夜雨聆风我是张弛。作为一名在用户洞察领域摸爬滚打多年的老兵，我见证了市场研究行业从传统的“扫街”问卷，到移动互联网时代的大数据狂欢，再到如今生成式AI引发的生产力革命。时代的浪潮奔涌向前，从不给人喘息的机会。
昨天，我组织了研究团队一次例会。会议上，我们不仅梳理了团队架构调整后的工作脉络，更花大量时间探讨了一个关乎团队生死存亡的核心议题：在外部环境剧变、AI技术狂飙突进的当下，一个专业的商业洞察机构和我们引以为傲的研究员们，究竟该何去何从？
借着会议纪要的余温，我想聊聊我对AI时代洞察研究工作的几点思考。
01
拥抱“新常态”：当AI从“玩具”变成“工具”
在过去的一年里，我们听到了太多关于“AI将取代研究员”的焦虑与恐慌。但在我看来，恐慌往往来源于无知，而破局的唯一路径是下场实操。
在这次例会上，我明确向团队传递了一个信号：拥抱AI，不再是一个可选项，而是我们在新一轮市场洗牌中活下去的必修课。外部市场的快速变化，逼迫我们必须探索出一种全新的工作模式。我们不能再固守传统的案头研究和漫长的定性和定量数据处理流程。
为了将这种理念落地，我们在团队内部设立了“AI课代表”的角色，由欣漪等年轻力量担当，我很高兴看到品创AI培训的第一节课是教大家如何科学上网和使用公司统一购买的AI工具，目标非常清晰，每个同事都能无障碍使用Claude Opus 4.6等最新工具。
同时，Jolin作为JTBD2.0产品经理，也在牵头负责JTBD+AI平台的开发工作，很高兴看到我们的AI平台正在验收和调试中。这也是很多客户高度关注的一个工具。
这是品创作为一个学习型组织在AI时代的演化。我们需要有人在前面探路，把那些看似高深莫测的大模型，转化为团队日常工作中触手可及的生产力工具。
AI不会淘汰研究员，但熟练使用AI的研究员，一定会淘汰那些拒绝改变的人。
02
规范与边界：人机协同的“暗知识”
引入AI只是第一步，如何用好AI才是真正的考验。在会议中，Leah特别提醒了大家关于AI工具使用的注意事项，我们也为此制定了严格的规范。
很多初学者认为，用AI就是随便输入几句话，然后把生成的长篇大论直接复制粘贴。这是对专业洞察的亵渎。我要求团队成员，在未来的所有产出中，如果使用了AI辅助，必须明确注明使用了哪款工具以及具体的提示词（Prompt）。
为什么要这么做？因为提示词就是AI时代研究员的“底层代码”。你如何向AI提问，决定了你能得到多深度的回答。注意提示词的措辞，根据不同平台的费用和实际效果来选择最合适的工具，甚至精细化地统计AI平台的实际成本，这些都是现代研究员必须掌握的“暗知识”。
在AI面前，提出一个好问题，比得到一个标准答案要昂贵得多。你的洞察力，就藏在你敲下的每一个提示词里。
03
能力重塑：“一横一纵”的T型人才矩阵
面对汹涌的AI浪潮，我们该如何构建团队的核心竞争力？在会议的“组织方向说明”环节，我提出了建立“一横一纵”能力模型的发展战略。
什么是“一横”？那是我们对新工具、新趋势的快速学习和适应能力，是我们建立的“快速响应文化”。在AI时代，客户的耐心越来越少，市场留给我们的反应窗口越来越窄。我们需要每个研究员都具备强大的多项目协调能力，能够快速承担多样化的洞察项目的管理职责。
什么是“一纵”？那是我们在专业领域的深耕与壁垒，是我们不可替代的“护城河”。我们始终要掌握定量、定性、JTBD等基础知识，所以我们设立了定量课代表、学习委员等职责，带动大家一起进步。
AI可以瞬间拉平“横向”的信息差，但永远无法填平“纵向”的专业鸿沟。我们要用AI的宽度，去反哺洞察的深度。
04
结果导向：在混沌中寻找商业的确定性
无论技术如何演进，商业洞察的本质从未改变——那就是为客户解决实际问题，提供决策依据。因此，我在会上反复强调，我们的团队必须是“以目标与结果为导向”的。
在过去，我们可能会花大量时间在精美的PPT排版和冗长的数据清洗上。现在，AI帮我们承担了这些“脏活累活”，但这绝不意味着我们可以偷懒。相反，它要求我们将省下来的精力，全部投入到对商业结果的死磕上。
我们要去思考：这份报告到底能帮客户解决什么业务痛点？这个洞察是否具有可落地的商业价值？在这个充满不确定性的时代，客户花钱购买的不是一堆由AI生成的数据垃圾，而是经过研究员大脑过滤、提炼后的“确定性”。
作为未来的洞察工程师，每个品创的研究员都要掌握JTBD2.0为主体的洞察方法论，都要跟着我们一起运营战略决策工作坊，更要掌握手搓Job statements的底层技能。
我们要让AI完成的任务，我们自己更要能完成。否则，我们就会成为AI的奴隶。
05
结语：在算法的尽头，依然是人性的幽微
会议的最后，我们汇总了密密麻麻的待办事项，约定了下周同期的再次复盘，并建立了主持人及记录轮换的常态化机制。
经常有人问我：“张弛老师，如果AI什么都能干，那我们研究员的价值到底在哪里？”
我的回答是：一方面，AI懂算法，但不懂人情世故；AI能计算出概率，但无法共情人类的悲欢。另一方面，洞察的最终价值是支持决策，赢得决策者的信任更是只有洞察者才能完成的终极任务。
无论大模型的参数达到多少万亿，它都无法真正体会一个普通消费者在货架前犹豫不决时的微妙心理，无法感知一个品牌在生死存亡边缘的焦虑。我们所从事的用户洞察，本质上是一门关于“人”的科学与艺术。这里的“人”，即包括用户，也包括决策者，所以我经常讲，“两个现场”，田野和决策工作坊。
抓住AI时代的机遇，不是让我们变成冰冷的机器操作员，而是让机器成为我们的外脑。让我们卸下繁杂的枷锁，重新回归洞察的初心——去倾听，去共情，去理解那些隐藏在数据背后、鲜活而复杂的人性。
因为，在算法的尽头，依然是人性的幽微。而这，正是我们这群洞察研究员，永远的星辰大海。
