查看英文原文

原文作者：Madeline Kleiner、Trish Miner、Katie Rotella；Microsoft Design，2026 年 6 月 18 日。以下为中文编辑版。

生成式 AI 的新一轮浪潮，正在把用户体验设计与研究从静态界面带向动态、智能的系统。产品体验的驱动力不再只是 UI，而是模型本身。研究者可以把对人类行为的洞察转化为模型行为、评估标准与数据策略，直接影响 AI 产品的底层体验。

这并不意味着用户研究员需要变成机器学习工程师。真正需要的是一组新的基础能力：理解模型如何工作，知道哪些技术杠杆可以改变结果，能够定义“好的输出”，并与设计、产品、工程和应用科学团队共同把它实现。

人的洞察需要被转化为可影响模型行为的系统方向。

为什么用户研究必须改变

今天的产品不只是界面，而是一个快速演进的模型。这改变了产品开发节奏，也带来了与确定性软件完全不同的责任：

• 模型行为成为新的设计材料。输出具有概率性和上下文依赖，会受到提示词、检索数据、评估标准与微调方式影响。

• 产品更早发布并持续演进。AI 体验依靠不断迭代、评估和数据反馈改进，而不只是等待下一次界面更新。

• 成功取决于同时理解人和模型。用户如何思考、信任和解释系统，会直接决定模型应该怎样表现。

用户研究员天然适合连接这两个世界，但传统的工作方式已经不足以覆盖新的产品问题。Microsoft Design 将转型归纳为五个方向。

五项研究实践转型

1. 从界面研究转向模型导向研究

研究对象不能再停留在屏幕、功能或流程。更重要的问题是：模型输出是否真正帮助用户完成目标？它在什么情境下会误解意图？什么样的结果才算“好”？

研究团队可以通过模型评估、微调数据策略、提示词实验，以及帮助用户理解模型能力边界的界面设计，影响输出质量。研究结论也应明确对应到模型杠杆，而不只是界面修改建议。

2. 从明确分工转向流动协作

UXR、设计师、产品经理、工程师和应用科学家之间的边界正在变得模糊。结果由多个系统共同产生，因此各角色也需要共同承担结果质量。

研究员越早参与模型假设、数据需求和评估标准的制定，越有机会成为真正的产品共建者，而不是在末期验证已经形成的方案。

角色边界变得更流动，研究、设计、产品、工程与应用科学共同承担体验结果。

3. 从长周期研究转向快速迭代

模型与产品都在持续变化，研究必须进入更紧密的反馈循环。相比少量大型研究，更适合采用多轮轻量实验、范围明确的小型研究，以及能够及时影响产品决策的快速评估。

• 把大型研究拆成连续的小问题。

• 尽早测试真实提示词与真实输出。

• 让用户反馈尽快回到模型行为和评估标准中。

更短、更紧密的反馈循环，让研究在产品决策仍可改变时发挥作用。

4. 从技术认知转向技术流利度

研究员不必训练模型，但需要能够与技术伙伴使用同一种语言讨论问题。这种技术流利度包括理解提示词、上下文、检索、微调和评估分别能够改变什么，以及它们的限制在哪里。

当研究发现能够被表述为模型假设、数据需求或评估要求时，洞察才更容易进入产品的底层实现。例如，不只说“用户需要更多解释”，而是提出：“如果模型在此处主动询问一个澄清问题，任务完成率是否会提高？”

5. 从以定性为主转向混合方法

AI 产品同时需要定性深度和量化规模。研究者需要在访谈、行为数据、模型指标、调查与实验设计之间灵活切换，并根据决策风险选择快速探索或严谨验证。

AI 可以帮助计算和整理，但人仍然需要决定测量什么、怎样解释，以及哪些取舍符合真实的人类需求。提前规划分析方式，是避免“有很多数据却没有答案”的关键。

把人的理解转化为模型方向

理解人始终是用户研究的基础。研究者对心智模型、信任、意图和情境的洞察，可以帮助团队设计更直观的提示方式、交互流程与模型行为。

真正的变化，是把洞察从界面层继续向下传递：明确重要场景和待完成任务，定义哪些模型改进对用户最有价值，并把模糊的人类需求转化成团队可以测试的方向。

把现有 UXR 能力与模型评估、提示词原型和混合方法结合起来。

可以从下一次研究开始的行动

• 在研究汇报中加入真实模型样例。展示一个提示词、一个输出，并说明该场景下“好”的标准。

• 启动时先问模型问题。当前模型怎样表现？理想输出是什么？哪些信号可以帮助它改善？

• 先用提示词做原型。在画界面之前测试不同输入，尽早发现边界情况。

• 把用户需求写成模型假设。让假设可以通过行为或结果指标验证。

• 进行一轮快速评估。和工程师一起测试 5–10 个棘手输入，现场调整并记录变化。

• 让信任问题可见。明确输出可能在哪里误导用户，以及团队如何发现它。

• 给定性洞察配一个小指标。例如任务完成率、重复提问率或人工纠正率。

• 尽早邀请技术伙伴。共同观察研究并定义模型评估标准。

结语

AI 时代的用户研究不是放弃同理心和人本推理，而是把这些能力延伸到模型、数据与评估层。能够把人的洞察连接到模型行为的研究者，将决定 AI 体验是否真正创造价值，而不仅仅拥有漂亮界面或新奇功能。