AI automatizace deníkových studií

AI v deníkových studiích: tři způsoby, jak se vyhnout kompromisům při plné automatizaci

Čtyřčlenný tým zpracoval data od 32 respondentů za týden terénního výzkumu bez tradičních kompromisů: všechny hlasové zprávy byly přepsány, dialog s každým respondentem prohlouben a všechny deníky analyzovány. AI převzal rutinní zpracování, monitorování a hodnocení, čímž ušetřil 403 hodin – ekvivalent 2–3 dalších pracovníků. Projekt byl dokončen o 5 dní dříve s zachováním kvality analýzy.

Úspora času: srovnání ručního a AI zpracování

Integrace AI radikálně snížila pracnost klíčových fází. Zde je přehled podle úkolů:

| Úkol | Ručně (hodiny) | S AI (hodiny) | Úspora (hodiny) |

|--------|----------------|-------------|-----------------|

| Monitorování 32 respondentů (7 dní) | 224 | ~2 | ~225 |

| Stav deníků (4–5 průchodů) | 72 | 1.5 | ~72 |

| Hodnocení kandidátů (208 dotazníků + 60 podrobných) | 37 | 0.25 | ~37 |

| Profil respondenta (24 osob) | 48 | 12 | ~36 |

| Průvodce rozhovorem (24 unikátních) | 19.5 | 2 | ~17.5 |

| Zdroj pravdy (audit kvót, mapa funkcí) | 14 | - | ~14 |

| Kontrola kvót | 1.7 | 0.017 | ~1.7 |

| Celkem | ~403 | | ~403 |

Tato matematika umožnila analyzovat všech 32 deníků místo obvyklých 12–15, což odhalilo další hypotézy z dat.

Argumenty kvality: proč AI nezhoršil analýzu

• Konzistentní klasifikace: AI aplikoval jednotnou taxonomii poznatků bez odchylek napříč všemi 32 deníky. Ruční analýza trpí únavou výzkumníka po 20. případu.
• Vzájemná kontrola: AI odhalil 4 chyby v kvótách náboráře; člověk opravil 20 % detekcí AI (přesnost 80 %).
• Ověření podle surových dat: Každá karta poznatku je propojena s původním záznamem s kontrolou faktů a interpretací.
• Hloubka analýzy: 4 z 10 hypotéz vzešly z dat; 300+ karet poznatků a 20 shluků požadavků – dvojnásobek standardu.
• Úplné pokrytí: Náhradní respondenti poskytli nejbohatší deníky.

Mechanismus 1: Telegram-bot pro automatizaci sběru dat

Vedoucí bez programátorských zkušeností za den vytvořila bota v Pythonu + FastAPI s Claude Code, nasadila na cloudový server. Bot přes webhook zpracovává zprávy z 32 chatů v reálném čase, ukládá na Google Drive:

• Text – v Markdown.
• Fotky – tak jak jsou.
• Hlasové/video zprávy – s automatickým přepisem vedle originálu.

Klíčová technická řešení:

• Webhook místo polling: Telegram API nedává historii chatu; rizika selhání minimalizována (incident 6. den kvůli OAuth – opraven za 20 min).
• OAuth s refresh tokenem: Servisní účet neviděl „Počítače“ v Drive; OAuth zajistil přístup k synchronizovaným souborům.
• Markdown formát: Po 3 iteracích (JSON → text → Markdown) vhodný pro člověka i AI.
• Privacy Mode vypnut: V BotFather vypnut pro čtení všech zpráv.

Uvolněný čas směřoval na upřesňující otázky: „Proč tentokrát jinak?“, „V čem je to nepohodlné?“. Respondenti odpovídali hlasem – přepis automatický, přidal nuance, opravy, emoce.

Tabulka sledování cest s taxonomií (bariéry, motivátory, neznalost, problémy) umožňovala filtrovat mezery a generovat cílené otázky v reálném čase.

Mechanismus 2: Tabulka sledování a hodnocení s AI

AI vytvářel dynamickou tabulku cest: detekce nových záznamů vs odpovědí na otázky, rozložení podle taxonomie s kontextem a silou vlivu. Výzkumník filtroval podle respondenta, viděl pokrytí oblastí, navrhoval otázky.

Hodnocení 208 dotazníků + 60 podrobných trvalo 15 min místo 37 hodin. AI klasifikoval města, kvóty; člověk ověřil.

Profily 24 respondentů – 12 hodin místo 48: AI agregoval data podle šablony.

Průvodci rozhovorem (24 unikátních) – 2 hodiny: AI generoval na základě deníků a obchodního cíle.

Mechanismus 3: Shlukování poznatků a audit

300+ karet poznatků shlukováno do 20 skupin funkčních požadavků. Každá s propojením na surový zdroj.

Kontrola kvót – 1 minuta: AI porovnával se zdrojem pravdy (audit kvót, mapa funkcí).

Co je důležité

• AI ušetřil 403 hodin, což umožnilo analyzovat všechny deníky a prohloubit dialog.
• Konzistence a vzájemná kontrola zajistily kvalitu na úrovni ruční analýzy.
• Automatizace rutiny uvolnila zdroje pro hypotézy z dat.
• Hlasové zprávy se staly výhodou díky přepisu.
• Pipeline je škálovatelný: od bota po shlukování poznatků.

— Editorial Team