1388 个团队希望 AI
在商业调研中帮他们做什么
“我想知道我的 App 想法到底能不能行得通。”
“我需要几个季节性的街头饮品概念，从口味、外观和新颖度来评估。”
AI 智能体写代码的能力，几乎超过了它做其他任何事情的能力。这也是各大 AI 实验室集中投入研究的方向。在所有应用场景中，编程是唯一一个让智能体从演示阶段真正走向日常使用的领域。
但大多数企业的运转靠的不是代码，而是调研。他们在动手做任何产品之前，要先评估市场规模、研究目标受众、分析竞争对手、验证各种想法。在这类工作中，人们到底希望 AI 帮上什么忙，目前还远没有清晰的答案，也没有人系统地梳理过。
所以我们直接去问了。我们邀请平台用户用自己的话描述他们想完成的事情，并从他们分享的 1,338 条调研需求中，绘制出了第一份需求路线图。
我们是怎么做的
我们邀请用户用自己的话描述调研目标，再用 AI 对全部 1,338 条需求逐一分类。
我们邀请 Atypica 的用户用自己的话告诉我们他们想完成什么，并基于他们描述的 1,338 条调研需求展开分析。AI 逐条阅读并归类了这些需求，这让我们得以在大规模数据中捕捉到丰富的细节——这是人工编码的研究做不到的。
为了理清这么大一项定性研究，我们借鉴了 Anthropic 在其 81,000 名 AI 用户研究中采用的方法。我们构建了一组分类器，从几个维度对每条需求打标签：用户想要什么交付物、调研应该怎么做、以及它服务于什么样的商业决策。本文聚焦的是第三个维度。由于一条需求往往同时服务于多个决策，我们允许每条需求打上多个标签，而不是硬塞进一个单一类别。
参与之前，用户已被告知他们的输入可能被用于研究和产品改进。所有记录在分析前都做了去标识化处理，下文引用的用户原话也都经过审核，移除了任何可能暴露身份的细节。这些内容是对用户自述目标的改写，已去除身份信息。
有几个局限性值得说明。这是一个自选样本，参与者本身已经在用 AI 做调研。标签是由模型而非人工评审团分配的。每条记录捕捉的只是用户在提问那一刻表达的需求，而不是他们随后实际做了什么。
人们试图做出什么决策？
12 类决策贯穿全部数据，几乎都是在产品还不存在时提出的问题。
我们让分类器识别每条需求背后的主要商业决策。以下是最常见的几种：
“我想验证一款 AI 膳食规划 App 是否真的有吸引力。”
这些决策有一个共同点：时间节点。几乎所有问题都是人们在产品还不存在的时候提出来的。唯一的例外是创意测试——它也恰好是数据中最少见的决策类型。这类问题只有等产品做完、摆到用户面前之后才能问。
概念验证、受众画像、产品研发、品牌定位等——都是产品尚未成形时要做的决策。
创意测试与表现诊断——只有产品上线后才谈得上的问题。
主要决策占比，样本 N = 1,338。
上面的图表清楚地展示了这个格局：人们交给我们的绝大多数工作都发生在产品诞生之前，几乎没有发生在产品上市之后的。传统调研行业完全不是这样的。追踪全球商业调研支出的 ESOMAR 把客户满意度和 CRM 追踪排在最前面——这是最大的类别，而且全部发生在产品上市之后。两者的统计口径不完全一样：ESOMAR 统计的是行业投入的资金，而我们的样本本身偏向于选择了 AI 平台来做探索性工作的人群。即便如此，"客户满意度"这个类别在我们的数据里压根没有出现。人们交给 Atypica 的工作，起点比传统行业花钱的地方要早得多。
这个规律有一个大家都不陌生的解释。如今产品开发的节奏已经压缩到了几天、几周：每个月都有新的服装系列、新的零食、新的奶茶口味上市。但支撑这些决策的调研仍然以季度甚至年为单位运转，因为它依赖的是传统的用户访谈，而访谈做起来既慢又贵。结果就是，产品上市前该问的问题被问的次数远远少于实际需要的次数。就算真的做了一项研究，还有第二层代价：访谈得到的回答会被量化，以便和其他数据放在一起比较。这个转换过程丢掉了当初值得去收集这些信息的最重要东西——做出选择背后的理由、心理和价值观。留下来的只是一个数字。但真正重要的是那个"为什么"。
