跳到正文
只看一手AI与体验
8月26日周三
8月24日周一
  1. frog65

    frog实验揭示AI合成研究局限：速度不等于理解，需建立人机混合边界

    AI合成研究虽能降低时间与预算门槛，但易将“连贯性”误认为“证据”，导致决策依赖未经审视的假设而非真实行为。frog通过对比实验发现，合成用户缺乏真实人类在访谈中的犹豫、矛盾与语境感知，其生成的平滑叙事掩盖了现实不确定性。从业者应将AI定位为探索与准备阶段的上游工具，用于处理转录、聚类等规模化任务，同时保留人类判断以解读意义、识别偏差及验证关键决策。未来的竞争优势在于清晰界定自动化边界，并在AI生成答案时保持批判性思维，确保从信息到证据再到决策的严谨转化。 frog在设计研究中面临“重速度轻理解”的挑战，AI使利用合成用户、访谈和洞察模拟研究活动成为可能。然而，这种能力带来了混淆速度与理解、连贯性与证据、概率与知识的风险。若组织在未定义使用原则和治理机制的情况下快速采纳AI增强型研究平台，往往忽视揭示未被提出的问题、矛盾以及挑战既有假设的核心价值。这些能力目前仍属于人类独有，因为真正改变决策的研究往往令人不适，它们质疑确定性并迫使方向重构。 在具体实验中，frog对比了合成用户与真实用户在多个场景下的表现。结果显示，合成输出虽然结构清晰、易于使用且减少了噪音，但这种清晰度是以消除“摩擦”为代价的。例如，年轻参与者在真实访谈中表现出犹豫、改变主意或难以表达未来选择，而合成用户的回答则连贯、自信且一致；在涉及自然灾害幸存者的敏感访谈中，合成系统虽能重现尊重的语言和结构化叙事，却无法捕捉对话的节奏、停顿及即时适应能力，本质上脱离了体验如何展开的过程。在可用性测试中，交互显得过于平滑，缺乏真实的迟疑或流失。这表明合成研究并非观察行为，而是构建了一个看似合理的版本，这一区别从根本上改变了“洞察”的性质。 frog提出了“人类主导、AI增强”的混合模型。该模型指出，AI最适合处理规模、重复性和结构性任务，如转录、聚类、桌面研究或早期综合，在这些领域自动化减少的是工作量而非意义。然而，一旦自动化介入解释或决策制定，输出的性质就会发生转变。合成系统不仅处理信息，还塑造了我们所见的内容，由于输出已经过充分阐述且极具说服力，准备与决策之间的界限变得模糊。因此，AI应作为上游层支持探索、假设生成和准备，但不能作为唯一的验证来源，特别是在依赖真实行为的决策情境中。判断什么重要、什么相关以及什么需要被质疑，仍需人类的解释、语境意识和对不可见因素的觉察。 对于体验从业者而言，借鉴这一模式的关键在于明确角色边界。如果AI定义了问题，假设将变得隐形；如果AI驱动了解释，合理性可能被误认为洞察。未来的研究能力要求团队具备评估AI生成输出、识别偏见、验证证据以及建立治理机制的新技能。正如哈佛商业评论所指出的，竞争优势不再来自更快地生产信息，而是来自批判性地解读和智慧地应用。随着机器生成答案能力的提升，提出更好问题、解读细微差别和挑战假设的人类能力反而变得更加珍贵。从业者需警惕AI带来的“虚假确信”，确保在追求效率的同时，不牺牲将信息转化为证据的严谨性。

    推荐理由：frog通过内部实验确立人机协同的研究框架，明确合成数据在探索阶段的价值及其作为证据的局限。

8月19日周三
  1. Forsta62

    Forsta发布2026年研究：消费者拥抱AI但缺乏对品牌使用的信任

    Forsta最新研究显示，尽管58%的消费者因AI推荐购物，但仅22%信任零售商负责任地使用AI。报告指出，消费者对AI的个人接受度远高于对品牌部署AI的信任，主要担忧在于数据隐私、决策透明度及问责机制。研究强调，建立AI信任需满足透明性、价值交换和控制权三个条件，且不同代际（如Z世代与婴儿潮一代）在数据分享意愿和AI依赖度上存在显著差异。

    推荐理由：Forsta多项调研数据揭示了消费者个人使用AI的便利性与对品牌使用AI的信任赤字之间的具体差距及成因。

8月13日周四
  2. Sprig42

    Sprig 提出 AI 时代三类研究领导者：仅“编排者”模式适配

    Sprig 在硅谷体验研究峰会指出，AI 时代研究领导者分为抗拒者、委托者和编排者三类，仅编排者通过设计系统并治理机器适应当前环境。该模式利用 Design、Field 和 Synthesize 智能体将数周工作压缩至数小时，但要求人类保留对洞察可信度的最终判断权，避免高格式度掩盖低真实性。

