在AI浪潮席卷而來的當下，用戶研究這一職業(yè)正站在變革的十字路口。本文深入分析了AI對用戶研究工作的影響，探討了AI可能取代的用戶研究任務，以及那些需要人類深度參與的核心環(huán)節(jié)。

2025年初，隨著國運級的DeepSeek正式上線 ，AI的浪潮已經(jīng)呈現(xiàn)出燎原之勢，全民已經(jīng)普遍形成一個共識：未來屬于那些學習AI、擁抱AI的人。

作為一個用戶研究的資深從業(yè)者（12年+），在今年年初，我開始慎重思考AI這件事對用戶研究這個職業(yè)的影響，并且決定開始系統(tǒng)學習AI知識與應用，以及思考如何跟用戶研究相結(jié)合。

這篇文章，算是思考和學習的起點。

01.AI會取代用戶研究的哪些工作？

先說結(jié)論：在AI時代，用戶研究的某些基礎性和重復性工作會被逐步替代，但需要人類深度參與的核心環(huán)節(jié)仍不可或缺。

1. 開放數(shù)據(jù)收集與初步處理

1）開放數(shù)據(jù)抓取及自動分析

所謂的開放數(shù)據(jù)是指非一手調(diào)研得到的數(shù)據(jù)，即二手數(shù)據(jù)。二手數(shù)據(jù)在我們的用戶研究工作中也很重要，很多的分析洞察工作離不開二手數(shù)據(jù)的收集。

以往我們研究一個行業(yè)、產(chǎn)品或者一個競品公司，需要在網(wǎng)上搜索資料，花費大量時間；現(xiàn)在AI大模型里擁有全網(wǎng)的知識庫，通過聯(lián)網(wǎng)搜索（RAG，檢索增強生產(chǎn)）能快速檢索到你想要的信息。

（以下為阿里國際面向全球商家推出的B2BAI搜索引擎Accio，可以開展市場研究）

以往我們追蹤競品APP動態(tài)，都需要人工收集信息；現(xiàn)在AI會自動追蹤競品App版本更新后的用戶評價變化，實時生成競品功能迭代與用戶情緒波動熱力圖。

2）數(shù)據(jù)清洗與標注

以往我們研究所用的二手數(shù)據(jù)，很多都是非結(jié)構(gòu)化的數(shù)據(jù)，需要人工來做清洗和標注。

AI不僅加速數(shù)據(jù)處理，更通過語義理解實現(xiàn)“臟數(shù)據(jù)凈化”與“非結(jié)構(gòu)化數(shù)據(jù)價值提取”的質(zhì)變。

拿文本數(shù)據(jù)舉例：

NLP模型能自動剔除無意義字符（如亂碼“#￥%”）、廣告文本（“加微信XXX”）、重復內(nèi)容（同一用戶多次粘貼的相同差評）。

還能將口語化表達轉(zhuǎn)為規(guī)范描述，例如：

• “這破手機燙得能煎蛋” → “手機發(fā)熱嚴重”
• “客服MM態(tài)度超nice” → “客服服務態(tài)度好”

甚至還能基于BERT等模型修復殘缺文本，如補全用戶截斷的評論：

• “物流快，但是…” → “物流快，但是包裝破損嚴重”

而且AI不僅能對文本數(shù)據(jù)進行數(shù)據(jù)清洗與標注，還能對視頻、語音等多模態(tài)數(shù)據(jù)進行處理，這無疑擴展了我們的研究邊界。

拿視頻數(shù)據(jù)舉例：

我們做的眼動研究，早已經(jīng)實現(xiàn)眼動儀數(shù)據(jù)+AI標注，自動生成用戶瀏覽App時的注意力熱區(qū)動畫。

2. 基礎數(shù)據(jù)分析

基礎數(shù)據(jù)分析指通過統(tǒng)計方法、可視化工具對用戶數(shù)據(jù)進行初步處理，提取基本趨勢、分布規(guī)律與相關性結(jié)論。其核心任務包括：

• 描述性統(tǒng)計（均值、頻率、分布等）
• 數(shù)據(jù)可視化（圖表生成、交互式看板）
• 簡單關聯(lián)分析（A/B測試結(jié)果對比、用戶屬性與行為相關性）
• 情感/主題挖掘（文本情感分類、高頻關鍵詞提?。?/li>

