идею или нет.
Discovery встроен в производственный цикл банка и поддерживает существующие роли и регламенты. Это убирает разрозненность, формирует единую логику работы с гипотезами и заметно сокращает путь от идеи до решения.
Есть ли аналоги на рынке?
Короткий ответ: нет.
Ольга много лет работает с пользовательскими исследованиями и начала изучать рынок задолго до запуска Discovery. Этот мониторинг продолжается и сегодня: команда смотрит как на российские, так и на зарубежные решения, общается с коллегами из других компаний — «ВкусВилла», «Авито», «Циана», ВТБ и др. Сбер делает это осознанно, чтобы понимать, как развивается индустрия, какие задачи решают другие продукты и какие подходы появляются на рынке. Discovery — уникальный инструмент, но рынок исследовательских платформ постоянно меняется. Поэтому команда регулярно изучает внешние решения, чтобы развивать продукт с учётом лучших практик и оставаться на шаг впереди.
Что есть на рынке сейчас:
- инструменты для отдельных методик исследований — например, сервисы для немодерируемого исследования или решения для качественных исследований;
- платформы с AI-функциями для автоматизации отдельных задач — обработки текста, анализа интервью или генерации инсайтов;
- сервисы подбора респондентов;
- узконаправленные решения, закрывающие одну стадию исследовательского процесса.
Discovery же изначально проектировался как единая система работы с гипотезами. Он закрывает весь путь целиком: от генерации идеи → через приоритизацию и исследование → к анализу и передаче результата в реализацию. Решений именно такого класса команда не увидела ни на российском, ни на зарубежном рынке.
В чём особенность искусственного интеллекта в Discovery?
Когда говорят, что ИИ анализирует исследования, чаще всего представляют себе продвинутую базу данных: она быстро ищет по текстам и пересказывает найденное. В Discovery подход другой. Здесь ИИ — это исследователь, который работает строго в рамках конкретного исследования.
Он не додумывает за пользователя
Если вы зададите вопрос, который в этом исследовании вообще не поднимался, он не будет придумывать ответ, не станет галлюцинировать. Он просто честно скажет: «В данных этого исследования такой темы нет».
И это ключевое отличие. Такой подход сильно повышает точность и доверие к тому, что он выдаёт. Команды знают: если ИИ что-то говорит, значит, он опирается на реальные данные, а не на домыслы модели.
Его обучали быть настоящим исследователем
Чтобы добиться такого поведения, команда приложила огромные усилия.
— Мы обучали помощника не только собирать и анализировать информацию, но и проводить исследования так, как это делают реальные специалисты в банке.
Это принципиально сложнее, чем научить модель пересказывать документы или делать краткие выводы. ИИ-помощнику нужно понимать:
- как устроен процесс исследования в Сбере;
- какие UX-методики применяются;
- какие продукты существуют и какая у них специфика;
- какую терминологию используют команды — в банке своя терминология, своя предметная область, а внешние модели этого просто не знают.
В обучении регулярно участвует комьюнити исследователей клиентского опыта Сбера
Команда Discovery активно привлекала коллег. Люди приносили «боевые» кейсы, помогали улучшать модель, потому что хотели, чтобы она учитывала специфику именно их направления. Это дало огромный объём полезных данных.
Также проводили эксперимент с ИИ-респондентами. Команды интервьюировали виртуальных пользователей по тем же гайдам, что использовали в реальных интервью, а потом сравнивали паттерны поведения живых людей с ИИ. Эту функцию пока не выводят в массовое использование: нужна отдельная методология анализа, потому что ответы ИИ нельзя оценивать так же, как ответы реальных людей. Но потенциал у этого направления действительно большой.
Как Discovery изменил работу продуктовых команд?
Когда продукт только запускался, ИИ-функциональность была дополнительной поддержкой для команд. Сейчас это полноценный инструмент, который закрывает весь цикл работы с гипотезой.
Теперь гипотезы генерирует ИИ
У новичков и молодых продуктовых команд часто возникает страх чистого листа: непонятно, с чего начать формулирование гипотез и в какую сторону вообще думать. На этом этапе ИИ-ассистент стал для нас рабочей точкой опоры. Сначала сотрудник описывал продукт, его цели и ключевую функциональность, а ИИ предлагал несколько возможных гипотез. Их можно было сразу добавить в бэклог и вынести на обсуждение с командой. Это не финальные решения, а заготовки для работы: их дополняют, уточняют, отбрасывают или берут в тестирование.
Разные команды больше не исследуют одно и то же
В банке огромный объём исследований. Разные команды нередко проверяют одни и те же вопросы: просто не знают, что это уже кто-то сделал.
ИИ-помощник даёт командам возможность анализировать все исследования, которые когда-либо проводились в банке. При этом речь не о списке ссылок, которые нужно изучать и обрабатывать вручную. ИИ-ассистент действительно проводит глубокий анализ:
- распознаёт даже отчёты в PDF;
- даёт прямой ответ на исследовательский вопрос, исходя из контекста;
- подкрепляет ответ цитатами и даёт ссылки на проверенные источники.
Возможность быстро понять, что уже было изучено, и использовать готовые инсайты серьёзно экономит время, силы и ресурсы.
