Зона 2 — Дискавери (черновик разведки)¶

Собрано 02.09.2026 по рамке razvedka-ramka.md. Проект → О проекте.

Порядок подходов — от того, где процесс описан плотнее, к тому, где его почти нет. Вендорские материалы помечены в строке «Чем подтверждено».

Найденные подходы¶

1. Двухшаговый AI-синтез интервью: снимок интервью → дерево возможностей (Тереза Торрес / Vistaly)¶

Кто держит: Тереза Торрес (автор «Continuous Discovery Habits», создатель opportunity solution tree) в партнёрстве с Vistaly — она сама проектирует и пишет AI-сервисы платформы.
Источник: https://www.producttalk.org/ai-opportunity-solution-trees/ — 18.02.2026; сопутствующее https://www.producttalk.org/vistaly/ ; продуктовая страница https://vistaly.com/product/discovery
Артефакты: транскрипт интервью → interview snapshot (снимок интервью: карта опыта, ключевые моменты, возможности, цитаты, факты) → opportunity solution tree (исход → возможности → решения → проверки допущений). Каждая возможность остаётся сцеплена с респондентом, который её произнёс, и с контекстом.
Роли (человек / агент): агент делает черновик двух вещей — ключевых моментов и возможностей из одной беседы. Человек проверяет, правит, дополняет остальную часть снимка, а затем перегруппировывает дерево. Точка «человек сказал да» стоит дважды: после снимка каждого интервью и после сборки дерева.
Что отдано агенту: извлечение ключевых моментов и возможностей из одного транскрипта; синтез поперёк загруженных интервью (в альфе — три интервью по одному исходу) в черновик дерева.
Несущая идея, которая отличает подход от остальных: синтез двухшаговый. «Сначала синтезируешь каждое интервью отдельно, потом синтезируешь поперёк интервью». Торрес прямо говорит, что тулы, которые сваливают транскрипты в один котёл и просят «найди темы», ломают метод.
Зрелость: пилоты — подтверждено тем, что на 18.02.2026 это альфа с набором участников по заявкам; названы «альфа-партнёры» без имён и чисел. Ни одного внедрения с числами не опубликовано.
Модель-агностичность: привязан к Vistaly как к платформе (артефакты живут в её объектной модели); сам метод переносим — Торрес описывает те же два шага и для ручных прогонов, свои эксперименты она вела на Claude. То есть процесс переносим, реализация — нет.
Чем подтверждено: вендорский материал с описанным процессом (Торрес — сторона, заинтересованная в Vistaly и в собственном курсе). Практики с числами нет.

2. «Где AI помогает и где вредит в анализе интервью» — нормативная рамка ограничений (Тереза Торрес)¶

Кто держит: Тереза Торрес, Product Talk.
Источник: https://www.producttalk.org/customer-interview-analysis-ai/ — 08.10.2025
Артефакты: тот же ряд (story-based интервью → снимок интервью, 15–20 минут человеческой работы на интервью → дерево). Новое здесь — список из семи режимов отказа, который работает как чек-лист приёмки AI-синтеза.
Роли (человек / агент): агенту отдана роль нотетейкера (транскрипт, метаданные, разметка) и роль второго мнения — синтез рядом с человеческим, не вместо. Третья допустимая роль — обучающая: показать практику иную рамку и дать обратную связь по качеству её интервью.
Что отдано агенту: транскрибация, теги, альтернативная нарезка тем. Синтез — нет.
Ключевая цифра: в её прогоне «около 30% прямых цитат, которые вставил ChatGPT, были неверны». Отдельно названа потеря нюанса при сжатии 20–30-минутного интервью в абзац и атрофия навыка у команды, которая отдала синтез машине.
Зрелость: идея с личной проверкой — подтверждено тем, что цифра по цитатам взята из её собственного прогона, а не из выборки; других замеров нет.
Модель-агностичность: переносим. Ограничения сформулированы про класс LLM, а не про платформу; проверялось на ChatGPT.
Чем подтверждено: мнение эксперта с одним личным замером. Это самый цитируемый в зоне «стоп-сигнал», и он же — самая слабая эмпирика.

