访谈录音自己整理过一遍，再让 AI 帮忙就知道该防什么

我自己做过的访谈不多。贪杯熊那会儿约过几个常去酒吧的用户，五个人以内，录音，回来一句句自己整理。想弄清楚的就三件事：他们为什么来酒吧、和谁来；愿不愿意在手机上和陌生人互动；看到大屏、红包和礼物是什么反应。那时候没有 AI 帮忙，所有停顿和反复都得自己听一遍。

现在用 AI 整理访谈，我最想省的就是这段时间：一边读、一边归类、一边来回找原话。资料多起来以后，很容易记得某个人说过一句重要的话，却找不到它在哪。

可我也会担心，整理得太顺了。一段访谈原本有停顿，有反复，有前面说方便、后面又说不想用的地方。总结完变成三个痛点、五条建议，看起来很清晰，那些不太好归类的内容却可能不见了。而我想追问的，恰好常常是这些地方。如果当年有工具能直接给我三个痛点，我大概会很乐意用，也说不准会把哪句话一起省掉。

这不代表 AI 不适合参与调研。我想把它放到准备、招募、执行、分析、总结这条线上看一遍，分清哪些工作可以借它的力，哪些判断自己保留。工具带来的速度，最好能让我多看一点原始材料，而不是更快跳过它们。

我想避免的，不只是一个不准确的总结

问用户“如果做一个这样的功能，你会用吗”，很容易得到肯定回答。它可能是礼貌，也可能是对方真的觉得不错，只是实际使用时还会遇到别的条件。人对未来行为的判断本来就不总是准确。比起逼出一个更坚定的“会”，我更想知道，他上一次碰到这个问题时做了什么，花了多少时间，最后有没有放弃。

以小说 App 为例，“你喜欢悬疑小说吗”和“你最近一次决定付费看下去，是读到什么地方”，拿到的内容很不一样。前一个是偏好，后一个有机会看到实际选择。要决定签哪类作者、改什么付费流程，不能只把一句“喜欢”往下翻译成产品动作。调研的作用，是让这些原本被自己省略的条件重新出现。

定量和定性也要放在一起看。数据里看到某一步流失增加，能告诉我往哪查，未必能解释原因；访谈里听到一个具体困扰，能帮助形成解释，却不代表每个流失用户都是同样的问题。模型能整理更多文本，不等于小规模访谈自动变成了大样本调查。它算出某个词出现很多次，我还要分清是很多人提到，还是一个人反复说。

准备、倾听、理解，是三种状态

把调研里的角色比作导演、树洞、翻译官，这几个比喻能提醒自己换状态，但不能照字面做。

准备时，安排的是问题，不是答案。像导演一样准备，指的是明确这次要了解什么、找什么人、怎样展开，不是给用户写好台词，更不是设计一个陷阱等对方说出想听的答案。我会让 AI 帮忙检查大纲：

我在了解一款付费小说 App 的试读转化。当前还不能确定，用户停止阅读主要与内容、价格还是付费过程有关。请给出一份行为回溯型访谈大纲。从最近一次实际阅读经历问起，不要预设用户已经读完十章，也不要问“这个功能是不是很好”。每个问题说明想澄清什么，给出一个中性追问，并标出可能有诱导性的位置。没有材料支持的原因，请列为假设。

这里我会留意 AI 有没有暗中帮我缩小答案。直接问“你是不是觉得太贵”，就已经把价格推到前面了；“当时看到付费提示以后，你做了什么”会更开放一些。

访谈时，要给对方讲完的空间。用户找不到按钮，设计者很容易想立刻解释它在哪里。这份冲动我能理解，毕竟自己知道整条流程。但观察的是用户能否独立完成任务，过早指路会把问题盖过去。“树洞”提醒的是少急着辩解，不是全程不回应，更不是让用户持续受挫。录音转写能减轻记笔记的负担，但我仍然想保留现场记录。文字不一定能还原用户把手机翻了两遍、看了旁边的人一眼，或操作到一半被电话打断。使用飞书妙记、Otter.ai 这类工具前，也要确认录音和资料处理方式已经告知并得到同意。

