警惕AI合成研究带来的虚假进度，主张先做人类发现再让AI加速

当速度伪装成进步时。

我清楚地记得，父亲在布朗克斯区的一条双向街道上以限速行驶，这时一辆车从我们后方窜出，仅差几英尺就切入我们的车道。这不是第一次了，每当这种情况发生，我都会预料到他会说出那句他最喜欢的、毫无路怒情绪的话：“哪儿也不去，却开得飞快。”

二十秒后，我们滑到一个红灯前，那辆插队的车正好停在我们旁边。作为一个好奇的12岁孩子，有一个问题一直萦绕在我心头：“他们注意到吗？”那位司机是否意识到，经过所有努力超车之后，他们的奖励只是一个红灯？对他们来说，速度是否感觉像是进步？

那种感觉像进步的 速度

司机根据他们掌握的信息行动并做出快速决定。空车道。我可以绕过去赶上下一个绿灯。现实是，许多交通信号灯是按定时序列运行的。抢过一个绿灯往往只会让你更早地遇到下一个红灯。插队的那位司机几乎总会记住那次超车，而不是那个红灯。代价不会出现在抄近道的地方，而是会在稍后显现。到那时，人们很容易忽略导致问题的原因。

如今，产品团队正处于那条车道上。几十年来，我们一直依赖一条简洁的规则：GIGO（垃圾进，垃圾出）。它假设垃圾是显而易见的。有了AI，情况并非如此。垃圾进去，出来时却被打磨得光鲜亮丽，使“钻系统空子”看起来像是胜利。AI无法权衡对你的用户而言什么是真实的；它预测的是可能性。喂给它你自己的数据（访谈笔记、支持工单、仪器数据），那么这种光鲜亮丽之下就有真实内容支撑。喂给它一个猜测，它就会输出一个充满自信的猜测。

Atlassian 的 State of Product 2026 报告发现，产品经理借助 AI 每天能节省近两个小时，但大多数人仍然感到被困在被动模式中，84%的人担心他们的产品不会成功。速度提高了。信心却没有增加。更快的产出并不等同于确信你正在构建正确的东西。

当 AI 接管方向盘时

在车流中穿行的司机承受着压力，而一个空隙看起来就像是一个机会。使用 AI 开始工作也是同样的道理。向它询问用户需求、客户体验地图和用户画像，你会在几分钟内得到结果。这些结果可能会给你一种虚假的信心，让你以为已经找到了要解决的确切问题。仅在 LLM 的能力范围内定义问题，会让 AI 基于平均值、预先存在的偏见以及关于你要解决的问题的既有写作模式来完成繁重的工作。而且输出通常是不透明的，迫使团队追溯结论是如何产生的或哪些假设塑造了它们，经常陷入死胡同。

这是自上而下的思维，它没有解决你的客户今天的痛点。在有意义的发现设计之前依赖 AI 可能代价高昂。它会消耗工程和设计时间，给产品团队带来组织性劳累，并造成很久以后才会显现的中断。在招聘、金融科技、贷款和医疗保健等高风险领域，它可能造成巨大伤害。

自下而上的思考始于人。它涉及研究以定义问题并理解与之相连的系统及其所有相互依赖的部分。这是一项杂乱的工作，就像绘制需求如何与围绕它的复杂网络和流程相联系。 它让团队在成本较低时尽早犯错。这是一条揭示用户独特性和具体性的路径。这就是 AI 变得有用的地方，在你观察了 用户的需求后，由它来处理这些需求。

合成研究的陷阱

在 Thinking in Systems 中，Donella Meadows 剖析了一个被称为“规则规避”的陷阱，即遵循规则的字面意思来绕过其 目的。

她通过 Bill Watterson 的一则 Calvin and Hobbes 漫画强调了这一点：

在这幅漫画中，Calvin 告诉 Hobbes，他每天将做十件好事直到圣诞节，这样圣诞老人就会对他网开一面。当 Hobbes 指出 Susie（他的死对头）“正朝这边来”时，Calvin 决定明天开始，每天做二十 件。

Calvin 并不是想行善。他希望弥补一年的不良行为，以便在 圣诞老人面前表现良好。

合成研究（AI 生成）参与者也可能以同样的方式运作。UX 和以人为本设计中最常被引用的原则之一是在构建之前了解你的用户。合成角色允许团队在不接触任何单个 用户的情况下勾选研究选项。

“研究不仅仅是为了避免平均水平。它是获得最新 答案的唯一途径。”

当 NN/g 使用 AI 生成的参与者重新运行其三项自身的研究时，发现答案过于浅显而无助益。在一项研究中，合成参与者声称他们完成了每一门课程。研究看起来完整，但答案好得令人难以置信 。

