dscout 阐述 AI 时代用户研究如何平衡灵活性与严谨性

分布式研究如今已成为组织收集用户信号的主要方式（如果不是 #1 的方式的话）。 

在 UserInterviews 的《2025 年用户研究现状》报告中，71% 的受访者表示其组织拥有从事研究的人员（PwDR）。

每个团队都需要反馈，而如今他们不再害怕亲自获取反馈。借助 AI，任何人都可以起草、执行并分析自己的研究。充当守门人并不能阻止他们直接与客户交谈。

但正如我们所知，当每个人在没有协调的情况下与用户交谈时，很多信息会丢失。 

与一位健谈客户的一次通话，并不能代表一百位沉默客户的模式。五分钟的对话只能捕捉到某人记得要说的内容，而不是他们实际做了什么。随着信息比以往任何时候都多，结果却是碎片化的信号，散落各处。 

这些数据点本身并不错误。只是它们很少能汇聚成团队可以采取行动的内容，而且对于经验较少的人来说，区分偶发事件和更大问题变得更加困难。

当任何人都可以收集数据时，研究人员的真正价值不在于执行每一项研究；而在于知道如何理解所有数据，并最终引导团队走向正确的方向。 

我们总是陷入糟糕的解决方案

每当出现这种情况，我们传统的工具迫使我们进入二元选择：混乱，或严控。

混乱看起来像是没有限制：任何人都可以与任何人交谈，运行任何项目，并在向正确的人提出正确的问题之前发布发现。 

严控则相反：繁重的培训要求、复杂的系统，以及一个感觉珍贵、限制性强且缓慢的研究职能。 

这两条路都可以理解。但都不奏效。

归根结底，研究人员常常觉得自己在保姆式地照顾别人，而产品经理和设计师则觉得自己被阻碍和拖慢了

我交谈过的每个产品团队都想要同样的结果：由接近问题的人更快做出更多好的决策。但过去阻碍我们的是缺乏灵活性。我们依赖无法适应当下情况的工具，因此团队必须选择一条路径并承受其缺点。

AI 打开了一扇我们以前无法进入的门

首次，我们可以构建带有护栏的灵活性、无需培训要求的指导，以及无需繁重设置即可实现的深度定制。这些组合以前根本不可能实现。现在，得益于 AI，它们成为了可能。

这在实践中是什么样子的？ 

• 专业知识存在于工具中，而不仅仅存在于某人的头脑里。方法论、抽样和激励选择都内置了指导，因此提问的人不必是研究专家也能问出好问题。这种专业知识是由专家研究员编程设定的，而不仅仅是 AI 的猜测。
• 政策被纳入工作流程，而不是事后附加。合适的参与者以及对预算和工具的合理使用应该是默认路径，而不是需要有人记住去执行的规则。
• 访问无缝且处于上下文中。没有人应该为了获得答案而学习复杂的新工具。工作应该在团队已经所在的地方进行。
• 人仍然在循环中，并且是主动参与的。将质量监督想象成一个强大的工程团队如何看待代码审查：有经验的人可以在发现变得重要之前查看它并说，“是的，这是一个好的发现。”
• 领导力获得全局视角。领导者必须能够看到整个组织正在发生的事情，而不仅仅是自己的一隅。

这就是我们同时获得指导、灵活性、速度和质量的方式。

如何真正实施它

为了让这一切奏效，团队需要合适的基础设施。这正是我们在过去 8 个月里一直在构建的内容。

在 Dscout AI Studio 中，AI 引导的模板将专业知识融入工具本身。研究人员在任何协作者打开工具之前，就锁定筛选逻辑、研究流程、品牌标准和合规要求——这些专业知识由拥有十多年经验的研究人员编程设定，而非由 AI 即时推断。

在此基础上，协作者只需与 AI 聊天即可构建研究或在结果中寻找答案。或者他们可以让 AI 代为运行研究。无需学习新工具，无需研究学位——只有嵌入工作流中的指导，恰好在政策需要存在的地方。

研究团队保持参与，作为总监（而不是保姆）。他们设置复核检查点，在需要二次审查时介入，限制激励预算，添加护栏，执行公司政策，并查看整个组织中每项研究的进展，而不仅仅是其中的一小部分。

这项工作有助于确保研究和客户之声真正保持在组织的中心，即使团队的建设速度越来越快。

LinkedIn、Vodafone、Peloton 等领先品牌的研究团队已经利用这种结构扩大了其产品组织对洞察力的访问权限。我们将在未来几个月分享他们的故事。

过去迫使我们在访问权限和严谨性之间做出选择。现在我们不必再做出选择了。