С ощущением частично соглашусь.

С одной стороны, ядро навыков — это, собственно, проведение исследований: перевести запрос заказчика в цель и задачи исследования; выбрать методы и честно сказать об их ограничениях; корректно собрать данные; отделить наблюдение от интерпретации; довести вывод до решения, если это возможно. В первую очередь исследователю нужно уметь делать именно то, что входит в его профессию.

С другой стороны, работу исследователя определяют не только навыки, но и качества. Ключевыми я бы здесь назвала открытость к новому и системное мышление. Оба качества толкают в сторону соседних ролей, но разными механизмами. Открытость показывает, что подходящий инструмент лежит за границей моего набора. Системность требует связать разнородные части пользовательского опыта в одно объяснение — а связывать их иногда приходится на языках соседних ролей.

Поэтому развивающийся исследователь, как мне кажется, так или иначе касается соседних областей — это следствие задач, а не претензия на чужую роль. Если это повышает валидность/влияние выводов или ускоряет работу, то почему бы и нет :)

Автоматизация рутины — да. Работа в личное время — скорее нет, потому что отдых напрямую влияет на продуктивность. И оптимизировать лучше не время на учёбу, а саму учёбу.

Специально развивать навыки, по-моему, не нужно. Полезнее спросить себя: что сделать, чтобы моя работа исследователя стала лучше? Под нужную задачу навык подтягивается сам, когда за неё берёшься, и ровно до нужного уровня.

Второе, что реально работает, — общение с коллегами из других ролей и департаментов. Так узнаёшь про технологии, инструменты и фреймворки, о которых сам бы не догадался, и расширяешь кругозор. А совет коллеги, который уже решал подобную задачу, сэкономит недели, которые ушли бы на самостоятельные пробы.

1. Банально, но словами через рот.
2. А вы попробуйте найти компанию, где все смежники качают мультифункциональность.

Здесь важно понимать, что финальное слово всегда за человеком, у которого есть экспертиза и соответствующая должность в компании. Например, я как исследователь могу предлагать дизайнеру макеты интерфейса, но итоговое решение всегда за ним. Выходить за рамки своего функционала — значит расширять свое видение, предлагать новые варианты решения пользовательских и бизнесовых проблем, ускорять выполнение задач, но точно не мнить себя экспертом во всех смежных сферах.

Частично повторю предыдущий ответ. Нет, расширение компетенций — это в первую очередь про расширение собственного видения, генерацию новых вариантов решения пользовательских и бизнесовых проблем, сокращение времени решения задач.

Мы не забираем чужие домены и не претендуем на них. Умение писать тексты или проектировать процессы не делает нас редакторами и дизайнерами. Но некоторые компании, наверное, могут вывернуть это в обратную сторону. На такие процессы сложно повлиять, но, опять же, сила в коммуникации и умении отстаивать свои интересы — чтобы не работать за двоих за одну зарплату. Опять же красота в глазах смотрящего: давайте взглянем на этот процесс как на возможность прокачать себя и продать (привет, капитализм) дороже :)

Думаю, в целом ответ есть в самом вопросе — не нужно осваивать инструменты ради инструментов)

Если новые подходы и фреймворки реально применимы в работе, не могу представить ситуацию, когда после обучения исследователь не растёт в сильного эксперта. 

Возможно, поможет отношение к обучению как к проекту — поставить себе заранее цели и по завершении провести селфревью. Я, например, первую половину года инвестировала в количи, изучала маркетинговые инструменты проверки гипотез. В итоге получилось почти сразу скорректировать методологию тестов концепций и поделиться находками с коллегами. Это измеримый результат в плане роста экспертности.

Поделюсь ещё, как мы в горизонтали исследователей Mail выбираем образовательные программы. Происходит это обычно раз в полгода — заводим отдельный тред, где делимся друг с другом рекомендациями. Кто-то советует курсы, которые сам проходил, кто-то приносит рекомендации из внешних источников. Часто анти-рекомендация спасает от недель или даже месяцев потраченного времени :)

Сильно зависит от конкретного кейса. Я знаю коллег, которые приходили в продуктовую аналитику и UX-исследования, чтобы потом перейти в продакт-менеджмент. И у них получалось!

Так что и с грейдом джуна или миддла горизонтальный рост вполне возможен — если определить для себя понятный карьерный трек и иметь план, как его реализовать. 

Если же мы говорим про вертикальный рост исследователя в синьора и выше, кажется, что здесь тоже нет никаких ограничений по параллельному развитию дополнительных навыков. Главное — баланс. 70-80% времени инвестировать в исследовательские софты и харды, а оставшиеся силы — в то, что интересно и/или закрывает текущие потребности бизнеса.

