AI时代用户研究新方向：别再开发AI画图工具，UX真正需要的是“用户证据系统”

既然传统Tracker已能捕捉用户行为，那么新一代AI用户研究工具的目标就不该是单纯堆积数据。

它也不应该只将行为数据自动归纳成一句：

“用户在第三步遇到了难题。”

设计师真正需要的，是一套贯穿产品全流程的AI用户研究系统。

它能从研究问题出发，协助团队确定需要采集的证据，在产品中识别关键行为，在恰当时间向真实用户追问，并将行为、语言、技术环境和历史研究串联起来。

最终，设计师看到的不是脱离情境的总结，而是一套可被检查、质疑和验证的用户证据。

可以将其理解为一种：

用户证据操作系统。

它并非替代设计师做判断，而是缩短从用户真实体验到设计决策之间的距离。

许多产品已埋设大量事件。

但这些埋点主要服务于业务指标：

它们适合回答“发生了多少次”，却不擅长回答设计问题。

对设计师而言，真正有价值的是带有任务语义的行为记录。

与其只记录：

button_clicked

不如记录：

语义化行为记录能让AI理解某个事件在任务中的位置，而不只是知道某个元素被点击。

同时，系统还需保存必要的上下文：

这样，设计师看到的就不再是：

“30%的用户未完成。”

而是：“首次使用该功能的移动端用户，在完成第三步后频繁返回第二步。其中一部分随后打开帮助说明，最终退出。此现象主要发生在新版本发布后，并伴有页面加载延迟。”

这才是一条可供研究的证据。

在许多团队中，设计师只能使用数据团队已定义好的事件。

当设计问题出现时，才发现最关键的行为并未被记录。

下一代工具应允许设计师以较低技术门槛定义研究型行为。

例如，设计师可选中界面中的某个组件，用自然语言描述：

“记录用户首次看到该组件的时间。”

“记录用户打开后十秒内关闭的情况。”

“记录用户连续点击两次以上但页面无变化的情况。”

“记录用户从这里返回上一页的路径。”

“当新用户在此停留超过20秒时，将会话加入研究样本。”

