
当AI能够7×24小时并行处理上千场深度访谈,用户研究正从依赖个人经验的'手工作坊'转向人机协同的'系统化工程'。传统线性研究流程被彻底重构,AI承担大规模信息整理、模式归纳和动态追问等高频认知劳动,而研究员的角色正从执行者升级为判断者与系统设计者。这场变革的核心并非工具替代,而是研究范式的根本转向——人类需更精准地定义问题边界、驾驭AI能力,并在深度共情与战略洞察中重塑不可替代的专业价值。

面对 AI,我一直的坚持的态度是“拥抱不确定性,在推理与效率之间,重新定义人的价值”。
How User Research Works in the AI Era,
Keep humanity at the core.

今天这次分享,其实对我来说有点特别。因为我不是想给大家介绍一个新的工具,也不是想教大家怎么用 AI 把某一个步骤做得更快一点。
我更想聊的是一件更底层的事情:在 AI 已经进入我们真实工作现场之后,用户研究这件事本身,它的工作方式,是不是已经发生变化了。
其实我之前在一些线下场合,也讲过一些 AI 和用户研究相关的内容。
但这一次我会更聚焦在一个问题上:如果我们默认 AI 会长期存在,那我们到底应该怎么跟它一起工作?不是“要不要用 AI”,而是你怎么构建一套新的工作方式,让 AI 成为你的一部分,而不是站在你对立面的东西。
我为什么没有一上来就讲工具、讲模型、讲 workflow?是因为如果我们不先对环境本身有一个共识,后面所有关于方法的讨论,其实都是悬空的。
AI 不是在一个稳定的组织环境里出现的,而是在一个高度不确定的环境里,被非常快地引入到我们的工作中的。
我相信在座的大多数人,其实都能明显感受到这几年环境的变化。裁员、降本、组织重组、项目周期被不断压缩,这些都已经不是什么新闻了。所以不确定性不是某一个人的问题,它是整个行业、整个组织正在共同面对的现实。
很多人会觉得,AI 是在帮个人提效。但从我自己的观察来看,AI 真正加速的,其实是组织的进化速度。当组织发现有些事情可以更快完成,有些岗位可以被合并,有些流程可以被自动化,那组织一定会选择更快地调整自己。
这时候就会出现一个非常现实的问题:当组织在加速的时候,人的能力有没有跟上?如果跟不上,会发生什么?很多时候不是你不努力,而是你原本擅长的那一套能力,突然不再是组织当前最需要的能力了。
这几年 AI 的变化还有一个非常明显的特点,就是它不是线性变化,而是跳跃式变化。基本上你会看到一个月一个大版本,半年一次明显的能力断层。很多我们以前认为必须是资深研究员、咨询顾问才能完成的事情,在某一次模型更新之后,突然就变成 AI 也可以做,而且做得还不错。
这里我想说一句可能有点扎心的话:有些事情,AI 确实已经比我们做得更好了。比如大规模信息整理、模式归纳、多版本对比、初步洞察提炼。如果我们还把自己的价值建立在这些层面上,那被替代真的不是危机,而只是时间问题。
从最近两年的行业数据来看,还有一个非常明显的趋势:初级用户研究岗位的需求在下降,而高阶、复合型、策略型研究角色的需求反而在上升。这意味着什么?意味着用户研究正在发生能力分层。
另外还有一个数据我自己非常关注,现在已经有超过 90% 的研究者,在工作中尝试引入 AI 工具。这说明 AI 已经不是一个“前沿尝试”的概念了,而是正在变成一种默认配置。
还有一个数据我自己非常关注,现在已经有超过 90% 的用户研究从业者,在不同程度上使用过 AI。这意味着 AI 已经不是“要不要尝试”的问题,而是正在变成一种默认工作环境。
接下来我们看到的是 Agentic AI 的出现。这类 AI 不再只是一个被动工具,而是可以被拆分成多个角色,在不同阶段并行工作。
这对用户研究来说,意味着工作不再是“一个人按步骤做完”,而是可以被重构成一种协作系统。
在这种情况下,用户研究的能力结构也在发生变化。过去我们非常强调流程、方法、规范,而现在越来越重要的是:你是否能够定义问题、判断结果、以及决定什么时候该相信 AI,什么时候不该。
