AI重塑研究运营：从被动响应到主动预测的三大反转

在充满挑战与变革的时代，父亲通常会向我提起一个词：柔道。柔道是一种日本武术，由嘉纳治五郎于 1882 年创立，“judo”一词译为英文意为“gentle way”（温和之道）。柔道区别于其他武术之处在于，它不单纯依赖蛮力，而是利用对手的动量和平衡（或缺乏平衡）来赢得比赛。当对手的拳头或腿猛烈袭来时，他们不会抵抗，而是顺应这股能量，利用它来将对手摔倒。“以最小的努力获得最大的效率”，即 Seiryoku-Zenyo（精力善用），是柔道的目标——这句格言同样非常适用于研究运营领域。

变革也可以被视为需要抵抗的对手；近年来你很可能已经经历了大量的变化与挑战。尤其是当变化出乎意料时，它可能令人畏惧，但通过理解其中的作用力，并具备足够的适应性和智慧，往往可以利用变革的能量为个人和职业发展带来优势。这正是柔道的精神内核。

在过去一年里，作为一名故事讲述者和本刊编辑，我一直在研究 UX 研究领域以及由此延伸的研究运营领域正在发生的变化，我注意到了三个主要的反转或颠覆。理解这些反转——那些被彻底颠覆的事物——帮助我以更清晰的视角应对快速变化的格局。例如，在我策划和编辑本刊的方式上。在本文中，我将分享这三个反转、它们对该领域的影响，以及我认为你应当据此考虑的事项。我希望它们能立即引起你的共鸣（如果未能引起共鸣，请告知我），并且希望理解它们也能为你带来更清晰的战略视野。

编者注：本文最初发表于 The ResearchOps Review，可在此处查看。

1. 研究曾是被动响应的；现在应转为主动前瞻

如果你在研究领域工作过一段时间，就会知道大多数研究团队一直按照被动服务模型运作（无论你是否使用过这个术语）。在酒店场景中，客人致电前台要求客房服务，随后一系列支持、厨房和服务人员便行动起来满足需求。同样，在企业内部研究团队的场景中，产品或设计经理会联系他们的“前台”，无论是熟悉的某位研究员、研究经理、工单平台还是其他渠道，以提交他们的研究请求。如果请求被接受，至少一名研究员，或许还有研究运营团队，便会行动起来交付洞察。

迄今为止，研究团队不得不沿袭这种模式运作；猜测分散在各个孤岛中的数十位利益相关者可能需要知道什么、何时需要知道，是不可能的。即便如此，这种方式很少奏效。对于服务请求者而言，他们的洞察往往“姗姗来迟”：太晚了，无法回答他们最初的问题。对于服务提供者而言，被当作处理外卖订单一样对待，还要应对研究请求者对快速答案的急躁情绪，导致双方都有大量抱怨和叹息，并促使研究领导者渴望争取一个更好、更具战略性的席位。这合情合理。

然而，随着 AI 的出现，最成熟的研究团队正在让被动研究模式——或者至少将被动性作为唯一的运营模式——成为过去。AI 开启了一个一年前研究领域只能梦寐以求的主动时代。现在，团队不再等待他人提出研究请求，而是利用 AI 构建主动研究系统。这些系统能够以以前难以想象的数量收集、整理、分析和交付数据。但最有趣的部分在于，精明的研究创新者正在构建能够预测利益相关者可能需要哪些洞察、何时需要（通常在他们自己意识到之前）的系统，并且他们正在使用 AI 来发现现有知识库中必须填补的空白，以满足这些预测。

主动管道与预测引擎

2026 年 5 月，我发表了“如何 AI UXR：构建 AI 增强型研究运营的地图”，¹你可以下载该文章进行详细研究——它确实非常详尽。该地图基于通过案头研究、一对一互动以及与五十多位研究专业人士进行的四次工作会议收集的 562 个数据点。以下是创新研究团队正在构建的主动研究系统的示例：

