夜雨聆风很多人问过一个问题：AI这么强了，它能不能直接帮我做用户调研？
听起来很诱人。不用招募用户、不用访谈、不用整理录音，甚至不用写问卷。打开AI，对话几轮，结论就出来了。
但这件事，真的靠谱吗？
我不想空谈，所以做了一次实验。
一、实验设定：把AI当“用户”
我选了一个很具体的场景：
我要优化一个体重管理类App的“付费转化率”。
传统做法是：
找10个真实用户访谈 记录他们的使用路径 问他们为什么不付费 总结共性问题
这一次，我换了一种方式：
我直接让AI扮演不同类型的用户。
提示词大概是这样的：
你是一个25岁的女性，上班族，曾经下载过体重管理App，但没有付费，请完整描述你的使用过程、卡点、情绪变化，以及为什么没有付费。
然后我让AI生成了10个“用户”。
不同性别、不同年龄、不同动机。
二、AI给出的答案：出奇地“合理”
结果第一眼看上去，很惊艳。
这些“用户”会说：
“我一开始很有动力，但记录太麻烦，坚持不了” “功能挺多，但不知道从哪里开始” “感觉和免费的差不多，没必要付费” “没有被激励到，坚持几天就放弃了”
甚至还有情绪细节：
“有点焦虑，但又不想面对体重” “觉得自己坚持不了，所以不想花钱” “怕付费后更有压力”
如果你做过用户访谈，你会发现——这些话，太像真实用户了。
甚至可以说：80%像。
三、但问题也很明显：它“太正确了”
当我把这些结果整理出来时，开始觉得不对劲。
问题不在于它说错了什么，而是：
它几乎不会说“奇怪的话”。
真实用户是什么样？
会自相矛盾 会表达不清 会说出你完全没想到的点 会因为一个你觉得无关紧要的细节放弃产品
但AI不会。
AI的回答有一个共同特点：
逻辑过于完整，动机过于合理。
换句话说：
它不是在“还原用户”，而是在“模拟一个合理的用户”。
四、关键差异：经验 vs 生成
这次实验让我意识到一个核心区别：
真实用户调研，本质是“收集经验”
你拿到的是：
不完整的信息 混乱的表达 带偏见的判断
但这些东西，恰恰是有价值的。
因为它们是真实发生过的。
AI调研，本质是“生成概率”
AI在做的事情是：
基于已有数据，生成“最可能出现的用户反馈”。
它给你的不是事实，而是：
统计意义上的“合理答案”。
这就带来一个风险：
你可能会得到一个“看起来对，但不一定真的发生”的结论。
五、那AI到底有没有用？
有，而且很有用。
但前提是——你用对位置。
1. 用来“提前构建假设”
在你还没做调研之前，可以用AI：
列出可能的用户类型 预判潜在问题 帮你设计访谈问题
相当于一个“调研前的脑暴助手”。
2. 用来“整理真实数据”
当你已经有用户访谈记录时：
让AI帮你归类问题 提炼共性 输出结构化结论
这个阶段，AI的价值反而更高。
3. 用来“补充盲区”
有时候你会陷入经验局限。
AI可以提供一些：
你没想到的解释路径 不同人群的视角 边缘场景的可能性
它像一个“扩展思路”的工具。
六、一个更现实的结论
这次实验之后，我的结论是：
AI不能替代用户调研，但可以改变调研方式。
过去是：
先找用户 → 再总结问题
现在可以变成：
AI先生成假设 → 再用真实用户验证
顺序变了，效率会高很多。
七、最后一个提醒
如果你完全用AI做用户调研，会发生一件危险的事：
你会越来越相信一个“逻辑正确的世界”。
但真实世界不是这样的。
真实用户：
不理性 不稳定 不一致
而产品的增长，往往就藏在这些“不合理”里。
所以，更好的方式是：
让AI帮你想，但不要替你判断。
这才是它该在的位置。