AI可将这些描述转化为初步的事件名称、属性、触发条件和采样规则，再由工程师或数据人员审核。

这会改变设计师与数据之间的关系。

设计师不再只是等待数据看板，而能主动提出：

为验证当前设计判断，我们需要留下哪些证据？

AI还可检查已有埋点是否存在问题：

多个团队是否用不同名称记录同一行为；

关键路径中是否缺少某一步；

事件是否缺少设备、版本或入口等必要属性；

用户身份能否跨设备和跨会话连接；

某项设计上线后是否仍沿用旧的事件定义。

AI用户研究的基础，不是更聪明的总结，而是更可靠的证据采集。

单纯的事件流仍然不够。

两个用户都可能在第三步退出，但他们经历的过程可能完全不同。

一个人快速浏览后发现产品不符合需求。

另一个人尝试了五分钟，却始终不知如何继续。

还有一个人已理解流程，但页面加载失败。

因此，系统除了记录事件，还需保留用户如何完成任务的过程。

这通常包括：

这些记录不一定是传统意义上的视频录屏，也可通过界面结构、状态变化和用户事件重建会话。

AI随后可从大量会话中识别：

但工具必须明确区分观察和解释。

“用户停留了18秒，连续返回三次”是观察。

“用户感到焦虑”是解释。

“用户不信任系统”是更进一步的假设。

AI可提出可能解释，但不能把推测伪装成事实。

用户行为记录最大的缺口，是它无法单独解释行为原因。

真正有价值的AI研究工具，应允许设计师为特定行为设置研究触发器。

例如：

系统可根据不同情况执行不同动作：

发起一个单题微调查；

邀请用户参加后续访谈；

询问是否允许保存当前操作片段；

让用户进行简短口述；

由AI根据首个回答继续追问；

将用户加入特定研究样本池。

这里最重要的不是增加弹窗，而是让问题与用户刚刚经历的行为直接相关。

与其统一询问：

在用户取消支付后询问：

这种情境化提问能减少事后回忆偏差，也更容易得到具体回答。

当然，研究触发必须克制。

系统需控制采样比例、提问频率、流程重要性和用户状态，避免在用户已受阻时继续增加干扰。

AI的目标不是让所有行为都变成调查，而是选择正确的人、正确的时间和正确的问题。

在低风险、高频和探索性的研究中，AI可承担部分初步访谈工作。

设计师先定义：

AI再根据用户回答进行追问。

例如：

用户说：“这个功能让我感觉不太可靠。”

AI可询问：

“具体是哪一部分让你产生了这种感觉？”

用户说：“我不知道它会不会改坏原来的内容。”

AI可继续问：

“你在使用前，希望系统提供什么信息，才会更放心？”

这种AI主持适合：

扩大早期探索样本；

覆盖不同时区和语言；

收集低风险的任务反馈；

在正式访谈前寻找值得深入的问题；

对多个概念方案进行快速测试。

但它不适合完全替代研究员。

涉及复杂情感、身份、健康、财务、组织关系和高风险决策时，人类研究员仍需直接参与。

AI也可能错过沉默、讽刺、礼貌性回答、语言习惯和社会语境。

更合理的分工是：

AI负责扩大覆盖面，人类负责进入深度。

许多AI工具喜欢直接输出结论：

“用户缺乏信任。”

“用户认为流程复杂。”

“用户希望拥有更多控制权。”

这些结论看似清晰，却可能混合了观察、解释和方案。

下一代工具应把结果组织成可追溯的证据卡。

一张证据卡至少需包含：

例如：

候选发现：部分用户担心保存操作会覆盖原始文件。 支持证据：9名接受即时提问的用户中，4人明确表达覆盖担忧；其中3人曾打开保存菜单后取消。 行为证据：这4名用户均在保存菜单停留超过12秒，并返回内容页面重新检查。 反例：另有6名用户同样取消保存，但主要原因是文件生成时间过长。 未覆盖样本：尚未验证长期用户是否存在同样顾虑。 下一步：测试包含“保存为新版本”说明的方案，并观察取消率和用户表达是否变化。

设计师点击任何结论，都应能返回对应的用户原话、操作片段和界面状态。

AI可负责整理证据，但不能切断结论与原始资料之间的联系。

许多自动分析工具擅长找共同点。

它们会告诉设计师，哪些词出现最多，哪些行为最常见，哪些反馈属于同一主题。

但设计机会往往藏在少数异常样本中。

大多数用户顺利完成，为什么某类用户持续失败？

用户口头上说满意，为什么行为上不断撤销？

同样的界面，为什么新用户和长期用户反应完全不同？

团队认为流程复杂，是否存在理解流程却仍然退出的用户？

设计师需要一个能主动挑战假设的AI研究助手。

它应持续提出：

AI研究的价值，不是快速制造共识。

它更重要的价值，是减少错误共识。

许多团队并不是没有研究，而是研究与决策彼此脱离。

访谈完成后形成报告。

报告进入资料库。

产品仍按原计划推进。

真正有价值的AI研究系统，需把每一条用户证据连接到具体的产品决策。

一条完整的决策记录应包括：

这样，设计师在设计文件或评审文档中选中一个方案，就能看到它背后的用户证据，而不只是看到一句：

“根据用户反馈。”

AI还可在新研究出现后，主动提醒：

研究因此不再是一份静态报告，而成为产品决策的一部分。

这类工具最终应形成一个持续循环。

团队首先明确当前需要做出的设计决策。

例如：“是否应该把AI自动生成功能设为默认开启？”

