AI 调研和传统调研的差别，先说结论：要快速摸清一个陌生领域的轮廓、要覆盖成百上千条开放回答，用 AI 调研；要挖动机、要看真实使用场景、要做重大决策，仍然靠人做深度访谈。AI 在这里擅长的是批量处理与初步归纳，不擅长替代现场的观察。下面从样本来源、问题形态、周期成本、偏差来源四个维度对比。
先说结论：广度归机器，深度归人
想验证「用户为什么放弃结算」这种因果问题，需要追问、需要看表情和停顿，机器问不出来。想知道「一千个用户提到结算时最常抱怨什么」，机器几分钟就能归类完，人工要读一周。
比较实际的组合是：用 AI 做第一轮开放收集和聚类，找出高频主题，再由研究员带着这些主题去做十几场深访。顺序反了，深访会浪费在已经知道的结论上。
第一轮聚类可以交给 Kimi 完成，把上千条开放回答按主题归并，再用豆包把归类结果扩写成可读的主题说明，研究员再从高频主题里挑出值得追问的几条，带着假设进访谈。
样本来源不一样
传统调研依赖招募，样本量有限，但可以有明确的配额，比如年龄、城市、使用年限各占多少。招募的偏差在于愿意来的人本来就比较爱表达，沉默用户很难被覆盖。
AI 调研可以铺得更开，把开放题嵌进产品里、嵌进客服对话里，让用户在自然场景下留下回答。样本量大，但结构不可控，主动回答的人仍然有偏，不能直接当成总体分布来用。
| 维度 | 传统调研 | AI 调研 |
|---|---|---|
| 样本量 | 有限，一次几十到几百份 | 可以铺得很开，成百上千条开放回答 |
| 结构可控性 | 有明确配额，年龄、城市、使用年限可按比例配 | 结构不可控，谁愿意答谁答 |
| 偏差落在哪 | 愿意来的人本来就比较爱表达，沉默用户难覆盖 | 主动回答的人同样有偏，不能当成总体分布 |
问题形态从固定走向追问
传统问卷的题目是固定的，好处是可比，坏处是问不到设计者没想到的角度。用户选了「其他」，后面没有输入框，这条信息就丢了。
AI 调研可以追问。用户说「太麻烦了」，系统可以接着问「是哪一步麻烦」，根据回答再决定下一句问什么。这种半结构化对话能挖出更多细节，代价是每个人的问题不一样，统计口径要重新设计。
周期和成本的差距
传统调研从设计问卷、招募、执行到出报告，通常要两到四周。AI 调研可以把执行压缩到几天，但前期的问题设计和后期的校验一点都省不了，甚至更费功夫，因为要防止模型把回答归纳得过于顺滑。
成本结构也不同。传统调研的钱主要花在样本和人力上，AI 调研的钱主要花在设计与分析上。样本便宜了，但如果问题设计得差，得到的是大量正确的废话，返工成本更高。
偏差来源不同，校验方式也不同
传统调研的偏差来自招募、提问措辞、访员引导。AI 调研多了一层模型偏差：归纳时倾向于挑出表达清晰的回答，忽略含糊但真实的意见；生成追问时可能顺着用户的说法走，把结论越推越偏。
校验要做两件事：一是保留原始回答，让结论能回溯到具体语句；二是人工抽读百分之十的原始记录，看归纳有没有丢信息。只看看模型生成的总结，很容易被流畅的表述骗过去。
还要防一手可得性偏差。愿意在对话里认真打字的人，本身就更爱表达，他们的意见密度高于沉默用户。分析时要把「说了什么」和「有多少人遇到」分开看，前者靠对话收集，后者仍要靠行为数据验证。
- 要广度、要快速归类：AI 调研
- 要动机、要场景观察：人做深访
- 顺序：先机器聚类找主题，再人做深访
- 样本：量大但结构不可控，别当总体分布
- 校验：留原始回答，人工抽读一成
关于调研方式的三个常问问题
- AI 能代替用户访谈吗？：不能。它能做预研和归纳，访谈里的停顿、犹豫、现场演示，它都看不到。
- 样本越大越准吗？：不一定。结构偏了，样本再大也只是把偏差放大，配额比数量更重要。
- 怎么防止模型顺着我的假设说？：问题里不带倾向词，追问用开放式，另外留一组反向假设做对照。
调研结论要落到流程里，可以看数字员工和自动化脚本有什么区别；如果只做单点提效还是全链路改造，参考单点 AI 和全流程 AI 差在哪；对时效敏感的推荐场景见实时推荐和离线推荐有什么区别。
