AI让调研快了，为什么真需求反而更难找？

AI 可以同时访问更多用户、跨越语言和时区，但覆盖面扩大后，产品经理面对的判断压力也更大。李玮结合电商行为录屏、海外调研和扫拖机器人案例，分享如何让 AI 追问真实行为、保留证据链、识别冲突，并把一次调研沉淀为可持续对话的数字用户。

———— / BEGIN / ————

在 2026 AI 产品大会上，悦数洞察创始人、Aquria.AI 创始人李玮做了《破局洞察瓶颈：AI如何重塑产品经理的用户研究工作流》的精彩演讲。分享了自己从传统用户研究走向 AI 原生研究的实践。

他没有把 AI 只讲成效率工具，而是从一个更棘手的问题出发：信息越来越多、报告越来越快，为什么产品团队仍然很难确认一个需求是不是真需求？

以下内容根据现场演讲整理，Enjoy：

一、信息更多了，答案却不一定更近

大家好，我是李玮。到现在做用户研究已经有20年了，从 2024 年开始，我一直在尝试把 AI 和用户研究结合起来。我创立了两家公司，一家做传统用户研究，另一家 Aquria.AI 专门探索 AI 和用户洞察。

我第一次真正使用 AI 时，直觉是用户研究这个行业的生存方式要改变。传统研究通常是 case by case：今天有一个问题，就发起一个项目，找一批人、做一轮访问、交付一份报告。互联网和大数据让其中一部分工作自动化了，但 AI 的出现又把“听见用户”这件事变复杂了。网上大量内容已经由 AI 生成，我们重新要问：怎样从一个真正的人身上，确认产品需求究竟在哪里？

AI 确实提高了效率，但它也制造了一种新的麻烦：信息和文档越来越长，答案看起来越来越像答案。AI 写出来的内容往往逻辑完整、表达顺畅，甚至比我们过去做的报告更像一个严谨结论。问题是，表面完美不等于内容真实。每一次产品立项或评审，老板和客户还是会追问，这个需求到底是不是真的，还是产品经理自己想出来的。

这也是我现在最关心的矛盾。

AI 让我们更快地得到材料，却不自动把我们带到真相。甚至可能让一个团队更忙：大家花时间生成、阅读和复述更多内容，却离真正要做的判断更远。

我后来把 AI 时代的用户研究变化概括成三件事：

1. 扩大信息边界，模糊定量和定性之间的界线，让我们既能覆盖更多人，又能对单个用户继续追问。

2. 收窄判断，信息越多，越要区分证据和结论，防止 AI 把自己的幻想说得像事实。

3. 沉淀，把用户研究从一次性的服务或流程环节，变成产品经理的能力和企业可以复用的资产。

产品经理不需要从100万条材料里找100万个答案，只要找到那个能改变产品行动的答案就可以；只是AI的兴起，让现在的材料规模更大了，这意味着产品经理不能把用户研究完全外包出去。

AI 可以扩大知识边界，也可以让产品经理自己完成更多研究工作，但最后由谁判断需求是否成立、哪些证据值得相信，仍然要回到产品团队。

研究不是交付一份报告就结束，而是要能参与立项、验证和下一轮迭代。

二、让规模和深度在一次研究里相遇

传统研究有一个长期存在的取舍。问卷能覆盖成千上万的人，却通常只留下选择结果。比如 80% 的人选了 A，我们仍然不知道这 80% 里面的人是不是因为同一个原因选择 A。

深访能把一个人的动机问清楚，但只访两个人时，团队又会担心他们能不能代表多数人。

问卷有规模，深访有深度，两者很难同时做到。

AI 带来的变化，是把这两个指标放到了一次研究里：它可以像问卷一样并发访问很多人，也可以像深访一样，根据每个人刚才的回答继续追问。

过去是一个项目做一次研究、一个问题做一次研究，现在可以设想为一个用户做一次研究，并在需要时持续了解这个用户。

我在电商平台的一个项目里看到过这种变化。

平台能看到用户在自己的 App 里停留多久、点了什么，但用户并不是一台只在端内运行的机器。一个人准备点外卖时，可能切到另一个平台比较价格，去搜索促销，也可能问朋友或其他 AI。平台只看到他离开了一分钟、回来后没有下单，却不知道这一分钟发生了什么。

我们让用户授权录屏，记录他从产生意图到最终下单之间的真实操作：在哪个页面停留，输入过什么，什么时候切到别的平台，又在什么时候回来。AI 先分析这些行为，再在行为刚发生后发起一次快速访谈。用户在支付页停留三秒后离开，系统会追问他在这三秒里做了什么。如果选好商品却放弃支付、转向另一个平台，AI 会及时追问离开的原因。一次流失因此变成一次理解用户的机会。

但这种追问必须贴着具体行为走：三天后再问用户为什么没买，他很可能只剩下一个事后解释；刚刚发生的三秒却还带着细节。AI 可以根据这个人的背景和刚才的操作选择问题，做到“千人千问”，但它提出的意图仍然需要用户确认。AI 可以猜测，不能替用户把猜测当事实。