Кажется, что надо менять не потому что 2 года уже прошло и закончилась гарантия, а потому что нравится работать с конкретными людьми и делать совместно то, что производит компания. Если вдохновение есть и хочется делать для команды и компании — то это надо ценить, и вообще не особо важно, сколько лет вы работаете в компании.

Это как раз тот самый вопрос, ответ на который был в самом начале презентации — важно понять, что именно поможет вашей команде и улучшит вашу работу исследователя. А когда станет понятен вектор, то далее можно заглянуть в презентацию, там есть все необходимые направления для углубления в тему + думаю, что сейчас ИИ сможет стать отличный ментором и преподом по тому набору проблематики, которая у вас наберется.

Хороший вопрос, я сама себе его задаю.

Тут важно не путать: когда я понимаю смежные области (SQL позволил мне делать выгрузки быстрее + сыграл роль в повышении; знание дизайн-системы помогло предотвратить отток клиентов), это не про выгорание, это про эффективность. А вот когда за одну зарплату тянешь несколько полных ролей, вот здесь риск реальный, просто снаружи это выглядит как крутой профессионализм :) Я не сторонник работать «за себя и за того парня», тут важен баланс. Лично у меня при переработке производительность падает, и это невыгодно всем участникам.

Насчет разделения ролей — я не экономист, но логически: рынок сейчас смещается к удержанию и развитию людей, а не к массовому найму (исследование hh.ru), в ближайшее время дробить ставку компаниям невыгодно.

А начинать расширяться я бы советовала с того, что реально нужно прямо сейчас в работе, и не больше 1−2 направлений одновременно, иначе выгоришь. Хорошие статьи про компетенции и их развитие — тут и тут.

P.S. Для прокачки исследователя могу рекомендовать отличный курс у Миши Руденко (так понравилось, что была аж два потока) и книгу «Качественные исследования в бизнесе» от К. Ефимова и А. Жичкиной.

То, что вы уже в запросе от заказчика видите след ИИ и можете распознать галлюцинации — уже хорошо!

Джуну стоит:
1. Чаще обращаться к первоисточникам (социология, антропология, психология и так далее), если мы говорим об умении перевести то, что сказали пользователи, на язык бизнеса и команды. Это прокачивает контекст исследователя, который ИИ не сможет заменить. Субъективность здесь уместна, но только на этапе интерпретации, и ее нужно явно маркировать («это моя трактовка», не «это сказали пользователи»). Иначе это тот же риск, что и ИИ-галлюцинация, только источник — вы сами.
2. Прокачивать хард-скиллы в исследованиях через самостоятельное решение задач, когда велик соблазн делегировать ИИ (например, я в большинстве случаях сама выбираю методологию и делаю дизайн исследования — это мое целенаправленное предотвращение деградации). Мое мнение: сначала база, потом ИИ (может пересекаться, но ИИ не должно занимать бо́льшую часть вашей работы). Ибо как вы распознаете галлюцинацию, если сами не сможете решить задачу?
3. Использовать несколько LLM-ок, сравнивая результаты: если они совпадают в ответе, это повод доверять чуть больше, но не гарантия правды. Если есть расхождение — повод усомниться и опереться на себя. Есть хорошая статья про это.

Статьи открываются с VPN

Лично с такой ситуацией пока не сталкивалась. Могу порассуждать и сразу скажу, что все в утиль сходу отбрасывать бы не стала, а сделала так:

• Разделила закрытые и открытые вопросы. Закрытые обычно ИИ не заполняет, так что ответы могут быть валидными. Их  оставляем с пометкой. Открытые с признаками ИИ анализу ничего не дают.
• если есть возможность возврата вопроса — идем на возврат, заранее ничего не выкидываем. Нет возврата — открытые в утиль, закрытые под флагом «подозрительная», смотрим отдельно через ИИ-модель с жестким промптом. Модель хорошо будет ловить «стиль GPT» — это ее родная задача :)

Целиком в утиль сразу — только при явных маркерах фрода всей анкеты: противоречия, нереалистичная скорость и так далее. Полная выбраковка будет бить по квотам и удорожает поле, потребует дополнительное время. Долгосрочно правильнее вести собственный детектор (набор правил + LLM-классификатор) и прогонять через него каждую волну анкет. Промпт и правила подкручиваются под новые паттерны фрода — эмпирические корреляции устаревают, инструмент нет.

Опасны оба края, но развилка не там, где кажется. Она проходит не между «узко» и «широко», а между глубиной и размыванием. Видится, что жить будет  глубина в исследовательском проф. ядре:  мышление, методы, оптика.
Всё, что нарастает вокруг (дизайн, вайб-кодинг, метрики, работа с базами) — не вторая профессия, а наши новые средства и инструменты для текущей профессии. Не будет жить «всё понемногу и ни в чем не глубоко». Всё это AI уже умеет делать в 100 раз быстрее людей.