在 2026 年 User Interviews 对 150 名研究人员进行的调查中，81% 的人在工作中定期使用 AI，但只有 8% 的人用它来模拟参与者。他们最大的担忧是洞察的质量和准确性 (88%) 以及利益相关者过度信任 AI 生成的发现 (79%)。

最新的答案存在于实地。

用户的行为是你拥有的最新且最真实的信息。他们上个月的变通方法、上次发布后开始的愤怒点击、本季度因行业变化而开始浮现的全新需求。它们只存在于实地。你产品的最新细微差别不会可靠地出现在任何训练数据中。研究不仅仅是为了避免平均水平。它是获得最新 答案的唯一途径。

Meadows 的出路不是添加更多规则。而是重新设计规则，使人们的努力指向目标而不是绕过它。对于产品团队来说，这意味着衡量我们是否了解用户，而不是我们是否制作了角色或原型。研究发现可以追溯到某种有形的事物，一次访谈或一张支持 工单。

探索可以发现什么

考虑一个被要求加速管理控制台权限工作流程的产品团队。为了快速行动，他们提示 AI 创建一个管理员角色。这个角色很有说服力；忙碌、技术性强，并且对过多的 点击感到沮丧。

显而易见的解决方案随之而来：
1. 批量操作
2. 减少确认步骤
3. 单击即可在整个组织中应用更改

然后，一位设计师、一位 PM 和一位开发者与五位真实的系统管理员共度一周，一个完全不同的主题浮现出来。他们想要更快的速度，但速度并不是他们最大的担忧。错误才是。一个错误的更改可能会将数百人锁在他们的工具之外，或者让错误的群体访问敏感信息。

他们不需要更少的步骤。他们需要的是信心：
• 预览更改将影响哪些人
• 记录更改了什么以及何时更改
• 一种简单明了的撤销方式

有了这些，批量操作不再是一种风险，而成为了团队所要求的加速手段。

AI 画像并没有说错，系统管理员确实很忙。但它只是平均水平。它描述的是系统管理员通常所说的话，而不是这些管理员面临的风险。如果仅基于画像进行构建，团队本会发布一种更快造成昂贵错误的方法，并在几个月后通过支持升级和信任丧失才发现这一点。

发现阶段并没有拖慢团队的速度。它为 AI 提供了可工作的细节。一旦团队拥有了访谈记录和相当于一个季度的支持工单，LLM 就对失败场景进行了排名，起草了审计日志要求，并生成了预览和撤销流程的概念。使用相同的 LLM，输入现在基于实际客户正在经历的情况。因此，他们构建了系统管理员（位于其产品的中心）真正重视的东西。

“……你的竞争对手并不完全拥有你的用户告诉你的东西”

先进行发现和调研，然后再加速

速度从来不是问题。违反规则才是。一旦人类开始了工作，AI 就成为一个强大的加速器。它综合访谈笔记，发现模式，生成概念变体，并打磨你可以在下一轮研究中提出的问题。不同之处在于，它是基于你的 用户进行工作的。

发现阶段赋予你两个优势，胜过那些冲向下一个绿灯的团队：

1. 你远离他们的连环追尾：未经证实的工作因昂贵的返工、组织内耗和功能发布后的混乱而耗尽团队精力。进行发现阶段的团队不会卷入那场碰撞。
2. 你暴露了他们的盲点，看到了他们看不到的东西：每个竞争对手都能访问相同的模型，任何人都可以快速生成产品规格并在几秒钟内渲染出结果。真正的优势在于，你的竞争对手并不完全拥有你的用户告诉你的东西。

直到今天，我父亲从未在红灯赛跑中获胜。他也从未发生过事故。在大都市区驾驶数十年，没有一次连环追尾。他并不慢。他只是知道道路是如何运作的。

如今真正的杠杆作用并非来自利用每一项新的 AI 能力踩下油门。它来自于将工具锚定在你从用户那里学到的东西上，并理解脚下的道路。这就是你到达真正想去的地方，并带上你的客户一起前进的方式。

他们会注意到。

最初发布于 2026 年 10 月 19 日
在过去十年中，我专注于为多学科团队中的开发者设计产品体验。我在社会技术环境中领导了 IaC 采用、事件管理和可观测性的设计。

资源：

APA: Meadows, D.H. (2008). Thinking in Systems: A primer. Chelsea Green publishing.

https://www.nngroup.com/articles/synthetic-users/

• State of Synthetic Users | User Interviews
• State of Product Report 2026 | Atlassian
• State of Product 2026: Key findings from 1000+ product teams
• Four things we learned from Atlassian's State of Product 2026

Illustrations remix with Rounded bevel icons by Tristan Free: Figma Community