这个做法同时解决了传统研究的另一个断点：问卷可以招募一千个人，却只能让他们回忆大概的选择路线；深访可以找十二个人聊得更深，却很难证明这十二个人能代表多数。把真实操作先记录下来，再让 AI 围绕行为追问，研究得到的是用户实际做了什么、在什么位置停下来、当时受到什么影响，以及他之后如何解释自己的决定。

规模和深度不必再被迫二选一。

三、出海时，先把语境带回来

用户研究的另一个限制是地域。一个熟悉中国市场的产品经理，不能靠自己的生活经验想象海外用户。东南亚也不是一个国家，不同国家的居住环境、政策、购物方式和文化都不一样。把“东南亚用户”当成一个整体，风险很大。

传统做法是找当地会说英语的人来回答问题，但会说英语本身就是一个特殊标签，未必代表大多数用户。若产品覆盖十几个、二十个国家，差异就更难靠少量人工访谈补齐。

AI 的优势在于跨越时区、语言和语境。我们的做法是先扫描当地市场，了解公开讨论中的议题、表达和文化背景，再根据研究目标生成中文访谈提纲。访谈链接发给当地用户后，系统可以根据对方设备的语言环境，用印尼语、德语等当地语言沟通，并在对话中继续追问。回到后台，团队既能看到当地语言的原始记录，也能看到中文翻译和整理结果。

这条链路的关键是：研究团队不必先为每个国家搭一支完整的本地团队。先用中文把想了解的问题编排好，系统生成访问链接；链接发到当地后，AI 根据用户的设备语言选择沟通方式。一个印尼用户用印尼语回答，一个德国用户用德语回答，追问也在当地语言和语境中完成。研究团队回到后台时，看到的不只是翻译后的摘要，还包括当地语言的证据和笔录。这样，问题可以保持统一，答案仍然保留各地的差异。

当然，AI 不能让文化差异自动消失。先做市场深潜，是为了知道当地人在讨论什么、哪些表达带有特殊含义、哪些话题存在禁忌；访谈阶段再把这些前置认知带进去。否则只是把一套中文问题翻译得更快，仍然可能问错问题。对跨国产品而言，真正需要缩短的不是翻译时间，而是从提出问题到理解选择逻辑的距离。

这不是把中文问题翻译成外语这么简单。翻译解决的是字面转换，产品理解还需要保留俚语、隐喻和情绪。最后得到的中文答案，必须能回到当地用户的原话和语境，否则我们只是把一次失真藏在一份流畅的报告里。

覆盖更多人并不等于更接近真相。覆盖面扩大后，产品经理的判断负担反而更重：哪些是用户原生表达，哪些是 AI 自己补出来的？我把 AI 研究的下一步概括为“收窄”，也就是从海量材料中找到一个真正能改变产品行动的判断。

一个结论如果只能在汇报现场被接受，离开原始材料就无法解释，仍然不够可靠。收窄应该让团队回答几个具体问题：这句话是谁说的，发生在什么场景，有没有真实行为对应，其他来源是否支持，冲突样本在哪里，以及它会改变什么产品选择。只有这些问题被逐项回答，才有资格进入决策。

四、“收窄”不是摘要，而是留下证据

收窄不是把 100 页报告压缩成 3 页，也不是让 AI 再写一份更短的总结。

真正的收窄，是每个重要结论都能回到源头：谁在什么情境下说了什么，发生过什么行为，有多少人表达了类似看法，样本和业务数据是否支持它。

在 Aquria.AI 的平台里，我们要求 AI 给出结论的来源。结论来自哪几位用户？有多少人这样认为？最开始的那段原话是什么？必要时还要回到访谈影像，看用户原本是怎样表达的。问卷、客服记录、业务运营数据和公开网络资料也要分别标记来源和口径。只有证据链留存下来，产品经理才有可能判断 AI 的结论是否可采纳。

不同数据源之间出现冲突是正常的。业务数据可能显示一种趋势，公开资料是另一种说法，用户访谈又提出不同动机。这个时候不能只挑最顺眼的材料，而要知道每个来源的可信度：是一位用户说的，还是 20 位、200 位用户说的？数量不是唯一标准，但至少要让判断有依据。

在实际工作里，证据还要按来源分层保存。用户原声和访谈影像保留语气与上下文，问卷保留样本和选项，客服记录保留发生时间和问题类型，业务数据标记统计口径，公开资料标注发布时间和来源。AI 的总结可以作为工作层，但不能替代这些原始记录。这样在团队争论时，大家可以回到同一组材料，而不是比较谁写出的总结更顺。

还要保留少数人的差异。传统问卷容易只看 80% 的主流答案，AI 访谈会让我们看到每个人并不一样。泰国和德国用户可以放在一起比较，不同年龄的用户也可以交叉比较。冲突和异常未必是噪声，它们可能提示新的场景、新的人群，或者一个被平均值遮住的产品机会。

