AI如何看透你：比想象中更冷静

你以为自己在使用App，实际上App也在读取你。这不是比喻，而是直白的事实。AI做用户分析，早就不只是「看点击量」那么简单了。真正值得琢磨的是，它研究的并不只是你做了什么，而是你是谁。

先说一个有点反常识的结论：AI分析用户，最有价值的资料，往往不是你主动填写的那些。姓名、年龄、职业——这些你明知自己在提交的信息，其实作用有限。真正让模型「看透」你的，是那些你根本没意识到正在泄露的行为痕迹。

你的迟疑，比你的决定更有价值

某个用户在商品页停了 47 秒，随后划走了。传统分析会把这条记录标成「未转化」，然后就此略过。但现代 AI 系统会把这 47 秒拆开分析：他在哪儿停住了？滑动有没有变慢？有没有放大图片？有没有回看第二遍？

●迟疑本身就是一种态度。一个人 47 秒没买，和 3 秒没买，代表的是两种完全不同的「没买」。前者是有兴趣但还有顾虑，后者是压根不在意。AI能分辨这两种状态，而人工分析往往做不到——因为数据太多，人根本看不过来。

三层数据，三种不同深度的「懂你」

1第一层：行为数据。你点了什么、搜了什么、停留在哪里、何时离开。这是最基础的一层，也是最容易采集的。几乎所有互联网产品都在做。

2第二层：序列模式。把你过去 30 天的行为连成一条时间线，AI 会据此识别规律——你常常在周五晚上冲动下单，你每次看完负面新闻就去刷美食视频，你搜索「考研」和搜索「移民」之间只隔了两个月。这些规律，你自己未必说得清。

3第三层：跨场景融合。当来自不同平台、不同设备、不同时间的数据被汇总后，AI 呈现出来的就不再是「一个用户的某次动作」，而是「一个人的生活切面」。这一层，才是真正让人感到被「看见」的地方——无论那种感受是温暖还是不安。

这里有个技术细节，值得停下来想一想。早期的用户分析，本质上是「分箱」——把用户塞进预设好的类别：18-24岁女性、一线城市、高消费。问题在于，它默认同一个箱子里的人会很相似。但现实中，两个「25岁上海白领」在消费习惯上可能差得很远。

●AI的真正进步，是从「给人贴标签」变成「给人建模型」。每个用户在系统里都有一套属于自己的向量表示——不是一个词，而是由几百个维度组成的数字组合。这个向量会随着你每一次新的动作实时更新。你不再只是某个类别里的成员，你就是你自己的那个类别。

推荐系统背后，藏着一个关于人性的前提

现在主流的推荐算法，核心逻辑叫「协同过滤」——找到和你行为相近的一群人，把他们喜欢但你还没看过的内容推给你。这个思路看起来很合理，但它内含一个很深的前提：人是可以被「同类」预测的。

这个前提在大多数时候都有效。但它也会制造一种叫「信息茧房」的东西——你越来越只会看到和自己偏好一致的内容，系统不断加固你的既有认知，而不是帮你拓展它。这不是阴谋，只是优化目标带来的副作用：系统在优化「你点击的概率」，而不是「你成长的可能」。

「

推荐系统知道你想看什么，但它不知道你真正需要什么——而且它也没有被要求去知道。

」

情绪，是下一块被挖掘的维度

文字里本来就藏着情绪，这件事 AI 已经做得相当成熟了。用户评论、客服对话、社交媒体发言——借助自然语言处理，系统能识别一个人是满意、愤怒、困惑还是失望，准确度已经超过很多人工客服。

73

某电商平台把情绪分析接入售后流程后，客户流失率下降的百分比（内部测试数据）

更进一步的方向，是把情绪分析和行为数据结合起来。一个人在愤怒状态下做出的决定，和在平静状态下做出的决定，理应被区别对待——无论是在产品设计上，还是在营销触达上。这听起来像是「更懂你」，也可以理解成「更精准地找到你的弱点」。这两种说法，都成立。

技术本身中立，但使用方式并不中立

AI用户分析本质上是一套工具。相同的技术，既可以帮助你找到真正需要的东西，也可以在你最脆弱的时候推送最诱人的广告。差别不在算法，而在产品团队到底在优化什么指标、公司究竟在对谁负责。

●读懂用户和尊重用户，是两件可以同时做到的事，但前提是要主动选择——因为单纯追求商业效率，天然不会朝那个方向走。

✦ 小结

AI分析用户，已经从统计行为，进化到理解意图、识别情绪、预测状态。它越来越像一面镜子，照出你自己都未曾察觉的那个自己。这面镜子本身没有立场，但拿着它的人有。下次当你觉得某个推荐「正好说中了你」，不妨想一想：这是被理解，还是被研究透了？