国产a一级毛片爽爽影院_欧美日韩亚洲中字二区在线播放_国产在线每日都有更新_日韩中文字幕tv在线看_日韩美女婬乱大片A级网站_韩国无遮免费羞羞漫画_久久亚洲精品无码播放偷妻_国产成人777爽视频_色噜噜狠狠成人中文综合18_国产精品免费高清在线观看

當(dāng)AI能夠7×24小時(shí)并行處理上千場(chǎng)深度訪談，用戶研究正從依賴個(gè)人經(jīng)驗(yàn)的'手工作坊'轉(zhuǎn)向人機(jī)協(xié)同的'系統(tǒng)化工程'。傳統(tǒng)線性研究流程被徹底重構(gòu)，AI承擔(dān)大規(guī)模信息整理、模式歸納和動(dòng)態(tài)追問等高頻認(rèn)知?jiǎng)趧?dòng)，而研究員的角色正從執(zhí)行者升級(jí)為判斷者與系統(tǒng)設(shè)計(jì)者。這場(chǎng)變革的核心并非工具替代，而是研究范式的根本轉(zhuǎn)向——人類需更精準(zhǔn)地定義問題邊界、駕馭AI能力，并在深度共情與戰(zhàn)略洞察中重塑不可替代的專業(yè)價(jià)值。

面對(duì) AI，我一直的堅(jiān)持的態(tài)度是“擁抱不確定性，在推理與效率之間，重新定義人的價(jià)值”。

How User Research Works in the AI Era，

Keep humanity at the core.

今天這次分享，其實(shí)對(duì)我來(lái)說(shuō)有點(diǎn)特別。因?yàn)槲也皇窍虢o大家介紹一個(gè)新的工具，也不是想教大家怎么用 AI 把某一個(gè)步驟做得更快一點(diǎn)。

我更想聊的是一件更底層的事情：在 AI 已經(jīng)進(jìn)入我們真實(shí)工作現(xiàn)場(chǎng)之后，用戶研究這件事本身，它的工作方式，是不是已經(jīng)發(fā)生變化了。

其實(shí)我之前在一些線下場(chǎng)合，也講過一些 AI 和用戶研究相關(guān)的內(nèi)容。

但這一次我會(huì)更聚焦在一個(gè)問題上：如果我們默認(rèn) AI 會(huì)長(zhǎng)期存在，那我們到底應(yīng)該怎么跟它一起工作？不是“要不要用 AI”，而是你怎么構(gòu)建一套新的工作方式，讓 AI 成為你的一部分，而不是站在你對(duì)立面的東西。

我為什么沒有一上來(lái)就講工具、講模型、講 workflow？是因?yàn)槿绻覀儾幌葘?duì)環(huán)境本身有一個(gè)共識(shí)，后面所有關(guān)于方法的討論，其實(shí)都是懸空的。

AI 不是在一個(gè)穩(wěn)定的組織環(huán)境里出現(xiàn)的，而是在一個(gè)高度不確定的環(huán)境里，被非?？斓匾氲轿覀兊墓ぷ髦械?。

我相信在座的大多數(shù)人，其實(shí)都能明顯感受到這幾年環(huán)境的變化。裁員、降本、組織重組、項(xiàng)目周期被不斷壓縮，這些都已經(jīng)不是什么新聞了。所以不確定性不是某一個(gè)人的問題，它是整個(gè)行業(yè)、整個(gè)組織正在共同面對(duì)的現(xiàn)實(shí)。

很多人會(huì)覺得，AI 是在幫個(gè)人提效。但從我自己的觀察來(lái)看，AI 真正加速的，其實(shí)是組織的進(jìn)化速度。當(dāng)組織發(fā)現(xiàn)有些事情可以更快完成，有些崗位可以被合并，有些流程可以被自動(dòng)化，那組織一定會(huì)選擇更快地調(diào)整自己。

這時(shí)候就會(huì)出現(xiàn)一個(gè)非?，F(xiàn)實(shí)的問題：當(dāng)組織在加速的時(shí)候，人的能力有沒有跟上？如果跟不上，會(huì)發(fā)生什么？很多時(shí)候不是你不努力，而是你原本擅長(zhǎng)的那一套能力，突然不再是組織當(dāng)前最需要的能力了。