3. Недельный цикл дискавери в эпоху AI (Albers Advisory)¶

Кто держит: Michael Albers и Felix von Kunhardt, Albers Advisory (консалтинг; Albers — из Yahoo Mail, von Kunhardt — Decibel, Medallia).
Источник: https://www.albersadvisory.biz/writing/working-guide-to-product-discovery-in-the-ai-era/ — 16.07.2026
Артефакты: недельные снимки интервью; список допущений по четырёхрисковой модели Кейгана (ценность, юзабилити, реализуемость, жизнеспособность); kill criteria, записанные ДО прототипа; результаты solution-интервью.
Роли (человек / агент): четыре фазы недельного цикла — сбор сигнала, распознавание паттернов («ритуал суждения»), выбор и рамка проверки, сборка и решение. AI обрамляет вторую фазу — готовит материал до обсуждения и фиксирует после, но само обсуждение ведут люди. Кодирование и разметка — на агенте, суждение — на человеке.
Что отдано агенту: кодирование и тегирование транскриптов, подготовка материала к разбору, фиксация выводов.
Зрелость: идея — подтверждено прямым признанием авторов: ни один из них не прогонял этот цикл целиком от начала до конца, формулировки «practiced or designed as we go». Это честнее, чем у большинства найденного, и это же ставит потолок оценке.
Модель-агностичность: переносим — ни одна модель и ни один инструмент не названы в несущей конструкции.
Чем подтверждено: мнение практиков (консалтинговая заявка). Кейс eBay Easylister приведён как иллюстрация метода, а не как прогон описанного цикла.

4. pm-skills — библиотека агентных скиллов продакта (Paweł Huryn)¶

Кто держит: Paweł Huryn, The Product Compass. MIT-лицензия.
Источник: https://github.com/phuryn/pm-skills — репозиторий создан 01.03.2026, последний пуш 03.07.2026; 25 919 звёзд, 2 788 форков (проверено через GitHub API 02.09.2026).
Артефакты: плагин pm-product-discovery — 13 скиллов и 5 команд. Команда /discover сцепляет цепочку: идеация → карта допущений → приоритизация допущений → дизайн эксперимента. Внутри — opportunity solution tree Торрес, восемь категорий рисков для нового продукта против четырёх для существующего (ценность/юзабилити/жизнеспособность/реализуемость), матрица «влияние × риск», претотипы Савойи.
Роли (человек / агент): идеация ведётся «с нескольких точек зрения» (продакт, дизайнер, инженер) — все три отыгрывает агент. Человек — на входе (исход, контекст) и на воротах: допущения обязаны пройти фильтр влияние/риск, прежде чем дойдут до дизайна эксперимента.
Что отдано агенту: генерация идей, извлечение допущений, их скоринг, черновик эксперимента, скрипт интервью и его анализ, дизайн метрической панели.
Зрелость: пилоты — подтверждено только числом звёзд и форков. Ни одного кейса, внедрения или цифры результата в репозитории нет. 26k звёзд — мера внимания, не мера применения; ставить «промышленную практику» на этом основании нельзя.
Модель-агностичность: частично. Скиллы в универсальном формате SKILL.md (заявлена работа с Claude Code, Cowork, Codex CLI, Gemini CLI, Cursor, Kiro, OpenCode), но команды /… — конструкция Claude. Несущая часть — markdown, значит переносим; обвязка — нет.
Чем подтверждено: практика автора + массовая установка. Автор монетизирует рассылку и курсы вокруг этого — не вендор платформы, но заинтересованная сторона.

5. Product-Manager-Skills — 77 скиллов продуктовых методов (Dean Peters)¶

Кто держит: Dean Peters.
Источник: https://github.com/deanpeters/Product-Manager-Skills — создан 05.02.2026, последний пуш 01.09.2026; 6 787 звёзд, 820 форков (GitHub API, 02.09.2026).
Артефакты: три яруса — 19 «workflow»-скиллов (процессы на дни-недели: цикл дискавери, разработка PRD, роадмэп), 27 интерактивных («Adaptive Decision Ladder»: 3–5 вопросов → рекомендация), 24 компонентных (шаблоны артефактов). В дискавери-части: интервью по «Mom Test», opportunity solution tree, гайды интервью, документы синтеза; в приоритизации — RICE/ICE/Kano.
Роли (человек / агент): декларировано двойное назначение — агент исполняет скилл автономно, человек читает тот же текст, чтобы научиться рассуждению. Явной точки «человек сказал да» внутри дискавери-цикла в описании нет; это слабое место.
Что отдано агенту: прогон рамки от вопроса к артефакту; человек задаёт вход и принимает выход.
Зрелость: пилоты — подтверждено звёздами и форками; кейсов и отзывов внедрений в репозитории нет.
Модель-агностичность: самый агностичный из найденного. Автор сознательно отказался от шаблонов $ARGUMENTS Claude Code ради переносимости; заявлена работа с Claude, ChatGPT/Codex, Cursor, Gemini, Ollama, n8n, LangFlow, CrewAI. Несущая конструкция — структурированный markdown.
Чем подтверждено: практика автора, массовое внимание. Не вендор.

