AI verandert hoe we onderzoek doen. Een onderzoeksvraag aanscherpen, een onderzoeksopzet maken, interviewvragen controleren, gesprekken transcriberen, tientallen quotes clusteren en patronen zoeken: AI kan inmiddels in bijna iedere fase van UX research iets betekenen. Dat levert snelheid op. Werk waar een researcher vroeger uren mee bezig was, kan soms in minuten. Maar welk deel van het onderzoek kunnen we aan AI overlaten, waar werken mens en AI samen en waar moet de researcher zelf aan het stuur blijven?
Research moet mee in een wereld die steeds sneller gaat
Constantine Papas beschrijft in zijn boek AI-Powered UX Research een probleem dat veel UX-teams zullen herkennen. Productontwikkeling is enorm versneld. Ontwerpen worden sneller gemaakt, software wordt sneller gebouwd en beslissingen worden sneller genomen. Research werkt ondertussen vaak nog volgens een ritme dat voor een tragere organisatie is ontworpen.
Papas onderscheidt verschillende vormen van onderzoek. Een kleine, afgebakende vraag kan soms in enkele dagen worden onderzocht, terwijl andere vragen weken of veel diepgaander onderzoek vragen. Welke vorm passend is, hangt onder andere af van de onzekerheid, het risico van een beslissing en hoe lang een antwoord bruikbaar blijft. Dat is een interessantere manier om naar AI-powered research te kijken.
AI kan bijna de hele researchflow in
Aan het begin van een onderzoek kan AI helpen een onderzoeksvraag aan te scherpen, aannames zichtbaar te maken of een eerste onderzoeksopzet te maken. Het kan meedenken over methoden, een interviewscript beoordelen en sturende vragen signaleren. Tijdens en na het onderzoek kan AI gesprekken transcriberen, grote hoeveelheden tekst verwerken, quotes groeperen, thema’s voorstellen en eerste patronen in onderzoeksdata zoeken.
In onze UX Research-training gebruiken we AI bijvoorbeeld om dezelfde onderzoeksdata op verschillende manieren te analyseren en vervolgens de uitkomsten met elkaar te vergelijken. Daar zit veel winst. Maar juist doordat AI zo makkelijk een compleet en overtuigend resultaat produceert, ontstaat een nieuw probleem: wanneer weet je of het onderzoek daadwerkelijk beter is geworden?
AI kan samenvatten wat iemand zegt. Maar heeft het ook begrepen wat er gebeurde?
Dat verschil wordt vooral zichtbaar bij kwalitatief onderzoek. Een goed interview bestaat niet uit het afwerken van een lijst vragen. Een researcher luistert, observeert, vraagt door en verandert soms tijdens het gesprek van richting. Een stilte kan iets betekenen. Iemand kan aarzelen voordat hij antwoord geeft. Een respondent zegt dat iets ‘prima’ werkt, terwijl zijn gedrag iets heel anders laat zien. Een onverwachte opmerking kan aanleiding zijn om het voorbereide script even los te laten.
AI kan een transcript uitstekend samenvatten, maar stiltes, intonatie, lichaamstaal en context kunnen daarbij verloren gaan. Precies daarom laten we researchers in onze training een AI-samenvatting naast de observaties van een mens leggen. Dan wordt zichtbaar wat AI invult wat er niet was, wat het mist en soms ook wat het juist scherper ziet dan wijzelf. AI wordt ook iets waarvan je de interpretatie moet onderzoeken.
Het gevaar van plausibele inzichten
Dat wordt nog belangrijker bij analyse en synthese. Geef een taalmodel twintig interviews en het kan razendsnel thema’s, patronen en conclusies produceren. Het resultaat ziet er vaak indrukwekkend uit. Maar kwalitatieve synthese is meer dan informatie ordenen.
Tijdens het clusteren, vergelijken en opnieuw bekijken van onderzoeksdata ontstaat betekenis. De researcher ziet tegenstrijdigheden, herkent uitzonderingen en vraagt zich af waarom iets níét in de data voorkomt. In onze trainingsslides formuleren we het daarom vrij scherp: synthese is het onderzoek, niet alleen een deliverable. AI kan helpen met clusteren en samenvatten, maar neemt daarmee niet automatisch de betekenisconstructie van de researcher over. AI kan razendsnel alternatieve clusters voorstellen, grote hoeveelheden data doorzoeken of een researcher wijzen op patronen die hij zelf over het hoofd zag. Maar het verschil tussen een patroon en een betekenisvol inzicht blijft belangrijk.
Waar doet AI het werk, waar werken we samen en waar niet?
Daarmee ontstaat voor UX researchers een nieuwe vaardigheid: per stap bepalen hoeveel verantwoordelijkheid je aan AI geeft. Sommige taken kun je vergaand automatiseren. Bij andere taken is AI vooral een goede sparringpartner. En er zijn momenten waarop menselijke observatie, interpretatie of professionele verantwoordelijkheid leidend moet blijven.
In onze training gebruiken we daarvoor een 100 / 50 / 0-kaart: waar mag AI het werk doen, waar is het co-pilot en waar blijft de mens aan het stuur? Die verdeling hoeft niet voor ieder onderzoek hetzelfde te zijn. Een AI-samenvatting van twintig open antwoorden heeft andere consequenties dan AI die conclusies trekt uit vijf diepte-interviews waarop een belangrijke productbeslissing wordt gebaseerd. Hoe groter de onzekerheid en de gevolgen, hoe belangrijker het wordt dat de researcher kan teruggaan naar de oorspronkelijke data en kan onderbouwen: waar komt dit inzicht eigenlijk vandaan?
AI-powered betekent niet AI-led
AI kan veel van het uitvoerende werk rondom research versnellen. Daardoor ontstaat ruimte om meer onderzoek te doen, sneller vragen te beantwoorden en grotere hoeveelheden kwalitatieve data te verwerken. Maar tegelijkertijd wordt het vak niet minder kritisch. Eerder kritischer.
De UX researcher van de komende jaren moet niet alleen goed zijn in onderzoeken, luisteren, observeren en betekenis geven. Die moet ook kunnen beoordelen wanneer AI iets toevoegt, wanneer het nuance gladstrijkt en wanneer een overtuigend antwoord vooral overtuigend klinkt. De belangrijkste AI-vaardigheid voor een UX researcher is daarom: hoe goed je kunt bepalen wanneer je het wél gebruikt, hoe je de uitkomst controleert en wanneer je het juist niet gebruikt.
In de UX & AI Research training van UX Academy werken we daarom met AI door de hele researchflow heen: van onderzoeksvraag en interviewscript tot analyse en synthese, om te leren waar AI het onderzoek daadwerkelijk sterker maakt en waar de researcher zelf aan zet blijft.