AI协助设计师确定需要观察的用户群体、行为事件、关键路径、技术状态和需要触发的问题。

产品记录用户事件、界面状态、设备环境、性能问题和任务结果。

当用户成功、失败、退出或表现出异常路径时，系统向部分样本发起即时反馈或访谈邀请。

AI聚类行为模式，连接用户表达，识别异常样本，并筛选代表性会话。

设计师亲自查看关键片段、阅读用户原话，并判断AI提出的解释是否成立。

团队明确区分事实、解释和设计方案，提出可通过新版本验证的设计假设。

新方案上线后，系统继续观察相同路径，比较不同版本、用户群体和时间段的变化。

用户研究由此不再是偶尔进行的一次项目，而成为产品内部持续运行的能力。

假设一款AI内容产品发现，很多用户在生成完成后没有保存结果。

传统数据分析可能得出：

“保存按钮不够明显，需要增强视觉层级。”

AI用户研究系统则会先分析未保存用户的行为路径。

它发现至少存在三类不同情况。

第一类用户生成后快速退出，没有完整阅读内容。

第二类用户反复修改提示词，生成多次后退出。

第三类用户完整阅读结果，打开保存菜单，却最终取消。

系统针对三种行为分别提出不同问题。

对第一类用户询问：

AI将行为与回答连接后发现：

第一类用户认为生成质量不足；

第二类用户不知道如何准确表达要求；

第三类用户担心保存后覆盖原内容。

同一个“未保存”指标背后，是三个完全不同的体验问题。

对应的设计方案也完全不同：

提高生成结果的可控性；

帮助用户更准确地表达意图；

明确保存方式和版本关系。

如果没有行为路径、即时追问和原始证据的结合，团队可能会高效地优化一个错误答案。

AI用户研究工具不能只用以下指标证明自己有效：

这些指标只能说明工具处理得更快，不能说明设计判断变得更可靠。

更值得关注的是五个指标。

从用户发生关键行为，到设计团队发现并理解该行为，需要多长时间？

重要结论中，有多少能直接返回用户原话、操作片段和行为记录？

系统是否主动发现与主流结论不一致的用户和行为？

关键设计决策是否能追溯到对应证据、约束和未解决的问题？

当新证据出现时，团队需要多长时间意识到原来的设计假设可能已失效？

AI真正应提升的，不只是分析速度，而是团队发现错误和纠正判断的速度。

产品能捕捉的行为越多，越需要建立严格边界。

AI用户研究工具必须遵守数据最小化原则。

只采集与明确研究问题有关的信息，而不是因为技术上可记录，就默认记录一切。

系统至少需具备以下机制：

AI加速用户研究的目标，不是扩大对用户的监控。

它的目标是：

在更少、更相关、更受保护的数据基础上，获得更可靠的用户理解。

当前市场上的工具通常只完成其中一部分。

Tracker 负责埋点和路径。

Session Replay 负责还原操作过程。

问卷工具负责收集反馈。

访谈工具负责记录用户语言。

研究资料库负责沉淀历史资料。

AI 分析工具负责聚类和摘要。

但 UX 设计师真正需要的，是把这些能力连接起来的研究工作台：

从设计师提出问题开始，到产品捕捉真实行为，再到即时追问、AI 筛选、人工判断、方案验证和长期反馈，整个过程都能连续完成。

这类工具真正提升的，不是研究报告的生成速度。

它提升的是：

发现问题的速度；

接近真实用户的速度；

连接不同证据的速度；

找到反例的速度；

让用户证据进入设计决策的速度。

AI时代UX真正的效率革命，不是让设计师更快地产出答案。

而是让设计师更快地发现：自己原来的答案可能是错的。

欢迎加入讨论学习小组，加好友进群

大家好，我是麦柯 Michael

设计师 / 开发者 / 摄影师

长期在设计、AI与工程的交汇处工作

持续探索 Context Engineering 与 AI 辅助设计工作流

和我一起用Vibe Code构建属于自己的产品！