在AI浪潮席卷而来的当下，用户研究这一职业正站在变革的十字路口。本文深入分析了AI对用户研究工作的影响，探讨了AI可能取代的用户研究任务，以及那些需要人类深度参与的核心环节。

2025年初，随着国运级的DeepSeek正式上线 ，AI的浪潮已经呈现出燎原之势，全民已经普遍形成一个共识：未来属于那些学习AI、拥抱AI的人。

作为一个用户研究的资深从业者（12年+），在今年年初，我开始慎重思考AI这件事对用户研究这个职业的影响，并且决定开始系统学习AI知识与应用，以及思考如何跟用户研究相结合。

这篇文章，算是思考和学习的起点。

01.AI会取代用户研究的哪些工作？

先说结论：在AI时代，用户研究的某些基础性和重复性工作会被逐步替代，但需要人类深度参与的核心环节仍不可或缺。

1. 开放数据收集与初步处理

1）开放数据抓取及自动分析

所谓的开放数据是指非一手调研得到的数据，即二手数据。二手数据在我们的用户研究工作中也很重要，很多的分析洞察工作离不开二手数据的收集。

以往我们研究一个行业、产品或者一个竞品公司，需要在网上搜索资料，花费大量时间；现在AI大模型里拥有全网的知识库，通过联网搜索（RAG，检索增强生产）能快速检索到你想要的信息。

（以下为阿里国际面向全球商家推出的B2BAI搜索引擎Accio，可以开展市场研究）

以往我们追踪竞品APP动态，都需要人工收集信息；现在AI会自动追踪竞品App版本更新后的用户评价变化，实时生成竞品功能迭代与用户情绪波动热力图。

2）数据清洗与标注

以往我们研究所用的二手数据，很多都是非结构化的数据，需要人工来做清洗和标注。

AI不仅加速数据处理，更通过语义理解实现“脏数据净化”与“非结构化数据价值提取”的质变。

拿文本数据举例：

NLP模型能自动剔除无意义字符（如乱码“#￥%”）、广告文本（“加微信XXX”）、重复内容（同一用户多次粘贴的相同差评）。

还能将口语化表达转为规范描述，例如：

• “这破手机烫得能煎蛋” → “手机发热严重”
• “客服MM态度超nice” → “客服服务态度好”

甚至还能基于BERT等模型修复残缺文本，如补全用户截断的评论：

• “物流快，但是…” → “物流快，但是包装破损严重”

而且AI不仅能对文本数据进行数据清洗与标注，还能对视频、语音等多模态数据进行处理，这无疑扩展了我们的研究边界。

拿视频数据举例：

我们做的眼动研究，早已经实现眼动仪数据+AI标注，自动生成用户浏览App时的注意力热区动画。

2. 基础数据分析

基础数据分析指通过统计方法、可视化工具对用户数据进行初步处理，提取基本趋势、分布规律与相关性结论。其核心任务包括：

• 描述性统计（均值、频率、分布等）
• 数据可视化（图表生成、交互式看板）
• 简单关联分析（A/B测试结果对比、用户属性与行为相关性）
• 情感/主题挖掘（文本情感分类、高频关键词提取）

AI在此类任务中通过模式识别自动化与算法增强效率逐步替代人工操作。

典型的应用场景包括：

• 在A/B测试项目中，AI对比实验组/对照组的关键指标（点击率、留存率），自动生成显著性检验结果（p值、置信区间）与可视化对比图
• 在客服对话分析需求中，AI自动将数千条对话归类为“退货咨询”“功能使用指导”等主题，并统计各主题的情感分布。

3. 标准化报告生成

AI可根据数据结果自动生成结构化的初期报告，替代人工整理。

最先普及的会是连续性跟踪监测、评估类的报告，如满意度报告、NPS报告、广告测试报告、营销效果评估报告、品牌BHT报告。

此外就是可用性测试、产品测试这类比较标准化的项目类型。

02. 短期难以被AI取代的用户研究工作

尽管AI在开放数据收集和处理、模式识别和自动化分析方面表现出色，但用户研究中涉及一手用户数据采集、复杂人性理解、宏观战略决策的场景仍需人类主导。

1. 一手用户数据采集

当我们需要找行业内的目标用户来做问卷调研或者定性访谈，这属于一手用户数据采集，目前的解决方案是企业外包给第三方的执行公司来做，尤其是定性研究的用户招募，短期内人工必不可少，因为涉及用户隐私和数据安全。

但从长期来看，随着AI的发展，未来AI可能基于行业/企业内部知识库合成虚拟用户来做用户研究，也就是说不用真人也能做用户研究，但在我看来可能更多适用于洞察深度、精读要求没那么高的场景。

（谷歌、苹果和 Figma 的团队开发的平台，Synthetic Users，你只需要输入你心目中的目标用户特征人群特征和关键问题，他就可以快速地为你呈现众多的用户访谈记录，并为你整理出清晰的报告）