При этом наша профессия двигается в сторону individual contributor. В будущем исследователь все чаще будет работать как самостоятельная единица: сам собирает прототип, сам тянет базу, сам оформляет вывод — не делегирует аналитику, дизайнеру и так далее. Уметь многое самому, чтобы быть самостоятельным и автономным — это не расширение, а норма будущей  профессии. Не «немножко дизайнер и немножко кодер», а IC-исследователь, у которого руки не хуже головы и полная автономность, чтобы вести end-2-end  задачи самостоятельно.

И тут можно увидеть сигналы, куда двигается наша профессия, если посмотреть на требования к вакансиям senior-уровня в ведущих AI-лабах, Antropic (выкладывала выше) + Open AI,  Google / DeepMind (AI и Gemini).

Проблема галлюцинаций непростая, и лечится она с двух сторон.

Первая проблема — техническая, на уровне самой модели. На неё мы влияем мало, но здесь нам помогает характер задачи: бот не создаёт новые выводы, он собирает уже существующие. Мы не просим модель думать за исследователя, мы просим её найти и структурировать то, что исследователь уже написал. Это принципиально снижает пространство для выдумки. Со своей стороны мы вместе с технической командой продолжаем работать над качеством поиска и точностью выдачи.

Вторая часть проблемы — на уровне продуктовой культуры, и она важнее. Любой, кто получает от бота подборку, должен смотреть на неё критически: соотносить полученное с тем, что он на самом деле спрашивал, и проверять по первоисточнику. Поэтому мы сознательно оставили человеческий контроль в процессе и ввели правило обсуждать результаты выдачи с исследователем стрима. Инструмент ускоряет поиск, но не снимает с человека ответственность за интерпретацию.

Честный ответ: это не развилка, а два вектора движения на протяжении всего карьерного пути. Оба процесса должны идти параллельно, и попытка выбрать один несет риски в наше непростое время.

Приоритет для нас как для исследователей всегда остаётся внутри профессии: методология, качество глубинок, умение довести исследование от брифа до отчёта, который действительно влияет на решение. Это ядро, и его нужно затачивать постоянно, здесь не бывает состояния «достаточно».

Но, как мы обсуждали на митапе, одним ядром сегодня не обойтись. Параллельно приходится двигаться вширь: осваивать базу вайбкодинга, понимать, как сегодня устроен дизайн и как рождается интерфейс, разбираться в том, за счёт чего продукт удерживает пользователя и как растут метрики, которые в итоге влияют на деньги.
Рынок сегодня требует от нас становиться крутыми разносторонними профессионалами, так давайте ими станем!

Не уверен, что оно остается, если честно, даже сейчас: у меня роль маркетинговых и бизнес-исследователей выполняет всё то же подразделение исследователей, хотя конкретные люди, конечно, разные. Причина в следующем: есть маркетинговые задачи, связанные с брендингом, позиционированием и сегментацией, есть задачи продуктовые, связанные с поведенческими характеристиками внутри продукта, но в конечном итоге связать оба этих круга задач — это ключевая задача перед аналитиками многих бизнесов.

Проблема, кажется, все-таки не в ролях и методологиях, а в самом объекте исследовательских операций — прежде всего, фокусом рыночных и маркетинговых исследований оказывается потребительское поведение, в то время как в эргономических или продуктовых исследованиях — взаимодействие с цифровым продуктом, интерфейсом и контекстом использования и так далее.

Так как исторически в России маркетинговые исследования пришли раньше — из-за больших исследовательских агентств типа «Кантар» и «Ипсос», которые поддерживали крупные бренды, из-за большой четверки-пятерки консалтинга и из-за самих больших брендов типа «Пепсико», то получилась ситуация, когда маркетинговые исследователи выглядят старше и являются таковыми. Но по миру это не совсем так — хотя бы потому, что большая часть исследований хьюман-факторс, конечно, также является старой и респектабельной.

Сближение будет происходить по мере дальнейшей цифровизации, но, вероятно, крупные корпоративные компании будут держать исследовательские отделы, разделенные по ролям и сегментам исследователей, если угодно, обладая определенным уникальным архетипом исследователя под конкретный продукт.

Есть два пути на данном этапе — это вызвано в том числе тем, что российский рынок, кажется, не готов создавать грейд Principal как уровень после лида. Итак, у нас остается менеджерская функция исследований вплоть до ResearchOps — с контролем, разработкой средств исследований и сбора, инструментов, репозиториев, панелей и так далее, и традиционной ролью закрывающей функции внутри компании.

С другой стороны, переход в продакты — но тут тоже всё понятно: в конечном итоге в РФ есть не так много ролей, которые ведут к топ-менеджменту, и типично это связка продакт-менеджер — синьор продакт-менеджер — CPO. Других путей в топ-менеджмент и управленческий состав, простите, нет, очень жаль.