• 即时每周 PESTLE 简报。一个团队使用桌面 AI 代理 Claude Cowork 构建了每周触发器，该代理运行并行的 PESTLE（政治、经济、社会、技术、法律和环境）查询，将结果记录在数据库中，并向合作伙伴提供每周简报，从而定期更新外部市场力量情况。
• 持续洞察流。洞察流的概念在 如何 AI UXR 研究中很常见。几个团队构建了自定义代理，定期抓取和综合内部数据，如净推荐值 (NPS) 指标、支持工单、销售笔记、客户通话记录和应用内查询，以及外部数据，如 Reddit 帖子和 App Store 评论。然后，它们向利益相关者发布每周摘要或实时总结，详细说明超越研究范围的更广泛的客户情绪。
• 社交聆听。我经常想到，研究领域有很多可以向营销学习的地方。营销专业人士习惯性地监控社交媒体和网络上的数字对话和提及，以更好地了解消费者情绪、行业趋势和竞争对手活动，然后利用这些数据来预测和规划内容。官方术语是社交聆听，并且有专门的工具帮助他们进行聆听。在获得许可的情况下，研究团队开始消化企业战略和 PESTLE 数据，以及利益相关者的会议记录、博客文章、规划工单和群组消息，以“聆听”利益相关者的兴趣，并利用这些数据为其主动研究路线图和研究内容日历提供信息。
• 知识差距分析。AI 正在改变研究库，不仅改变了检索现有知识的方式，还改变了如何使用这些知识。具有前瞻性的研究团队开始使用 AI 将他们预测利益相关者需要的洞察与其库中已有的知识进行比较，然后计划主动研究项目以填补知识差距。

在主动式模型中，当预测显示利益相关者所需的数据或洞察尚不存在，或者现有内容必须更新或充实以提供更深层次的信息时，一支能力强大的战略研究团队可以迅速行动来填补这一空白。这是一种完全不同的研究团队运营模式。

主动性取决于出色的 AI 技能，而非提示词技巧

在过去一年里，提示词艺术一直是 AI 课程和网红内容的焦点，其次是 AI 准确性评估，即 evals。我认为更隐性且更重要的能力是构建 AI 技能的艺术：旨在将一件事做好的专门化 AI 功能。如果你能很好地构建一项技能，AI 就应该引导用户写出好的提示词。换句话说，主动性的未来更多取决于技能，而不是提示词技巧。

在 episode three² of the How to AI UXR podcast series, DoorDash researcher Nam Pham shares that “Early on when we designed the skill, the concept of chaining the skills was very important for us because we wanted it to be a guided experience. Especially for people who didn’t know what to do when it comes to research. So we trained the skill to recommend the next step, and the next step, until they have the results. So you know, a bit of service design knowledge actually helps when designing these kinds of skills.”

交付主动式研究的关键在于设计通过 LLM 聊天界面交付内容的系统，这些系统能够引导用户在必要时暂停、提出正确的问题，并在必要时联系合格的人类专家。同时，也要像前文示例那样，设计能够将看似偶然的洞察交付到利益相关者日常工作空间中的系统。

2. 在以利润为导向的世界中，运营效率现在是首要任务

时机再同步不过了。当我正在思考如何解释这种反转时，一位从事 ResearchOps 工作的朋友发邮件分享说，他们整个 UX 研究团队都被裁掉了，留下他们在没有工艺领导指导的情况下独自负责研究工作运营。不幸的是，这是一个很常见的消息。

后疫情时代，世界各地的组织已从增长模式（优先考虑市场份额和收入增长而非利润）转向利润模式（专注于优化利润率、严格控制运营支出并产生正向现金流）。（早在 2026 年初，我在一篇题为“Why the Distributed Growth Model Is Failing Research Teams—and What to Build Instead”的文章中写过这种转变。）³ 这种向运营效率的转变意味着，在许多地方，即使面临裁员，运营专业人员或愿意转型为此类角色的人仍被保留下来。⁴

那么，研究和研究运营在这个组合中处于什么位置？直到一两年前，UX 研究团队还是相对强大的存在：足够大的团队会雇佣数量少得多的运营人员，帮助他们产生比单打独斗更大的影响力。例如，在一个以运营为导向的环境中，一个 120 人的研究团队可能包含一个十人的 ResearchOps 团队。然而，很多时候，这些研究领导者将行政人员作为“运营”员工招聘进来，误解了运营专业人员的主要目的——他们是高效系统的设计者，而不是（直白地说）昂贵的研究助理。无论如何，这些相对较小的运营团队能够将研究系统扩展到整个组织中的数十人或数百人，这引起了新近转向利润导向的高管们的注意。

我朋友的故事并非个例；我经常收到来自那些发现自己处于类似境地的人的信息——他们因缺乏工艺领导者而陷入困境。

在这种向利润导向的转变中，UX 研究团队要么被完全取消，只留下负责的研究运营专业人员（却失去了他们所需的工艺建议）；要么研究人员有机会保留职位，但实质上变成了 ResearchOps 专业人员；偶尔也有研究团队成员被置于运营领导层之下。在许多公司里，研究领域的等级秩序在短短几年内发生了颠覆性的变化。

