有用的 AI 助手不能只靠模型智能。Nielsen Norman Group 分析师 Caleb Sponheim 实测新版 Siri AI、旧版 Siri 与 ChatGPT 后提出，个人上下文是否相关、系统能否利用这些信息，以及界面能否帮助用户理解局限，需要协同发挥作用。
推荐理由：Caleb Sponheim 的实测对比把个人上下文、模型能力与交互设计放在一起评估，说明 AI 助手的实用性不能仅用智能水平判断。
Nielsen Norman Group 近期研究显示，Claude 高级用户在构建上下文库上花费的精力多于编写提示词，但普遍面临文件陈旧、缺失及流程即兴化等挑战。上下文库指 AI 代理可引用和编辑的制度与程序知识集合，主要存储于 Markdown 文件或通过 MCP/API 连接外部源。尽管专家级用户也难以找到或编辑其上下文文件，该研究指出决定保留哪些上下文仍是用户体验专业人士的核心痛点。
同理心地图（Empathy Map）是UX团队在缺乏完整用户数据时建立共识、识别研究缺口的关键协作工具，而非单纯的设计交付物。Nielsen Norman Group指出，该工具通过“说、想、做、感”四个象限可视化用户态度与行为，帮助设计师将隐性知识显性化，从而在敏捷开发中优先处理用户需求。其核心价值在于区分证据与假设：若某象限无法填充，即提示团队需补充定性研究；若仅凭记忆填写而未标注为假设，则会导致后续决策偏差。 构建有效的同理心地图需遵循严格流程：首先明确范围，坚持“一人一图”原则，避免将不同细分群体的矛盾数据混合；其次收集访谈记录、工单等定性素材，确保每张便利贴可追溯至具体研究证据；随后团队成员独立生成笔记以防锚定效应，再共同聚类合成主题。值得注意的是，地图并非线性旅程图，而是捕捉用户心智模型的非时序快照。当出现“正面行为伴随负面情绪”等跨象限矛盾时，这往往是未被言说的痛点线索，需深入调查而非强行归类。 针对当前趋势，NN/g强调AI在同理心映射中的边界：AI可用于整理已有证据，但绝不能用于生成缺失的用户洞察。从业者必须警惕“用AI填补空白”的诱惑，始终追问每条笔记是否源于真实观察。此外，常见误区包括将地图视为一次性交付品、定义过宽的用户段以及忽视版本管理。只有保持地图随新研究动态更新，并作为设计争议时的参考基准，才能真正发挥其在消除偏见、指导创新中的作用。对于尚未开展充分研究的团队，建议先以“假设集”形式绘制地图，并立即规划验证性研究，而非将其当作既定事实。
推荐理由：内容详细拆解了同理心地图的四象限定义、构建流程及常见误区，为团队提供了可直接复用的用户洞察工具指南。
MeasuringU精选AI 评分7373在用户体验研究中，AI 主持人目前能胜任结构化、高一致性的数据收集任务，但在需要深度洞察、灵活追问和建立信任的探索性研究中仍显著落后于人类专家。MeasuringU 通过回顾 2024 年至 2026 年中期的同行评审文献及少量行业报告，针对五个核心问题评估了生成式 AI 作为研究主持人的表现：参与者发言量、洞察深度、主持能力、用户偏好以及跨模型/提示词的泛化性。 证据显示，关于参与者是否对 AI 说得更少，结果不一但无确凿证据表明 AI 会导致发言量减少；在洞察深度方面，AI 难以达到人类主持人挖掘出的细节丰富度，尽管部分研究显示其主题发现速度较快。在主持能力上，AI 在遵循脚本、非引导性提问等机械层面表现良好，甚至优于人类（如更少诱导），但在判断何时深入追问、处理模糊回答及建立信任方面存在明显短板，常出现过度赞美或无法跟进意外线索的情况。关于用户偏好，结果混合：部分研究指出多数参与者更倾向人类主持人，尤其是为了获得更深度的互动，但也有研究发现内向型参与者或对敏感话题披露时更偏好 AI。此外，不同 LLM 模型和提示词策略导致的结果差异巨大，使得结论难以直接泛化。 总体而言，AI 适合用于大规模、标准化且对一致性要求高的访谈场景，但对于依赖直觉、情感共鸣和动态调整的研究目标，人类主持人不可替代。从业者需注意，现有研究多采用通用对话而非特定 UX 语境，且技术迭代极快，任何源自当前模型的结论都具有短暂的时效性。
推荐理由：通过梳理2024至2026年的实证文献，量化评估了生成式AI在UX访谈中的主持能力与局限，为从业者判断何时采用AI辅助提供了实证参考。
