AI 辅助用户研究：从信息收集到竞品分析

当我准备做一个 AI 设计知识库时，团队很容易得出几个“听起来正确”的判断：设计师缺少系统学习路径、市场上的内容太零散、用户愿意为高质量教程付费。

这些判断可能成立，也可能只是团队把自己的感受投射给了用户。

用户研究的任务不是证明想法正确，而是找出哪些判断有证据、哪些仍是假设，以及这些信息会改变什么产品决定。

AI 可以加快资料整理、访谈编码和竞品对照，但它不能替你见过用户，也不能把公开信息自动变成用户事实。

AI 能扩大研究者处理信息的能力，不能替研究者制造证据。

为了让案例更容易记住，下文使用两个模拟角色演示方法。它们不是实际访谈样本，也不能作为产品结论。

小林：转行产品设计不到一年，收藏了很多 AI 工具，遇到问题时习惯先找能直接复制的方法
老赵：有多年传统设计经验，已经在工作中使用 AI，更关心原理、工具边界和可复用的工作流

一、先确定研究是要支持什么样的决定

“了解用户”不是一个可以执行的研究目标。

设计师应该先和产品、业务确认：研究结束后，团队准备决定什么？

以 AI 设计知识库为例，前期更值得回答的是：

哪类设计师最需要系统学习，而不是更多工具资讯
用户在什么任务中感到现有内容不够用
用户现在如何学习、收藏和验证方法
什么结果能让用户相信内容值得持续付费
现有产品已经解决了什么，还有什么没有解决

这些问题会影响目标用户、内容结构、免费范围和会员价值。至于“用户喜欢什么颜色”“希望增加什么功能”，此时并不重要。

AI 可以帮助团队把观点改写成研究问题，但不能替团队决定优先级。

研究问题整理提示词

以下是团队对产品和用户的判断。请把没有证据支持的观点改写成研究问题，并按“会影响目标用户、核心场景、产品范围、付费价值”分类。每类最多两个问题，说明答案会改变什么产品决定。不要默认这些判断成立。

不合格输出：“用户是否喜欢系统化的 AI 教程？”问题过于宽泛，也没有说明答案会改变什么。

合格输出：“当小林遇到生成失败时，会优先寻找即时答案还是系统课程？答案将影响内容入口按问题场景还是按知识分类组织。”

二、建立证据来源，而不是先搜一堆资料

专业研究不只依赖访谈，也不会把所有来源当成同一种证据。

第一类：真实行为

产品数据、站内搜索、客服记录、销售反馈和已有用户任务，能说明用户实际做了什么。它们适合发现高频路径和异常，但通常解释不了行为背后的原因。

第二类：直接研究

访谈、观察、可用性测试和问卷，让团队理解用户当时的目标、环境、判断和阻力。访谈适合解释原因，不适合用几个人的回答推算市场比例。

第三类：公开信息

社交平台讨论、社区帖子、应用商店评论、搜索结果和竞品页面，适合发现常见表达、替代方案和待验证的问题。公开评论存在人群偏差，不能直接代表目标用户。

每条资料至少记录来源、日期、用户或场景、原文和链接。这些信息保留在研究底稿里，面向读者展示时直接使用“小林”“老赵”或“某平台的公开评论”即可。

写出结论后，研究者仍要能在底稿中找到对应的原话、行为或页面。

资料没有来源，就只是被 AI 重新组织过的一段文字。

三、让 AI 整理访谈，不要让它代替访谈

访谈应该围绕用户过去发生过的具体行为，而不是让用户预测未来。

不要问：你愿意为系统的 AI 设计课程付费吗？

更有效的问题是：

最近一次遇到不会解决的 AI 设计问题是什么？
当时去哪里找答案，花了多长时间？
看过哪些内容，为什么没有继续使用？
哪一步最没有把握，最后如何判断结果能不能用？
最近一次付费购买设计内容是什么，为什么买？

