AI 不是帮助我们记录更多，

而是帮助我们更快从记录中找到证据

讨论AI如何帮助设计师观察用户时，一个很自然的问题是：

以前不是已经有用户行为Tracker、热图、漏斗分析和Session Replay了吗？

产品一直可以记录用户点击了什么、在哪一步退出、停留了多久。设计师也可以观看用户操作录像，分析行为路径。

既然这些工具早就存在，AI真正新增的价值是什么？

这个问题很关键。

因为AI并没有重新发明用户行为记录。

Tracker解决的是“把行为留下来”，而AI真正改变的是：

设计师如何从海量记录中找到值得研究的证据。

过去的问题不是没有数据，而是数据太多、太碎、太难被人持续处理。

一个产品每天可能产生数万甚至数百万条事件。

即使所有用户会话都被完整记录，设计师也不可能逐段观看。

记录了用户，并不等于理解了用户。

一、传统Tracker的瓶颈，不在采集，而在处理

传统用户行为工具通常完成三件事：

记录用户点击、页面访问、路径和转化；

生成漏斗、热图和会话回放；

让研究者人工筛选、观看、分类和总结。

它们能够告诉团队：

哪些页面访问量下降了；

用户主要在哪一步退出；

哪些按钮点击较少；

哪些路径完成率更高。

但当设计师想继续追问“为什么”时，大量工作仍然需要人工完成。

研究者需要设置筛选条件，抽取用户样本，观看录像，做笔记，建立标签，归纳行为模式，再与访谈、问卷、客服记录和错误日志相互比对。

这个过程最昂贵的部分，不是记录行为，而是寻找、理解和验证行为。

一万个用户会话都被记录下来，并不意味着设计师真正观察了一万个用户。

设计师可能只能随机查看几十段，再依赖经验判断这些片段是否具有代表性。

AI带来的变化，可以概括为一句话：

Tracker扩大了记录范围，AI扩大了研究者能够处理的范围。

AI最值得解决的，是四个动作：

找、连、问、验。

二、找：从人工翻录像，变成自动筛选值得研究的会话

过去，设计师需要先猜测问题可能出现在哪里。

例如：

筛选在支付页退出的用户；

查找连续点击三次以上的用户；

观看完成时间超过五分钟的会话；

分析新用户第一次使用功能时的路径。

然后，设计师需要逐段查看录像，寻找重复出现的模式。

AI可以先扫描大量会话，识别并聚类一些值得注意的行为：

重复返回；

无效点击；

流程循环；

长时间停顿；

频繁撤销；

异常退出；

同一任务中的多种失败路径；

新版本上线后突然出现的行为变化。

这并不意味着AI已经知道这些行为的原因。

它只是帮助设计师从海量会话中找到高信息密度的片段。

过去的工作方式是：

设计师观看100段录像，尝试发现3种模式。

AI加速后的工作方式是：

AI扫描1万段录像，提出10种候选模式；设计师查看代表性样本和反例，确认其中哪些模式真正成立。

AI替代的不是观察，而是低价值的检索和初筛。

设计师仍然需要查看原始行为，但不再需要从随机样本中盲目寻找问题。

三、连：把行为、反馈和技术问题连接到同一情境

用户信息通常散落在不同系统中。

行为Tracker记录点击和路径。

Session Replay记录用户如何操作。

问卷系统记录满意度和开放回答。

客服系统保存投诉和咨询。

错误监控系统记录崩溃、加载失败和接口异常。

用户访谈则被放在另一套研究资料库中。

过去，研究者需要手工把这些信息拼接起来。

AI更有价值的能力，是根据用户、任务、时间、页面和语义，把不同来源的证据连接到同一个问题。

假设设计师正在研究：

“为什么很多用户在AI生成内容后没有保存结果？”

AI可以同时寻找：

未保存用户的行为路径；

对应的操作录像；

生成过程中出现的错误；

用户提交的开放反馈；

客服记录中与保存相关的问题；

过去研究中关于数据覆盖和丢失的担忧；

顺利保存用户的对照路径。

单一数据源很容易造成误判。

用户没有保存结果，可能是按钮不明显，也可能是生成质量不够，可能是保存速度太慢，也可能是担心覆盖原文件。

只有把行为、语言和技术环境连接起来，设计师才有机会区分这些解释。

未来的AI研究工具不应该只提供一句：

“用户普遍认为保存流程复杂。”