6. claude-code-discover — дискавери-артефакты в репозитории кода (shinpr)¶

Кто держит: разработчик под ником shinpr. MIT.
Источник: https://github.com/shinpr/claude-code-discover — создан 23.03.2026, пуш 29.08.2026; 10 звёзд, 2 форка (GitHub API, 02.09.2026).
Артефакты: именованные и лежащие в дереве проекта — docs/product/ (видение, персоны), docs/discovery/ (возможности, гипотезы), docs/discovery/INDEX.md (накопленные выводы), docs/product/design/ (IA, потоки, модель контента), docs/prd/ (PRD). Рецепты: recipe-vision, recipe-persona, recipe-discover, recipe-validate, recipe-blueprint, recipe-reflect, recipe-define.
Роли (человек / агент): человек запускает рецепт и утверждает решения. Пять отдельных субагентов дают независимый разбор: prd-reviewer (объём и доказательства), codebase-analyzer (что уже есть в коде), hypothesis-verifier (фальсифицируемые проверки), knowledge-distiller, prototype-generator (самодостаточный HTML). Ворота срабатывают выборочно: агент просит доп. валидацию, только если результат может изменить объём или готовность к реализации.
Что отдано агенту: черновик всех перечисленных документов + независимое ревью чужого черновика вторым агентом.
Ценность для нас: это единственный найденный подход, который осознанно кладёт дискавери-выход туда, где его прочитает кодирующий агент — то есть закрывает шов между зоной 2 и зоной 1. Пересечение зон.
Зрелость: идея — подтверждено 10 звёздами, отсутствием кейсов и отсутствием любых чисел.
Модель-агностичность: привязан к Claude Code — требует его плагин-маркетплейс и поддержку Skills, состыкован с claude-code-workflows.
Чем подтверждено: код без свидетельств применения.

7. argo-continuous-discovery — Торрес, переписанная как оператор (Joshua Jackson)¶

Кто держит: Joshua Jackson, сделано для «Clief Notes Weekly Challenge #7».
Источник: https://github.com/jacksoncalling/argo-continuous-discovery — создан и заброшен 12.06.2026 (2 коммита, последний пуш в тот же день); 3 звезды, 0 форков (GitHub API, 02.09.2026).
Артефакты: tree.html — интерактивное дерево как единственный сохраняемый артефакт; инструкции в CLAUDE.md.
Роли (человек / агент): пять фаз с человеческими воротами — исход, оценка качества интервью (отношение «история/мнение»), извлечение возможностей (максимум 5 на интервью), генерация решений (3+ на выбранную возможность), разбор на допущения и минимальные проверки. Заявленный принцип: «оператор не спрашивает, что делать; он читает вход, принимает решение и объясняет ход мысли». Человек задаёт исход, приносит транскрипты, выбирает возможности.
Что отдано агенту: оценка качества самого интервью — единственная в зоне попытка померить вход дискавери, а не только выход. Плюс дисциплина рамки: агент не даёт проскочить к решениям, минуя пространство проблем.
Зрелость: идея — подтверждено: 2 коммита за один час, три месяца без движения, ни одного применения.
Модель-агностичность: привязан к Claude (читает CLAUDE.md), хотя механизм тривиально переносим.
Чем подтверждено: учебное упражнение. Беру в отчёт только ради двух ходов — оценка качества интервью и явные ворота маршрутизации.

8. Product OS: восемь скиллов кастомер-дискавери (BuildBetter)¶

Кто держит: Spencer Shulem, BuildBetter (вендор).
Источник: https://blog.buildbetter.ai/agent-skills-for-customer-discovery/ — 28.08.2026
Артефакты: конвейер из восьми скиллов по порядку: plan-product-discovery → plan-customer-interviews → synthesize-customer-research → cluster-feedback-into-jobs → define-jobs-to-be-done → map-customer-journey → analyze-competitors → map-product-opportunities. Выход — ранжированный список, прослеживаемый до конкретных интервью, а не сводка.
Роли (человек / агент): объявлены три принципа — «доказательства раньше уверенности, исходы раньше фич, решения раньше документов». Явное согласие человека требуется до значимых изменений. Самое важное: интервью остаются человеческой работой — скиллы обслуживают планирование, синтез и приоритизацию вокруг них.
Что отдано агенту: планирование, синтез, кластеризация в JTBD, построение прослеживаемости «утверждение → интервью».
Зрелость: идея — подтверждено тем, что кейсов и чисел применения нет вовсе; в тексте гипотетический пример «команда с 40 записанными интервью». Числа, которые в статье есть (99,0% покрытия у их AOT-выборки против 27,9% у гибридного поиска), — про их движок поиска, не про дискавери.
Модель-агностичность: переносим по конструкции — формат SKILL.md, упомянуты Claude Code, Cursor, Codex; но прослеживаемость до интервью опирается на их хранилище.
Чем подтверждено: реклама с описанным процессом. Процесс полезен, источник заинтересован.