8月7日周五
8月6日周四
  1. frog40

    frog解析AI中介下品牌从“被看见”到“被选择”的转型策略

    frog指出在GEO/AEO算法主导下，品牌可见性已成入场门槛而非竞争优势。提出“意识覆盖比率”概念，强调通过身份认同、累积信任及记忆独特性建立情感区分度，以促使用户主动选择品牌。Sephora与LEGO案例表明，需兼顾机器可读信号与人类情感共鸣，方能在AI中介商业中确立偏好。

8月5日周三
  1. Sprig40

    Sprig 分享 Angi UX 研究副总裁观点：AI 是辅助研究员的“实习生”而非替代者

    Sprig 引用 Angi UX 研究副总裁 Lauren Everett 在行业研讨会中的观点，提出 AI 应被视为“有用的实习生”，用于加速摘要、初稿和桌面研究等基础工作。她强调 AI 缺乏语境判断与责任感，人类研究员需主导综合分析与决策沟通，并强化共情、判断力与清晰度三项核心技能。

8月4日周二
  1. Behavioural Insights Team32

    Behavioural Insights Team探讨AI过度依赖与使用不足的组织风险

    Behavioural Insights Team在新加坡举办跨行业活动，探讨AI对组织判断力与信任的影响。现场调查显示半数参与者认为AI使用不足是更大风险，另一半则担忧过度依赖。专家建议保留关键任务中的人工摩擦以保护独立思维，并强调领导者需通过公开示范建立安全的实验文化。

8月3日周一
  1. Dovetail24

    Dovetail 阐述垂直整合是企业 AI 竞争优势

    Dovetail 指出垂直整合平台通过自动转录、数据富集及共享工作区，解决通用 AI 工具导致智能孤岛化的问题。相比仅作为应用层的水平 AI，Dovetail 提供原生数据结构、持续分析及合规安全能力，使组织随数据积累实现智能复利效应。

  2. User Interviews65

    AI重塑研究运营：从被动响应到主动预测的三大反转

    User Interviews 对研究运营转型的分析关注三种变化：从等待需求转向提前发现知识缺口，组织更加重视利润与运营效率，以及研究专长与系统设计能力需要结合。主动式管道可以汇聚 PESTLE 简报、持续洞察流、社会监听、NPS、支持工单和社交评论，再用 AI 对照知识库寻找缺口。 这套方向要求研究人员理解系统构建，而不只掌握提示词。但自动化不能替代研究方法：研究与运营应形成共生关系，缺乏方法论判断就难以保障洞察质量。 自建工具还带来编排、治理和维护的“第二层”负担，可能积累操作债务、挤压研究时间。其应对建议是优先支持低风险发现任务，以精心策划的内容管道服务高优先级决策，并让研究专业能力参与系统设计。

    推荐理由：User Interviews 将主动预测、运营效率和人机分工放在同一转型视角下，帮助研究团队同时评估洞察交付方式与系统维护负担。

7月31日周五
7月28日周二
7月23日周四
7月21日周二
7月17日周五
  1. Dovetail55

    Dovetail 推出 Digital Twins 和 AI Agents 功能

    Dovetail 在平台内推出 Digital Twins（数字孪生）和 AI Agents（人工智能代理）两项新功能。Digital Twins 利用销售通话、支持工单等真实客户数据构建特定细分群体模型，可即时回答关于客户态度或流失原因的问题并引用原始出处；AI Agents 通过触发器、指令和技能配置将洞察转化为具体行动，例如自动更新记录、发送警报或生成报告。

7月14日周二
  4. Dovetail45

    Dovetail 发布 Digital Twins、Agents GA 及 Channels 2.0 等企业级功能

    Dovetail 推出 Digital Twins、正式发布的 AI Agents、Channels 2.0 及新企业级功能，旨在将客户上下文转化为可执行洞察。Digital Twins 利用真实交互数据模拟特定客户或细分群体，支持在 Chat、Slack 或 Teams 中直接对话获取反馈。AI Agents 现已全面上线，提供六种触发方式并具备持续自我改进能力，所有付费计划均可使用这些新功能。