這幾年 AI 的變化還有一個(gè)非常明顯的特點(diǎn)，就是它不是線性變化，而是跳躍式變化?；旧夏銜?huì)看到一個(gè)月一個(gè)大版本，半年一次明顯的能力斷層。很多我們以前認(rèn)為必須是資深研究員、咨詢顧問才能完成的事情，在某一次模型更新之后，突然就變成 AI 也可以做，而且做得還不錯(cuò)。

這里我想說(shuō)一句可能有點(diǎn)扎心的話：有些事情，AI 確實(shí)已經(jīng)比我們做得更好了。比如大規(guī)模信息整理、模式歸納、多版本對(duì)比、初步洞察提煉。如果我們還把自己的價(jià)值建立在這些層面上，那被替代真的不是危機(jī)，而只是時(shí)間問題。

從最近兩年的行業(yè)數(shù)據(jù)來(lái)看，還有一個(gè)非常明顯的趨勢(shì)：初級(jí)用戶研究崗位的需求在下降，而高階、復(fù)合型、策略型研究角色的需求反而在上升。這意味著什么？意味著用戶研究正在發(fā)生能力分層。

另外還有一個(gè)數(shù)據(jù)我自己非常關(guān)注，現(xiàn)在已經(jīng)有超過 90% 的研究者，在工作中嘗試引入 AI 工具。這說(shuō)明 AI 已經(jīng)不是一個(gè)“前沿嘗試”的概念了，而是正在變成一種默認(rèn)配置。

還有一個(gè)數(shù)據(jù)我自己非常關(guān)注，現(xiàn)在已經(jīng)有超過 90% 的用戶研究從業(yè)者，在不同程度上使用過 AI。這意味著 AI 已經(jīng)不是“要不要嘗試”的問題，而是正在變成一種默認(rèn)工作環(huán)境。

接下來(lái)我們看到的是 Agentic AI 的出現(xiàn)。這類 AI 不再只是一個(gè)被動(dòng)工具，而是可以被拆分成多個(gè)角色，在不同階段并行工作。

這對(duì)用戶研究來(lái)說(shuō)，意味著工作不再是“一個(gè)人按步驟做完”，而是可以被重構(gòu)成一種協(xié)作系統(tǒng)。

在這種情況下，用戶研究的能力結(jié)構(gòu)也在發(fā)生變化。過去我們非常強(qiáng)調(diào)流程、方法、規(guī)范，而現(xiàn)在越來(lái)越重要的是：你是否能夠定義問題、判斷結(jié)果、以及決定什么時(shí)候該相信 AI，什么時(shí)候不該。

這其實(shí)對(duì)應(yīng)著一個(gè)非常重要的角色轉(zhuǎn)變。用戶研究正在從“執(zhí)行者角色”，轉(zhuǎn)向“判斷者和建模者”。

AI 可以幫你跑得很快，但方向是不是對(duì)的，結(jié)果是不是可信的，仍然需要人來(lái)判斷。

我們先來(lái)看一個(gè)非常直觀的問題：傳統(tǒng)用戶研究的工作方式，到底慢在哪里？并不是研究員不努力，而是這套方式本身，就是圍繞“線性流程”設(shè)計(jì)的。

在傳統(tǒng)模式下，一個(gè)研究項(xiàng)目通常意味著：要排時(shí)間、約用戶、做訪談、整理逐字稿、編碼、歸納、討論、再輸出報(bào)告。這個(gè)過程中，每一步幾乎都是串行的，只要前面某一步卡住，后面全部都要等。

所以我們經(jīng)?？吹降那闆r是：項(xiàng)目周期很長(zhǎng)，參與角色很多，但真正用于“思考問題”的時(shí)間，其實(shí)非常有限。

而 AI 介入之后，最大的變化并不是“某一步變快了”，而是整個(gè)研究流程的結(jié)構(gòu)發(fā)生了改變。

在 AI 參與的研究流程里，很多原本必須串行完成的事情，是可以并行發(fā)生的。例如，在你還沒有完成全部訪談之前，AI 已經(jīng)可以開始做初步的模式歸納；在你還在討論研究方向的時(shí)候，AI 已經(jīng)能跑出幾版不同的假設(shè)路徑。

