传统用研的失灵时刻

去年，我帮一个AI写作产品做用户研究。按照传统方法，我先做了8场用户访谈，问了他们"你觉得AI写作功能好用吗"。

用户说：“好用啊，挺方便的。”

然后我看了后台数据。这些说"好用"的用户，平均每篇文章要修改AI生成内容的67%。也就是说，AI帮他们写了30%，他们自己改了70%。

用户说的和用户做的，完全不是一回事。

这不是个案。在AI产品领域，传统用户研究的三件套——访谈、问卷、可用性测试——正在全面失效。

为什么传统方法失效

原因一：用户不知道AI能做什么。 传统产品中，用户看到功能就知道它的能力边界。AI产品中，用户不知道AI能做什么、不能做什么，所以他们的需求和反馈是不可靠的。一个用户说"我希望AI能帮我写PPT"，但当你真做了，他发现他要的不是"AI写PPT"，而是"AI懂他的业务逻辑后再写PPT"。这是两个完全不同的产品。

原因二：用户无法准确描述AI的体验问题。 传统产品中，用户能清楚地说"这个按钮太小了"或"这个流程太长了"。但AI产品中，用户只能说"感觉不对"或"写的不太好"——这种模糊反馈对产品优化毫无帮助。

原因三：AI产品的体验是动态的。 传统产品的体验是固定的，你测一次就知道用户的感受。AI产品每次使用都可能产生不同的结果，用户的体验是动态变化的。一次访谈只能捕捉到一个瞬间。

AI产品用户研究的新方法

方法一：行为数据取代说法数据。 不要问用户"你觉得好用吗"，去看数据：AI生成内容的采纳率、修改率、二次编辑比例、弃用率、复写率。这些数据比用户说的任何话都真实。在AI产品中，用户用鼠标投票，不是用嘴投票。

方法二：场景化观察取代抽象访谈。 不要问"你会在什么场景下使用AI写作"，而是让用户在现场用，你观察他的操作行为。你会发现：用户在第3步卡住了、在第7步反复修改、在第10步放弃了——这些才是真正的产品问题。

方法三：Bad Case分析法。 收集所有用户不满意的AI输出，然后做聚类分析，找出高频失败模式。这比任何用户访谈都能告诉你产品哪里有问题。

方法四：期望-落差分析。 让用户在使用前写下"我希望AI能做什么"，使用后写下"AI实际做了什么"，然后分析落差。这个落差就是你的产品优化方向。

金句

“AI产品的用户研究，核心不是问用户’你想要什么’，而是观察用户’你在什么时候放弃了AI’。”

一个实操框架

我建议所有AI产品团队建立一个"用户行为监控面板"：追踪采纳率、修改率、弃用率、用户主动编辑的频次、从AI输出到最终成果的"编辑距离"。每周Review这些数据，找到最差的场景，然后深挖原因。

用户研究在AI产品中的角色变了：不再是"替用户说话"，而是"翻译用户的行为"。"