为 AI 助手功能做用户需求调研时，应调研哪些用户类型，采用哪些定性和定量方法，如何沉淀需求优先级？｜字节跳动产品面经解析

60 秒回答模板

我会把 AI 助手的用户调研分成“调谁、问什么、怎么验证、怎么排优先级”四步。第一步先做用户分层，不只找最活跃用户，还要覆盖高频核心用户、低频新手、专家用户、团队管理者或管理员、上下游协作者、流失或不用 AI 的用户，以及有安全合规要求的边界用户。因为 AI 助手常常同时影响个人效率、协作流程和组织信任，只看单一用户会把需求看窄。第二步用定性方法理解任务：做半结构化访谈、情境观察、任务旅程拆解、可用性测试和原型共创，重点问用户在什么任务上卡住、当前替代方案是什么、为什么不用现有工具、希望 AI 帮到哪一步、哪些结果不能接受。第三步用定量方法验证规模和优先级，包括问卷、行为日志、搜索/提问/编辑链路分析、漏斗转化、任务完成时长、采纳率、复用率、撤销率、人工修改率、满意度和留存。AI 助手还要单独看信任指标，比如答案可采纳率、引用/证据使用率、幻觉投诉率和用户重试率。第四步沉淀需求时，我不会把用户说的功能直接排期，而是抽象成 JTBD 或机会点：目标用户、任务场景、痛点强度、发生频率、当前成本、AI 可解决程度、技术可行性、风险和商业价值。优先级可以用 RICE、Kano 或机会评分，但要把证据挂上去，形成“用户群-场景-需求假设-成功指标-MVP-验证结果”的需求池。最后用灰度实验和 badcase 回流验证，优先做高频、高痛、低风险、能形成明确闭环的场景。

考点 调研对象分层

难度 真实面经题

回答目标让候选人能把 AI 助手用户调研讲成一套完整产品研究方法：先分层找人，再用定性理解任务，用定量验证规模，最后以证据、指标、可行性和风险沉淀优先级。

深入解析

先界定调研目标

AI 助手调研不能一开始就问“你想要什么功能”，而要先明确产品要解决什么类型的问题：信息检索、文档生成、任务执行、流程自动化、数据分析、决策辅助，还是协作提醒。不同目标对应不同用户、证据和风险。一个好的调研目标应包含目标人群、核心任务、当前替代方案、期望结果和可衡量指标，否则最后只会得到一堆“希望更智能”的泛需求。

用户类型要覆盖使用者和影响者

需要调研的用户不止直接使用 AI 助手的人。核心高频用户能告诉你真实工作流和高价值痛点；新手用户能暴露理解成本和引导问题；专家用户能指出能力上限和边界；管理者或管理员关注权限、数据安全、ROI 和团队采纳；上下游协作者关注 AI 输出是否能进入协作链路；沉默用户、低使用用户和流失用户能解释为什么不用；合规、客服、运营等边界角色能暴露错误成本。这样才能避免产品只服务少数重度用户。

定性方法用来找到真实任务

定性研究适合回答“用户为什么这样做”。可以用半结构化访谈了解任务目标和痛点，用情境观察或 shadowing 看用户实际工作流，用任务旅程拆解定位卡点，用 diary study 观察跨天任务和重复劳动，用可用性测试验证交互理解，用低保真原型或 Wizard-of-Oz 测试 AI 助手的预期价值。访谈问题要围绕最近一次真实任务，而不是让用户凭想象描述未来功能。

定量方法用来验证规模和行为

定量研究适合回答“问题有多大、变化是否真实”。可以看日志里的入口点击、提问类型、查询改写、生成结果采纳、复制/插入、撤销、二次编辑、重试、终止、分享和留存；也可以用问卷衡量痛点频率、任务重要性、满意度和付费意愿。AI 助手还要关注任务完成时长、自动化节省时间、人工修改比例、错误投诉率、引用点击率、兜底转人工率和长期复用率，避免只看生成次数这种虚荣指标。

把用户语言转成需求假设

用户往往会提出功能方案，比如“加一个一键总结”。产品经理要继续追问背后的任务：用户是没时间读长文、找不到重点、要给别人同步，还是要做决策依据。沉淀时应把原始反馈归类为用户群、场景、痛点、当前做法、期望结果、证据强度和风险，而不是直接把功能名放进 backlog。这样同一个能力可以服务多个场景，也能判断哪些需求只是表达方式不同。

优先级要同时看价值、可行性和风险

需求优先级可以用 RICE、ICE、Kano、机会评分等框架，但 AI 助手要额外纳入模型能力边界、数据可得性、幻觉风险、权限合规、延迟成本和可解释性。高优先级需求通常满足：用户痛点强、发生频率高、当前替代成本高、AI 能稳定解决、结果容易验证、失败成本可控、能带动留存或付费。低确定性的需求可以先用原型、灰度实验或人工辅助流程验证，不应直接做重投入。

易错点

只问用户“想要什么 AI 功能”，没有追问真实任务、当前替代方案和失败成本。
只调研重度使用者，忽略新手、低使用用户、管理者、协作者和高风险边界角色。
把调用量、生成次数当成核心价值指标，没有看采纳率、修改率、任务完成和留存。
把用户说出的功能名直接排进 backlog，没有抽象成场景、痛点、假设和成功指标。
只做访谈不看日志，或者只看日志不访谈，导致缺少原因解释或规模验证。
优先级只看用户声音大小，不考虑模型稳定性、数据权限、幻觉风险、成本和延迟。
调研结论没有沉淀证据链，后续评审时无法说明某个需求为什么比另一个更重要。

面试官追问

为什么不能只调研高频活跃用户？

高频用户能提供深度流程和高价值场景，但他们可能更能忍受复杂交互，也更熟悉工具。只看他们容易忽略新手门槛、沉默用户不用 AI 的原因、管理者对权限和 ROI 的顾虑，以及边界用户对错误成本的要求。AI 助手要做规模化采纳，必须同时看使用者、影响者和不用的人。

AI 助手需求调研里最关键的定量指标是什么？

要看场景目标，不存在一个万能指标。效率类场景可以看任务完成时长、生成结果采纳率、人工修改率和复用率；检索问答可以看命中率、引用点击率、追问率和投诉率；协作类场景要看输出是否被分享、转发、插入工作流以及团队留存。调用量只能说明有人尝试，不能证明价值。

用户提出的功能和真实需求不一致怎么办？

不要直接否定用户，而是追问最近一次使用场景、为什么需要这个功能、当前怎么解决、失败会造成什么损失、如果没有这个功能能否接受其他方案。然后把功能请求拆成底层任务和成功指标，用原型或实验验证。产品经理要尊重反馈，但不能把反馈原样当需求。

如何把调研结果转成 MVP？

先选高频高痛、失败成本可控、模型能力能稳定覆盖的任务，定义目标用户、入口、核心动作、可见反馈和成功指标。MVP 可以只覆盖一个窄场景，例如固定文档类型的总结或固定知识库的问答，同时保留拒答、引用、反馈和人工编辑链路，用数据验证采纳和质量后再扩展。

AI 助手调研怎么处理隐私和合规问题？

调研阶段要明确用户愿意输入什么数据、哪些数据不能出域、哪些结果需要权限控制和审计。需求优先级里要把数据权限、敏感信息、可追溯性和错误后果作为约束。涉及高风险内容时，产品上要设计引用、确认、拒答、日志审计和人工兜底，而不是只追求生成效果。