7月7日周二
7月2日周四
  1. User Interviews77

    Red Hat ResearchOps 试点研究揭示：远程访谈中仅凭直觉识别 AI 作弊存在“自信悖论”，需建立多线索检测机制

    在远程用户研究中，依赖研究员直觉识别使用 AI 工具作弊的参与者存在显著风险，尤其是当研究员对判断表现出极高自信时，误判真实参与者的概率反而最高。Red Hat 的 ResearchOps 团队通过一项匿名试点研究发现，虽然整体分类准确率尚可，但在将真实人类误判为 AI 作弊者（假阳性）时，观察者的平均置信度高达 4.5/5，这种“自信悖论”可能导致团队错误剔除高质量数据并损害客户关系。 该研究由 Red Hat 的 ResearchOps 管理员发起，旨在测试团队对抗实时 AI 工具的防御能力。实验设计包括四名团队成员作为受访者，分别接受“AI 辅助”（使用 Cluely 等工具）和“纯人类”两种条件的简短访谈，话题涵盖非工作领域。随后，11 名来自用户体验设计团队的观察者在不了解具体条件的情况下分析录像并进行分类。结果显示，对于真实人类互动的验证成功率较高（五分之四），但对于 AI 辅助会话的检测准确率降至四分之三。最关键的发现是，当观察者错误地标记真实参与者时，他们并非犹豫不决，而是感到“非常自信”到“极度自信”。 研究进一步区分了有效的检测线索与误导性的直觉信号。可靠的 AI 作弊迹象包括：固定的屏幕外视线（反复看向同一位置）、作为拖延模式的填充词（如每道题前都有“I guess”且停顿长度一致）、百科全书式的过度具体回答（缺乏自然对话中的混乱或矛盾）、以及在问题后出现明显的打字声。相反，真实的参与者通常表现出个人化分析（如“我觉得...”）、自然的遗忘或口误、漂移的眼球运动以及与言语同步的自然手势。值得注意的是，长停顿和快速自信的回答均不可靠：前者可能是真实专家在思考，后者可能是 AI 生成的流畅文本被快速朗读。 ResearchOps 团队建议采取四项运营调整以保护数据质量：首先，废除仅凭直觉的淘汰机制，改用包含特定指标的多线索阈值清单；其次，在讨论指南中鼓励故事叙述，询问关于失败、挫折和放弃的经历，因为 AI 倾向于生成外交辞令般的平衡回答，而真实专家往往有具体的负面体验；第三，在参与者协议中明确禁止使用 AI 辅助，否则取消资格并没收激励；最后，考虑部署专门的欺诈检测软件（如 Sherlock AI、Polygraf AI）或使用具备自适应追问功能的 AI 主持平台（如 Conveo、Strella）来干扰作弊者。尽管该试点研究样本局限于单一科技公司的内部团队，但其揭示的直觉局限性为行业提供了重要的操作警示。

    推荐理由：匿名对照实验量化了研究人员识别AI作弊者的准确率，揭示了直觉判断中的高置信度错误风险及具体行为线索。

6月25日周四
6月23日周二
  1. Behavioural Insights Team65

    BIT研究：人们认为AI更能替代他人工作而非自己

    Behavioural Insights Team 对英国3500名成年工作者的调查发现，43%的人认为AI能在未来十年完成大多数他人的日常工作，但只有35%的人认为AI能完成自己的大部分工作。

    推荐理由：Behavioural Insights Team 的3500人调查显示，人们对AI替代他人工作的信心高于对替代自身工作的信心；该团队认为，弥合这种认知差距是成功落地AI的关键。

6月18日周四
  1. User Interviews68

    User Interviews 文章探讨 AI 工具引发的“第二层”运维债务问题

    研究人员自建 AI 工具解决了眼前问题，也可能接下编排、治理与维护的“第二层”工作，累积认知负荷和运维债务。User Interviews 对这一问题的讨论引用了 HBR 的“AI 脑疲劳”研究与 UC Berkeley 的发现，并建议研究人员在采取“构建者思维”时，评估系统的可扩展性与可靠性。文档化流程、暂停机制和避免无止境迭代，是其管理隐性成本的建议，而非这些外部研究直接验证的统一结论。

