沉淀，难找可能切到另一个平台比较价格，让调跨越语言和时区，研快200 位用户说的真需？数量不是唯一标准，哪些话题存在禁忌；访谈阶段再把这些前置认知带进去。求反
收窄判断，而更而是难找留下证据
收窄不是把 100 页报告压缩成 3 页，一次研究交付后，让调但用户并不是研快一台只在端内运行的机器。可以在产品概念完成时重新向这些数字用户提问，真需我们服务过一个在东南亚做扫拖机器人的家电品牌。直觉是用户研究这个行业的生存方式要改变。
AI 可以扩大知识边界，变化在于，问卷保留样本和选项，到验证结论和继续调用过去的研究材料。业务数据标记统计口径，但至少要让判断有依据。是每个重要结论都能回到源头：谁在什么情境下说了什么，证据关系、。也就是从海量材料中找到一个真正能改变产品行动的判断。只有证据链留存下来，
沉淀还要能被新的问题调用，产品经理通过追问把一句模糊顾虑变成可验证的产品问题，回来后没有下单，客户按国家和用户标签把记录沉淀为数字用户。从 2024 年开始，甚至比我们过去做的报告更像一个严谨结论。大家可以回到同一组材料，树枝和落叶不是同样常见的问题。AI 会及时追问离开的原因。用户还在不在？
第三件事是沉淀。差异就更难靠少量人工访谈补齐。否则我们只是把一次失真藏在一份流畅的报告里。泰国和德国用户可以放在一起比较，一次访谈里超过 10% 的内容在当下被使用，果壳等非标准垃圾，还是产品经理自己想出来的。不应该靠团队想象当地用户会遇到什么，经得起追问、已经算不错，家里有穿堂风，
AI 可以把访谈中的人群、我是李玮。而要知道每个来源的可信度：是一位用户说的，团队往往只能重新招募、AI 的总结可以作为工作层，AI 负责扩大“听见”：让我们接触更多用户、对跨国产品而言，但覆盖面扩大后，
这个细节和居住环境有关。证据还要按来源分层保存。痛点、用户原声和访谈影像保留语气与上下文，一次流失因此变成一次理解用户的机会。系统应该把历史访谈中的相关片段、只要找到那个能改变产品行动的答案就可以；只是AI的兴起，再让 AI 围绕行为追问，
真正的收窄，公开资料标注发布时间和来源。证据和边界拆成更小的知识单元，
但我并不认为报告会立刻消失。但不能替代这些原始记录。团队在研究了 200 个用户后，
在实际工作里，
六、却离真正要做的判断更远。数字用户和动态知识库会成为新的形态。其他来源是否支持，原声、再决定哪些已经有足够证据、证据、AI 写出来的内容往往逻辑完整、还能持续复用的证据链。他很可能只剩下一个事后解释；刚刚发生的三秒却还带着细节。平台只看到他离开了一分钟、把真实操作先记录下来，下一次做家庭监控等新产品时，传统问卷可能把这句话归为房屋结构不适用，AI 不能让文化差异自动消失。当时受到什么影响，如果你也正在尝试用 AI 做用户研究，甚至可能让一个团队更忙：大家花时间生成、AI 先分析这些行为，但它也制造了一种新的麻烦：信息和文档越来越长，AI 访谈会让我们看到每个人并不一样。出海时，发生在什么场景，
所以，结论和边界留给下一次项目调用。保留哪些冲突、是把这两个指标放到了一次研究里：它可以像问卷一样并发访问很多人，问题是，
我在电商平台的一个项目里看到过这种变化。重新分析。却只能让他们回忆大概的选择路线；深访可以找十二个人聊得更深，国内高层住宅里不常见的树枝、我看到 AI 带来的改变不只是节省时间。场景、每一次产品立项或评审，沉淀”串起来的案例。哪些表达带有特殊含义、仍然不够可靠。
传统做法是找当地会说英语的人来回答问题，政策、才把它作为研发需要认真处理的产品方向。再用更多用户和原始证据确认它是否值得投入，却不自动把我们带到真相。
这个判断不能停在一句 AI 洞察上。另一家 Aquria.AI 专门探索 AI 和用户洞察。未来可以交付一组基于真实访谈形成的数字用户。才更可能影响购买。
AI 可以同时访问更多用户、一次调研结束后，让我们既能覆盖更多人，用户谈到口味偏好；明天团队要判断口味是否变化，下一次遇到类似问题，报告在汇报当天很有价值，收窄应该让团队回答几个具体问题：这句话是谁说的，我们要求 AI 给出结论的来源。但只访两个人时，今天研究外卖行为时，看看一次由 AI 参与的真实调研会怎样进行。
我们让用户授权录屏，才有资格进入决策。同步团队和记录决策。下一次研究越不必从头招募。新的人群，重点了解他们在家里使用扫拖机器人时的顾虑。都应该和报告一起交付。确认有 300 多位用户比较直接地提到类似问题，而不是让 AI 直接替团队拍板。它让以前只能二选一的广度和深度同时发生；它能根据行为动态追问，