這意味著什么？意味著研究不再是“先做完所有事情，再開始思考”，而是變成了一種邊做、邊推理、邊修正的過程。

你可以把這理解為：研究從一個(gè)“線性流水線”，變成了一個(gè)“動(dòng)態(tài)推理系統(tǒng)”。

在這個(gè)系統(tǒng)里，AI 更多承擔(dān)的是高頻、重負(fù)載、可重復(fù)的認(rèn)知?jiǎng)趧?dòng)。比如整理、歸納、對(duì)比、初步總結(jié)。而人開始被解放出來(lái)，去做更關(guān)鍵的事情：判斷方向、識(shí)別異常、決定下一步該問什么。

所以效率的提升，并不是簡(jiǎn)單的“節(jié)省時(shí)間”，而是把時(shí)間重新分配到了更有價(jià)值的環(huán)節(jié)上。

接下來(lái)我們?cè)倏匆粋€(gè)更具體的對(duì)比。在傳統(tǒng)研究中，一個(gè)研究員通常只能同時(shí)推進(jìn)一到兩個(gè)項(xiàng)目。因?yàn)檎J(rèn)知負(fù)荷是有限的，人很難在多個(gè)復(fù)雜問題之間頻繁切換。

但在 AI 參與的情況下，一個(gè)研究員可以同時(shí)推進(jìn)多個(gè)研究假設(shè)。不是因?yàn)槿俗儚?qiáng)了，而是因?yàn)锳I 承擔(dān)了大量中間層的認(rèn)知消耗。

你不需要等一個(gè)完整結(jié)論出來(lái)，才開始下一步。你可以在推理尚未完全閉合的時(shí)候，就已經(jīng)看到趨勢(shì)、風(fēng)險(xiǎn)和可能性。

這也是為什么我會(huì)說(shuō)，這一階段的變化，本質(zhì)上是推理能力與效率的同步躍遷，而不是單純的“加快速度”。

當(dāng)然，這里也會(huì)帶來(lái)一個(gè)新的挑戰(zhàn)。當(dāng)研究變得足夠快、足夠多的時(shí)候，真正稀缺的就不再是“信息”，而是判斷力。

你必須非常清楚：哪些結(jié)果是可以相信的，哪些只是模型的“合理猜測(cè)”，哪些地方需要人重新介入，拉回現(xiàn)實(shí)。

這也是為什么，在 AI 介入之后，用戶研究反而更依賴研究員本身的專業(yè)判斷，而不是更弱。

接下來(lái)，我會(huì)進(jìn)入一個(gè)大家都非常關(guān)心的話題：合成用戶（Synthetic Users）。它是目前 AI 用戶研究里最具爭(zhēng)議、也最容易被誤用的一種方式。

我先說(shuō)一個(gè)非常重要的前提：合成用戶并不是“虛假的用戶”，也不是“用 AI 編出來(lái)的假人”。它本質(zhì)上是：基于真實(shí)用戶數(shù)據(jù)、真實(shí)行為模式和真實(shí)研究結(jié)論，生成的一種可推演、可對(duì)話、可反復(fù)驗(yàn)證的用戶模型。

換句話說(shuō)，它不是用來(lái)“替代真實(shí)用戶”的，而是用來(lái)擴(kuò)展我們對(duì)真實(shí)用戶理解的邊界。

在傳統(tǒng)研究中，我們面對(duì)一個(gè)非?，F(xiàn)實(shí)的限制：樣本有限、時(shí)間有限、成本有限。很多時(shí)候，我們只能基于有限的訪談對(duì)象，去推斷一個(gè)更大的用戶世界。

而合成用戶的價(jià)值，就在于：它可以在你已有研究基礎(chǔ)之上，幫你模擬出更多“可能存在，但你還沒來(lái)得及接觸”的用戶反應(yīng)。

比如，當(dāng)你已經(jīng)做過一輪真實(shí)訪談，你大致知道目標(biāo)用戶的動(dòng)機(jī)結(jié)構(gòu)、價(jià)值取向和決策邏輯，這時(shí)候合成用戶可以幫助你做的是：快速推演不同情境下，這類用戶可能會(huì)如何反應(yīng)。

