AI 时代，不要忽略用户（三）：别再造一个 AI 画图工具，UX 真正需要的是“用户证据系统”

设计师需要的不是又一个数据看板，而是一套AI研究工作台

如果传统Tracker已经能够记录用户行为，那么下一代AI用户研究工具的目标，就不应该只是增加更多数据。

它也不应该只是把行为数据自动总结成一句：

“用户在第三步遇到了困难。”

设计师真正需要的，是一套贯穿产品运行全过程的AI用户研究系统。

它能够从研究问题出发，帮助团队定义需要采集的证据，在产品中识别关键行为，在合适的时机向真实用户追问，再将行为、语言、技术环境和历史研究连接起来。

最终，设计师看到的不是一份脱离情境的总结，而是一套能够被检查、质疑和验证的用户证据。

可以把它理解成一种：

用户证据操作系统。

它不是替设计师做判断，而是缩短从用户真实体验到设计决策之间的距离。

一、产品首先要记录的，不是点击，而是有意义的行为

很多产品已经埋了大量事件。

但这些埋点经常主要服务于业务指标：

页面访问量；按钮点击率；注册完成率；功能使用次数；付费转化率。

它们适合回答“发生了多少次”，却不一定适合回答设计问题。

对设计师而言，真正有价值的是具有任务语义的行为记录。

与其只记录：

button_clicked

不如记录：

用户开始创建项目；用户返回修改目标；用户连续切换模板；用户打开帮助说明；用户取消创建流程；用户接受AI建议后又撤销；用户生成内容后没有保存。

语义化行为记录能够让AI理解一个事件在任务中的位置，而不仅仅知道某个元素被点击了。

同时，系统还需要保存必要的上下文：

用户是第一次使用还是长期用户；使用手机还是电脑；从哪个入口进入；属于哪个实验版本；网络和性能是否异常；是否发生接口报错；此前是否完成过类似任务；用户在当前会话中的目标是什么。

这样，设计师看到的就不再是：

“30%的用户没有完成。”

而是：“第一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。这个现象主要发生在新版本发布后，并伴随页面加载延迟。”

这才是一条可以被研究的证据。

二、设计师需要能够参与定义产品采集什么

在很多团队中，设计师只能使用数据团队已经定义好的事件。

当设计问题发生时，才发现最关键的行为并没有被记录。

下一代工具应该允许设计师用较低的技术门槛定义研究型行为。

例如，设计师可以选中界面中的某个组件，使用自然语言描述：

“记录用户第一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没有变化的情况。”

“记录用户从这里返回上一页的路径。”

“当新用户在这里停留超过20秒时，将该会话加入研究样本。”

AI可以把这些描述转换成初步的事件名称、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，而能够主动提出：

为了验证当前设计判断，我们需要留下哪些证据？

AI还可以检查已有埋点是否存在问题：

多个团队是否使用了不同名称记录同一个行为；
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；
用户身份是否能够跨设备和跨会话连接；
某项设计上线后是否仍然沿用旧的事件定义。

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。

三、行为、界面状态和技术环境必须同时被记录

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，却始终不知道如何继续。

另一个人已经理解流程，但页面加载失败。

因此，系统除了记录事件，还需要保留用户如何完成任务的过程。

这通常包括：

页面和弹窗的切换；点击、滑动与滚动；重复点击和无效点击；输入、删除、返回与撤销；界面元素是否正常显示；页面加载时间；接口错误和系统崩溃；操作前后的界面状态；用户在每一步停留的时间。

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

AI随后可以从大量会话中识别：

重复返回；流程循环；连续无效点击；长时间停顿；功能打开后立即关闭；生成结果被反复撤销；任务完成后又重新开始；用户在某一步突然改变路径。

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可以提出可能解释，但不能把推测伪装成事实。

四、系统需要在关键行为发生后，向真实用户提问

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，应该允许设计师为特定行为设置研究触发器。

例如：

用户第一次使用某项功能后；用户连续失败两次后；用户在关键流程中退出后；用户收到AI生成结果并立即删除后；用户从新版本切回旧版本后；用户完成一项高价值任务后；用户反复修改同一个设置后。

系统可以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：

“您对本次体验满意吗？”不如在用户连续返回后询问：“刚才是什么让你返回上一步？”在用户删除生成结果后询问：“这个结果与你原本的预期有什么不同？”

在用户取消支付后询问：

“目前还有什么阻止你继续？”