这其实对应着一个非常重要的角色转变。用户研究正在从“执行者角色”,转向“判断者和建模者”。
AI 可以帮你跑得很快,但方向是不是对的,结果是不是可信的,仍然需要人来判断。
我们先来看一个非常直观的问题:传统用户研究的工作方式,到底慢在哪里?并不是研究员不努力,而是这套方式本身,就是围绕“线性流程”设计的。
在传统模式下,一个研究项目通常意味着:要排时间、约用户、做访谈、整理逐字稿、编码、归纳、讨论、再输出报告。这个过程中,每一步几乎都是串行的,只要前面某一步卡住,后面全部都要等。
所以我们经常看到的情况是:项目周期很长,参与角色很多,但真正用于“思考问题”的时间,其实非常有限。
而 AI 介入之后,最大的变化并不是“某一步变快了”,而是整个研究流程的结构发生了改变。
在 AI 参与的研究流程里,很多原本必须串行完成的事情,是可以并行发生的。例如,在你还没有完成全部访谈之前,AI 已经可以开始做初步的模式归纳;在你还在讨论研究方向的时候,AI 已经能跑出几版不同的假设路径。
这意味着什么?意味着研究不再是“先做完所有事情,再开始思考”,而是变成了一种边做、边推理、边修正的过程。
你可以把这理解为:研究从一个“线性流水线”,变成了一个“动态推理系统”。
在这个系统里,AI 更多承担的是高频、重负载、可重复的认知劳动。比如整理、归纳、对比、初步总结。而人开始被解放出来,去做更关键的事情:判断方向、识别异常、决定下一步该问什么。
所以效率的提升,并不是简单的“节省时间”,而是把时间重新分配到了更有价值的环节上。
接下来我们再看一个更具体的对比。在传统研究中,一个研究员通常只能同时推进一到两个项目。因为认知负荷是有限的,人很难在多个复杂问题之间频繁切换。
但在 AI 参与的情况下,一个研究员可以同时推进多个研究假设。不是因为人变强了,而是因为AI 承担了大量中间层的认知消耗。
你不需要等一个完整结论出来,才开始下一步。你可以在推理尚未完全闭合的时候,就已经看到趋势、风险和可能性。
这也是为什么我会说,这一阶段的变化,本质上是推理能力与效率的同步跃迁,而不是单纯的“加快速度”。
当然,这里也会带来一个新的挑战。当研究变得足够快、足够多的时候,真正稀缺的就不再是“信息”,而是判断力。
你必须非常清楚:哪些结果是可以相信的,哪些只是模型的“合理猜测”,哪些地方需要人重新介入,拉回现实。
这也是为什么,在 AI 介入之后,用户研究反而更依赖研究员本身的专业判断,而不是更弱。
接下来,我会进入一个大家都非常关心的话题:合成用户(Synthetic Users)。它是目前 AI 用户研究里最具争议、也最容易被误用的一种方式。
我先说一个非常重要的前提:合成用户并不是“虚假的用户”,也不是“用 AI 编出来的假人”。它本质上是:基于真实用户数据、真实行为模式和真实研究结论,生成的一种可推演、可对话、可反复验证的用户模型。
换句话说,它不是用来“替代真实用户”的,而是用来扩展我们对真实用户理解的边界。
在传统研究中,我们面对一个非常现实的限制:样本有限、时间有限、成本有限。很多时候,我们只能基于有限的访谈对象,去推断一个更大的用户世界。
而合成用户的价值,就在于:它可以在你已有研究基础之上,帮你模拟出更多“可能存在,但你还没来得及接触”的用户反应。
比如,当你已经做过一轮真实访谈,你大致知道目标用户的动机结构、价值取向和决策逻辑,这时候合成用户可以帮助你做的是:快速推演不同情境下,这类用户可能会如何反应。
这不是拍脑袋,而是一种基于已有认知的扩展推理。
所以我通常会说一句话:合成用户不是研究的起点,而是研究的放大器。
如果你没有真实研究作为基础,那合成用户生成出来的内容,很容易只是“看起来很合理的想象”。
这也是为什么,在使用合成用户之前,我一定会反复强调:你是否已经对真实用户有足够理解?你是否清楚哪些是事实,哪些是推断?
