UX 研究团队正在”手搓“研究工具

10 月 9 日，总部位于布达佩斯的产品设计与用户研究机构 UX Studio 发布文章，介绍其研究团队近期使用 AI 的方式。文章作者 Fruzsi Fejes 采访了团队中的八名 UX 研究者，从他们的实际工作中整理出四个案例。这4个案例不是四项正式研究，也不是 UX Studio 推出的商业产品，而是研究者为解决日常工作中的具体问题，所自行搭建的内部工具。

过去关于 AI 与用户研究的讨论，大多集中在几项常见任务上，例如生成访谈提纲、整理录音、归纳反馈或撰写报告。这些任务仍然把研究者放在现有工具的使用者这样一个位置上。软件提供什么能力，研究者便在这个范围内组织工作；遇到工具没有覆盖的需求，要么依靠手工处理，要么等待设计师和开发者提供支持。

UX Studio 展示的四个案例发生了不同程度的变化。研究者不再只向通用 AI 提交单次任务，而是把重复出现的工作整理成可以反复使用的工具。其中包括生成调查图表、记录产品流程、维护研究知识以及制作测试原型。它们服务的环节不同，却有一个共同点。研究者开始决定工具接收什么信息、如何处理这些信息，以及最终应当形成什么结果。

第一个案例来自调查研究。一名研究者长期为拥有大量目标用户的客户开展问卷项目，每次向利益相关者汇报时，都要把调查结果制作成符合品牌规范的图表。选择图表、调整颜色和字体并不属于研究中最关键的判断，却持续占用时间。

她利用 Gemini 制作了一个专门生成图表的工具。研究者上传问卷原始数据后，系统会建议适合的图表形式，并按照指定的品牌颜色和字体生成结果。为了检查模型是否错误理解数据，研究者还可以要求系统显示图表所依据的部分原始记录。团队同时强调，资料进入工具之前必须清除可以识别个人身份的内容。

这一案例减少的是数据呈现中的重复劳动，但它并非纯粹的排版自动化。系统一旦开始推荐图表类型，就已经参与了研究结果的表达。相同的数据可以被组织成趋势、比例或组间差异，不同图表会引导读者关注不同关系。研究者可以委托工具制作图表，却仍然需要判断这种视觉表达是否准确支持研究结论。

第二个案例处理的是产品流程记录。UX Studio 为客户进行体验审查和可用性测试后，通常需要截取产品界面，将问题和建议对应到具体步骤。流程较长时，研究者必须逐页操作、截屏、命名，再把画面整理到 Miro 白板中。工作本身并不复杂，却容易在包含多个状态和分支的产品中消耗大量时间。

团队中的一名研究者使用 Cursor 制作了一个流程记录 Agent。研究者输入产品网址并选择需要记录的用户流程后，工具会完成相应操作，截取界面并生成可以继续编辑的 Miro 白板。文章称，这名研究者没有编写代码，首个版本约半小时完成，随后成为整个团队都能使用的内部工具。

这项自动化改变了研究材料的形成方式，却没有消除研究者的判断。工具可以沿着指定路径记录画面，但它需要预先知道从哪里开始、哪些步骤属于目标流程，以及什么状态应当被保留。真实用户可能中途返回、误触、放弃任务，也可能进入研究者没有指定的异常分支。自动生成的流程图呈现的是一条被选择过的路径，不能自然代表完整体验。

第三个案例是一套个人研究知识库。团队中的一名研究者长期阅读书籍和文章，也会收集播客内容。他原本使用 Obsidian 保存笔记，随着资料不断增加，整理结构、建立关联和识别观点冲突变得越来越困难。随后，他将 Obsidian 与 Claude 连接，让模型协助整理新资料、生成笔记，并把新内容与既有知识联系起来。

这套系统还会提示不同来源之间可能存在的矛盾。研究者在开始新项目时，可以查询过去积累的方法与观点，辅助选择研究方式。文章同时说明，他会人工检查模型整理的内容，并未把知识库的输出直接视为可靠结论。

知识库解决的是资料规模增长以后难以调用的问题，但它也在改变研究者接触知识的顺序。哪些内容被判断为相关，哪些差异被概括为冲突，取决于模型如何理解资料。系统提供的连接越顺畅，研究者越容易沿着已经生成的关系继续思考，而忽略没有被模型识别的来源和解释。因此，人工检查不能只核对摘要是否准确，也要检查知识之间的联系是否合理。

第四个案例与正式客户研究无关，而是为了更新 UX Studio 的招聘测试。该机构会要求研究岗位的应聘者使用一个原型开展可用性测试。团队需要更换测试题目，却暂时没有设计资源制作新的移动端原型。文章作者先确定研究问题、目标用户、产品构想与主要功能，再通过 Claude Design 生成界面。经过几轮修改后，原型在数小时内达到可测试状态。

这个案例说明，研究者不必等待完整的设计与开发流程，也能为特定研究任务准备交互材料。但原型承担的是测试刺激物，它的结构会直接影响参与者的行为。

四个案例覆盖了研究工作的不同位置。图表工具影响证据如何呈现，流程 Agent 决定哪些操作被记录，知识库参与资料之间的关系组织，生成原型则构成用户测试的直接环境。它们都没有代替访谈、观察和分析，却开始参与研究证据形成之前的准备过程。

这正是研究者自行制造工具后需要面对的新责任。使用成熟软件时，很多技术选择已经由产品团队处理，研究者主要判断工具是否适合当前任务。自行建立工具以后，研究团队还要说明输入数据如何处理、自动化覆盖了哪些范围、模型在哪些环节作出判断，以及结果经过了怎样的人工检查。工具带来的效率不能与研究方法本身分开评价。

AI 没有让研究者摆脱工具，反而让研究者开始参与工具的设计。研究团队获得了更大的自主空间，可以围绕自己的流程建立过去无法获得开发资源的小型系统；与此同时，工具对证据的选择、组织和呈现也需要由研究者负责解释。当研究者从软件使用者转变为研究工具的制定者，新增的不只是制作能力，还有确保这些工具不会悄然改变研究结论的责任。