它应该生成一张可以核查的证据卡：

“在首次使用该功能的126名用户中，31人未完成保存。18人在格式选择页面反复切换，11人打开帮助说明，7人遇到生成延迟。接受即时提问的9名用户中，5人不清楚不同格式的用途，另外4人退出的主要原因是等待时间过长。以下是代表性会话和反例。”

这不是一个方便传播的结论，而是一套可以继续验证的证据结构。

四、问：从固定问卷，变成由真实行为触发的追问

传统Tracker最明显的限制是：

它能够记录用户做了什么，却不能直接解释用户为什么这样做。

看到用户在同一步骤返回三次，我们并不知道他是：

没有理解；

不信任系统；

忘记了前一步内容；

正在比较不同选项；

遇到了性能故障；

还是被外部事件打断。

过去，团队可能在几周后进行访谈，再询问用户当时为什么退出。

但用户已经很难准确回忆当时的心理状态，回答往往会变成事后的合理化解释。

AI可以把研究问题放回体验发生的时刻。

当系统识别到特定行为后，可以在合适的节点触发一个极短的问题：

“刚才是什么让你停了下来？”

“你原本期待点击后发生什么？”

“目前还有什么阻止你继续？”

“你为什么决定返回上一步？”

“这个结果与预期有什么不同？”

行为触发问卷本身并不新鲜。

AI带来的增量在于，它可以根据不同的行为路径提出不同问题，并根据用户的开放回答继续追问。

例如，用户回答：

“我不确定保存后会发生什么。”

AI可以继续询问：

“你最担心发生哪种情况？”

如果用户回答：

“我担心覆盖原来的内容。”

系统就获得了一个比“保存流程不清晰”更具体的研究信号。

这让固定问卷变成一种有限范围内的自适应研究对话。

AI在这里的作用不是替用户回答，而是帮助团队在正确的时间，向真实用户提出更有针对性的问题。

五、验：从寻找共同点，变成主动寻找反例

传统分析容易受到确认偏误影响。

当团队已经相信“用户退出是因为流程太长”时，研究者很容易优先关注支持这一判断的录像和反馈。

AI可以被明确要求寻找不支持当前结论的证据。

例如：

有没有流程同样很长，却顺利完成的用户？

有没有流程很短，却仍然退出的用户？

是否只有某个设备或某个版本出现问题？

有没有用户表达满意，但实际不断撤销和返回？

退出行为是否与网络、性能或价格有关？

不同用户群体是否有完全不同的退出原因？

这类“反证搜索”是AI在用户研究中非常重要的能力。

一个好的研究助手，不应该只帮助团队更快证明自己是对的。

它应该帮助团队更快发现：

原来的判断可能错在哪里。

AI还可以同时提出多种竞争性解释。

例如，用户长时间停留在付款页面，可能存在四种解释：

用户看不懂价格结构；

用户不信任支付安全；

用户正在寻找优惠信息；

页面加载缓慢。

系统不能直接选择其中一种，而应该列出每一种解释当前获得的支持证据、反对证据和需要继续验证的信息。

六、从预设看板，变成用自然语言连续追问数据

传统产品分析工具要求使用者理解事件名称、属性、漏斗步骤、查询逻辑和用户分群。

很多设计师发现问题后，仍然需要等待数据分析师协助查询。

例如：

“请帮我看一下，首次使用AI生成功能的移动端用户，为什么在选择模板后大量退出。”

