一份研究材料写得流畅，人物背景也很完整，就能帮助我们理解真实用户吗？Rachel Banawa 分享了一次比较：在特定的开放问题上，AI模拟受访者与真人的主要结论相近，但回答的差异更小。它提醒用户体验设计公司，判断研究价值时，还要留意那些不常见却可能影响设计的情况。以下只简述这一观察，并结合假设的产品任务，分享我们对研究准备与证据使用的思考；不把单次比较推广成所有AI工具的结论。
一张用户画像可以包含职业、年龄和偏好，看起来很接近真实的人。但在界面设计里，我们经常想知道的是更具体的事情：他是否会错过入口，看到某个术语时如何理解，任务被打断后还能不能接着做。这些问题需要放到使用过程里观察，单靠人物描述很难判断。
假设要改进一个设备报修页面，熟悉系统的管理员与第一次报修的员工，可能会在不同地方停下来。前者关心批量处理，后者甚至不知道设备编号在哪里。若一开始只依据整齐的人物设定写功能清单，就容易把这两种差异压成同一套顺畅的操作故事。
原文配图：模拟受访者资料界面。来源：Rachel Banawa／Nielsen Norman Group。
因此，研究准备时可以把人物信息与待验证的行为分开记录。知道一个人的背景，只是帮助我们安排问题；是否真的遇到某个困难，还需要观察或其他可靠材料支持。
原文配图：模拟回答的展示形式，非本司访谈记录。来源：Nielsen Norman Group。
无论面对真人还是模拟材料，设计团队都容易被表达清楚的回答吸引。比如希望界面更简单，听上去很合理，却没有告诉我们哪里复杂。可以继续追问最近一次使用发生了什么：当时要完成哪项工作，看到了什么信息，在哪一步开始犹豫。这样得到的材料才更容易对应到界面调整。
对于AI生成的访谈内容，我们更适合把它视为准备工作的练习对象。它可以帮助发现问题是不是太宽泛，或者提醒我们某个话题尚未覆盖；但其中自述的经历不能直接写成用户原话，更不能变成已经完成的访谈记录。
一种实用的记录方式，是在笔记旁明确区分真实观察、团队假设和准备追问的问题。几种材料可以放在同一工作区，但应有不同标识。等方案进入评审时，就不会因为文字写得像，就误把推演当成证据。
团队还可以在评审材料里保留一两条尚不能解释的观察，不必为了让报告完整而强行归类。它们可能只是偶发，也可能提示了新的使用方式。先写清发生条件，等后续资料再判断，比仓促给出一个原因更稳妥。
原文图表：该研究中特定问题的回答分布。图中比例不能理解为AI研究准确率。
当很多回答都指向相似方向时，团队很容易迅速形成共识。不过，有些界面问题恰好出现在少数情况下：网络不稳定、数据特别长、用户临时没有所需资料，或需要让同事接手。它们未必频繁，却可能决定任务能不能完成。
以一个假设的预约表单为例，多数人能一次填完，但有人只知道大致时间，有人还没有确认同行人数。如果我们只根据理想路径设计，用户遇到这些情况就只能退出。是否允许保存草稿、稍后补充或明确标记待确认，需要结合真实场景再做判断。
这并不意味着每一种边缘情况都要新增功能，而是提醒我们在决策前说清楚取舍。某种情境暂不支持，也应该知道原因，并给用户一个可以理解的处理方式。
原文图表：不同回答的分布对比，保留原图标注与研究语境。来源：Nielsen Norman Group。
比较适合从小范围开始的工作，是整理已经获得的资料、归纳待追问的问题，以及帮助团队检查记录是否遗漏关键信息。涉及录音、访谈文字或客户资料时，仍应遵循团队的数据使用约定，不因为工具方便就扩大资料传播范围。
整理完成后，最好让每个重要判断都能回到对应的材料：一段观察笔记、一处录屏位置，或一组经过说明的统计结果。看不到依据的判断可以暂时留在假设区，而不急着写进最终需求。这样即使工具生成了一段很有说服力的总结，团队也有办法核对。
对于下一轮测试，可以优先选择那些会改变设计决策的不确定点。一个入口是否看得见、一句话是否被理解，比再次询问用户喜不喜欢整体风格更容易产生可操作的反馈。
当多个成员一起整理研究材料时，可以先各自阅读同一小段记录，再比较理解是否一致。如果大家对某个词的含义不同，应该回到上下文讨论。AI可以协助整理分歧，但最后如何解释、是否足以影响设计，仍需要团队对证据负责。这样的讨论也能帮助新成员理解研究材料，而不是只接收一份结论。
AI可以帮助准备与整理，但真实用户带来的犹豫、意外和不一致，也正是设计需要认真理解的材料。保留这些差异，方案才有机会照顾到顺畅故事之外的使用情况。
