大家好，厉叔这篇文章主要阐述了如今社会的需求越来越大，越来越快，八人团队真的能把研究落地吗？

版本更新像车轮一样滚动，需求提了、方案写了、评审过了、灰度上线、数据回看，第二天又开始新一轮。节奏快到让人产生错觉，仿佛只要工程能力够强，产品就一定能跑赢市场。但真到了关键节点，所有人还是会被那几道老问题拦住：要不要做、做成什么样、谁会买单。

于是流程又被拉回原点：约访谈、拉样本、写提纲、做记录、等报告。等研究机构那份材料摆上桌，往往已经过去一个月。会议开完，结论还需要再被翻译一遍，才能勉强接上下一轮决策。需求的不确定性没有消失，只是被推迟了。

孙克强对这种落差的判断很直接：人工智能正在持续压低产品构建成本，甚至已经低于分发成本，在这种前提下，传统用户研究的范式不可能长期维持。市场真正需要的，不再是隔一段时间做一次的大型研究，而是连续、渐进、可反复调用的用户研究能力。

他所在的幂生团队只有八个人，却把目标定得很高，把传统用户研究做到速度提升一百倍、成本降到十分之一。这句话单看确实像口号，但真正让人停下来思考的，不是数字，而是他们重新拆解了用户研究这件事本身。

他们没有把注意力放在表面流程上，而是把提问能力这颗最容易被忽略、却最昂贵的螺丝拧了出来。用户研究看起来像聊天，真正值钱的却不是录音和文字，而是主持人能不能把人引到真实处，问到细节、问到情境、问到选择背后的逻辑。问不出来，再顺滑的撰写、再漂亮的报告，也只是把空话整理得更整齐。

真正拖慢节奏的，从来不是人不努力

他们算过一笔很实在的账。传统用户研究是典型的劳动密集型工作：一个完整项目可能消耗六十个人天，平均成本在十万元左右，慢、贵、效率低，这些问题在行业里并不陌生。

更麻烦的是，小问题并不会更便宜，哪怕只是验证一个细小需求，也可能要花一整周时间，访谈十来个人，才能勉强判断它是不是“真痛点”。这类验证往往发生在最早阶段，却消耗着最不该被浪费的时间窗口。

投资人李一豪把这种关键点称为认知内核：在产品雏形阶段，能不能确认用户最真实、最迫切的需求，直接决定资源投向和团队结构。但现实是，工具链太慢，内核还没被验证，研发已经跑出去了两公里。节奏越快，判断错误的代价越高，返工不再只是回到起点，而是压缩本就紧张的窗口期。

人的限制让问题进一步放大，一个研究项目里，经常需要多个主持人并行，信息同步成本随之上升，洞察被稀释，信息对齐反而成了主要消耗。主持人会疲劳，情绪状态会影响访谈质量；即便是同一个人，连续完成二十场访谈后，也会出现明显的边际效益递减。

用户研究表面上是交流，本质却是高强度认知劳动，天然容易被人的状态牵制。在当前强调效率和节奏的环境下，这种依赖个人发挥的方式，很难长期支撑高频决策。

这类矛盾在当下更加明显，还有一个现实背景：国家持续推动数字经济发展，强调以科技创新带动效率提升和产业升级。研发端被工具化不断提速后，需求验证若仍停留在旧节奏，就像高速路上突然出现收费站，车流只能被迫排队。此时，用户研究的“慢”，已经不只是体验问题，而是结构性拖累。

节奏被改写的那个瞬间，来自并发

幂生科技真正试图撬开的，并不是“人工智能会不会聊天”，而是并发访谈这件事。过去，用户研究只能串行推进，一次只能聊一个人；他们选择把访谈并发起来，同时运行二三十场，节奏由此被重新定义。

孙克强形容得很形象：以前做一次研究像发射火箭，需要预算、排期、外部支持；现在更像打开一个工具，把需求说清楚，发出去，当天就能收回结果。从“一个月一份报告”变成“当天形成结论”，并不是压缩流程，而是改变了工作方式本身。

他们把整条流程拆成四个连续环节，并在真实项目中反复使用，一个来自国内大型茶饮品牌的案例中，品牌方只需要清晰表达需求，其余步骤由系统接管。

访谈创建模块在沟通中同步生成提纲；样本筛选依据用户画像进行匹配；中间设置身份确认环节，确保参与者真实且符合条件；正式访谈由人工智能主持，引导受访者回到具体情境，持续追问细节；访谈结束后，系统自动整理为结构化材料，既保留结论，也能追溯原始表达，方便决策推进。

流程本身并不复杂，真正起作用的是两条被反复强调的规则：身份核验和质量激励。用户研究中，找错人或拿到敷衍回答，都会让后续工作失去意义。这两条规则把基础问题锁住，效率才有讨论空间。

针对“受访者面对人工智能是否会敷衍”的疑问，他们没有停留在态度判断，而是直接调整规则。参与者被明确告知评分标准，内容真实性、细节丰富度、逻辑一致性都会影响最终回报。激励与质量直接绑定，敷衍不再是最优选择。结果反而是，表达深度和主动性显著提高。

样本来源同样被放在供应链逻辑中处理。底层接入国内与海外多家供应商，形成规模基础；上层通过筛选与确认机制控制质量；更深层的研究需求则由专家资源补足。这种分层结构，让“样本可信度”不再完全依赖人工判断。

那颗螺丝，最终还是回到了提问本身

在更宏观的层面，有一种看似更省事的想法始终存在：既然模型可以生成回答，是否可以直接让模型扮演用户。幂生科技对这种路径的态度非常明确就是不采用。

原因并不复杂，真实用户的判断高度依赖具体环境和即时状态，而模型训练所使用的上下文是固定的，难以覆盖最前沿、最真实的变化。更重要的是，市场对“模拟用户”的信任度依然有限。他们选择用人工智能缩短接触真实用户的距离，而不是替代真实用户本身。

真正的壁垒，仍然落在提问能力上。在与客户的反复共创中，一个共识逐渐清晰：研究项目的价值，最终取决于主持人能问出什么问题。转写、整理、归纳都很重要，但那更像是“把材料收好”；问题问得不深，材料就不可能厚实。

他们注意到，现有模型训练体系中，提问能力长期被忽视，高质量访谈数据也极少公开。于是，团队选择自建训练路径，与研究机构合作获取合规数据，再通过模拟环境与评分机制，不断强化提问质量。目标不是打造一个会说话的系统，而是训练出一个更会挖点的主持者。

在商业模式上，他们采取按项目计费的方式，免平台费用，降低使用门槛。这种结构更适合高频、小规模的研究需求，也符合将用户研究融入日常决策的方向。

市场空间依然广阔。传统调研市场规模庞大，新型工具领域虽然体量较小，却更加分散。分散、依赖经验、流程沉重的行业，更容易被工具化重构。

他们的野心并不只体现在宏观判断上，也藏在许多细小问题里：支付方式是否被接受、输入方式是否需要分离，这些过去常被凭经验处理的细节，如今也可以被快速验证。当用户研究从偶发行为变成随时可用的能力，决策方式自然会发生变化。

这被他们称为平权化，不是让每个人都成为研究专家，而是让每个团队都能用得起、跑得动。研发被持续提速后，需求验证的节奏能否跟上，将直接影响创新效率。那根被拧紧的螺丝，或许正决定着下一轮产品竞争的起点。