9. Semantic Similarity Rating — синтетические потребители с валидацией (PyMC Labs + Colgate-Palmolive)¶

Кто держит: Benjamin F. Maier, Ulf Aslak, Luca Fiaschi, Nina Rismal, Kemble Fletcher, Christian C. Luhmann, Robbie Dow, Kli Pappas, Thomas V. Wiecki. По сообщениям прессы — команда PyMC Labs совместно с Colgate-Palmolive (на странице препринта аффилиации не выведены).
Источник: https://arxiv.org/abs/2510.08338 «LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings» — 09.10.2025 (ревизия 27.10.2025).
Артефакты: метод SSR — вместо прямой просьбы поставить оценку у модели запрашивают свободный текстовый отклик, а затем отображают его в распределение по пятибалльной шкале через близость эмбеддингов к эталонным формулировкам. Побочный артефакт — качественное объяснение оценки.
Роли (человек / агент): человек держит анкету, эталонные формулировки и калибровку; агент выдаёт отклик. Реальные респонденты нужны как эталон для валидации — метод не отменяет их, он их экономит на повторных прогонах.
Что отдано агенту: массовый прогон концепт-тестов до полевого исследования.
Числа: 57 корпоративных опросов по средствам личной гигиены, 9 300 человеческих ответов, модели GPT-4o и Gemini-2.0-flash; достигнуто 90% от тест-ретест надёжности человека, сходство распределений по Колмогорову–Смирнову выше 0,85.
Зрелость: промышленная практика в узком классе задач — подтверждено: рецензируемый препринт на корпоративных данных крупного FMCG, 57 независимых опросов, воспроизводимый метод с числами. Но класс задач — количественный концепт-тест purchase intent, не качественный дискавери.
Модель-агностичность: переносим — метод проверен сразу на двух моделях разных вендоров и опирается на эмбеддинги, а не на функцию платформы.
Чем подтверждено: практика с валидацией. Соавторство коммерческой лаборатории (PyMC Labs продаёт такие внедрения) — заинтересованная сторона, но данные и метод открыты.

10. Контр-позиция: синтетические пользователи не заменяют исследование (NN/g + MeasuringU)¶

Два независимых источника, которые вместе образуют рабочий критерий приёмки. Держу их одним подходом, потому что порознь каждый — просто мнение.

Кто держит: (а) Maria Rosala и Kate Moran, Nielsen Norman Group; (б) Jim Lewis и Jeff Sauro, MeasuringU.
Источник:
https://www.nngroup.com/articles/synthetic-users/ «Synthetic Users: If, When, and How to Use AI-Generated "Research"» — 21.06.2024
https://measuringu.com/review-of-experiments-with-synthetic-users/ — 14.04.2026
Артефакты: у NN/g — сравнение выхода платформы Synthetic Users и ChatGPT с тремя их собственными завершёнными исследованиями. У MeasuringU — сводка 12 рецензируемых работ с 2023 года: 5 психологических экспериментов, 3 репликации опросов, 3 социальных исследования, 1 по UX-интервью.
Роли (человек / агент): обе работы отводят синтетике роль до исследования, не вместо: генерация предварительных гипотез в незнакомой области, сведение уже собранных данных.
Числа и режимы отказа: MeasuringU — 9 обнадёживающих результатов против 14 разочаровывающих; по совпадению средних 4 против 7, по совпадению дисперсии 0 против 3, по качественной глубине 0 против 3. NN/g — синтетический респондент отчитался, что прошёл все курсы, реальные бросали после 2–3; форумы синтетика хвалила, реальные называли надуманными. Общий диагноз обеих работ — угодливость, сжатая дисперсия, отсутствие возражений.
Зрелость: промышленная практика как критерий приёмки — подтверждено 12 рецензируемыми работами в сводке MeasuringU плюс независимой проверкой NN/g на трёх собственных исследованиях. Это самая крепкая эмпирика во всей зоне, и она — отрицательная.
Модель-агностичность: переносим — вывод сформулирован про класс LLM.
Чем подтверждено: практика (NN/g) и обзор рецензируемой литературы (MeasuringU). Обе стороны продают обучение исследованиям — интерес есть, но направление интереса противоположно шумихе.

11. Симулированные пользователи как пилот перед человеческим исследованием (UXAgent)¶

Кто держит: Yuxuan Lu, Bingsheng Yao, Hansu Gu, Jing Huang, Jessie Wang, Yang Li, Jiri Gesi, Qi He, Toby Jia-Jun Li, Dakuo Wang. Работа выложена и на Amazon Science.
Источник: https://arxiv.org/abs/2502.12561 — 18.02.2025 (последняя версия 05.04.2025); CHI 2025 Extended Abstracts, https://dl.acm.org/doi/10.1145/3706599.3719729
Артефакты: модуль генерации персон с задаваемым распределением демографии; LLM-агент; универсальный браузерный коннектор; выход в трёх формах — качественной (можно «взять интервью» у агента о том, как он думал), количественной (число действий) и видеозаписью сессии.
Роли (человек / агент): заявлено прямо — агенты не заменяют участников, они дают исследователю ранний прогон, чтобы поправить дизайн исследования до людей.
Что отдано агенту: тысячи симулированных прохождений сайта.
Зрелость: идея с прототипом — подтверждено: эвристическая оценка на пяти UX-исследователях, которые хвалили новизну и высказали тревогу за будущее профессии. Внедрений нет.
Модель-агностичность: переносим — архитектура агента и коннектор, не платформа.
Чем подтверждено: академическая работа с прототипом.

