当 AI 把百万级用户数据瞬间聚成 10 张人格画像、自动生成旅程图 GIF，UX 设计师的第一反应不是惊喜，而是警惕：算法把“典型”推成“刻板”，把情感峰值抹平成平滑曲线。本文给出 AI 辅助画像的 3 步校验法、4 类常见偏差陷阱，以及 5 个实战 Prompt 模板——让模型替你跑数，用人脑保留共情，进阶 UX 才不会沦为“AI 美工”。
虽然 AI 能够助力我们的工作，但它无法取代通过实际用户体验（UX）研究与分析所获得的关键洞察。
AI 是一种工具，能帮我们更高效地完成工作，但它无法取代我们。
在用户体验（UX）研究领域深耕二十余年，我最初对将 AI 嵌入研究流程持保留态度。然而，ChatGPT、Google Gemini、Microsoft Copilot、Claude.ai 等生成式 AI（GenAI）工具的实践表现颠覆了我的认知：它们不仅能在数据分析阶段高效提炼高价值洞察，更可将这些洞察精准转化为用户画像、旅程地图等可直接落地的交付物。
当前市面已有大量“如何用 AI 构建用户画像、旅程地图”的方法与模板，检索关键词即可获取丰富资料。我之所以仍撰写本文，是因为过去一年的反复实验让我沉淀出一套经多项目验证、可立即复现的 Prompt 组合方式，其中若干微调策略与渐进式追问技巧尚未被公开文献系统提及。若这些经验能为同行节省试错成本，则公开分享即有价值。UX 领域因协作而演进，欢迎读者在评论区补充更优做法，共同拓展 AI 在体验研究中的边界。
…
用户画像
由作者通过 Canva.com 创建 用户画像主要有两种类型：基于实际用户研究的，以及基于假设的。无论你是在创建基于数据的用户画像，还是基于假设的用户画像（又称 “原型用户画像”“临时用户画像”“校准用户画像” 等），生成式 AI 都能提供很大帮助。
✴️ 补充一点：在跨职能协作中，“原型用户画像”这一术语常被误解为“已完工”，因此我倾向将其明确为“基于假设的用户画像”，以提醒团队仍需用研验证。
最糟糕的场景莫过于把原型用户画像当成终稿，导致利益相关者直接砍掉后续实证环节。若需系统掌握原型用户画像方法，Tamara Adlin 提出的校准式用户画像（alignment persona）体系值得深度参考。
即便用户画像源于实证研究，其最终呈现仍需借助虚构化叙事框架，以精准映射产品典型用户。姓名、背景故事、标语等虚构要素不仅赋予画像生命力，提升记忆度，更强化与受众的共情连接。
个人而言，撰写此类叙事历来是我的瓶颈——生成式 AI 恰好在此环节提供最大增益。完成数据收集与聚类后，我虽明确需纳入的核心指标及细分维度，却常陷于“如何高效传达”之困。
或许有人视此为创作乐趣，我却可能因一条标语反复打磨数小时。我偏好数据与定性分析，自认并非高创意型写作者，而叙事质量又直接影响画像可用性；非不能也，实耗时甚巨。
AI 的介入显著压缩了这一耗时。
近期，我持续以 HeyMarvin、ChatGPT Team 等生成式 AI 工具填补创意写作缺口。
实践表明，先自主完成数据清洗与维度切分，再交由模型补全叙事，可获得最优效果。
若已执行用户研究，请统一归档全部访谈纪要及研究报告；若构建原型用户画像，则需汇集可用二手资料——品牌战略、行业白皮书、年度财报、历史调研（问卷、市场研究、客户服务记录等），或任何承载团队对目标受众假设的内部文档。
用户画像不存在通用模板，须依据研究目标遴选模块。Steve Mulder 在《The User Is Always Right》中强调：画像的每一元素须具备明确目的，即推动团队对该用户群体的理解与共情。
背景信息务必与产品或服务情境强相关，任何不影响用户任务及功能使用的冗余细节均应剔除。
如需进一步确定信息取舍逻辑，可参考此免费课程《如何创建与使用 UX 用户画像》。
How to Create & Use UX Personas
📺 https://www.youtube.com/watch?v=PYv46j02zvY
不同工具允许上传的文件格式各不相同。目前，在 ChatGPT Plus 或团队版中，你可以上传 PDF、TXT、JPEG、PNG、DOCX、CSV 和 XLS 等文件格式。
数据隐私：你上传到 ChatGPT Plus 的任何文件都会 “在服务中无限期保留，且这些文件可能会被 OpenAI 用于训练其模型，所以最好不要上传包含任何重要个人信息的文件……”。
如果你需要更安全的选项，比如聊天内容不被用于训练且数据加密，那你需要使用 ChatGPT 团队账户，或者投资一款安全的用户体验研究分析工具，如 HeyMarvin 或 Dovetail。
我还想指出，目前 ChatGPT 团队版存在一个安全问题，即无法限制团队成员邀请新成员进入工作区，所以你必须定期查看工作区的成员页面。ChatGPT 企业版不存在这个安全漏洞。
在使用任何生成式 AI 工具处理客户和 / 或公司数据之前，请与你的信息技术团队确认，以确保你遵守他们的数据安全规定。
你可以调整以下指令，以满足你创建用户画像的需求……
若首轮输出深度不足或缺失特定信息，可通过多轮行为指令驱动生成式 AI 自优化。针对用户画像，我通常追加如下指令，要求模型重写指定模块——该套指令亦是我主持跨职能原型画像工作坊的标准话术。
