市场调研最耗时的两件事，一是信息散落各处拼不起来，二是把原始资料整理成结论要花掉整晚。AI 在后一件事上确实省时间，在前一件事上要当心——它能帮你搭框架、理结构，但它给不了真实数据。分工用对，一个下午能干完过去两天的活；分工用错，报告里会混进它编出来的数字。
竞品分析：先搭框架，再填材料
直接把几个竞品名字丢给 AI 问「帮我分析一下」，得到的多半是泛泛而谈。正确顺序是反过来：先让它给出分析维度——目标用户、核心功能、价格策略、渠道、口碑——再把你收集到的公开资料贴进去，让它按维度归纳成对比表格。材料是你找的，它只负责结构化，这样产出的每一格都有出处。
这一步的附加价值是找差异点。对比表成型后，让它基于表格总结各家的核心差异，并指出你们最需要补强的方向。它的判断未必准，但经常能暴露你自己没注意到的盲区，值得当成一份待核实清单。差异点最终要落到表达上，一句文案提炼卖点的方法在这个环节可以直接借用：把每个差异压缩成一句话，说不出来的差异大概率是伪差异。如果调研服务于内容电商，竞品的内容打法还可以对照图文带货里选品与内容的结合方式来看。
用户洞察：从反馈原文到主题归纳
评论、问卷、客服记录是调研里最真实的材料，也是最难啃的——几百条反馈，人工归类要一整天。AI 擅长的正是这类活：把原文批量给它，让它归纳成主题，标出每类的高频痛点和典型原话。有一个细节要注意：让它保留用户的原始表述，不要改写成书面语，用户口中的原话往往比概括更有信息量。
访谈提纲也可以让它起草。给出调研目标和用户画像，让它列问题清单，你挑出可用的、删掉诱导性的。售后数据的归因是同一个路数，退货原因的归因方法一文里「先分类、再找模式」的步骤可以直接套在用户反馈上。
数据纪律：AI 负责整理，事实自己核实
这是全文最要紧的一条。大模型可能编造数据、虚构市场行情，语气还特别笃定。三条纪律不能破：规模、份额、增速这类数字必须有可信出处，AI 给出的一律先查证再用；它的推测只当思路参考，不当调研结果；涉及用户个人信息和内部资料的部分要先脱敏，别把敏感内容直接贴进任何在线工具。
任务对照表：哪些能放手，哪些要盯紧
| 调研任务 | AI 能做什么 | 你必须做的 | 产出可用的标准 |
|---|---|---|---|
| 竞品分析 | 搭维度框架、把资料归纳成对比表 | 收集真实资料、逐格核实 | 表内每一格都有出处 |
| 用户洞察 | 反馈归类、提炼高频痛点、拟访谈提纲 | 保留原话、抽查归类准确度 | 每个主题能被原始反馈支撑 |
| 市场判断 | 列分析思路、整理待验证假设 | 到权威数据源逐条验证 | 数字有出处且口径一致 |
| 报告成文 | 理结构、统一表述 | 复核结论与数据的对应关系 | 结论不超出材料支持的范围 |
报告最终要给人看。给团队或合作方看的版本，整理思路可以参考用 AI 写年度经营总结时面向合伙人的写法：先结论，后依据，材料放附录。
这套方法什么时候会失效
三种情况要降低预期。资料本身太少时，AI 没有可整理的输入，硬让它分析就是逼它编。行业高度垂直、公开信息稀缺时，它对冷门领域的理解可能过时或含混，判断要更多靠自己。需要一手数据时——问卷发放、用户访谈、实地走访——AI 替代不了，它能做的只是把拿回来的材料整理好。另外，做调研的节奏可以借年度复盘的数据与选题总结法来定：大版本更新、价格调整、新对手入场时各做一轮，比固定周期更省力。
三个延伸追问
能不能直接问 AI 市场规模？不能当数用。它给出的数字没有可核验的出处，只能当作「该去哪里查证」的线索，结论必须回到权威数据源。
问卷原始数据能贴给 AI 吗？已脱敏的汇总数据可以，能定位到具体个人的原始记录不建议上传，任何在线工具都一样。
调研结论有分歧怎么办？回到材料。让 AI 把支持各方的原文段落分别列出来，分歧通常出在材料覆盖不全，而不是逻辑本身。
AI 调研速查
- 你找真实信息，AI 做结构化整理
- 先搭维度框架，再填公开材料
- 反馈归纳保留用户原话
- 所有数字必须有出处，AI 给的先查证
- 敏感数据先脱敏再上传