AI 适合在访谈前检查问题是否诱导、重复或过于抽象；访谈后完成转写、切分和初步标记。真正的追问仍依赖研究者对语气、停顿、矛盾和使用环境的判断。

整理记录时，把观察、解释和待验证假设分开：

原始观察（用户原话或行为）	研究者初步解释	待验证假设（还缺什么证据）
小林：“我收藏了四十多个工具，但常用的只有两个。”	他可能被信息过载困住了	是否因为工具切换成本高，需要观察他的真实使用过程
老赵：“我不缺教程，但不知道 Agent、Skill 和工作流应该先理解哪个。”	他缺的可能是能力关系，而不是内容数量	是否只在技术背景较弱的设计师中出现，需要扩大样本

这张表可以直接放进 Notion 或 FigJam。左侧只能写观察，中间允许解释，右侧必须写清准备如何继续验证。

不要让 AI 把三层内容揉成一段顺滑的总结。越顺滑，越容易看不出哪部分来自用户，哪部分来自模型推断。

访谈记录通常包含个人信息。取得知情同意、删除无关身份信息，并确认所用工具符合团队的数据要求后，再上传处理。

四、从资料中提取洞察，而不是统计关键词

AI 很擅长找重复词，但高频不等于重要。

用户只提到一次的权限风险，可能比十次“页面不好看”更影响产品；少数用户暴露的极端场景，也可能决定产品是否能真正使用。

更稳的分析顺序是：

找到原始观察和原话
按任务、动机、阻力和替代方案聚类
比较不同用户与来源之间的共同点和矛盾
写出能够回到原始资料的研究发现
将发现转成机会方向或下一轮验证问题

一个最小案例如何推导机会

以小林最近一次文生图失败为例：

任务：在评审前修正人物手部和画面风格
动机：尽快交付一张可用的图，同时知道问题出在哪里
阻力：搜索结果大多是工具更新、英文说明和没有上下文的提示词
替代方案：去社交平台复制别人的提示词，反复抽取结果

只看这组信息，机会可能是“按失败场景提供即查即用的解决方法”。

但老赵的记录构成了一条反例：他不缺快速答案，更需要理解方法为什么有效，以及如何迁移到下一次任务。

因此更值得验证的方向是：用真实问题作为入口，同时连接原理和进阶工作流。它仍然是机会假设，不是已经成立的功能方案。

洞察提取提示词

请分析以下研究资料。先按任务、动机、阻力和替代方案聚类，再输出研究发现。每条发现必须写明由哪些用户原话或公开资料支持、有哪些反例、可信度如何，以及仍需验证什么。不要补写用户原话，不要把单条意见写成普遍结论，也不要直接生成产品功能。

不合格输出：“用户普遍希望获得更高质量、更系统的内容。”没有来源，也无法继续设计。

合格输出：“发现 1：小林和多条公开评论显示，初级设计师在交付压力下更倾向寻找即时答案；老赵的反馈构成反例，他更关心方法能否迁移。当前样本有限，需要继续验证经验水平是否影响内容入口选择。”

五、竞品分析要比较任务，不要只比较功能

竞品表格经常列满功能、价格和截图，最后得到一句“大家都有，我们也要有”。这不是设计分析，只是产品盘点。

产品设计师更应该比较：同一类用户任务，在不同产品里如何被完成。

针对 AI 设计知识库，可以选择三类对象：

直接竞品：面向设计师的付费知识库、课程或训练营
间接竞品：工具官方教程、设计社区、Newsletter 和公开视频
参考产品：擅长学习路径、内容试读或会员转化的知识产品

