Первое погружение в незнакомый домен выглядит примерно так: темно, непонятно, и все вокруг явно что-то знают, чего не знаешь ты.

«Изучи конкурентов» и «eat your dog's food» — это само собой. Но что делать дальше, когда база пройдена, а понимание домена всё равно не складывается в рабочую картину?

Гайд для продактов, дизайнеров и исследователей, которые хотят за первые недели разобраться достаточно — чтобы принимать решения, а не кивать на встречах.

24 марта OpenAI объявила о закрытии Sora, и многие сразу записали это в доказательства того, что AI-пузырь начал сдуваться. Мол, хайп закончился, экономика не сошлась, и вот оно — начало конца.

А за неделю до этого Дженсен Хуанг, основатель и CEO NVIDIA, со сцены GTC 2026 бросил тезис, который рынок ещё долго будет переваривать: если инженер с зарплатой $500k тратит на токены меньше $250k в год — это тревожный сигнал. Если тратит $5k — вообще катастрофа.

На первый взгляд не очень понятно как это связано с закрытием Sora. Один из самых влиятельных людей в AI говорит: тратьте больше токенов, а OpenAI почти сразу после этого закрывает один из самых ресурсоёмких AI-продуктов.

Но на самом деле эти две новости говорят об одном и том же: токены надо тратить больше — но только туда, где они дают реальную отдачу. ☝️

Boston Dynamics сделали Atlas в 1992 году. За 30 лет он научился делать сальто, бегать по бездорожью и прыгать через препятствия.

Три разных владельца — Google, SoftBank, Hyundai — вкладывали деньги, восхищались и снимали вирусные ролики. Но заводским роботом он стал только у третьего.

Почему у двух предыдущих не получилось — и что именно сделала Hyundai, чего не сделали другие →

Маск говорит, что самое дешёвое место для размещения ИИ скоро будет в космосе. Звучит как очередной футуристический разгон, но за ним прячатся вполне земные проблемы: вычисления, память, энергия и пределы текущей инфраструктуры. В статье разбираю, какие из этих тезисов подтверждаются данными, а где футуризм уже начинает работать отделом продаж.

Короче, вот что я поняла за годы работы: в крупных цифровых продуктах UX‑исследования — это уже не «было бы круто», а must‑have. Без них ты просто не выживешь в конкурентной среде. Но вот между тем, чтобы сказать «ой, исследования важны 🤓» и реально построить работающую исследовательскую функцию — пропасть. Причём пропасть, полная организационных косяков, процессных дыр и культурных вызовов.

Как превратить разрозненные исследования в системную практику, которая реально приносит ценность бизнесу? Как выстроить команду, процессы и метрики так, чтобы исследования не просто проводились для галочки, но влияли на качество продукта и счастье пользователей? Об этом и поговорим.

Это не теоретическая статья — я делюсь реальным опытом разработки стратегии исследовательской лабы в крупной продуктовой IT‑компании. Разберём ключевые элементы: от формулирования миссии до внедрения конкретных процессов и метрик.