    推荐理由：User Interviews 中对亲自构建 AI 工具经历的反思，把运维债务与认知负荷放进效率评估，帮助研究人员审视工具是否能够持续维护。

5月12日周二
4月30日周四
  1. The Decision Lab65

    合成焦点小组：AI模拟消费者的适用边界与伦理风险

    AI合成的焦点小组（SFG）并非真实消费者研究的替代品，而是作为前期概念压力测试和大规模变量筛选的辅助工具。尽管斯坦福大学与Google DeepMind的研究显示，经过深度访谈训练的AI代理在回答关于自身的问题时与真人的一致性约为85%，但这种高准确率依赖于对每位受试者进行两小时的一对一访谈，这意味着构建可靠合成样本的成本并未显著降低，且存在系统性偏差风险。 SFG的核心局限在于其无法捕捉个体独特的生活经验和非理性偏好。例如，《泰晤士报》播客发现，AI模拟听众倾向于建议增加AI功能，而真实听众则对此持怀疑态度；AI也无法理解如“产品名称让人联想到某部喜爱电影”这类源于个人记忆的隐性关联。此外，合成用户往往通过泛化模型知识填补数据空白，这可能导致刻板印象的固化而非真正的多样性包容。一项针对印度用户的研究表明，AI辅助写作倾向于使用西方化的通用描述（如“丰富的香料”），而人类写作则能保留具体的感官细节（如“豆蔻的气味”），这种差异揭示了合成数据在文化细微差别上的缺失。 伦理层面，SFG涉及隐私授权困境。若企业建立可租赁的合成主体库，原始受访者实际上是在无限期地向陌生人许可其心理画像，而现有数据保护框架尚未涵盖此类用途。同时，全球市场研究人员可能反复测试同一批有限的合成人群，导致研究视角的同质化。 从业者应将SFG定位为“高级草稿工具”，用于在投入昂贵资源前快速排除明显缺陷或处理海量选项（如包装变体评估）。然而，Merton提出的焦点小组核心价值——即群体互动产生的生成性洞察——是AI无法复制的。合成主体可以协助准备问题，但不能代替人与人的对话。因此，最佳实践是将SFG置于真实研究之前，利用其低成本和高吞吐量特性优化问卷设计，随后仍需通过传统焦点小组获取那些源于真实生活、不可简化的深层洞察。

    推荐理由：结合斯坦福研究与实际案例，剖析了AI模拟消费者在成本优势背后的系统性偏差与伦理风险，明确了其作为辅助工具而非替代方案的适用边界。

4月22日周三
  1. IDEO40

    IDEO 提出“AI 红利”概念：将自动化释放的资源投向创新而非单纯效率

    IDEO 提出“AI 红利”概念，指自动化释放的人类带宽与组织容量。若仅追求效率将陷入同质化竞争，领导者应将此结构性盈余重新投资于人类创造力主导的创新前沿。该策略旨在通过提升创意质量建立差异化优势，避免产品趋同于 AI 优化的中位数水平。

4月21日周二
  1. Sprig45

    Sprig 推出 Research Agents 以加速用户研究全流程

    Sprig 发布 Research Agents，通过 Design、Field 和 Synthesize 三个代理将研究设置从数小时缩短至几分钟，并实时生成结构化报告。该工具支持上传文档自动生成逻辑完整的问卷，以及根据上下文动态追问的对话式调查。Research Agents 将于五月初开始逐步推出，后续还将提供 MCP 连接器以便在 Claude 等外部工具中直接调用研究洞察。

4月20日周一
  1. Designit42

    Designit 首席设计官提出 AI 时代品牌保持差异化的新创意三角

    Designit 首席设计官 Christine Bourdon 指出，在 AI 降低创作门槛的背景下，品牌差异化应依赖清晰度而非产出量。她提出“新创意三角”策略：停止盲目规模化、以策展替代生成、并将人类置于工作中心。该观点强调利用 AI 节省的时间深化思考，通过人类判断确保内容的情感可信度与说服力，避免陷入技术完美但情感空洞的困境。

4月16日周四
  2. UXPA 中国12

    阳光电源发布2026UXDA企业命题《零碳生活 你我共创》

    阳光电源在2026UXDA中发布《零碳生活 你我共创》命题，邀请设计未来家庭智慧能源新体验。参赛者需围绕产品架构、材料革新及场景融合等方向，探索兼顾技术创新与人文关怀的绿色能源管理系统。奖项设一等奖1名奖金10000元，优秀选手可获实习就业绿色通道及参观总部机会。

4月15日周三
4月11日周六
  1. IxDC 国际体验设计协会18

    IXDC2026大会提出“人机共生”主题，倡导有温度的智能体验

    IXDC2026国际体验设计大会确立年度主题为“人机共生：创造有温度的智能体验”，旨在回应AI交互中出现的“智能负担”与情感缺失问题。大会延续此前发布的《致力于人类福祉的人工智能体验全球倡议》，强调设计师在AI时代需从执行者转向评估者，通过保留人性温度与伦理关怀，实现技术与人性的和谐共生。

3月27日周五