这种情境化提问能够减少事后回忆偏差，也更容易得到具体回答。

当然，研究触发必须克制。

系统需要控制采样比例、提问频率、流程重要性和用户状态，避免在用户已经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。

五、AI 主持人应该负责扩大覆盖，而不是替代深度研究

在低风险、高频和探索性的研究中，AI可以承担部分初步访谈工作。

设计师先定义：

研究目标；必须覆盖的问题；允许自由追问的范围；禁止使用的诱导表达；需要升级给人类研究员的情况；隐私和敏感话题边界。

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可以询问：

“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可以继续问：

“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，人类研究员仍然需要直接参与。

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。

六、设计师需要的不是摘要，而是可追溯的证据卡

很多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。”

这些结论看起来清晰，却可能混合了观察、解释和方案。

下一代工具应该把结果组织成可追溯的证据卡。

一张证据卡至少需要包含：

当前研究问题；观察到的行为模式；涉及的用户群体；样本规模；对应的原始会话；用户原话；技术错误和环境信息；可能解释；与结论冲突的样本；当前尚未覆盖的用户；下一步建议验证的问题。

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，都应该能够返回对应的用户原话、操作片段和界面状态。

AI可以负责整理证据，但不能切断结论与原始资料之间的联系。

七、AI必须主动寻找反例，而不是只做主题聚类

很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？

设计师需要一个能够主动挑战假设的AI研究助手。

它应该持续提出：

还有哪些证据能够推翻当前结论？这一现象是否只发生在某个版本？不同用户群体是否有不同原因？用户表达和行为是否一致？哪些用户从未进入当前样本？这是设计问题，还是性能、价格、内容或信任问题？

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。

八、研究证据必须连接到设计决策

很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。

产品仍然按照原计划推进。

真正有价值的AI研究系统，需要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该包括：

团队需要做出的决策；支持当前方向的用户证据；与当前方向冲突的证据；业务和技术约束；被排除的方案；仍然存在的不确定性；最终选择的设计；上线日期；需要持续观察的指标和行为；新证据是否推翻原判断。

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，而不是只看到一句：

“根据用户反馈。”

AI还可以在新研究出现后，主动提醒：

当前设计依赖的证据已经过时；原研究只覆盖了桌面端用户；新版本出现了与原结论冲突的行为；用户群体发生变化，需要重新验证。

研究因此不再是一份静态报告，而成为产品决策的一部分。

九、一套完整的AI用户研究闭环

这类工具最终应该形成一个持续循环。

第一步：定义决策

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？”

第二步：定义证据

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。

第三步：采集真实行为

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。

第四步：在关键情境中追问

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。

第五步：AI整理与筛选

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。

第六步：设计师检查证据

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。

第七步：形成可验证的假设

团队明确区分事实、解释和设计方案，提出可以通过新版本验证的设计假设。

第八步：上线后继续观察

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。

十、一个完整案例：用户为什么不保存 AI 生成结果

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：

“刚才的结果与你的预期有什么不同？”对第二类用户询问：“你一直在调整哪部分内容？”对第三类用户询问：“是什么让你最终没有保存？”

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。

十一、这种工具应该如何衡量价值

AI用户研究工具不能只用以下指标证明自己有效：

分析了多少条数据；生成了多少个标签；节省了多少整理时间；自动输出了多少份报告。

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。

1. 证据时延

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？

2. 原始证据覆盖率

重要结论中，有多少能够直接返回用户原话、操作片段和行为记录？

3. 反例覆盖率

系统是否主动发现与主流结论不一致的用户和行为？

4. 决策可追溯性

关键设计决策是否能够追溯到对应证据、约束和未解决的问题？

5. 判断修正速度

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经失效？

AI真正应该提升的，不只是分析速度，而是团队发现错误和纠正判断的速度。

十二、用户研究不能变成用户监控

产品能够捕捉的行为越多，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以记录，就默认记录一切。

系统至少需要具备以下机制：

在采集前遮蔽输入字段和敏感内容；明确排除密码、支付、健康、私人消息和身份信息；让用户了解相关数据将如何被使用；允许用户拒绝和退出；控制采样比例，而不是长期记录所有用户；设置明确的数据保留期限；限制原始录像和访谈的访问权限；记录谁查看、导出和分享过研究资料；避免根据点击和停留行为推断人格、心理状态或敏感身份；优先在设备端或上传前完成敏感信息处理。

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。