运营杠杆成为新的高管语言

这种反转对于运营专业人员来说看似是极好的职业前景，确实如此，但有注意事项。没有精心设计的研究系统，研究团队无法有效运作；设计有效的研究系统需要深入的研究专业知识；而没有明确的研究策略，任何研究系统都无法成功运行。简而言之，研究人员和研究运营团队不应像过去那样处于层级关系中，也没有彼此就无法交付有效的研究系统。相反，这种关系应该是平等且共生的：运营技能和研究技能必须紧密配合。

AI 进一步加剧了这种动态。高管们可能认为他们可以消除研究中“昂贵”的部分——即研究人员——转而依靠一个小得多的运营团队来普及研究，并用 AI 自动化其余部分。但是，要设计成功的 AI 增强型研究系统，更不用说让非研究人员也能进行足够好的研究，系统设计者必须深刻理解研究方法。可以说，机制构建者必须是艺术家。当他们的研究同行被大规模解雇时，ResearchOps 专业人员惊慌失措地给我发邮件是完全有道理的。

由 The ResearchOps Review 于 2025 年底发布的“The Universal ResearchOps Career Ladder,”⁵ 仍然准确，但由于 AI 的出现，研究运营专业人员现在必须对研究工艺有深刻的理解，或者更理想的是，与工艺专家携手合作。

“第二层”让每个人都成为运营者

从研究岗位转向运营岗位的人，无论是正式还是非正式的，也都在承受压力。因为 AI 已经让每一位愿意构建的研究专业人员变成了研究系统的构建者——而这些系统随后必须由每位研究人员进行维护，正如 Jordan Brinkman 最近的文章“The “Second Layer” Problem: What to Do When AI Tools Create Operational Debt”⁶所指出的那样——现在每个人都在交付运营工作。Brinkman 指出：“自行构建和管理的 AI 工具产生了另一种认知负荷：编排、治理和维护工作的‘第二层’；这些运营工作我现在主要通过提示词来处理。”他接着问道：“谁来管理我正在构建的这些新工具？我该如何调整以更好地应对大脑过载？如果我构建的工具列表不断增长，我的维护待办事项也随之增加，我怎么还会有时间做研究？”

这正是运营专业人员多年来一直使其隐形的工作。许多研究人员发现他们没有时间。此外，公司往往更热衷于让研究人员交付能够自动化研究并赋能他人进行研究ing的系统，而不是让他们自己进行研究。这是一种疯狂的局面，特别是考虑到该职业拥有更高效运作所需的所有技能。

主动系统的柔道术

如果这种反转的概念让你感到恐惧或愤怒，我认为你感受到的都是正确的。但请记住：柔道。解决方案是利用第一次反转中蕴含的变化力量：设计主动式研究系统。对于可操作的清单，请考虑以下几点：

• 利用 AI 和系统设计，以前所未有的规模支持研究民主化。作为一个优秀的案例研究，请观看“Near-Instant Research Coaching is Now Possible—and It Works,”⁷，这是 How to AI UXR 播客的第一集，嘉宾是 Ramp 的 Michelle Bejian Lotia。你可以将民主化工作集中在低风险探索性研究、可用性测试以及（正如 Bejian Lotia 所了解到的）像流失访谈这样的对话上。
• 建立一种研究实践，在高层决策者意识到他们需要之前，就对他们所需的洞察下注经过充分研究的赌注。
• 通过主动内容管道策划内容和沟通，以便在需要时轻松提供洞察，或者让它们看似“偶然地”出现。借鉴市场营销行业的社交聆听实践。
• 提供系统，使利益相关者能够在需要填补空白、错失必要的“洞察赌注”或需要探索细微差别时，与研究人员合作交付战略性研究。
• 不要仅仅依赖用户在提示词技巧方面的熟练程度，而要培养 AI 技能，引导用户进行良好的对话，从而确保获得的洞察可靠，并引导他们走上正确的道路——包括请求原始研究。

如果你是一名研究经理，交付这种类型的团队需要重新考虑一切：你雇佣谁、他们的职位描述是什么、你如何组建团队以及如何运作。但是，由于裁员和 AI 的影响，你可能目前无论如何都被迫这样做。如果你习惯于管理一个大型研究团队，比如几十人的团队，你的团队可能会变得更加敏捷。