后续指令示例可显著增强颗粒度。尽管可在首轮提示即嵌入行为约束，但我的实践表明：分阶段投喂数据并迭代调优，可减少信息耦合导致的模型漂移。Patrick Neeman 在《为用户体验设计师和产品经理掌握 AI 助手》中提出，应在提示中追加“生成可用于验证该画像有效性的用研问题”，以确保输出对齐真实用户。依托大语言模型（LLM）对行为模式、偏好及人口统计特征进行聚类，从而划分用户画像，可大幅提升效率。但需警惕：若训练数据隐含偏差，模型可能在生成阶段无意识地延续并放大这些偏差。
关于准确性：要记住，所有生成式 AI 工具都可能出错，给出错误答案。最终，你必须认真审核，确保所提供的信息准确反映你收集到的数据。如果你使用的数据集存在历史偏差或不均衡情况（例如在性别、种族或社会经济地位方面），模型的输出很可能也会反映出这些偏差。
小贴士：正如 Bill Bulman 在其分步指南《借助 AI 增强型研究打造用户画像》中所述，可进一步编写提示，为用户画像生成“一日生活叙事”。他提供的示例提示为：“请基于以下用户访谈数据，为我所构建的用户画像撰写一天的生活故事。”无论数据驱动抑或假设驱动，用户画像的构建均系颗粒度极细的系统性工程；生成式 AI 的介入可在关键节点提供显著杠杆。通过算法辅助精修微观叙事，模型能够补全并润色那些决定画像共情力与记忆度的复杂细节，尤其对创意写作非强项的研究者收益更为明显。遵循“先严谨采集与聚类用户数据，再精准定义映射需求的画像维度，最后以 AI 策略性放大叙事张力”这一流程，即可持续输出高保真、高吸引力的用户画像。
…
nulivo 网站上的免费旅程地图模板图片
创建旅程地图的步骤与创建用户画像大致相同，但第 2 步和第 4 步有一些显著区别。第 2 步，你需要确定旅程地图的元素。你要花大量时间定义旅程的各个阶段，以及在每个阶段想要呈现的用户数据（例如行为、想法、待办事项等）。我认为不应让生成式 AI 承担这项关键工作。相反，你要将这些内容连同数据集（即你在第 3 步上传的相同文档，以及最终确定的人物角色）一起包含在给 AI 的指令中。
对于第 4 步（ AI 指令），我倾向于使用详细说明以下内容的指令：谁在进行旅程（即你的用户画像）他们在进行什么旅程旅程的各个阶段我们希望在每个阶段包含的信息（例如行为、想法、待办事项等）
例如，如果我要为通过手机应用程序订购食物创建一个旅程地图，我的指令可能如下……
在审核结果时，如果旅程地图未能准确反映你的数据，GenAI 可能是在做假设！
大语言模型（LLMs）在预测分析和预估用户行为方面表现出色，但当它们进行猜测时，除非你特别指示，否则结果中不会标明这一点。
基于这个原因，我更倾向于优化指令，以找出研究中的缺口所在…
小贴士：正如内特・琼斯（Nate Jones）在他出色的时事通讯《提示工程口袋指南：如何从 AI 模型中获得最大收益》中提到的，如果你希望回复采用特定格式，务必在指令中明确说明（例如 “将回复以表格形式呈现”）。
纳入机会与解决方案：对于旅程地图的每个阶段，我通常喜欢增设一个 “泳道” 用于记录机会（基于已识别的接触点、情绪和挫折提出的改进建议）以及解决方案（根据收集到的洞察，提出可提升用户体验的设计或功能增强方案）。对我而言，这是旅程地图中研究数据最具可操作性的关键部分。我发现最好不要让生成式 AI 来撰写这些内容。通常情况下，数据集并不包含团队解决每个阶段所呈现的用户体验问题的广泛知识。
我发现使用这些指令借助 AI 可以显著简化旅程地图的创建过程，使其更快、更高效。通过利用 AI ，我们能够更轻松地将复杂数据集中的研究结果融入用户旅程的每个阶段，确保从行为、想法到挑战、互动的各个方面都能准确呈现。 AI 预测用户行为并生成详细可视化内容的能力，可以提升旅程地图的有效性。然而，手动审核并调整这些由 AI 生成的地图至关重要，以确保它们融入了人的洞察，并准确反映真实的用户体验，从而提供更具可操作性且全面的用户旅程视图。虽然 AI 可以辅助预测和可视化用户行为，但在精心打造真正反映并改善用户旅程的旅程地图时，战略性地融入人的洞察仍然具有不可估量的价值。
在我们持续将生成式 AI 融入用户体验设计流程的过程中，至关重要的是要在利用其计算能力与保持人性化元素之间找到恰当的平衡，后者对于打造真实且有影响力的用户人物角色和旅程地图不可或缺。通过将 AI 的效率与我们的专业知识和创造力相结合，我们能够优化工作流程，产出与用户实际需求和体验深度共鸣的成果。我鼓励各位用户体验专业人士尝试这些工具，分享经验，不断探索在这个技术与设计交汇的精彩领域，我们携手所能达成的新高度。
如果你有兴趣深入了解，不妨加入帕特里克・内曼（Patrick Neeman）创建的 “用户体验 AI ” Slack 群组。我们在群里经常探讨如何将 AI 应用于用户体验领域，以便更好地掌握如何合理运用它推动行业发展。期待在那里与你相见！
本文由人人都是产品经理作者【TCC翻译情报局】，微信公众号：【TCC翻译情报局】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。