這不是拍腦袋，而是一種基于已有認(rèn)知的擴(kuò)展推理。

所以我通常會(huì)說(shuō)一句話：合成用戶不是研究的起點(diǎn)，而是研究的放大器。

如果你沒有真實(shí)研究作為基礎(chǔ)，那合成用戶生成出來(lái)的內(nèi)容，很容易只是“看起來(lái)很合理的想象”。

這也是為什么，在使用合成用戶之前，我一定會(huì)反復(fù)強(qiáng)調(diào)：你是否已經(jīng)對(duì)真實(shí)用戶有足夠理解？你是否清楚哪些是事實(shí)，哪些是推斷？

接下來(lái)我們看一看，合成用戶在實(shí)踐中的幾個(gè)明顯優(yōu)勢(shì)。

第一個(gè)優(yōu)勢(shì)，是它能幫我們更快地探索復(fù)雜的決策空間。在真實(shí)研究中，很多問題你是沒有辦法一一驗(yàn)證的。但通過合成用戶，你可以快速測(cè)試不同假設(shè)，看看哪些方向值得繼續(xù)投入真實(shí)資源。

第二個(gè)優(yōu)勢(shì)，是它可以顯著降低研究成本。不是替代真實(shí)訪談，而是減少不必要的反復(fù)試錯(cuò)。你可以先用合成用戶跑一輪，再把有限的真實(shí)訪談資源，用在最關(guān)鍵、最有價(jià)值的問題上。

第三個(gè)優(yōu)勢(shì)，是它特別適合用在早期探索階段。當(dāng)你對(duì)問題空間還不夠清晰的時(shí)候，合成用戶可以幫助你快速形成對(duì)用戶結(jié)構(gòu)的整體感知，而不是一開始就陷入細(xì)節(jié)。

但我也必須非常明確地講：合成用戶是有風(fēng)險(xiǎn)的，而且風(fēng)險(xiǎn)不小。

最常見的第一個(gè)風(fēng)險(xiǎn)，是“模型偏見被放大”。如果你最初的研究樣本本身就有偏差，那合成用戶只會(huì)把這種偏差，用一種看起來(lái)更“完整”的方式復(fù)制出來(lái)。

第二個(gè)風(fēng)險(xiǎn)，是文化和情境被過度簡(jiǎn)化。用戶的很多真實(shí)行為，其實(shí)是高度情境化、文化化的。如果我們過度依賴合成用戶，很容易忽略那些只會(huì)在真實(shí)世界中出現(xiàn)的細(xì)微差異。

第三個(gè)風(fēng)險(xiǎn)，是研究者自身判斷力的退化。當(dāng)合成用戶“太好用”的時(shí)候，人很容易開始無(wú)條件相信它給出的答案。但請(qǐng)記?。汉铣捎脩粲肋h(yuǎn)是在已有假設(shè)空間里的推理，而不是現(xiàn)實(shí)本身。

所以我通常會(huì)給團(tuán)隊(duì)設(shè)定一個(gè)非常清晰的使用原則：合成用戶只能回答“如果……會(huì)怎樣”的問題，而不能回答“現(xiàn)實(shí)中一定會(huì)怎樣”的問題。

在什么情況下，我會(huì)堅(jiān)決不使用合成用戶？當(dāng)問題高度敏感、涉及真實(shí)情緒創(chuàng)傷、或者決策后果非常嚴(yán)重的時(shí)候，我一定會(huì)回到真實(shí)用戶那里。

因?yàn)樵谶@些場(chǎng)景下，真實(shí)的人，真實(shí)的情緒，真實(shí)的猶豫，是任何模型都無(wú)法完整替代的。

所以，如果用一句話來(lái)總結(jié)這一段：合成用戶不是用來(lái)偷懶的工具，而是一種需要高度專業(yè)判斷的研究能力。

理解了這一點(diǎn)，我們才能繼續(xù)往下走，去討論一個(gè)更關(guān)鍵的問題：當(dāng) AI 可以參與這么多研究環(huán)節(jié)之后，人到底應(yīng)該站在什么位置？