AI可以把自然语言问题转换成初步的数据查询：

应该查看哪些事件；

如何定义首次使用用户；

需要建立怎样的漏斗；

应该按设备、版本或来源进行哪些拆分；

哪些Session Replay值得进一步查看。

这不仅减少了跨团队沟通成本，更重要的是提高了研究的迭代速度。

设计师可以连续追问：

这个问题主要发生在哪类用户中？

它从哪个版本开始出现？

移动端和桌面端有何不同？

完成任务的用户走了什么路径？

失败用户是否打开过帮助？

哪些异常只发生在新用户中？

过去，一轮查询可能需要一次需求沟通和一次数据交付。

AI让研究过程可以连续探索，而不是等待一次性答案。

但自然语言查询并不意味着数据知识变得不重要。

设计师仍然需要知道用户分群是否合理、事件定义是否准确、样本是否完整，以及查询结果是否可能受到实验版本、设备差异和数据缺失的影响。

AI降低的是查询门槛，而不是判断门槛。

七、从人工编码，变成AI生成候选主题

访谈、开放回答和客服反馈的整理，一直是用户研究中最耗时的环节之一。

研究者需要完成转录、切分、标签编码、语义聚类、主题归纳和代表性原话提取。

AI可以明显提高这些环节的效率：

自动转录和翻译；

识别与研究问题相关的片段；

生成候选标签；

把相似表达聚类；

比较不同用户群体的主题差异；

从历史资料中检索相关研究；

整理支持与反对某个结论的证据。

但AI不应该直接决定最终主题。

AI提出“用户不信任自动保存功能”后，设计师仍然需要检查：

哪些用户支持这个判断？

用户原话是什么？

行为是否与表达一致？

是否存在反例？

“不信任”来自功能本身、文案表达，还是过去的数据丢失经历？

正确的分工不是让AI替研究者解释用户，而是：

AI生成候选结构，研究者检查证据边界。

八、从一次性研究报告，变成持续更新的用户认知

传统用户研究通常以项目为单位。

调研开始，访谈完成，研究报告形成，结论汇报，然后资料进入文件夹。

几个月后，另一支团队可能重新研究相似问题。

AI可以让研究资料库从“文件存储”变成“持续更新的用户认知系统”。

设计师可以直接询问：

过去一年，用户对AI自动修改内容有哪些担忧？

哪些研究支持当前的导航结构？

有没有证据反对增加自动推荐？

新用户对数据授权的顾虑是否正在增加？

某个结论最初来自哪次研究，现在是否仍然有效？

更重要的是，每一个回答都必须能够返回原始访谈、操作片段和研究记录，而不是只提供AI重新组织后的结论。

历史研究只有进入新的设计决策，才真正产生复利。

九、一个具体例子：注册流失到底意味着什么

假设一款产品每天有5000名用户没有完成注册。

传统Tracker可能显示：

用户主要在验证码页面流失。

设计团队观看几十段录像后，可能得出结论：

“验证码体验不好，需要缩短流程。”

AI加速后的研究过程会更加细分。

系统先分析5000条退出路径，发现至少存在四种不同模式：

第一类用户没有收到验证码；

第二类用户收到验证码后，需要切换应用查看邮件，返回时流程被重置；

第三类用户输入验证码后提示过期；

第四类用户看到手机号要求后直接退出。

AI进一步关联：

页面错误日志；

邮件和短信送达时间；

设备与地区；

用户操作录像；

即时调查回答；

客服记录；

顺利完成注册用户的对照路径。

最后，团队发现这不是一个问题，而是四个问题：

验证码送达问题；

跨应用切换导致的流程中断；

验证码有效期与实际操作时长不匹配；

用户不愿提供手机号的信任问题。

如果只优化验证码页面的视觉层级，可能对其中大部分问题都没有帮助。

AI真正提升的效率，不是更快生成一个统一结论，而是更快把一个模糊问题拆解成不同原因。

十、AI仍然不能替代什么

AI可以提高处理效率，但它无法解决三个基础问题。

第一，AI无法修复错误的数据。

如果事件定义混乱、用户身份无法关联、关键状态没有记录，AI只会更快地分析错误信息。

第二，AI无法仅凭行为证明原因。

用户停顿、返回和退出，都只是观察结果。困惑、焦虑和不信任是解释，需要通过追问、对照和进一步研究验证。

第三，AI无法替团队决定什么值得优化。

转化率提升是否意味着体验更好，推荐使用率提高是否意味着用户更满意，这些都涉及产品目标和价值判断。

因此，AI与Tracker的关系不是替代，而是升级。

Tracker是传感器，负责记录发生了什么。
AI是研究助手，负责寻找模式、连接证据、提出问题和发现反例。
设计师是判断者，负责理解原因、审查证据，并决定产品应该如何回应。

结语

AI对用户研究最大的改变，不是让产品记录更多行为。

真正的变化是，它让设计师有机会从海量数据中，更快找到与当前决策相关的用户证据。

它能够帮助我们找出异常，连接分散信息，在关键时刻询问真实用户，并主动检查当前结论是否存在反例。

因此，AI时代用户研究的核心效率，不是“分析了多少数据”，而是：

发现问题的速度；

接近证据的速度；

找到反例的速度；

纠正错误判断的速度。

Tracker让用户行为被保存下来。

AI真正应该做的，是让设计师从这些记录中，重新看见一个具体的人。

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！