3. 新的劳动分工

LinkedIn 上充斥着关于 AI 对研究是好是坏的二元论断。Lenny Rachitsky 和 Noel Segal 在 Lenny’s Newsletter 上发表的最新研究⁸报告称，在更广泛的产品领域（包括研究人员）中，41% 的人因 AI 感到充满活力，35% 的人感到矛盾纠结，另有各占 12% 的人分别感到迷失方向或怨恨 AI。忽略这九个百分点的差异，这种分裂几乎呈二元对立。事实上，创始人曾向我透露，他们不知道自己是该兴奋还是该恐惧，而这似乎是一种恰当的反应。

直到 2022 年底 ChatGPT 面向消费者推出之前，知识工作者的薪酬高得惊人——甚至令人羡慕——许多人觉得自己是不可替代的。毕竟，智能并非可以操作化或系统化的东西。但现在它可以了。人类毫无疑问掌控着较笨拙的对手：机器。当然，反转在于机器越来越聪明；它们肯定不再愚蠢。谁比谁更聪明？持续多久？代价由谁承担？在随 Mythos Preview（该模型还自主逃脱了其制造商 Anthropic 的沙盒）发布而公布的最新基准测试数据中，“Mythos Preview 在 SWE-bench Verified（自主软件工程的标准行业评估）上得分 93.9%；在 GPQA Diamond（研究生级科学推理基准）上得分 94.5%；并在 2026 年美国数学奥林匹克问题集上得分 97.6%，这一分数超过了参加同一考试的人类竞争对手的中位表现。”文章接着总结道：“综合来看，这些数据描述了一个将前沿软件工程能力与通常与专业科学训练相关的系统化推理相结合的系统。”⁹

谁比谁更聪明，以及人类的智慧何时且是否会被超越，无疑是每个人都在思考的问题，但更好的问题是：人类研究专业人员能做哪些最聪明的机器无法做到的事？聪明的智人和聪明的机器共同能交付哪些单独无法交付的成果？

我见过的最有趣的 AI 增强型研究系统（参见 How to AI UXR）并不旨在取代人类。事实上，它们根本不取代人类。相反，它们致力于解决以前无法解决的问题。它们以定量规模交付定性研究；使用 AI 主持来补充人工主持的研究，或在以前不可能的时刻采访参与者，例如凌晨 3:00 一位精疲力竭的新手父母转向他们同意参与的研究项目以分享他们的挫败感；使用合成用户来在推向难以寻找的参与者之前对研究项目进行感知检查；或者如前所述，Michelle Bejian Lotia 的“UXR Interview Coach”，这是一个基于转录稿的辅导系统，用于评估研究通话，提供“严厉但公平”的反馈，并帮助非研究人员在研究会议结束后的几分钟内提升技能。然后，当然还有构建主动研究系统的价值。

将反转转化为操作手册

人们很容易把这些转变仅仅视为观察结果，但它们为让你的业务具备未来适应性并以极其新颖的方式交付规模化研究提供了战略路线图。以下是需要牢记的关键概念：

首先，研究正从被动模式转向主动模式；利用 AI 自动化旧的运营模式并不是你找到成功之处的地方。相反，应彻底重新审视你的旧模式——考虑忘掉你所知道的几乎一切。建立一个能够可靠预测利益相关者需要了解什么，并以其最感兴趣的形式交付这些信息的业务体系。

其次，在盈利模式中，运营并不位于战略的下游；它是让专业技能蓬勃发展的机制。如果研究不能作为一个高效、可重复的系统交付，以便其他职能部门无摩擦地利用它，那么它将被视为一种可自由裁量的成本：即“锦上添花”。研究必须被设计为一个可靠且必要的运营杠杆：一种让组织减少浪费、降低风险赌注并优化决策以创造更多利润的可信方式。这听起来可能艰难而冷酷，但却是专业技能和创造力得以蓬勃发展的基础。

第三，随着机器变得更聪明，问题不在于谁赢——人类对抗机器——而在于谁设计了劳动分工。那些脱颖而出的团队将是那些明确决定人类必须在何处行使判断力、机器在何处更具优势，以及如何设计和治理交接流程以确保随着数量增长质量不下降的团队。

我相信聪明的人类和比以往任何时候都更聪明的机器在一起可以变得更加聪明。机会不在于思考“非此即彼”——人类对抗机器——而在于构想两者固有的机会，并利用经济变革和 AI 的出现来激发研究的活力。Seiryoku-Zenyo（精力善用）。