在這里，我會(huì)把現(xiàn)在常見的研究協(xié)作方式，分成兩種非常典型的模式：一種是 Human-led，另一種是 AI-led。

先說(shuō) Human-led。

Human-led 的意思，并不是不用 AI，而是由人來(lái)定義問題、控制節(jié)奏、做關(guān)鍵判斷，AI 更多承擔(dān)的是輔助和增強(qiáng)的角色。

在這種模式下，研究的核心判斷權(quán)仍然掌握在人手里。比如：研究目標(biāo)怎么設(shè)、哪些問題值得問、哪些結(jié)論不能輕易下判斷，這些關(guān)鍵節(jié)點(diǎn)，依然需要研究者來(lái)做決定。

AI 在這里更像一個(gè)“能力放大器”。它可以幫你整理材料、輔助分析、生成初步假設(shè)，但最終是否采信、如何解讀，仍然是人的責(zé)任。

而 AI-led 則是另一種完全不同的狀態(tài)。在 AI-led 模式中，研究流程本身，是由 AI 來(lái)主導(dǎo)的。人更多是在事后檢查、修正、或者補(bǔ)充。比如：研究問題由 AI 根據(jù)歷史數(shù)據(jù)自動(dòng)生成，訪談提綱由 AI 自動(dòng)產(chǎn)出，分析結(jié)論也是 AI 先給出，再由人來(lái)確認(rèn)。

這種模式的優(yōu)勢(shì)非常明顯：速度極快、成本極低、規(guī)模極大。

但它的風(fēng)險(xiǎn)也同樣明顯。當(dāng)研究被完全交給 AI 主導(dǎo)時(shí)，如果前提假設(shè)是錯(cuò)的，那么整個(gè)研究過程，可能都會(huì)在一個(gè)錯(cuò)誤方向上越跑越遠(yuǎn)。

所以在實(shí)際工作中，我更傾向于把這兩種模式理解為一個(gè)連續(xù)譜，而不是非黑即白的選擇。有些任務(wù)，確實(shí)非常適合 AI-led。比如：大規(guī)模趨勢(shì)掃描、歷史數(shù)據(jù)回顧、初步假設(shè)生成，這些任務(wù)對(duì)“速度”和“覆蓋面”的要求，遠(yuǎn)遠(yuǎn)高于對(duì)“細(xì)膩理解”的要求。

但有些任務(wù)，我會(huì)非常明確地堅(jiān)持 Human-led。比如：深度訪談、敏感議題研究、關(guān)鍵戰(zhàn)略決策支持，這些場(chǎng)景中，人的經(jīng)驗(yàn)、直覺和倫理判斷，仍然不可替代。

所以真正重要的，并不是選 Human-led 還是 AI-led，而是你是否清楚每一個(gè)研究階段，誰(shuí)應(yīng)該站在駕駛位上。

這也是為什么我會(huì)說(shuō)，AI 時(shí)代的用戶研究，不是“人 vs AI”，而是人如何設(shè)計(jì)一套合理的人機(jī)協(xié)作結(jié)構(gòu)。

AI 時(shí)代的用戶研究，不再是比誰(shuí)更勤奮、誰(shuí)更能熬夜、誰(shuí)流程跑得更熟，而是比誰(shuí)更清楚：什么問題值得研究，什么問題不值得研究。

在 AI 時(shí)代，用戶研究者更像一個(gè)“系統(tǒng)設(shè)計(jì)者”。你需要設(shè)計(jì)的是：研究的整體結(jié)構(gòu)、推理的路徑、驗(yàn)證的邊界，以及人機(jī)之間的分工方式。

你要清楚地知道，什么時(shí)候可以讓 AI 幫你跑得很快，什么時(shí)候必須由人親自介入，慢下來(lái)。

從這個(gè)角度來(lái)看，AI 并不是在逼迫我們變成“技術(shù)專家”，是在逼迫我們成為更成熟的研究者。