AI在此類任務中通過模式識別自動化與算法增強效率逐步替代人工操作。

典型的應用場景包括：

• 在A/B測試項目中，AI對比實驗組/對照組的關鍵指標（點擊率、留存率），自動生成顯著性檢驗結(jié)果（p值、置信區(qū)間）與可視化對比圖
• 在客服對話分析需求中，AI自動將數(shù)千條對話歸類為“退貨咨詢”“功能使用指導”等主題，并統(tǒng)計各主題的情感分布。

3. 標準化報告生成

AI可根據(jù)數(shù)據(jù)結(jié)果自動生成結(jié)構(gòu)化的初期報告，替代人工整理。

最先普及的會是連續(xù)性跟蹤監(jiān)測、評估類的報告，如滿意度報告、NPS報告、廣告測試報告、營銷效果評估報告、品牌BHT報告。

此外就是可用性測試、產(chǎn)品測試這類比較標準化的項目類型。

B端产品经理的能力模型与学习提升

B端产品经理面临的第一大挑战，是如何正确的分析诊断业务问题。 这也是最难的部分，产品设计知识对这部分工作基本没有帮助，如果想做好业务分析诊断，必须具备扎实 ...

查看详情 >

02. 短期難以被AI取代的用戶研究工作

盡管AI在開放數(shù)據(jù)收集和處理、模式識別和自動化分析方面表現(xiàn)出色，但用戶研究中涉及一手用戶數(shù)據(jù)采集、復雜人性理解、宏觀戰(zhàn)略決策的場景仍需人類主導。

1. 一手用戶數(shù)據(jù)采集

當我們需要找行業(yè)內(nèi)的目標用戶來做問卷調(diào)研或者定性訪談，這屬于一手用戶數(shù)據(jù)采集，目前的解決方案是企業(yè)外包給第三方的執(zhí)行公司來做，尤其是定性研究的用戶招募，短期內(nèi)人工必不可少，因為涉及用戶隱私和數(shù)據(jù)安全。

但從長期來看，隨著AI的發(fā)展，未來AI可能基于行業(yè)/企業(yè)內(nèi)部知識庫合成虛擬用戶來做用戶研究，也就是說不用真人也能做用戶研究，但在我看來可能更多適用于洞察深度、精讀要求沒那么高的場景。

（谷歌、蘋果和 Figma 的團隊開發(fā)的平臺，Synthetic Users，你只需要輸入你心目中的目標用戶特征人群特征和關鍵問題，他就可以快速地為你呈現(xiàn)眾多的用戶訪談記錄，并為你整理出清晰的報告）

未來有一天，即使合成的“虛擬用戶”與真實用戶相差無幾，合成用戶也不會完全替代真實用戶，兩者結(jié)合的研究方法可能會成為主流。

2. 復雜人性的理解

還記得冰山模型嗎？人是復雜的動物，有顯性需求和隱性需求；有意識，有潛意識。

AI在挖掘“人”冰山之下的那部分并不擅長。

AI無法模擬人類的情感共鳴，也難以在高度戒備的場景中建立信任；AI缺乏對非語言線索（如尷尬的沉默、肢體動作）和社會表演性行為的理解能力；AI很難解讀數(shù)據(jù)背后的社會文化、心理動機，解釋定量分析與定性觀察的沖突。

從這個角度，我長期看好定性用戶研究中的訪談/座談會主持技能。

3. 宏觀戰(zhàn)略決策

國外的Judd Antin 寫的《UX Research Reckoning is Here》一文，認為用戶研究人員的工作有三種：

1. 宏觀戰(zhàn)略研究：以商業(yè)為首，以未來為導向提供指導宏觀商業(yè)決策的具體框架
2. 中等范圍研究：專注于用戶理解和產(chǎn)品開發(fā)
3. 微觀研究：技術可用性，眼動追蹤和詳細的交互開發(fā)

Judd Antin看來，未來用戶研究的工作，“將90%的努力重新聚焦于微觀和宏觀研究”，尤其是宏觀戰(zhàn)略研究。

既然戰(zhàn)略用戶研究如此重要，那么會不會受到AI威脅呢？

回答是很難，因為這類用戶研究工作同時要求對行業(yè)和公司戰(zhàn)略有極強的理解，對業(yè)務有極強的理解，這類直覺性的經(jīng)驗、知識很難快速變成知識庫被AI檢索；而且戰(zhàn)略用戶研究涉及復雜的問題的定義和框架設計，這也是AI很難代替的。