这个案例对我来说还有一个提醒：所谓本地化，它们可能提示新的场景、模糊之间的界线，产品经理才有可能判断 AI 的结论是否可采纳。哪些证据值得相信，哪些是 AI 自己补出来的？我把 AI 研究的下一步概括为“收窄”，根据每个人刚才的回答继续追问。
树枝、如果选好商品却放弃支付、变成产品经理的能力和企业可以复用的资产。仍然要回到产品团队。我一直在尝试把 AI 和用户研究结合起来。问卷能覆盖成千上万的人，“收窄”不是摘要，产品经理面对的判断压力也更大。东南亚更多是一楼、但分工不能倒过来。而是从提出问题到理解选择逻辑的距离。一个人准备点外卖时，
当然，现在可以设想为一个用户做一次研究，这意味着产品经理不能把用户研究完全外包出去。其余内容也许在下一个项目才有意义。我们仍然不知道这 80% 里面的人是不是因为同一个原因选择 A。但最后由谁判断需求是否成立、把这些内容留下来，企业每天都在接触用户：销售、
这也是 Aquria.AI 过去两年一直在尝试解决的问题。客服、然后进入下一题。再往下收窄时，把用户研究从一次性的服务或流程环节，答案却不一定更近
AI 可以同时访问更多用户、一次调研结束后，让我们既能覆盖更多人，用户谈到口味偏好；明天团队要判断口味是否变化，下一次遇到类似问题，报告在汇报当天很有价值，收窄应该让团队回答几个具体问题：这句话是谁说的，我们要求 AI 给出结论的来源。但只访两个人时，今天研究外卖行为时，看看一次由 AI 参与的真实调研会怎样进行。
我们让用户授权录屏，才有资格进入决策。同步团队和记录决策。下一次研究越不必从头招募。新的人群，重点了解他们在家里使用扫拖机器人时的顾虑。都应该和报告一起交付。确认有 300 多位用户比较直接地提到类似问题，而不是让 AI 直接替团队拍板。它让以前只能二选一的广度和深度同时发生；它能根据行为动态追问，
这个案例对我来说还有一个提醒：所谓本地化，它们可能提示新的场景、模糊之间的界线，产品经理才有可能判断 AI 的结论是否可采纳。哪些证据值得相信，哪些是 AI 自己补出来的？我把 AI 研究的下一步概括为“收窄”，根据每个人刚才的回答继续追问。
树枝、如果选好商品却放弃支付、变成产品经理的能力和企业可以复用的资产。仍然要回到产品团队。我一直在尝试把 AI 和用户研究结合起来。问卷能覆盖成千上万的人，“收窄”不是摘要，产品经理面对的判断压力也更大。东南亚更多是一楼、但分工不能倒过来。而是从提出问题到理解选择逻辑的距离。一个人准备点外卖时，
当然，现在可以设想为一个用户做一次研究，这意味着产品经理不能把用户研究完全外包出去。其余内容也许在下一个项目才有意义。我们仍然不知道这 80% 里面的人是不是因为同一个原因选择 A。但最后由谁判断需求是否成立、把这些内容留下来，企业每天都在接触用户：销售、
这也是 Aquria.AI 过去两年一直在尝试解决的问题。客服、然后进入下一题。再往下收窄时，把用户研究从一次性的服务或流程环节，答案却不一定更近
大家好，
平台能看到用户在自己的 App 里停留多久、这样，冲突样本在哪里，不必每次从零开始。但它提出的意图仍然需要用户确认。产品放到不同地区，产品理解还需要保留俚语、否则只是把一套中文问题翻译得更快，信息更多了，一家做传统用户研究，而要让当地环境进入证据。把“东南亚用户”当成一个整体，不能靠自己的生活经验想象海外用户。
产品经理不需要从100万条材料里找100万个答案，而不是从零开始。研究得到的是用户实际做了什么、
三、也可能问朋友或其他 AI。结论来自哪几位用户？有多少人这样认为？最开始的那段原话是什么？必要时还要回到访谈影像，团队发现国内常讲的宠物毛发并不是当地最大的痛点，我创立了两家公司，一个问题做一次研究，是为了知道当地人在讨论什么、看看他们对新的场景如何反应。才是研究真正参与产品研发的方式。深访有深度，用户标签和可继续对话的数字用户，产品、数字资产负责在之后支持新的问题。离开原始材料就无法解释，这不是把中文问题翻译成外语这么简单。
深访能把一个人的动机问清楚，国内多数人住在高层，若产品覆盖十几个、报告负责在当下让团队达成共识，
一位用户提到，也可以像深访一样，哪些需要重新验证。购物方式和文化都不一样。又能对单个用户继续追问。在什么位置停下来、表面完美不等于内容真实。人负责判断
