Первое полугодие 2026 года принесло некоторые сдвиги, которые изменят работу аналитических и исследовательских команд в ближайшие 12–18 месяцев. Впервые с 2023 года Центробанк начал осторожный цикл снижения ставки. Промышленное производство выросло на 6,1% за пять месяцев к аналогичному периоду прошлого года, B2B-рынки в целом стабилизировались на новой конфигурации поставщиков быстрее, чем прогнозировали в 2022-м. На этом фоне произошло несколько специфических изменений в аналитике и маркетинговых исследованиях, о которых расскажем ниже.
Это не попытка дать всеобъемлющую картину экономики (для этого есть ЦБ и Росстат), а взгляд на конкретный сегмент: как изменился инструментарий, запросы клиентов и внутренняя логика работы аналитических команд за шесть месяцев. Важно сразу оговориться, что приведенные наблюдения основаны на практике работы с клиентами из различных отраслей (промышленности, финансового сектора, ритейла, телекоммуникаций) и не претендуют на репрезентативность в статистическом смысле. Но именно эта «полевая» картина нередко опережает то, что потом закрепляется в официальной статистике.
Важен контекст: российский B2B-рынок прошел через несколько лет глубокой реструктуризации: уход части зарубежных поставщиков инструментов и платформ, переориентация на отечественные или нейтральные альтернативы, консолидация в ряде секторов. К 2026 году это уже не кризисный процесс, а новая реальность. Аналитические команды работают в условиях, которые год назад еще казались временными, а теперь стали базовыми операционными условиями.
Тренд 1: AI-инструменты перешли из категории «эксперимент» в категорию «рабочий стек»
В конце 2024 года большинство аналитических команд тестировали языковые модели и агентные системы. В первой половине 2026 года они уже включены в регулярные рабочие процессы, хоть и неравномерно. Функции, которые автоматизированы у большинства команд, работающих с AI: быстрый синтез открытых источников по теме, первичная обработка транскриптов интервью, генерация структуры отчетов и аналитических записок.
Функции, где автоматизация пока остается пилотной: интерпретация данных в специфическом отраслевом контексте, формулировка стратегических выводов, работа с закрытыми корпоративными базами знаний (здесь активно внедряются RAG-системы, но они пока на ранних стадиях в большинстве компаний). Принципиально важно понимать это разграничение: AI в нынешнем виде хорошо работает с задачами трансформации и агрегации существующей информации, но плохо справляется с задачами, требующими глубокого отраслевого суждения.
Практическое следствие для команд: разрыв между компаниями, освоившими AI-инструменты, и теми, кто еще присматривается к ним, стал ощутимым именно в скорости работы. Аналитический дайджест, который раньше занимал полдня, делается за два-три часа. Это не улучшение на 10%, а структурное изменение производительности. При этом качество не снижается, если человек в процессе выполняет функцию контроля и интерпретации, а не просто подписывает то, что сгенерировала модель.
Отдельного внимания заслуживает вопрос стандартизации промптов и рабочих процессов. Наиболее зрелые команды уже перешли от ситуативного использования AI к задокументированным промпт-библиотекам: набор проверенных инструкций для типовых задач (аналитической записки, конкурентного обзора, синтеза интервью). Это превращает AI из персонального инструмента каждого аналитика в командный ресурс, результаты которого предсказуемы и воспроизводимы.
Еще одна наметившаяся тенденция — разделение ролей внутри команды. В ряде компаний появляются специалисты, чья основная функция заключается в «оркестрации» AI-инструментов: настройка пайплайнов, поддержание качества промптов, интеграция с внутренними системами. Это новая роль, которой два года назад не существовало, что-то среднее между аналитиком и AI-инженером.
Тренд 2: B2B-исследования сместились в сторону качественных методов
Парадоксально, но на фоне роста AI-инструментов в первом квартале 2026 года вырос спрос на классические качественные методы — глубинные интервью, custdev, этнографические исследования. Объяснение простое: AI хорошо работает с уже собранными данными, но не заменяет первичный контакт с носителями знания о рынке.
Компании, которые пытались заменить первичные исследования генерацией гипотез с помощью языковых моделей, столкнулись с предсказуемой проблемой: модель воспроизводит то, что уже написано публично. Специфика конкретного отраслевого сегмента, операционная реальность конкретных клиентов, неформальные практики принятия решений — это есть только в головах людей и в прямом разговоре с ними, а не в публичных источниках.
В первом квартале 2026 года мы наблюдаем несколько интересных паттернов в области качественных исследований. Во-первых, выросла средняя глубина интервью: если раньше стандартом считалось 45–60 минут, сейчас нормой становятся 75–90 минут, причем информанты нередко сами продлевают разговор, когда тема попадает в точку. Это говорит о том, что запрос на содержательный профессиональный диалог в B2B-среде остается высоким.
Во-вторых, изменился состав информантов в B2B-исследованиях. Раньше основным объектом интереса были лица, принимающие решения о закупках. Сейчас все более ценными становятся «пользователи на земле», т.е. специалисты, которые непосредственно работают с продуктом или услугой. Их картина реальности часто расходится с тем, что транслируют топ-менеджеры, и именно это расхождение является аналитически ценным.
В настоящее время наиболее эффективные исследовательские проекты работают по гибридной схеме, и AI-инструменты используются для предварительного скрининга публичного поля, выдвижения гипотез и обработки данных после сбора. Первичный сбор данных (интервью, наблюдения, фокус-группы) остается за людьми. Ключевое здесь — последовательность: сначала AI для понимания того, что уже известно, затем люди для анализа того, что важно на самом деле.