12. Мульти-агентный тематический анализ транскриптов (академический контур)¶

Кто держит: несколько независимых групп; общий шаблон.
Источник:
SFT-TA: https://arxiv.org/pdf/2509.17167 — supervised fine-tuned агенты, воспроизводящие ручную триангуляцию
Клиническая проверка на интервью по материнскому здоровью: https://pmc.ncbi.nlm.nih.gov/articles/PMC12045420/
Слепое сравнение с людьми в здравоохранении: https://www.medrxiv.org/content/10.64898/2025.12.25.25343031.full.pdf
Пользовательское исследование по открытым моделям: https://arxiv.org/html/2602.18352v1
Артефакты: коды, кандидаты в темы, тематические сводки с цитатами-подтверждениями; TAMA — мульти-агентная схема с человеком в петле, где эксперт правит предложенные темы.
Роли (человек / агент): агент даёт первый проход кодирования за минуты вместо часов; эксперт остаётся арбитром. В TAMA обратная связь человека встроена в цикл, а не пришита в конце.
Что отдано агенту: открытое кодирование, агрегация ответов поперёк транскриптов, черновики тем.
Зрелость: пилоты — подтверждено наличием нескольких независимых рецензируемых прогонов на реальных корпусах интервью (материнское здоровье, здравоохранение, работа с преподавателями), но каждый в своей области и без промышленного внедрения. Общий вывод работ: совпадение с ручным анализом ограничено, латентные смыслы, межличностная динамика и контекст даются моделям хуже всего.
Модель-агностичность: переносим; часть работ специально проверяет открытые модели.
Чем подтверждено: рецензируемая практика в академической рамке. Это ближайшее к «зрелому» из всего, что касается качественного анализа, и живёт оно вне продуктового контура.

13. LLM-пайплайн генерации продуктовых гипотез из истории экспериментов (Магнит) — русскоязычный контур¶

Кто держит: Иван Одинцов, продакт команды товарных рекомендаций «Магнит», блог Magnit Tech.
Источник: https://habr.com/ru/companies/magnit/articles/1072528/ — 25.08.2026 (дата проверена по метаданным страницы)
Артефакты: четыре этапа. (1) Подготовка: выгрузка карточек экспериментов из Confluence, оценка бизнес-эффекта каждого, укладка в SQLite с формулировкой инсайтов. (2) Генерация: контекстный селектор набирает релевантные эксперименты под окно модели, LLM выдаёт пять типов гипотез — Conservative, Transfer, Bold, Max Bold, Frontier. (3) Авто-ревью по трём осям — дубликат, пересечение с уже сделанным, потенциал эффекта, свёрнутые в Quality Score = (10 − dup_score) × (10 − done_score) × review_score. (4) Решение продакта.
Роли (человек / агент): агент генерирует и отсеивает, продакт оценивает реализуемость и приоритизирует. Точка «человек сказал да» — одна, на выходе.
Что отдано агенту: и генерация гипотез, и первичный отсев — включая проверку «мы это уже делали», то есть работу с институциональной памятью команды.
Числа воронки одного прогона: ~100+ карточек экспериментов → ~200 гипотез → ~50 после авто-ревью → 15 качественных, ушедших в бэклог. Собрано одним продактом без выделенного разработчика.
Зрелость: пилоты — подтверждено одной названной командой с числами воронки. Влияния на бизнес-метрики не показано: считались гипотезы, не результаты экспериментов по ним.
Модель-агностичность: переносим — конкретная модель в статье не названа ни разу, что само по себе показательно: несущая конструкция здесь не модель, а база прошлых экспериментов.
Чем подтверждено: кейс с числами. Не вендор — внутренняя работа команды.
Почему это важнее, чем выглядит: единственный найденный подход, где гипотезы порождаются из собственной истории экспериментов компании, а не из головы модели. Это ровно тот шов, где дискавери сцепляется с метриками (зона 4).