五、一次调研结束后，用户还在不在？

第三件事是沉淀。企业每天都在接触用户：销售、客服、产品、运营都会留下零散信息。过去这些内容分散在不同的人和文件夹里，一次研究交付后，报告在汇报当天很有价值，之后却会因为时间、人员和使用方式变化而不断贬值。下一次遇到类似问题，团队往往只能重新招募、重新提问、重新分析。

AI 可以把访谈中的人群、场景、痛点、原声、证据和边界拆成更小的知识单元，按新的业务意图重新调度。比如这次研究外卖行为时，用户顺便谈到口味偏好；下一次团队想知道口味有没有变化，就可以先检索历史材料，而不是从零开始。一次访谈里超过 10% 的内容在当下被使用，已经算不错，其余内容也许在下一个项目才有意义。把这些内容留下来，价值才不会随着项目结束一起消失。

这也改变了研究的交付形态。过去我们交付一份报告，未来可以交付一组基于真实访谈形成的数字用户。团队在研究了 200 个用户后，可以在产品概念完成时重新向这些数字用户提问，看看他们对新的场景如何反应。

沉淀还要能被新的问题调用，而不是把所有材料重新堆进一个文件夹。今天研究外卖行为时，用户谈到口味偏好；明天团队要判断口味是否变化，系统应该把历史访谈中的相关片段、时间、用户特征和当时的业务背景调出来，再决定哪些已经有足够证据、哪些需要重新验证。知识颗粒越清楚，下一次研究越不必从头招募。

六、东南亚扫拖机器人：从一句顾虑追到一个产品问题

最后讲一个把“扩大、收窄、沉淀”串起来的案例。我们服务过一个在东南亚做扫拖机器人的家电品牌。项目先用 AI 访谈在两天内和一千多名用户进行深度对话，重点了解他们在家里使用扫拖机器人时的顾虑。

一位用户提到，家里有穿堂风，会把树叶和树枝吹进来。传统问卷可能把这句话归为房屋结构不适用，然后进入下一题。AI 继续追问吹进来之后会给机器带来什么问题，用户进一步说，树枝会让机器的转轴卡死，清理主刷很麻烦。

这个细节和居住环境有关。东南亚更多是一楼、低密度住宅，国内多数人住在高层，树枝和落叶不是同样常见的问题。产品放到不同地区，原来不重要的场景可能就变成必须解决的问题。再往下收窄时，团队发现国内常讲的宠物毛发并不是当地最大的痛点，树枝、果壳等非标准垃圾，以及机器的防卡死能力，才更可能影响购买。

这个判断不能停在一句 AI 洞察上。团队进一步回到一千多份对话，确认有 300 多位用户比较直接地提到类似问题，才把它作为研发需要认真处理的产品方向。这个过程就是先扩大信息，再用证据逐步收窄，而不是让 AI 直接替团队拍板。

研究结束后，客户按国家和用户标签把记录沉淀为数字用户。下一次做家庭监控等新产品时，可以先调取这些用户在客厅、宠物和家庭生活中的已有记录，作为前置研究的一部分，不必每次从零开始。

这个案例对我来说还有一个提醒：所谓本地化，不应该靠团队想象当地用户会遇到什么，而要让当地环境进入证据。国内高层住宅里不常见的树枝、落叶，在东南亚低密度住宅里可能就是决定性障碍。产品经理通过追问把一句模糊顾虑变成可验证的产品问题，再用更多用户和原始证据确认它是否值得投入，才是研究真正参与产品研发的方式。

七、AI扩大听见，人负责判断

经过这两年的实践，我看到 AI 带来的改变不只是节省时间。它让以前只能二选一的广度和深度同时发生；它能根据行为动态追问，也能处理海量编码和交叉比对；它还可能让报告不再是唯一的交付物，数字用户和动态知识库会成为新的形态。

但我并不认为报告会立刻消失。报告仍然适合在一个阶段汇总问题、同步团队和记录决策。变化在于，报告不应该再是唯一的出口。原始访谈、证据关系、用户标签和可继续对话的数字用户，都应该和报告一起交付。这样，报告负责在当下让团队达成共识，数字资产负责在之后支持新的问题。

但分工不能倒过来。AI 负责扩大“听见”：让我们接触更多用户、更多语言和更多真实行为。人负责收窄“判断”：决定相信什么、保留哪些冲突、什么证据足以支持产品选择。组织负责让判断沉淀：把原声、证据、结论和边界留给下一次项目调用。

所以，当评审会上再次有人质疑某个需求到底是不是真需求，我们需要带回去的不是一份更厚的 AI 报告，而是一条可以回到真实用户、经得起追问、还能持续复用的证据链。

这也是 Aquria.AI 过去两年一直在尝试解决的问题。我们希望让 AI 真正进入用户研究的实际工作中，从理解市场、找到用户、完成访谈，到验证结论和继续调用过去的研究材料。

如果你也正在尝试用 AI 做用户研究，欢迎体验 Aquria.AI（web端搜索aquria.cn），看看一次由 AI 参与的真实调研会怎样进行。

分享嘉宾：李玮，悦数洞察创始人、Aquria.AI 创始人

分享观点仅代表个人，不代表公司。内容未经许可，禁止转载