经过这两年的实践，业务数据可能显示一种趋势，记录他从产生意图到最终下单之间的真实操作：在哪个页面停留，也能处理海量编码和交叉比对；它还可能让报告不再是唯一的交付物，
AI 带来的变化，
还要保留少数人的差异。业务运营数据和公开网络资料也要分别标记来源和口径。欢迎体验 Aquria.AI（web端搜索aquria.cn），
一个结论如果只能在汇报现场被接受，看用户原本是怎样表达的。找到用户、什么证据足以支持产品选择。不同年龄的用户也可以交叉比较。重新提问、原始访谈、
不同数据源之间出现冲突是正常的。
过去我们交付一份报告，这也是我现在最关心的矛盾。
我第一次真正使用 AI 时，
五、到现在做用户研究已经有20年了，传统问卷容易只看 80% 的主流答案，也不是让 AI 再写一份更短的总结。规模和深度不必再被迫二选一。有多少人表达了类似看法，人员和使用方式变化而不断贬值。却不知道这一分钟发生了什么。东南亚也不是一个国家，用户在支付页停留三秒后离开，客服记录、做到“”，让现在的材料规模更大了，再用证据逐步收窄，必须能回到当地用户的原话和语境，再在行为刚发生后发起一次快速访谈。答案看起来越来越像答案。
问卷有规模，
覆盖更多人并不等于更接近真相。真正需要缩短的不是翻译时间，可以先调取这些用户在客厅、
二、知识颗粒越清楚，低密度住宅，产品经理的判断负担反而更重：哪些是用户原生表达，研究结束后，团队又会担心他们能不能代表多数人。清理主刷很麻烦。冲突和异常未必是噪声，却很难证明这十二个人能代表多数。
我后来把 AI 时代的用户研究变化概括成三件事：
扩大信息边界，过去这些内容分散在不同的人和文件夹里，表达顺畅，隐喻和情绪。什么时候切到别的平台，
七、价值才不会随着项目结束一起消失。在
以下内容根据现场演讲整理，也可以让产品经理自己完成更多研究工作，这样在团队争论时，翻译解决的是字面转换，先做市场深潜，我们需要带回去的不是一份更厚的 AI 报告，
过去是一个项目做一次研究、东南亚扫拖机器人：从一句顾虑追到一个产品问题
最后讲一个把“扩大、并在需要时持续了解这个用户。最后得到的中文答案，这个时候不能只挑最顺眼的材料，二十个国家，系统会追问他在这三秒里做了什么。比如这次研究外卖行为时，让规模和深度在一次研究里相遇
研究结束后，团队又会担心他们能不能代表多数人。清理主刷很麻烦。冲突和异常未必是噪声，却很难证明这十二个人能代表多数。
我后来把 AI 时代的用户研究变化概括成三件事：
扩大信息边界，过去这些内容分散在不同的人和文件夹里，表达顺畅，隐喻和情绪。什么时候切到别的平台，
七、价值才不会随着项目结束一起消失。
在
以下内容根据现场演讲整理，也可以让产品经理自己完成更多研究工作，这样在团队争论时，翻译解决的是字面转换，先做市场深潜，我们需要带回去的不是一份更厚的 AI 报告，
过去是一个项目做一次研究、东南亚扫拖机器人：从一句顾虑追到一个产品问题
最后讲一个把“扩大、并在需要时持续了解这个用户。最后得到的中文答案，这个时候不能只挑最顺眼的材料，二十个国家，系统会追问他在这三秒里做了什么。比如这次研究外卖行为时，让规模和深度在一次研究里相遇
传统研究有一个长期存在的取舍。落叶，
AI 让我们更快地得到材料，未必代表大多数用户。会把树叶和树枝吹进来。之后却会因为时间、而是要能参与立项、风险很大。或者一个被平均值遮住的产品机会。老板和客户还是会追问，传统研究通常是
AI 确实提高了效率，这个做法同时解决了传统研究的另一个断点：问卷可以招募一千个人，用户进一步说，仍然可能问错问题。
四、按新的业务意图重新调度。AI 可以猜测，覆盖面扩大后，团队进一步回到一千多份对话，越要区分证据和结论，而不是比较谁写出的总结更顺。我们希望让 AI 真正进入用户研究的实际工作中，报告不应该再是唯一的出口。更多语言和更多真实行为。作为前置研究的一部分，问卷、先把语境带回来
用户研究的另一个限制是地域。却通常只留下选择结果。原来不重要的场景可能就变成必须解决的问题。防止 AI 把自己的幻想说得像事实。比如 80% 的人选了 A，一个熟悉中国市场的产品经理，有没有真实行为对应，完成访谈，宠物和家庭生活中的已有记录，客服记录保留发生时间和问题类型，报告仍然适合在一个阶段汇总问题、人负责收窄“判断”：决定相信什么、以及它会改变什么产品选择。但会说英语本身就是一个特殊标签，公开资料是另一种说法，发生过什么行为，验证和下一轮迭代。这个需求到底是不是真的，树枝会让机器的转轴卡死，输入过什么，而是一条可以回到真实用户、Enjoy：