14. Непрерывный дискавери на AI-модерируемых интервью (Perspective AI и соседи) — вендорский слой¶

Кто держит: Perspective AI; тот же жанр — Outset, Listen Labs, Conveo, Strella, User Intuition, Maze, Sprig.
Источник: https://getperspective.ai/blog/continuous-discovery-habits-in-2026-operationalizing-teresa-torres-s-framework-with-ai-conversations ; https://getperspective.ai/blog/2026-product-discovery-trends-what-300-teams-changed — 08.06.2026
Артефакты: заявлен ритм — недельная каденция, присутствие трио, дерево возможностей, привязанное к исходу, проверки допущений. Заявленный выход за 12 недель: 72–120 бесед, 12 обновлений дерева, 12 проверок допущений, 1–3 подтверждённые ставки.
Роли (человек / агент): агент ведёт интервью (асинхронно, с доуточняющими вопросами в реальном времени), человек читает выход.
Зрелость: идея, поданная как практика — и вот чем это подтверждено с обратным знаком. Фраза «примерно 300 команд, чьи практики 2026 года мы сверили с опубликованными бенчмарками» не сопровождается ни методикой, ни выборкой, ни датой сбора. Числа «72–120 бесед за 12 недель» — арифметика от каденции, а не замер. Ставлю «идея» именно потому, что числа есть, но за ними ничего не открывается.
Модель-агностичность: привязан к платформе целиком — интервью ведёт их агент, данные живут у них.
Чем подтверждено: реклама. Отдельно отмечаю жанр: этот вендор производит поисковую выдачу по всем ключевым словам зоны 2, и при запросах про Торрес, OST и continuous discovery его страницы занимают до половины первой страницы. Кто ищет по теме бегло, увидит в основном его.
Сопоставимая независимая проверка одна: сравнение пяти платформ вслепую — 5 платформ × 10 интервью = 50 интервью, один бриф, одна неделя, вендоры не знали о сравнении: https://medium.com/@charles_31533/i-tested-5-ai-moderated-research-platforms-outset-listen-labs-conveo-strella-user-intuition-78917116c966 (Charles, Medium). Это блог одного человека, но методика сравнения описана.

15. Прототип-первый дискавери у самой лаборатории (Anthropic) — вендор с описанным процессом¶

Кто держит: Cat Wu, глава продукта Claude Code, Anthropic.
Источник: https://claude.com/blog/product-management-on-the-ai-exponential — 19.03.2026
Артефакты: прототип вместо документа; эвалы как продуктовый артефакт продакта; «side quests» — самостоятельные полудневные эксперименты вне роадмэпа; ритуал переоценки фич при выходе новой модели.
Роли (человек / агент): роли размыты намеренно — продакты собирают прототипы и эвалы, инженеры принимают продуктовые решения, дизайнеры пишут код. Держит это не процесс, а внятная стратегия, позволяющая каждому приоритизировать самостоятельно.
Что отдано агенту: сборка прототипа настолько дешёвая, что заменяет документ как способ обсуждения.
Зрелость: пилоты — подтверждено описанием практики одной команды с внешними голосами (Bihan Jiang, Decagon; Kai Xin Tai, Datadog). Числа в статье про способности моделей (METR), не про дискавери.
Модель-агностичность: привязан к Claude в изложении; сам ход «прототип вместо PRD» переносим.
Чем подтверждено: вендорский материал с описанной практикой. Полезен как свидетельство, что в лаборатории дискавери сдвинулся к «построил — посмотрел», а не к «опросил — решил».

16. Русскоязычный контур: синтетические респонденты¶

Отдельной строкой по требованию рамки. В РФ зона 2 представлена почти исключительно этой темой — не процессом дискавери, а заменой респондента.