Тренд 3: данные о конкурентах стали стратегическим приоритетом
В 2023–2024 годах компании активно занимались внутренней реструктуризацией. В 2026 году фокус переместился вовне: кто занял ниши ушедших игроков, как перестраиваются цепочки поставок, какие новые конкурентные конфигурации сложились в отраслях. По нашим наблюдениям, число запросов на конкурентный анализ и мониторинг рыночной доли выросло примерно вдвое по сравнению с 2024 годом.
Специфика российского рынка добавляет трудности, поскольку данных о конкурентах стало меньше. Часть компаний перестала публиковать финансовую отчетность, рекламная активность снизилась, часть сделок не регистрируется публично. Это усилило ценность первичных источников (отраслевых экспертов, анализа найма, мониторинга вакансий), которые раньше использовались как дополнение к публичным данным, а сейчас часто являются основным источником.
Мониторинг вакансий стал одним из наиболее информативных инструментов конкурентной разведки. Структура набора персонала по функциям, уровням, географии дает точную картину того, куда компания инвестирует и какие направления развивает. Конкурент, который за квартал резко увеличил найм разработчиков определенного профиля или открыл офис в новом регионе, готовится к конкретным шагам, и это читается в публичных данных задолго до официальных объявлений.
Анализ отраслевых экспертов тоже переживает ренессанс. Эксперт-интервью, который раньше только добавлял деталей к аналитическому отчету, превращается в основной источник информации о движениях рынка. Это возвращает ценность сети отраслевых контактов: аналитические команды, которые инвестировали в экспертные сети, сейчас находятся в значительно лучшей позиции, чем те, кто полагался исключительно на автоматизированные инструменты мониторинга.
Тренд 4: стратегические сессии стали короче и чаще
Формат двухдневного ежегодного выезда сохраняется, но к нему добавился новый паттерн: квартальные полудневные сессии с конкретной повесткой. Причина в скорости изменений: стратегия, принятая в январе, к июлю нередко требует пересмотра. Команды, которые ждали следующего ежегодного мероприятия, оказались с устаревшими приоритетами.
В первом квартале 2026 года запросы на фасилитацию коротких квартальных сессий значительно выросли. Характерно, что запрашиваемые форматы: один-два часа вместо двух дней, четкая повестка из одного-двух вопросов вместо широкого стратегического обзора, онлайн-формат с использованием Miro и Butter — это не упрощение, а уплотнение.
Еще одно наблюдение: запросы на предсессионную аналитику выросли. Команды хотят приходить на сессию не с чистым листом, а с уже подготовленными данными: анализом конкурентов, обзором рынка, результатами клиентских интервью. Это смещает роль фасилитатора от помощника в генерации идей к куратору принятия решений на основе данных.
Отдельно стоит отметить изменение состава участников. Если раньше стратегические сессии были уделом топ-менеджмента, в 2026 году несколько клиентов экспериментируют с включением в квартальные сессии ключевых специалистов уровня «тим-лид» и «старший аналитик». Логика простая: люди, которые будут исполнять решения, должны быть частью их принятия, иначе разрыв между стратегией и операционной реальностью практически неизбежен.
Тренд 5: качество данных как управленческий вопрос
В нескольких крупных организациях в начале года произошли ситуации, которые стали показательными: ML-модели давали ошибочные прогнозы не из-за алгоритмических проблем, а из-за загрязненных обучающих данных. Это поставило вопрос об их качестве в повестку совета директоров в качестве вопроса управления операционными рисками.
Практически это выражается в росте спроса на аудит данных и управление ими. Компании хотят понять: насколько можно доверять данным, на которых принимаются решения? Какие процессы обеспечивают актуальность и корректность данных? Кто отвечает за качество данных? Последний вопрос нередко становится организационно неудобным: выясняется, что ответственного нет, и решением проблемы никто не занимается.
Характерная картина, которую мы видим в нескольких проектах: компания внедрила BI-дашборды, данные в которых обновляются автоматически, но никто не проверял, что именно обновляется и откуда. Через полтора года оказывается, что часть метрик считается по устаревшей методологии из-за изменений в CRM, а часть — по данным, которые сотрудники давно перестали вносить корректно. Топ-менеджмент принимал решения, глядя на красивый дашборд с ненадежными данными.
Решение этой проблемы — не только техническое. Data governance — это в первую очередь организационная практика: кто является владельцем каждого ключевого показателя, по каким правилам данные вносятся, кто и с какой периодичностью проверяет качество. Технические инструменты (data catalogs, data lineage, data quality frameworks) помогают, но не работают без организационной воли и назначенной ответственности.
Что это означает для второго полугодия
Несколько практических следствий для компаний, работающих с аналитикой и исследованиями. Инвестиции в AI-инструменты без инвестиций в качество данных дадут плохой возврат: мусор на входе, мусор на выходе, только быстрее. Конкурентный анализ стоит переводить с автоматизированного мониторинга публичного поля на комбинацию с первичными источниками — это дороже, но точнее. Стратегические решения требуют более частого пересмотра, а значит более легкого и быстрого процесса принятия решений.
Первое полугодие показало, что компании, которые успели выстроить гибридную инфраструктуру (AI для скорости, люди для качества интерпретации, данные для достоверности) получили заметное конкурентное преимущество в скорости принятия решений, и второе полугодие усилит этот разрыв.
Для аналитических команд, которые только начинают этот путь, главный совет — не пытаться сделать все сразу. Определите одну-две задачи, где AI-инструменты дадут максимальный эффект при минимальных рисках, отработайте процесс, стандартизируйте, масштабируйте. Это медленнее, чем кажется, но надежнее, чем хаотичное экспериментирование без результата.