用 AI 分析用户访谈：别只总结观点，要从证据中找到需求模式
AI 能快速整理访谈逐字稿，也可能把含糊观点包装成结论。本文讲清如何保留原始证据、抽取行为、识别跨样本模式并转化为可验证假设。
六位用户访谈结束后，团队把逐字稿交给 AI，几分钟就得到一份漂亮总结：“用户重视效率，希望操作更简单，也期待更多智能功能。”每句话似乎都对，却几乎无法支持产品决定。真正关键的问题仍然没有答案：谁在什么场景下遇到什么阻碍？他们现在怎样绕过去？这个问题有多频繁、多严重？
AI 很擅长压缩文字、归类表达和发现候选模式，但用户访谈不是一场意见投票。高质量分析要沿着原话证据、具体行为、场景上下文、跨样本模式、待验证假设逐层推进。否则，模型只会把含糊材料整理得更加流畅。
先让每个洞察能回到原始证据，再讨论它是否值得做成需求。
访谈分析不是“大家都提到了什么”
用户说“最好能自动完成”，不等于他愿意把决定完全交给系统；说“价格有点高”，也不一定代表价格是放弃购买的主因。表达可能是礼貌回应、事后解释或对主持人问题的迎合。分析时要把观点放回任务、时间、环境、替代方案和实际行为中。
| 材料 | 能说明什么 | 不能直接说明什么 |
|---|---|---|
| “每周都要手工导出” | 存在重复工作和明确频率 | 一定需要全自动功能 |
| “这个页面不好用” | 用户感到阻力 | 阻力具体在哪一步 |
| 访谈中完成失败 | 当前场景出现可观察障碍 | 所有用户都会失败 |
先整理材料，不要立刻让 AI 下结论
把录音转写后，保留说话人、时间戳和访谈编号。删除姓名、电话、公司机密等敏感信息，但不要为了“整洁”删掉停顿、改口、上下文和主持人的问题。AI 必须知道一句话是用户主动说出，还是在提示下做出的回答。
建议按段落编号，例如 U03-18。后续每条洞察都引用编号，研究人员便能回听音频、核对语气和上下文。没有来源编号的概括只能算候选，不应直接进入汇报。
从“原话”提取行为单元
让 AI 先抽取而非总结。每个行为单元包含：场景、触发、目标、采取的动作、遇到的阻碍、当前替代办法、结果和情绪强度。缺失项标为“未提及”，禁止根据常识补全。
例如，“月底我会把三个系统的数据导进表格，再发给主管确认”可以拆成月末触发、汇总目标、三系统数据源、手工表格方案、主管确认节点。至于为什么必须确认、过程花多久，材料没有说就应留空，下一轮再问。
把事实、解释和机会分开
- 事实：逐字稿中可定位的原话或观察。
- 解释：研究者对事实含义的判断。
- 机会：可能改善结果的方向，不等于具体功能。
- 方案：待验证的实现方式。
一个常见错误是从“用户反复核对数字”直接跳到“做 AI 自动审核”。合理的机会可能是降低核对成本，但方案还包括统一口径、显示来源、增加差异提示或改进权限。把层次分开，团队才不会把最早想到的功能当成唯一答案。
跨访谈找模式，要同时看频率和强度
AI 可以把行为单元做亲和归类，但类别名称应描述真实场景，例如“跨系统核对耗时”，而不是空泛的“效率问题”。每个类别列出支持与反对证据、覆盖哪些样本、是否集中于特定角色或阶段。
| 判断维度 | 要问的问题 |
|---|---|
| 频率 | 多少受访者出现？每人多久一次？ |
| 强度 | 造成几分钟麻烦，还是阻断关键任务？ |
| 范围 | 所有用户都有，还是集中于某角色、地区或阶段？ |
| 后果 | 影响时间、收入、合规、信任还是体验？ |
| 替代方案 | 用户是否已经付出成本绕过问题？ |
保留反例，不要让聚类吃掉差异
五个人希望批量处理，一个人坚持逐项确认，这个少数意见不该被自动删除。它可能对应高风险任务、权限差异或重要细分群体。让 AI 主动列出与主模式矛盾的证据，并解释它可能改变哪些结论。
警惕主持问题造成的假需求
“如果有自动提醒，你会用吗”很容易得到肯定回答，却不能证明真实需求。更有价值的是追问上一次忘记时发生了什么、目前怎样提醒、为解决它付出过什么。分析时标记引导性问题和假设性回答，降低其证据权重。
从洞察变成可验证假设
把结论写成：“对于某类用户，在某场景中，因为某个障碍，导致某种可观察后果；如果改善某个环节，预计某指标发生变化。”随后列出未知点和最低成本验证，例如可用性测试、日志分析、原型实验或补充访谈。
不要用六次访谈推算市场比例。定性研究擅长发现问题结构和语言，不适合直接证明总体发生率。需要规模判断时，再用行为数据或设计严谨的问卷验证。
建立洞察台账
每条洞察记录版本、证据编号、反例、适用人群、置信度、负责人和后续验证。新材料到来时更新，而不是不断复制新的幻灯片。置信度可以分为“已观察”“多样本支持”“尚待量化”，避免把模型语气当成证据强度。
多人分析时先校准编码规则
同一段原话，不同分析者可能分别标成“效率”“信任”或“协作”。先选取少量访谈，让两位成员独立抽取和分类，再比较分歧：类别定义是否过宽，证据单位是否不同，还是某人把解释混进了事实。形成带正反例的编码说明后，再扩展到全部材料。
AI 的分类同样需要这种校准。固定一组人工确认的样本作为检查集，每次修改提示词或更换模型后重新比较。不要只看类别名称相似，还要检查原话归属、遗漏率和反例是否保留。这样才能分辨分析变好了，还是模型只是换了一套更顺耳的说法。
AI 辅助分析流程
- 脱敏并编号逐字稿，保留说话人和上下文。
- 按固定结构抽取行为单元，不允许补全缺失事实。
- 人工抽查原文，修正错配、遗漏和转写错误。
- 跨样本聚类，同时保留反例和细分差异。
- 区分事实、解释、机会与方案。
- 把高价值洞察改写成可证伪假设并安排验证。
可直接使用的提示词
“你是用户研究分析助手。材料按访谈编号和段落编号提供。先抽取场景、触发、目标、行为、障碍、替代方案、后果与原话证据；缺失信息写【未提及】，不得推测。随后跨访谈聚类，统计覆盖样本而非只统计句子，列出反例和可能的细分条件。严格分开事实、解释、机会和方案。每条洞察必须引用证据编号，并给出未知点、置信度与下一步验证。”
交付前检查
- 每条洞察是否能回到原话或观察？
- 是否保留主持问题和上下文？
- 有没有把“想要”误写成真实行为？
- 主模式之外的反例是否被保留？
- 是否避免用小样本估算总体比例？
- 洞察是否转化为可验证而非不可反驳的结论？
AI 能显著减少整理逐字稿的机械劳动，但研究质量仍取决于证据纪律。真正有用的分析不是把所有人说过的话缩成一句，而是让团队清楚地看到：我们知道什么、为什么知道、还不知道什么，以及下一步怎样验证。
本文为读懂 AI 原创内容。处理访谈录音、个人信息和企业资料时，请先获得适当授权，并遵守所在组织的数据权限、隐私和保密制度。
