AI 定性洞察沙龙总结：
当前应用的问题与发展机会

上周六召集了 10 位有 AI 应用经验的从业者线上沙龙，涵盖通用大模型使用者与 AI 定性研究工具使用者，并结合 30 篇国内外研究，沿着 Clayton Christensen、Bob Moesta 的 JTBD 深度洞察传统，梳理 AI 在市场洞察领域的应用现状、现存问题与可行方向。

AI 定性洞察工具，现在到底能不能用？

这是本次沙龙最核心的一句话：AI 定性洞察工具离实现商业化落地和长期价值，还有较长距离。它现在更适合在验证阶段作为快速筛选工具使用，而不是端到端替代专业研究。

AI 定性洞察工具离商业化落地还有很长的路，当前更适合在验证阶段，当一把快速筛选的”快刀”，而不是包打天下的”全能研究员”。

— 米朱 / Michelle Zhu，FrameOUT.club 出格创新咨询 · JTBD.cn

市场研究行业用 AI，用到什么程度了？

95% 以上的市场研究领域企业和个人从业者，已经开始使用 AI 工具。AI 能把从业者从编码问卷、语义收集、语义整理这些基础繁琐工作中解放出来，把调研效率提升数个数量级。

全球趋势更明确：超过半数的端到端调研项目，未来将由智能体参与完成。换句话说，”用不用 AI”已经不是问题，”怎么用好、用在哪”才是。

推广 AI 的最大阻力，为什么来自”人”？

基层抗拒。基层从业者多为中层或基础入门，AI 能以三分之一到十分之一的成本替代他们的工作。为了保住饭碗，他们会本能地抗拒推广。

管理层也没动力。如果基层被替代，管理层就得额外掌握 AI 工具和基础调研框架，工作量不减反增，自然也缺乏推动力。一上一下，AI 推广就卡在了组织的”中间地带”。

为什么 AI 的定性输出，总让人不放心？

输出稳定性不足。AI 在持续自我进化中，输出的边界规则并不稳定，需要额外人员界定输出质量和可用性，徒增管理成本。沙龙里反馈的具体问题包括：口音识别错误、语义理解断章取义、输出内容不可控——企业不得不增加成倍的流程去规范它。

更危险的是”虚假定性研究”。处理成千上万条大规模语义数据时，AI 的编码严谨性和稳定性会被破坏，它会按自身数据库经验排版内容，歪曲事实，输出一种虚假的专业幻觉：表面逻辑严谨，但专业研究员多看几眼就能发现破绽。

根本原因是：大部分 AI 定性工具由程序员开发，训练 AI 的人本身不具备专业研究能力。喂进去的不是洞察，吐出来的自然也只是”看起来像洞察”。

— 米朱 / Michelle Zhu，FrameOUT.club 出格创新咨询 · JTBD.cn

AI 能模拟样本，为什么还替代不了研究员？

模拟样本能力有局限。对验证型研究，AI 模拟的”普世化合成人”够用；但对探索型、创新型研究，需要研究极端化人群，AI 目前无法完成界定，得依赖从业者对业务的理解。探索型研究要从行为、语言、图像多维度数据里找到人的矛盾纠结点，挖掘未被满足的创新需求——而当前 AI 只能输出已知结论，给不出反转性洞察。

底层能力的缺陷更致命。AI 的洞察能力来源于工具设计者。当前这一代市场研究者，大多没经过系统化的洞察能力训练，自己都提炼不出反转性的优质洞察——研究者不具备深度洞察能力，训练出来的 AI 自然也不会有。

想让 AI 真正可用，要往哪三个方向改？

沙龙共识：AI 定性工具要往三个方向升级，才有机会从”快刀”变成”可信赖的研究伙伴”。

现在到底该在什么场景用、怎么选工具？

目前 AI 最适合在验证阶段使用：快速、大规模地验证不成熟的想法，迅速找出产品雏形里不符合常识的弱点，帮团队及时修正方向。

选型参考。trolley、mission、Attic 卡点 AI 等智能体，都能较好完成验证阶段的筛选功能；海外专业工具 stralla 可以做到相对深度的评测，但起步价格高达 5000 美金。最终，从业者需要自行权衡 AI 带来的好处与烦恼，再决定是否用它辅助定性研究。

你可能还想问