تواصلت معنا شركة ناشئة في قطاع الرعاية الصحية خريف العام الماضي بمشكلة مألوفة: بنوا منصة للطب عن بُعد، وأمضوا أربعة عشر شهراً في التطوير، ثم شاهدوا معدل تفعيل المستخدمين يتجمّد عند أحد عشر بالمائة. كانوا يعلمون أن شيئاً ما خاطئ في التجربة، لكنهم لم يعرفوا ما هو. وكالتهم السابقة طلبت اثني عشر أسبوعاً وأربعين ألف دولار لإجراء دراسة بحثية شاملة لتجربة المستخدم.
نحن قدّمنا نتائج قابلة للتنفيذ في تسعة أيام عمل. ليس لأننا اختصرنا الطريق، بل لأن أدوات البحث المتاحة في 2026 لا تشبه ما كان موجوداً قبل ثلاث سنوات.
الجدول الزمني القديم مقابل الجديد
يتبع بحث تجربة المستخدم التقليدي إيقاعاً لم يتغير كثيراً منذ ترسيخ هذا التخصص في تسعينيات القرن الماضي: أسبوعان للتخطيط، وثلاثة أسابيع لتجنيد المشاركين، وأسبوعان لإجراء المقابلات أو اختبارات قابلية الاستخدام، وثلاثة أسابيع لتحليل النتائج، وأسبوع إضافي لإعداد التسليمات. أي أحد عشر أسبوعاً في أفضل الأحوال، بافتراض عدم حدوث أي تعقيدات في التجنيد أو الجدولة.
العملية المعزّزة بالذكاء الاصطناعي تضغط كل مرحلة تقريباً. تجنيد المشاركين عبر منصات مثل يوزر تيستينغ وريسبوندنت يستخدم الآن مطابقة بالذكاء الاصطناعي لتحديد المشاركين المؤهلين في ساعات بدلاً من أسابيع. أدوات نمذجة المستخدم الاصطناعي تستطيع توليد تنبؤات سلوكية أولية قبل إجراء مقابلة واحدة مع إنسان حقيقي — وهي مفيدة ليس كبديل للبحث الحقيقي بل كوسيلة لصقل الأسئلة التي تطرحها عندما تتحدث فعلاً مع أشخاص حقيقيين.
أكبر توفير في الوقت يحدث خلال مرحلة التحليل. مقابلة مستخدم واحدة مدتها تسعون دقيقة تولّد نحو اثني عشر ألف كلمة من النص المُفرَّغ. اضرب ذلك في خمسة عشر مشاركاً وستحصل على مئة وثمانين ألف كلمة من البيانات الخام. ترميز هذه البيانات يدوياً — تحديد الموضوعات، وتصنيف الأنماط، وحل التناقضات — كان يستغرق من باحث ماهر أسبوعين إلى ثلاثة. أدوات مثل دوفتيل وكوندنز تُجري الآن تحليلاً موضوعياً أولياً في أقل من ساعة.
ما تجيده أدوات البحث بالذكاء الاصطناعي حقاً
تحليل المشاعر عبر مجموعات بيانات كبيرة هو المجال الذي يتألق فيه الذكاء الاصطناعي حقاً. عندما تحلل خمسمائة مراجعة على متجر التطبيقات، وألفي تذكرة دعم، وخمسين نصاً مُفرَّغاً لمقابلات في آنٍ واحد، يستطيع الذكاء الاصطناعي تحديد أنماط عاطفية سيحتاج باحث بشري أسابيع لإظهارها.
أدوات التنبؤ بخرائط الحرارة مثل أتنشن إنسايت أصبحت موثوقة بشكل مفاجئ. لن تحل محل دراسات تتبع العين الفعلية للواجهات عالية المخاطر — الأجهزة الطبية ومنصات التداول المالي — لكن لتطبيقات المستهلك العادية، باتت خرائط الانتباه المتوقعة تتطابق مع بيانات تتبع العين الحقيقية بدقة تبلغ نحو خمسة وثمانين بالمائة.
فخ الاصطناعية الشاملة
هنا نختلف مع المتفائلين بالذكاء الاصطناعي: بحث المستخدم الاصطناعي مُكمِّل وليس بديلاً. اختبرنا كل أداة بحث اصطناعي رئيسية متاحة، وجميعها تتشارك القيد الجوهري ذاته — لا تستطيع نمذجة سوى السلوكيات الموجودة في بيانات تدريبها. لا يمكنها التنبؤ بكيفية تفاعل جدّة سعودية في الستين مع واجهة مصرفية جديدة، لأن هذا التقاطع المحدد بين العمر والثقافة والمعرفة الرقمية والسلوك المالي ناقص التمثيل في أي مجموعة تدريب.
قاعدتنا بسيطة: يستطيع الذكاء الاصطناعي توليد الفرضية، لكن البشر يجب أن يتحققوا منها. كل رؤية تُظهرها أدواتنا الذكية تُختبر مقابل سلوك مستخدمين حقيقيين قبل أن تؤثر في قرار تصميمي.
متى يكون البحث البشري غير قابل للتفاوض
الاستجابات العاطفية للتصميم لا يمكن أتمتتها. عندما نصمم تدفق تسجيل لمنتج مالي في منطقة الخليج، نحتاج لفهم القلق المحدد وإشارات الثقة والتوقعات الثقافية التي تؤثر في قرار شخص ما بإدخال بياناته المصرفية في تطبيق. هذا الفهم يأتي من الجلوس أمام أشخاص حقيقيين.
الاستقصاء السياقي — مراقبة الناس وهم يستخدمون المنتجات في بيئتهم الفعلية — يظل لا بديل عنه. الرؤية بأن تطبيق توصيل يفشل لأن السائقين يستخدمونه تحت أشعة الشمس المباشرة وهم يوازنون الطرود ليست شيئاً سيولّده أي نموذج اصطناعي.
الفائدة للعميل
بالنسبة لعملائنا، الأثر العملي جوهري. بحث كان يتطلب ثلاثة أشهر وميزانيات ضخمة يستغرق الآن أسبوعين إلى ثلاثة بنحو أربعين بالمائة من التكلفة. والأهم أن سرعة البحث المعزّز بالذكاء الاصطناعي تعني إمكانية إجرائه بوتيرة أعلى. بدلاً من دراسة شاملة واحدة في بداية المشروع، نُجري الآن دورات بحثية خفيفة طوال عملية التصميم.
شركة الطب عن بُعد التي ذكرناها في البداية؟ دورتنا البحثية ذات التسعة أيام حددت ثلاث عوائق حرجة في قابلية الاستخدام ضمن تدفق التسجيل الأولي. بعد تنفيذ التغييرات، ارتفع معدل التفعيل من أحد عشر إلى أربعة وثلاثين بالمائة في ثمانية أسابيع.