未来有一天，即使合成的“虚拟用户”与真实用户相差无几，合成用户也不会完全替代真实用户，两者结合的研究方法可能会成为主流。

2. 复杂人性的理解

还记得冰山模型吗？人是复杂的动物，有显性需求和隐性需求；有意识，有潜意识。

AI在挖掘“人”冰山之下的那部分并不擅长。

AI无法模拟人类的情感共鸣，也难以在高度戒备的场景中建立信任；AI缺乏对非语言线索（如尴尬的沉默、肢体动作）和社会表演性行为的理解能力；AI很难解读数据背后的社会文化、心理动机，解释定量分析与定性观察的冲突。

从这个角度，我长期看好定性用户研究中的访谈/座谈会主持技能。

3. 宏观战略决策

国外的Judd Antin 写的《UX Research Reckoning is Here》一文，认为用户研究人员的工作有三种：

1. 宏观战略研究：以商业为首，以未来为导向提供指导宏观商业决策的具体框架
2. 中等范围研究：专注于用户理解和产品开发
3. 微观研究：技术可用性，眼动追踪和详细的交互开发

Judd Antin看来，未来用户研究的工作，“将90%的努力重新聚焦于微观和宏观研究”，尤其是宏观战略研究。

既然战略用户研究如此重要，那么会不会受到AI威胁呢？

回答是很难，因为这类用户研究工作同时要求对行业和公司战略有极强的理解，对业务有极强的理解，这类直觉性的经验、知识很难快速变成知识库被AI检索；而且战略用户研究涉及复杂的问题的定义和框架设计，这也是AI很难代替的。

03 AI时代用户研究职业的发展机遇

长期以来，用户研究职业一直身陷自证价值的漩涡，究其根源这个职业是过度专业化分工的产物，工作职能的边界过于狭窄。

我到现在还记得，2019年那会儿跟一个HR面试，她说用户研究和数据分析只是产品的两只抓手之一，我竟无法反驳；我在同程旅行工作期间，我的领导也非常反对我们称自己为用研。

在AI技术的推动下，用户研究职业不仅面临挑战，也会迎来重大升级机遇，最重要的就是研究边界得到大大的扩展，用户研究职业的价值得到极大提升。

首先，从小数据研究到大数据研究。

AI时代到来，数据分析的门槛大大降低，以往需要专门的数据分析师帮用研取数、跑数的工作可能不复存在，取而代之的是这部分工作被用户研究人员借助AI取代。

也就是说，但凡涉及用户数据分析的工作，将不再局限于小数据，不再区分用研和数据分析师，二者会融合为一，而且大概率是用研合并数据分析师。

用研领导数据分析师的实践，我在同程旅行工作期间就初现端倪，在我离开后，我们那个用研团队正式把数据分析师团队纳入管理。

其次，从文本数据研究到多模态数据的研究。

在传统用户研究中，文本数据（如访谈记录、问卷反馈）长期占据主导地位。随着AI技术的成熟，用户研究正突破单一模态限制，实现文本+语音+视觉+生理信号的全维度数据融合。

拿可用性测试项目来说，在任务执行阶段，AI可以实时收集用户的视觉数据（如眼动追踪）、语音数据、生理数据（如心率）、行为数据（如点击流）等，AI可以整合这些数据，提供更全面的分析。

视觉数据：

1）眼动热力图生成：每200ms更新注视点分布，发现用户反复扫视”优惠券说明”小字区域（注视停留>3秒）。

2）通过微表情时间轴，将情绪曲线可视化：

• 00:12:34 – 检测到AU4（皱眉肌激活）
• 00:12:37 – 检测到AU15（嘴角下垂）
• 00:12:39 – 瞳孔扩张率下降22%

3）生理信号数据：

• 皮肤电导峰值（3.5μS）与操作失败时刻精准对应
• 心率变异率（HRV）下降至28ms，提示认知超载

当用户说”这个功能不错”时，多模态研究能同时知道：

• 他的嘴角轻微下压（微表情分析）
• 视线在该功能区域停留仅0.3秒（眼动追踪）
• 声调比基准值低8赫兹（语音情感识别）
• 右手拇指持续摩擦手机边缘（触觉传感）

这种边界的扩展不仅带来数据丰富度的指数级提升，更打开了理解用户行为的”暗箱”。

最后，新研究场景的涌现。

随着AI产品的日益普及，将带来新的研究命题。

AI产品本身（如智能助手）的用户体验研究成为新领域，需探索人机交互中的信任、透明度、伦理等问题。

• 例如如何优化交互效率：确保AI产品（如智能助手）能够快速、准确地响应用户需求。
• 例如如何提升用户信任：增强用户对AI决策的信任感，尤其是在涉及敏感场景（如医疗建议、金融推荐）时。
• 例如如何增强透明性与可控性：让用户理解AI的运作逻辑，并提供调整个性化设置的途径。
• 例如如何评估伦理影响：识别并解决算法偏见、信息茧房等潜在问题。