Основу исследования собирает Discovery
Команда научила ИИ-помощников создавать исследования на основе контекста о продукте. Если система знает, над чем работает команда, кто целевая аудитория и какие гипотезы нужно проверить, она может сама собрать основу исследования. Например, сформировать гайд для глубинного интервью: с корректными вопросами, логикой прохождения, таймингом и акцентами, на которые стоит обратить внимание.
У исследователя появляется готовый, методологически корректный документ, который можно сразу брать в работу.
Экономит время на подготовку
Если говорить про количественные исследования, система может собрать конструктор опроса: предложить структуру, помочь сформулировать вопросы и подготовить основу для дальнейшей работы.
Но самая большая часть работы — это всегда анализ данных, особенно качественных. Раньше после интервью нужно было переслушивать записи, вручную выделять инсайты, группировать их, строить выводы. Это занимало огромное количество времени. Теперь интервью загружаются в систему, автоматически транскрибируются, размечаются, а после этого формируются выводы.
— Мы сильно продвинулись в этой области. Сейчас у нас отлично работает транскрибация. Мы развиваем AI-помощника с помощью реальных данных банка, чтобы он корректно распознавал специфическую терминологию и не подменял её общими словами. Здесь очень помогло исследовательское сообщество: коллеги активно тестировали инструмент, давали обратную связь, приносили сложные кейсы.
После транскрибации система автоматически размечает текст: определяет тональность, выделяет проблемы, потребности, предложения. Получается не просто стенограмма интервью, а структурированный документ с тегами, по которым можно быстро собрать картину и сделать выводы.
При желании исследователь может доработать разметку вручную, но ИИ уже делает большую часть работы и заметно ускоряет процесс.
— Помимо подготовки и анализа отдельных интервью, у нас есть инструменты для автоматической генерации отчётов — как по качественным, так и по количественным исследованиям. Система учитывает гипотезу, цель, аудиторию и формирует структурированный отчёт, который можно использовать в работе или брать за основу.
Когда опрос заполняют тысячи респондентов, особенно с текстовыми комментариями, ручной анализ превращается в очень тяжёлую задачу. Теперь с этим можно работать через чат: ИИ находит нужные цитаты, подсчитывает частотность упоминаний, выделяет паттерны.
Может ли Discovery заменить людей?
Ольга признаётся: этот вопрос задают очень часто и внутри банка, и на внешних конференциях. Он связан не только с продуктом, но и вообще с ИИ-трансформацией: как она влияет на роли, функции, команды.
— Я смотрю на это по-другому. Мы даём возможность для роста продуктивности: не кто-то делает задачи за тебя, а ты можешь решать свои задачи более эффективно и достигать высоких результатов.
Это не освобождает человека от процесса, но позволяет проверить больше гипотез, быстрее получить ответы и точнее принимать решения.
Роль владельца продукта никуда не исчезает. Он по-прежнему:
- формулирует намерение и видение;
- принимает решения о том, что проверять;
- интерпретирует результаты;
- выбирает, что реализовывать дальше.
Если говорить про исследовательскую роль, то здесь тоже часто возникает вопрос: «А не заменит ли ИИ исследователя?» Ольга убеждена: нет, ИИ может быть инструментом, но научить ИИ быть исследователем могут только сильные исследователи — люди, которые понимают методики, нюансы, терминологию, специфику разных продуктов.
— Мы очень плотно работаем с исследовательским сообществом. Коллеги дают нам кейсы, проверяют точность ответов, помогают адаптировать модель под реальные процессы. В банке много подразделений, у каждого — своя специфика, свои особенности. Без экспертов мы бы просто не смогли сделать помощника настолько релевантным.
Поэтому я вижу будущее не как замену ролей, а как расширение возможностей команд. ИИ берёт на себя рутину, а люди фокусируются на том, что действительно требует экспертности: на понимании аудитории, формулировании гипотез, принятии решений, стратегической работе с продуктом.
Как Сбер будет развивать Discovery?
— Главный принцип останется тем же: Discovery помогает лучше понимать пользователей и принимать обоснованные продуктовые решения. Это наша основа, и она не меняется.
Но скорость работы с данными точно будет расти. Ольга признаётся: команде нужно сокращать время на сбор информации, на её обработку и анализ. Это позволит сотрудникам проверять больше гипотез и делать это быстрее.
— Мы движемся к модели, где владелец продукта формулирует намерение («чего мы хотим достичь»), а система, используя ИИ, помогает ему построить путь: какие гипотезы имеет смысл проверять, как собрать данные, какие тенденции учитывать.
При этом финальное решение остаётся за человеком. Наша задача — дать ему все данные, чтобы это решение было максимально точным.
***
История Discovery — пример того, как внутри большой компании могут появляться продукты, которые действительно меняют культуру принятия решений во всей продуктовой экосистеме и становятся рабочим инструментом для тысяч специалистов.
Масштабные проекты вроде Discovery — часть повседневной работы в Сбере. Такие продукты появляются там, где есть пространство для экспериментов. Если вам интересно работать именно в такой среде, посмотрите открытые вакансии Сбера. Здесь всегда есть чем заняться и всегда есть место для людей, которым интересны разнообразные и нетривиальные задачи.