不需要研究二十个产品。选择四到六个有明确参考价值的对象，用同一条任务路径体验：

首次进入 → 理解产品价值 → 找到适合自己的内容 → 完成免费试读 → 判断是否付费 → 付费后继续学习

沿着这条路径记录五件事：

用户在每一步想完成什么
产品提供了什么信息和操作
哪些地方需要猜测或反复查找
产品如何证明内容质量和持续价值
哪些设计是行业惯例，哪些只是单个产品的选择

AI 可以读取页面、评论和截图，整理差异并寻找模式。设计师仍要亲自走完关键流程，核对 AI 是否遗漏登录限制、动态状态、价格变化和真实内容质量。

竞品信息还要标注访问日期、版本、地区和账号状态。没有这些条件，几个月后的截图很难继续作为依据。

竞品分析提示词

下面是六个产品在同一条用户任务路径中的截图和记录。请按步骤比较用户目标、产品做法、阻力、建立信任的方式和付费后的持续价值。区分行业共同模式、单个产品差异和仍需验证的推测。每条结论写明竞品名称和对应页面，不要因为竞品拥有某个功能，就建议我们的产品照做。

不合格输出：“竞品 A 内容多，竞品 B 价格低，建议增加搜索和会员体系。”它把功能差异直接变成了产品建议。

合格输出：“在‘首次找到适合内容’任务中，一款产品要求用户先选工具，另一款要求用户先选目标，但两者都没有说明学习顺序。机会是验证‘问题场景加能力阶段’能否降低选择成本，而不是直接复制某个目录。”

六、把研究结果收成可以继续设计的材料

一轮研究结束后，不需要交付厚重的报告。保留五份能继续推动项目的材料：

研究任务书：研究问题、对象、方法和边界
证据库：原始记录、来源、日期和使用权限
用户问题地图：任务、触发、阻力、现有做法和影响
竞品任务对照：同一任务路径下的做法、优点和缺口
机会判断：依据、目标用户、方向、风险和验证方式

机会判断可以使用统一句式：

因为哪些用户在什么场景中出现了什么问题，我们看到一个怎样的机会；当前由哪些证据支持，下一步还需要验证什么。

例如：

因为小林在交付压力下需要即时答案，而老赵更重视方法迁移，我们看到用“问题场景加能力阶段”组织内容的机会；下一步需要通过目录原型测试，确认两类用户是否都能找到下一篇内容。

这句话没有急着决定首页长什么样，但已经能进入信息架构和原型验证。

七、AI 辅助用户研究最容易踩的六个坑

检查一下：如果前面的五份材料出现以下情况，说明 AI 介入的方式错了，材料需要重新整理。

用 AI 生成用户回答

对应证据库。AI 可以帮助提出假设，不能作为真实用户证明假设。证据库中不能出现来源为“AI 模拟访谈”的用户结论。

先收集资料，再决定研究问题

对应研究任务书。没有问题边界，AI 只会把大量信息整理成一份看似全面、无法指导决定的摘要。

把出现次数当成优先级

对应用户问题地图。频率只能说明重复出现，还要结合影响程度、目标人群、业务风险和证据质量。

把公开评论当成完整用户样本

对应证据库。公开评论必须标注平台、时间和样本偏差，因为主动发言者通常带有更强烈的体验。

把竞品功能当成用户需求

对应竞品任务对照。竞品做了什么，只能证明它做了这个选择，不能证明这个选择有效，更不能证明适合你的产品。

为了让报告完整，删掉矛盾证据

对应机会判断。每个机会都应该保留反例、风险和待验证问题，而不是让 AI 把冲突信息说圆。

八、研究的价值，要落实到下一次设计决定

AI 辅助用户研究的完整路径可以收成一句话：

决定研究什么 → 收集真实证据 → 保留来源 → 聚类与找反例 → 比较竞品任务 → 提出机会 → 用设计继续验证

AI 最适合处理重复、分散和需要对照的信息。产品设计师负责研究问题、样本边界、证据判断、机会取舍，以及面对不确定性时不急着编出答案。

好的研究结果不一定让团队更有把握，也可能让团队发现原来的方向并不成立。

这不是研究失败，而是团队在进入设计和开发之前，少走了一条更贵的弯路。