“用户研究”不再只是访谈+报告。在AI全面介入决策支持的当下，2025年的用户研究员，既是信息架构师，也是策略协作者。本文通过一线实操视角，拆解用户研究的新方法论、新协作方式与新影响力边界。

现在是2025年7月。

我是一名用户研究员，做这份工作有些年头了。简单来说，我的日常工作，就是通过和产品的真实用户聊天、观察他们使用产品，来搞清楚他们遇到了什么问题，有什么需求还没有被满足。然后，把这些发现告诉产品经理和设计师，帮助他们做出更好的决策。

如果和刚入行那会儿比，现在的工作方式真的完全不同了。我记得以前，我们工作很大一部分价值，体现在那些厚厚的研究报告和贴满墙的便利贴上。我们是用户声音的传递者，但很多时候，感觉更像是一个环节。工作的价值更多地通过“交付物”来体现，而不是“影响力”。

今天，人工智能已经融入了我们工作的每一个流程。它没有让我们的工作变得更简单，反而要求我们变得更专业。它处理了很多过去需要我们手动完成的、相对基础的工作，这让我们不得不去思考，作为一名研究员，我们最核心、不可替代的价值到底是什么。

所以，我想从一个研究员的视角，聊聊在研究的每个阶段，我们现在具体是怎么工作的，以及我们是如何看待和使用这些AI工具的，其中会提到一些国内外的选择。

第一阶段：研究设计，用AI来审视和完善我们的计划

一个研究的成败，在规划阶段就已经决定了一大半。所谓研究设计，其实就是在大规模投入时间精力之前，先想清楚我们到底想搞明白什么问题，以及打算用什么方法去搞明白。

过去我们依赖经验和团队讨论来设计研究方案，现在AI成了一个很好的辅助工具。

在确定研究问题时，我还是会主导整个过程，但会借助 ChatGPT-4.5 或 Claude 3 来做一些辅助工作。比如，我会把初步的研究方案喂给它，然后提出一个具体的指令：“我正在为一款针对年轻人的新型财务管理应用设计一项研究，我的核心假设是‘用户因为觉得传统记账过程太繁琐而放弃’。请你扮演一名资深的研究方法学家，审视我的这个计划。其中可能存在哪些认知偏见或盲点？我应该考虑哪些其他的备选假设？”

这里说的“假设”，就是我们研究开始前的一个猜想，我们后续的所有工作，都是为了验证这个猜想到底对不对。而“认知偏见”，指的是我们自己可能会有一些先入为主的想法，比如我们自己觉得某个功能很好，就下意识地认为用户也觉得好。AI可以帮我们跳出自己的视角，看看有没有其他可能性，让我们的研究更客观。

另外，我也会用它来起草一些基础的文书，比如用户招募的筛选问卷初稿、知情同意书的模板。它生成的版本当然不能直接用，但我可以在这个基础上进行修改，这确实能节省一些时间。

第二阶段：用户招募，把精力还给研究本身

招募，一直是这份工作里最琐碎也最关键的部分。找到真正符合画像的用户，比什么都重要。“画像”指的是我们想研究的那一类用户的典型特征，比如年龄、职业、使用习惯等等。

现在，这个环节的工具已经非常成熟了。

我们团队会使用 User Interviews 或 Respondent 这样的平台来寻找外部参与者。它们在海外用户招募上确实很强。但如果我们的研究对象在国内，我们更多会使用国内的渠道。比如通过 问卷星 或 腾讯问卷 的付费样本服务，或者在像 脉脉 这样的职场社交平台上去定向寻找特定行业的用户。有些团队也会用 麦客CRM 来管理自己的私域用户池，进行招募。

我们内部也用 Rally UX 建立了自己的用户库。每次研究结束后，我们会把参与者的信息和参与情况记录进去。这样做的好处是，我们可以持续地追踪用户，进行纵向研究，同时也保证了我们研究样本的多样性，避免总是找同一批人。

当然，使用这些平台不代表我们能完全放手。样本库的质量仍然是我们的责任。我们需要仔细设计筛选问题，过滤掉那些“职业参与者”。所谓“职业参与者”，就是指那些经常参加各种研究，回答问题可能很熟练，但他们的想法可能已经不能代表真实的普通用户了。同时，我们坚持为参与者提供公平的报酬，这不仅是出于职业道德，更是对用户时间的尊重，也是保证数据质量的基础。

第三阶段：数据收集，人机协作，各取所长

数据收集的方法更多样了，我们现在很强调人机协作。

对于一些探索性的、范围比较广的研究，我们会尝试使用 Outset.ai 这样的AI访谈工具。它的好处是效率高，可以在短时间内完成大量的标准化访谈。但作为研究员，我们清楚地知道，它的局限性在于无法真正地追问，也无法捕捉到访谈中那些微妙的非语言信息。