分析时，不急着替用户翻译完。用户说“首页能不能放个搜索框”，这个建议值得记录，但也可以再问一句，他当时想找什么、怎样找的、在哪一步找不到。把每一句功能诉求都解释成“用户不懂真正的需求”，同样容易过头。可以让 AI 辅助归类，但我不会强制它凑出三类：

下面是关于阅读体验的反馈。请先按内容分组，不预设类别数量；每组保留来源编号和原话。区分用户明确说出的原因、我们可能的解释、仍需追问的问题。材料不足时直接写不足，不补造引语。

让输出留下不整齐的部分，对我更有用。说明它还没有被一个漂亮结论彻底盖住。

五个阶段，AI 各放在哪

准备：先确定这次要影响哪个决定。是想了解读者选题材的原因，还是试读后不付费的原因？我会在大纲前写下当前假设、支持它的材料、最担心哪里不成立，以及不同结果会影响什么决定。如果无论听到什么都不会改变方案，就得想想这次到底是调研还是介绍产品。AI 可以帮忙检查问法，也可以模拟一个不配合预设的回答，看我能不能追问下去。那只是练习，不是新增受访者。

招募：找对人，也留意自己排除了谁。使用频率、最近一次使用、是否付过费、是否中途放弃，这些往往比一个宽泛的人口画像更接近研究问题。筛选问卷和排期表仍然有必要，它们记录样本怎么进入这次调研。有一批问卷，可以让 AI 辅助从开放回答里找符合行为条件的候选者，但明确的数值筛选表格就能做，最终邀约名单仍要复核。

执行：记录的不只是说过什么。开场交代用途、时长、录音方式和随时停止的选择。提问尽量围绕具体经历，“你当时怎么做的”“下一步去了哪里”“这里为什么停下来”，比连续追问抽象的为什么更容易得到可用信息。记录时把观察、原话和待确认的解释分开：

• 观察：停留在价格页，返回了两次。
• 原话：我想再看看有没有别的买法。
• 待确认的解释：可能在比较套餐，也可能没有找到想要的支付方式。

这三项混在一起，之后交给 AI 总结，很可能全部变成“用户认为价格过高”。

分析：共性要找，例外也要留。转写完成后先检查说话人、术语和明显错字，产品名或一句否定词识别错了，会直接改变含义。我会让 AI 先做索引，再归类，最后才尝试提出解释，不急着一步拿到“十大洞察”。归到“其他”里的内容我会回头再看：一个只出现一次的问题，可能恰好来自关键场景；一个反复出现的抱怨，也可能由同一道带诱导性的问题造成。

总结：不一定每条发现都变成功能。报告最后要落到决定，决定也可以是暂时不做、缩小范围，或者补一次验证。某个问题需要改设计，就把问题、预期变化和验证办法一起进入需求池。只有一句“优化体验”放进 Backlog，后面很容易又回到各说各话。

把分析拿回去问

假设一组反馈都被归到“阅读不舒服”，有人说字小，有人说行距挤，有人提到晚上看久了累。直接让模型给方案，可能得到字体、行距、夜间模式三个建议，都合理，却还没分清问题。我会想再看设备、设置和具体使用方式：用户有没有发现字号选项？调整以后还不舒服吗？是长时间阅读中发生，还是刚打开就看不清？

把反馈、解释和动作连起来，可以先写成一张待验证的表：

这些还不是结论，是方便继续追问的线索。时间不够再访谈，至少在报告里写明哪部分没有验证。

报告我会留五部分：背景和目的，样本描述，关键发现和依据，问题归类与优先级，行动与未解决的问题。每部分不一定长，但要能沿着结论找回依据。我不希望 AI 把它加工成一份比材料本身更确定的报告。

我想省下的，是整理时间

AI 能帮我转写、找原话、比较不同样本、检查提纲里的偏向。这些都是很具体的帮助，没必要为了强调它的价值，说成它能自动读懂用户。

我更想把省下来的时间放到两件事上：多听一个没有讲完的原因，多看一处与自己预期不同的记录。“用户希望更方便”很容易写，也很容易被总结出来。他到底嫌哪一步麻烦，为什么这次没有像上次那样做，可能还藏在那段不够顺畅的原话里。那部分，我不想太快略过去。