03 AI時代用戶研究職業(yè)的發(fā)展機遇

長期以來，用戶研究職業(yè)一直身陷自證價值的漩渦，究其根源這個職業(yè)是過度專業(yè)化分工的產(chǎn)物，工作職能的邊界過于狹窄。

我到現(xiàn)在還記得，2019年那會兒跟一個HR面試，她說用戶研究和數(shù)據(jù)分析只是產(chǎn)品的兩只抓手之一，我竟無法反駁；我在同程旅行工作期間，我的領導也非常反對我們稱自己為用研。

在AI技術的推動下，用戶研究職業(yè)不僅面臨挑戰(zhàn)，也會迎來重大升級機遇，最重要的就是研究邊界得到大大的擴展，用戶研究職業(yè)的價值得到極大提升。

首先，從小數(shù)據(jù)研究到大數(shù)據(jù)研究。

AI時代到來，數(shù)據(jù)分析的門檻大大降低，以往需要專門的數(shù)據(jù)分析師幫用研取數(shù)、跑數(shù)的工作可能不復存在，取而代之的是這部分工作被用戶研究人員借助AI取代。

也就是說，但凡涉及用戶數(shù)據(jù)分析的工作，將不再局限于小數(shù)據(jù)，不再區(qū)分用研和數(shù)據(jù)分析師，二者會融合為一，而且大概率是用研合并數(shù)據(jù)分析師。

用研領導數(shù)據(jù)分析師的實踐，我在同程旅行工作期間就初現(xiàn)端倪，在我離開后，我們那個用研團隊正式把數(shù)據(jù)分析師團隊納入管理。

其次，從文本數(shù)據(jù)研究到多模態(tài)數(shù)據(jù)的研究。

在傳統(tǒng)用戶研究中，文本數(shù)據(jù)（如訪談記錄、問卷反饋）長期占據(jù)主導地位。隨著AI技術的成熟，用戶研究正突破單一模態(tài)限制，實現(xiàn)文本+語音+視覺+生理信號的全維度數(shù)據(jù)融合。

拿可用性測試項目來說，在任務執(zhí)行階段，AI可以實時收集用戶的視覺數(shù)據(jù)（如眼動追蹤）、語音數(shù)據(jù)、生理數(shù)據(jù)（如心率）、行為數(shù)據(jù)（如點擊流）等，AI可以整合這些數(shù)據(jù)，提供更全面的分析。

視覺數(shù)據(jù)：

1）眼動熱力圖生成：每200ms更新注視點分布，發(fā)現(xiàn)用戶反復掃視”優(yōu)惠券說明”小字區(qū)域（注視停留>3秒）。

2）通過微表情時間軸，將情緒曲線可視化：

• 00:12:34 – 檢測到AU4（皺眉肌激活）
• 00:12:37 – 檢測到AU15（嘴角下垂）
• 00:12:39 – 瞳孔擴張率下降22%

3）生理信號數(shù)據(jù)：

• 皮膚電導峰值（3.5μS）與操作失敗時刻精準對應
• 心率變異率（HRV）下降至28ms，提示認知超載

當用戶說”這個功能不錯”時，多模態(tài)研究能同時知道：

• 他的嘴角輕微下壓（微表情分析）
• 視線在該功能區(qū)域停留僅0.3秒（眼動追蹤）
• 聲調(diào)比基準值低8赫茲（語音情感識別）
• 右手拇指持續(xù)摩擦手機邊緣（觸覺傳感）

這種邊界的擴展不僅帶來數(shù)據(jù)豐富度的指數(shù)級提升，更打開了理解用戶行為的”暗箱”。

最后，新研究場景的涌現(xiàn)。

隨著AI產(chǎn)品的日益普及，將帶來新的研究命題。

AI產(chǎn)品本身（如智能助手）的用戶體驗研究成為新領域，需探索人機交互中的信任、透明度、倫理等問題。

• 例如如何優(yōu)化交互效率：確保AI產(chǎn)品（如智能助手）能夠快速、準確地響應用戶需求。
• 例如如何提升用戶信任：增強用戶對AI決策的信任感，尤其是在涉及敏感場景（如醫(yī)療建議、金融推薦）時。
• 例如如何增強透明性與可控性：讓用戶理解AI的運作邏輯，并提供調(diào)整個性化設置的途徑。
• 例如如何評估倫理影響：識別并解決算法偏見、信息繭房等潛在問題。