所以，在核心的、需要深度挖掘的研究中，我们依然坚持由经验丰富的研究员来主导访谈。真人访谈的价值，在于建立信任、在于共情、在于对一个表情或一次迟疑的追问，这些是目前AI无法替代的。

我们现在的工作模式通常是，用AI工具去处理那些“广度”问题，然后由研究员亲自去探寻“深度”问题。同时，我们会结合行为数据工具来做交叉验证，这个过程也叫“三角验证”，是保证研究严谨性的基础。简单来说，就是不能只听用户怎么说，还要看他们怎么做。国外产品常用 Hotjar，在国内，我们用得更多的是 GrowingIO 或者 神策数据。访谈可能告诉我们，用户“说”他们觉得某个功能很好用，但行为数据可能会显示，他们在使用时反复犹豫，走了很多弯路。这两份数据都不是“错”的，它们揭示了用户体验的不同层面，我们的工作就是把这些层面拼起来，得到一个完整的图像。

第四阶段：分析与洞察，从体力劳动到脑力劳动

分析环节，可能是AI带给我们改变最彻底的地方。

我非常怀念那种和团队一起，在贴满便利贴的墙壁前热烈讨论的氛围。但我也必须承认，那个过程的体力消耗太大了。

现在，我们把所有的访谈录音、文字稿、问卷数据，都导入到分析工具里。国外团队常用 Dovetail 或 Condens。这些工具很强大，AI会自动转录、翻译和初步编码，根据语义把相似的观点聚合在一起。除了它们，像 Grain 和 Looppanel 这两款工具也很好用，它们能直接嵌入到Zoom或Teams的会议里，实时记录和分析，非常方便。

在国内，虽然还没有完全对标Dovetail的产品，但很多团队也在探索自己的工作流。比如，我们会先把访谈录音通过 讯飞听见 或 飞书妙记 转成文字，然后把文字稿导入到 Notion AI 或直接用 Claude 3 的长文本处理能力，让AI帮助我们进行主题聚类和观点提炼。虽然流程上多了一步，但同样能极大地提升效率。

这个过程，把我们从繁重的、重复的体力劳动中解放了出来。但这不意味着我们的工作结束了，恰恰相反，真正考验我们专业能力的工作，才刚刚开始。

AI能找到“模式”，但它无法解释模式背后的“原因”。比如，AI工具可能告诉我，“大量用户反馈新的仪表盘很混乱”。这是一个有用的信号，但还不是洞察。我的工作从这里开始，我会深入到具体的文字稿里去探寻，是信息架构的问题？是标签不清晰？还是视觉层级有误导？在深入分析后，我可能发现，根本原因不是UI，而是新的仪表盘呈现数据的方式，与用户长期形成的工作心智模型相悖。

所谓“心智模型”，简单说就是用户在脑海里对这个产品“应该如何工作”的根深蒂固的理解。比如，我们都习惯了绿色代表“通行”，红色代表“停止”。如果一个产品反过来设计，我们就会觉得很别扭。这就是违背了我们的心智模型。这种深度的洞察，是目前的AI无法提供的。这也要求我们对AI的分析结果保持警惕，时刻与原始数据进行核对，避免AI自身的偏见影响结论。

第五阶段：推动落地，让研究的价值被看见

一份研究报告的终点，不应该是在汇报会议结束的那一刻。我们非常关注研究成果的后续影响。

我们现在会和产品团队一起，在协作工具里把我们的研究发现和具体的产品需求关联起来。国外团队常用 Productboard 或 Coda。在国内，我们更习惯用 飞书 或 钉钉 里的项目管理工具。我们会把关键的“洞察卡片”，甚至用户的原话视频片段，附在相关的需求文档里。

除了关联需求，我们现在更强调“讲故事”的能力。一个附上用户原话的需求卡片是好的。但一段用 Dovetail 的视频高光功能剪辑出来的两分钟短片，真实地展现用户在屏幕前的沮丧和叹息，是更有冲击力的。它能把一个抽象的“痛点”，转化为产品和研发团队能切身感受到的真人真事，这种共情带来的驱动力，远比任何报告都有效。

结语

总的来说，在2025年，AI并没有让用户研究员这个角色变得不重要。它只是让我们在整个产品开发流程中，扮演了更重要、更靠前的角色。

我们的核心价值，越来越少地体现在研究任务的执行本身，而更多地体现在我们提出正确问题的能力、解读复杂人类信号的能力，以及将这些信号转化为清晰商业策略的能力上。我们正在从一个支持性的服务角色，转变为一个能够影响决策的战略伙伴。

我觉得，这其实是一件更令人兴奋的好事。