419 位学者说 AI 会毁掉定性研究,但我觉得他们搞错了一件事

很多用研同学对使用 AI 进行定性分析不置可否，其实学术界对这个话题的争论更大、更公开。

 比如 Qualitative Inquiry 就有两篇立场完全对立的论文。一边是 32 个国家 419 位学者联名：我们拒绝在反思性定性研究中使用生成式 AI。另一边是 De Paoli 的回应：我们不应该拒绝使用 AI——把拒绝 AI 建立在哲学教条上，会杀死方法论的演化。  

读完之后我发现，他们吵的不是”要不要用 AI”，而是”定性研究到底在生产什么样的知识”。

这个问题，跟每天在公司里做访谈、写报告的你我直接相关。因为你也在做定性研究，但你对”用户”的理解、对”什么算有效结论”的标准，跟学术界从根子上就不一样。这种不一样，决定了 AI 会在哪里帮你、在哪里害你。

今天这篇文章来理一理，或许能给你的犹豫增加一些坚定。

一、为什么不能只比较”方法”

所有”方法之争”，本质都是”知识观之争”。

那场学术争论表面上吵的是”AI 能不能用”，但如果你往下挖一层，会发现双方真正分歧的是：定性研究的知识价值到底依赖什么？

这个问题影响的是一个学科的立身之本，我们需要回到哲学源头来看，有一个三层结构，专门用来分析这个问题：

• 本体论：你认为世界（用户）是什么
• 认识论：你认为什么算知识
• 方法论：你用什么方式去研究

这三层是一条严格的因果链：

你怎么定义”用户” → 决定你怎么理解”知识” → 决定你选什么”方法”

拒绝在定性研究中使用 AI 的学者，他们的核心立论其实就是定性研究的价值建立在方法之上：定性研究之所以有用，就是因为他是人做的，是沉浸在田野中、带着自己的经验、花了很多时间编码、反思然后得出结论。而 AI 加速了这个过程，破坏了定性研究的”手工过程”，所以定性研究就没意义了，所以要拒绝使用。

有道理，但也偏颇。

因为所有方法层面的差异——访谈时长、追问深度、是否做田野——都只是这条链最末端的产物。

所以，接下来我会从本体论、认识论、方法论三个层面，来对比工业界的用研跟学术界对定性研究的认识差异。

二、本体论：用户到底”是”什么

这是最根本、也最容易被跳过的一层。

学术界：用户是”情境中的人”

在学术定性研究的传统里（人类学、社会学、组织行为学），用户是：

• 处在文化、关系、历史中的个体
• 行为不能脱离语境去解释
• 意义是流动的、被建构的，而不是客观存在的

研究的目标，是 理解人是如何在世界中存在的。

这就是为什么那 419 位学者会说”定性分析需要有主观立场的研究者”——因为在他们的本体论里，意义不是数据中”客观存在”等你提取的东西，而是研究者在跟数据的反复互动中建构出来的。而AI 没有主观性，没有反思能力，所以它做不了这件事。

其实，一些有特色的乙方公司，走的也是这条路线，精品、手工造。有自己的特色。

工业界：用户是”可优化的决策单元”

在公司里，用户被默认为：

• 可以被抽象为 persona / segment / journey 中的一个节点
• 行为可以被建模、被预测、被改变
• 是一个”可以通过产品干预改变结果”的对象

研究的目标，是 让用户更容易做出某个我们想要的决策。

学术研究中的用户，是”被理解的人”； 工业界中的用户，是”被决策影响的人”。

这不是修辞。这是两种完全不同的”用户存在论”。

三、认识论：什么才算”知识”

当”用户是什么”变了，”什么算有效结论”也跟着变。

学术界的标准：知识 = 解释力 + 情境 + 反思

一个好的学术结论可以是：

“家长对编程教育的犹豫，源于阶层焦虑与代际身份冲突。”

这句话不能直接执行。但它解释了世界。它告诉你这件事”为什么会发生”。

Nguyen & Welch 那篇论文在这个层面上有一个很尖锐的判断：效率不是科学价值。意思是，”做得更快”不能成为接受一种工具的理由，因为学术定性研究的价值来源于过程本身——研究者的反思、参与和解释。过程被加速或绕过，知识的合法性就消失了。

工业界的标准：知识 = 可决策 + 可执行

一个有效的工业界结论必须是：

“试听课转化卡在第 3 步，建议把决策门槛前置到第 1 步。”

这句话不解释世界。但它指挥行动。

两种标准都成立，但它们不可互换。这就是为什么用学术标准的人看公司报告会觉得”太肤浅”，用工业标准的人看学术论文会觉得”完全没用”。

不是谁错，是评价坐标系不同。

四、方法论：同样是访谈，为什么完全不同

到这一层，差异已经是前两层的”必然结果”了。

这里有一个很多人没意识到的事实：

学术界的”方法”是有道德承诺的——知情同意、不剥削、研究者反思自己的位置。这些不是”额外的伦理要求”，它们就嵌在方法里。那 419 位学者的联名信还特别提到了社会和环境正义——他们认为 AI 公司本身的运作方式（数据抓取、能源消耗、对全球南方的不对等影响）跟定性研究的伦理承诺是矛盾的。

工业界的”方法”是有商业承诺的——快、可复用、能支持下周的产品评审会。这些也不是”妥协”，它们就是方法本身的功能定义。

把任何一边的方法直接搬到另一边，都会失效。

五、回到那场争论：AI 在两个世界里干的根本不是同一件事

讲到这里，可以回头重新来看这场学术争论了。

在我看来，拒绝派站在学术界的本体论和认识论上，是严谨自洽的；但如果把他们的结论直接搬到工业界，就是错误的。

为什么？因为 AI 在两个世界里做的事情完全不同。

在学术界，AI 威胁的是”研究者在场”

学术定性研究的合法性建立在”研究者亲自参与意义建构”上。AI 一旦介入分析、编码、聚类，你就不再是知识的生产者，你只是 AI 输出的消费者。而生产知识是学术界的责任。研究者放弃了认知责任。

这就是那 419 位学者真正在反对的事。不是效率，不是工具，是——如果你不在场，这就不再是定性研究了。在他们的知识观里，这个判断完全成立。

在工业界，AI 补齐的是”规模和速度”

工业界的本体论本来就不要求”完整的人”。它要的是”可决策的用户表达”。AI 在这里做的是把过去依赖个人手艺的环节（转录、初步编码、聚类、归纳）变成可工程化的流程。

这也就是很多 AI 用研创业公司，为什么说 AI 可以完成用研的不可能三角：规模+深度+便宜。

De Paoli 在回应文章里有一个说法我很认同：新的流程需要被给予成熟、被批判性检验的空间，而不是在它还没来得及成长之前就被形而上学地否定。在工业界的语境下，这个判断比在学术界更成立——因为工业界的知识标准本来就是”能否支持决策”，而不是”研究者是否在场”。

AI 没有让用户研究变快，它让用户研究的”知识生产方式”从手艺变成了系统。

而这件事，对学术是侵蚀，对工业是解放。

六、但工业界用研也有自己的红线

讲到这里，必须给工业界这边也泼一盆冷水。

虽然我认为拒绝派的结论不能直接照搬到工业界，但他们提出的核心问题——认知责任归属——对工业界同样重要。

不是说 AI 在工业界就可以无限制地用。有一条红线必须守住——认知责任不能外包，不再赘述。

我把工业界用研里 AI 的使用边界，整理成一个判断框架，可以直接拿去用：