Рынок и игроки: Эдгар Отченашенко (сооснователь «Кукушки»), https://secrets.tbank.ru/blogi-kompanij/sinteticheskie-respondenty/ — 21.11.2025. Рынок синтетических респондентов РФ в 2024 году — около 0,12 млрд руб. при общем рынке исследований 23,4 млрд. Названы: Gazprom Neft Synthetic Data Lab, «Кукушка» с панелью «Огород» (профиль на 150+ параметров, «Большая пятёрка», обучение на реальных опросах), IPSOS, Okkam с «Автомодератором», Andata, SplitTest, платформа Synth от «Родной речи». Признаваемые ограничения: кризис доверия к качеству, отсутствие стандартов репрезентативности, нехватка экспертизы внедрения. Вендорский материал (автор продаёт панель).
Отраслевой опрос: «Анкетолог», изложение — https://www.sostav.ru/publication/sinteticheskie-respondenty-poka-ne-gotovy-zamenit-lyudej-85960.html — 10.08.2026. 61% пользователей работают со специализированными платформами, 53% главным плюсом называют скорость сбора, 68% уверены, что синтетика никогда не заменит живых респондентов полностью, 33% считают технологию недопустимой для узких и уязвимых групп. Главное препятствие — невозможность проверить достоверность (31%).
Кейс: СберМаркетинг, «синтетический респондент Скуф», https://adpass.ru/sinteticheskij-respondent-skuf-eksperiment-sbermarketinga/ — 31.10.2025. Собрали цифровую модель сегмента на корпусе характерных фраз и ценностей, сравнили её ответы с реальным исследованием досуга россиян по тому же сегменту, отчитались, что «во многом совпали». Числа выборки и метрика совпадения не приведены — как кейс это заявка, не замер.
Академический разбор: К. О. Жуликов, «Критерии оценки синтетических респондентов в качественных исследованиях: границы применимости», журнал «Интеракция. Интервью. Интерпретация», т. 18 № 2 (2026), опубликовано 03.07.2026, https://www.inter-fnisc.ru/index.php/inter/article/view/6064 . Обзор литературы 2022–2026 без собственной эмпирики. Вывод, полезный нам: самые формализованные метрики (статистические сравнения, текстовые меры) измеряют свойства, второстепенные для качественной работы, а качественная традиция трогает существенное (контекстуальность, противоречивость) — но не операционализирована. Незакрытыми названы внутренние нарративные противоречия, речевые особенности и способность порождать нетривиальные интерпретации.
Разбор интервью нейросетью, процесс: блог на securitylab.ru — 17.08.2026, https://www.securitylab.ru/blog/personal/LifeHack/361904.php . Пять шагов (транскрибация → проверка и анонимизация → тематический анализ → цитаты → гипотезы), есть примеры промптов. Внутри — реклама стороннего бота; практикой не подтверждено.
Зрелость русского контура: пилоты. Подтверждено: рынок есть и измерен (0,12 млрд), названо ≥6 платформ, есть отраслевой опрос применяющих и один публичный кейс. Но ни одного описанного процесса дискавери с ролями и артефактами в русскоязычных источниках не нашлось — кроме пайплайна Магнита (подход 13), который про гипотезы, а не про респондентов.

Что искал и не нашёл¶

Всего 37 поисковых запросов на английском и русском, ~25 открытых и прочитанных страниц. Ниже — то, что вернулось пустым или подменой.

1. Приоритизация гипотез с LLM как метод. Запросы: hypothesis prioritization with LLM product experiment backlog agentic RICE evidence; LLM agent product analytics metrics hypothesis generation from data. Вернулось: контент-маркетинг про RICE/ICE/Kano без агентов вообще (storiesonboard, getproductpeople, weblics), плюс академические работы про приоритизацию генов и авто-ресёрч в естественных науках. Единственная содержательная находка — пайплайн Магнита, и он найден совсем другим запросом (по Хабру). Вывод: метода приоритизации продуктовых гипотез агентом рынок не описал. Есть промпты «оцени по RICE» и есть один корпоративный пайплайн.

2. Эвалы и метрики качества дискавери-выхода. Запросы: how to evaluate quality of AI-assisted discovery output evals product research rubric; discovery quality metrics. Вернулось: эвалы для LLM-продуктов вообще (Braintrust, Amplitude, Confident AI), рубрики для академических работ, LLM-as-a-judge как приём. Ни одной рубрики, которая оценивала бы качество продуктового открытия — не выхода модели, а выхода дискавери-цикла. Ближайшее к нужному — оценка качества входа (доля «историй» против «мнений» в транскрипте) в заброшенном учебном репозитории argo, три звезды.

3. Явное распределение «человек / агент» для роли продакта. Запросы: RACI product manager agent responsibility matrix discovery which tasks human keeps 2026; "AI-native" product team operating model human agent role split discovery published playbook. Вернулось: обычные RACI-шаблоны без агентов (project-management.com, ClickUp, NN/g 2019 года) и общие рассуждения про операционную модель (McKinsey, YC, Aakash Gupta) без разреза по дискавери. Формальной матрицы ответственности человек/агент для дискавери-цикла никто не опубликовал. Ближе всех — три частных утверждения: у BuildBetter «интервью остаются человеческой работой», у Торрес «синтез остаётся человеку, агенту — нотетейкинг», у Albers «AI обрамляет разбор, обсуждение ведут люди». Это три предложения в трёх разных текстах, не рамка.

4. Чем кончилась история с синтетическими пользователями. Запрос: "synthetic users" startup failed pivot backlash 2025 2026 research industry outcome. Вернулось: общая публицистика про смертность AI-стартапов (90% за первый год, «тонкие обёртки») — ни одного упоминания сегмента синтетических респондентов. Ответ на «чем это кончилось» на сентябрь 2026: ничем не кончилось. Сегмент жив, разделился надвое — количественная сторона получила валидацию (SSR, 90% от тест-ретеста), качественная получила отрицательный вердикт (MeasuringU: 0 из 3 по глубине).