接下来我们看一看,合成用户在实践中的几个明显优势。
第一个优势,是它能帮我们更快地探索复杂的决策空间。在真实研究中,很多问题你是没有办法一一验证的。但通过合成用户,你可以快速测试不同假设,看看哪些方向值得继续投入真实资源。
第二个优势,是它可以显著降低研究成本。不是替代真实访谈,而是减少不必要的反复试错。你可以先用合成用户跑一轮,再把有限的真实访谈资源,用在最关键、最有价值的问题上。
第三个优势,是它特别适合用在早期探索阶段。当你对问题空间还不够清晰的时候,合成用户可以帮助你快速形成对用户结构的整体感知,而不是一开始就陷入细节。
但我也必须非常明确地讲:合成用户是有风险的,而且风险不小。
最常见的第一个风险,是“模型偏见被放大”。如果你最初的研究样本本身就有偏差,那合成用户只会把这种偏差,用一种看起来更“完整”的方式复制出来。
第二个风险,是文化和情境被过度简化。用户的很多真实行为,其实是高度情境化、文化化的。如果我们过度依赖合成用户,很容易忽略那些只会在真实世界中出现的细微差异。
第三个风险,是研究者自身判断力的退化。当合成用户“太好用”的时候,人很容易开始无条件相信它给出的答案。但请记住:合成用户永远是在已有假设空间里的推理,而不是现实本身。
所以我通常会给团队设定一个非常清晰的使用原则:合成用户只能回答“如果……会怎样”的问题,而不能回答“现实中一定会怎样”的问题。
在什么情况下,我会坚决不使用合成用户?当问题高度敏感、涉及真实情绪创伤、或者决策后果非常严重的时候,我一定会回到真实用户那里。
因为在这些场景下,真实的人,真实的情绪,真实的犹豫,是任何模型都无法完整替代的。
所以,如果用一句话来总结这一段:合成用户不是用来偷懒的工具,而是一种需要高度专业判断的研究能力。
理解了这一点,我们才能继续往下走,去讨论一个更关键的问题:当 AI 可以参与这么多研究环节之后,人到底应该站在什么位置?
在这里,我会把现在常见的研究协作方式,分成两种非常典型的模式:一种是 Human-led,另一种是 AI-led。
先说 Human-led。
Human-led 的意思,并不是不用 AI,而是由人来定义问题、控制节奏、做关键判断,AI 更多承担的是辅助和增强的角色。
在这种模式下,研究的核心判断权仍然掌握在人手里。比如:研究目标怎么设、哪些问题值得问、哪些结论不能轻易下判断,这些关键节点,依然需要研究者来做决定。
AI 在这里更像一个“能力放大器”。它可以帮你整理材料、辅助分析、生成初步假设,但最终是否采信、如何解读,仍然是人的责任。
而 AI-led 则是另一种完全不同的状态。在 AI-led 模式中,研究流程本身,是由 AI 来主导的。人更多是在事后检查、修正、或者补充。比如:研究问题由 AI 根据历史数据自动生成,访谈提纲由 AI 自动产出,分析结论也是 AI 先给出,再由人来确认。
这种模式的优势非常明显:速度极快、成本极低、规模极大。
但它的风险也同样明显。当研究被完全交给 AI 主导时,如果前提假设是错的,那么整个研究过程,可能都会在一个错误方向上越跑越远。
所以在实际工作中,我更倾向于把这两种模式理解为一个连续谱,而不是非黑即白的选择。有些任务,确实非常适合 AI-led。比如:大规模趋势扫描、历史数据回顾、初步假设生成,这些任务对“速度”和“覆盖面”的要求,远远高于对“细腻理解”的要求。
但有些任务,我会非常明确地坚持 Human-led。比如:深度访谈、敏感议题研究、关键战略决策支持,这些场景中,人的经验、直觉和伦理判断,仍然不可替代。
所以真正重要的,并不是选 Human-led 还是 AI-led,而是你是否清楚每一个研究阶段,谁应该站在驾驶位上。
这也是为什么我会说,AI 时代的用户研究,不是“人 vs AI”,而是人如何设计一套合理的人机协作结构。
AI 时代的用户研究,不再是比谁更勤奋、谁更能熬夜、谁流程跑得更熟,而是比谁更清楚:什么问题值得研究,什么问题不值得研究。
在 AI 时代,用户研究者更像一个“系统设计者”。你需要设计的是:研究的整体结构、推理的路径、验证的边界,以及人机之间的分工方式。
你要清楚地知道,什么时候可以让 AI 帮你跑得很快,什么时候必须由人亲自介入,慢下来。
从这个角度来看,AI 并不是在逼迫我们变成“技术专家”,是在逼迫我们成为更成熟的研究者。
本文由人人都是产品经理作者【龙国富】,微信公众号:【龙国富】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。
题图来自Unsplash,基于 CC0 协议。
倍悦网提示:文章来自网络,不代表本站观点。