5. Кейсы AI-модерируемых интервью с проверяемыми числами. Запросы: AI-moderated user interviews at scale ... case study number of interviews; "opportunity solution tree" OR "continuous discovery" AI agent team case study "we ran" interviews weeks results; Maze Sprig UserTesting AI research agent adoption customers number enterprise. Вернулось: сплошной вендорский слой, где платформы пишут сравнения друг друга (Listen Labs сравнивает Outset, Outset сравнивает Listen Labs). Числа встречаются, но не прослеживаются: «78% сопоставимой насыщенности, исследование HCI-лаборатории Мельбурнского университета 2024» на koji.so — без ссылки на работу, найти её отдельно не удалось; «300 команд» у Perspective AI — без методики. Единственное независимое сравнение — блог одного человека на Medium (50 интервью, 5 платформ, слепо).

6. Русский процесс дискавери с агентами. Запросы: кастдев с AI агентами продуктовый дискавери методология LLM гипотезы; vc.ru habr продуктовый дискавери с AI агентами процесс роли артефакты 2026; ИИ-модератор глубинных интервью российская платформа кейс; Авито Яндекс Т-Банк продуктовые гипотезы LLM агент доклад конференция 2026. Вернулось: статьи про архитектуру агентов вообще (RAG, LangGraph, «агент на 90% архитектура»), классические описания глубинного интервью без AI, анонсы конференций (AHA'26, Conversations 2026, AI2BUSINESS) с упоминанием докладов Авито, Яндекса, Т-Банка, Сбера — но тезисы докладов про Next Best Action и продажи, не про дискавери. Описанного русского процесса продуктового открытия с агентами нет. Есть переводной/пересказный жанр («Claude Code для продакт-менеджеров», Neurosonya, 20.02.2026, habr.com/ru/articles/1001656 — синтез созвонов, PRD, декомпозиция; цифр экономии нет) и есть пайплайн Магнита.

7. Собственный процесс дискавери у OpenAI / Google / Microsoft. Запрос: Anthropic how our product managers use Claude internally discovery research workflow blog и соседние. Нашёлся только материал Anthropic (подход 15). У остальных лабораторий описанного процесса открытия — не гайдов по промптам, а процесса — не нашлось.

Общая оценка зоны¶

Гипотеза проекта подтвердилась, но не в той форме, в какой ожидалась. Зона 2 не пуста — она густо заселена и почти не проверена. Описанных процессов много: одних только библиотек агентных скиллов для продакта две штуки с суммарными 33 тысячами звёзд, плюс с полдюжины конвейеров разной глубины. Но между «процесс описан» и «процесс кем-то прогнан» здесь провал: ни одна из четырёх найденных библиотек и конвейеров не приводит ни одного внедрения, ни одного числа результата, ни одного кейса. Звёзды на GitHub — мера внимания, и я нигде не подменял ею зрелость.

Сгущение — в двух точках, и обе смещены от собственно открытия. Первая: синтез интервью. Здесь есть и метод (двухшаговый синтез Торрес), и его отрицание (30% битых цитат у неё же), и академическая проверка (мульти-агентный тематический анализ, несколько рецензируемых прогонов с честным «совпадение с ручным анализом ограничено»). Вторая: синтетические респонденты, где рынок за год развёлся надвое — количественный концепт-тест получил настоящую валидацию (57 опросов, 9 300 респондентов, 90% от тест-ретеста, две модели разных вендоров), а качественная глубина получила отрицательный вердикт по 12 рецензируемым работам со счётом 0 из 3.

Пусто — в трёх местах, и это самые дорогие для нас места. Нет метрики качества дискавери: рынок научился мерить выход модели и не умеет мерить выход открытия. Нет приоритизации гипотез агентом как метода — есть промпт «посчитай RICE» и ровно один корпоративный пайплайн (Магнит), где гипотезы растут из базы прошлых экспериментов, а не из головы модели. Нет разграничения ответственности человека и агента: три разрозненных утверждения в трёх текстах вместо рамки, и ни у кого — что происходит, когда агент ошибся.

Русскоязычный контур отстаёт не по инструментам, а по жанру: там, где на английском пишут процесс, по-русски пишут про респондента. Рынок синтетики измерен (0,12 млрд руб. в 2024 при 23,4 млрд всего рынка исследований), игроков не меньше шести, есть отраслевой опрос и академический разбор границ применимости — но описанного процесса продуктового открытия с агентами нет ни одного, кроме пайплайна Магнита.

Пересечения зон, которые стоит поднять наверх: claude-code-discover кладёт дискавери-артефакты в репозиторий, чтобы их прочитал кодирующий агент — это шов 2↔1, единственный найденный. Пайплайн Магнита строит гипотезы из истории экспериментов с оценённым бизнес-эффектом — шов 2↔4. Оба стоят внимания больше, чем их зрелость (идея и пилот соответственно): они закрывают стыки, о которых остальные подходы не думают вовсе.