这正是 Atypica 消除的两项成本。合成用户取代了传统用户访谈那种缓慢而昂贵的工作。语言模型不会把用户说的话压扁成数字，而是完整阅读并保留每个回答背后的理由。产品上市前的问题现在可以和产品开发一样快地被提出来，而且不会丢掉那个"为什么"。
这就是 Atypica 用户最先求助的调研类型。
一个请求，好几项任务
67% 的需求同时提到两个以上目标——一个请求往往要求两套完全不同的调研方法论同时运转。
上面提到的大多数需求并不止于一项决策。当我们问用户想完成什么时，67% 的人提到了两项或更多目标。平均来看，每条需求涉及刚好多一点两项决策。
"我想了解一个品类的规模和增长趋势，主要玩家都有谁，市场在往哪个方向走，以及哪些客户痛点仍然值得关注。"
这一个问题里其实包含了三种不同类型的调研：评估市场规模、梳理竞争格局、挖掘客户未被解决的问题。
| 同时出现的决策 | 占全部需求比例 |
|---|---|
| 受众画像+产品研发 | 8.5% |
| 受众画像+竞品分析 | 6.8% |
| 受众画像+品牌定位 | 6.3% |
| 概念验证+产品研发 | 6.0% |
| 品牌定位+竞品分析 | 5.9% |
只要竞品分析出现了，受众画像就有将近 30% 的概率紧随其后。
上面的表格展示了哪些决策倾向于一起出现。最常见的组合是受众画像和竞品分析——它们在所有需求中同时出现的比例接近 7%。而且只要竞品分析出现了，受众画像就有将近 30% 的概率紧随其后。
"我想了解一个新个人护理品牌的目标客户是谁、他们怎么做购买决策、以及现有品牌在多大程度上满足了或没有满足这些需求。"
这个组合对 AI 智能体来说很难服务好。受众画像和竞品分析需要完全不同的工作方式。受众画像意味着识别人群特征、行为模式和痛点，通常通过访谈或行为观察来完成。竞品分析则意味着市场定位、功能对标和声量追踪，通常通过案头研究来完成。一个调研团队会给这两项工作配置不同的人手，用不同的标准来评判结果。
所以智能体必须把这个请求拆解成几个部分，对每个部分采用各自的方法。这本身就已经很难了。更难的是，这些部分很少是彼此独立的。一项工作的输出往往是另一项工作能够开始的前提。对目标受众的初步判断会改变哪些竞争对手值得关注。而对竞争格局的审视又会反过来改变谁才算目标受众。
智能体必须在同一个请求中运行两套不同的方法论，同时管理它们之间的相互输入。
今天的大多数 AI 智能体不是为这种场景设计的。一个编程智能体的方法论是固定的，不管用户要求多少功能，它的流程都一样：写代码、运行、检查结果、再来一遍。但调研智能体没有这种捷径。不同的目标需要不同的方法，而不是把同一种方法多用几次。
调研智能体经常在一次对话中同时接到好几项任务，它得自己搞清楚这些任务分别是什么，然后逐项做到该领域专家所期望的水准。
这张路线图的意义何在
1,420 亿美元的商业调研行业，第一次从人们实际提出的需求（而非行业假设）出发被描绘出来。
货架上的每一款产品，最初都源于某个必须先做出的决策。每一次营销活动、每一个定价、每一个公司选择进入的市场，都是如此。这就是商业调研的本质：几乎所有重大商业决策背后的准备工作。全球范围内，这个行业每年的规模达到 1,420 亿美元。此前从来没有人从内部描绘过这项工作——从人们实际提出的需求出发，而不是从行业自以为他们需要什么出发。只有当 AI 能够如此大规模地仔细阅读这些需求之后，这才成为可能。
有两个发现特别突出。第一，这些工作大部分发生在传统行业花钱的环节之前。第二，它很少以单一任务的形式出现，而是几项任务同时到来，每项都需要不同的专业能力，而且往往彼此依赖才能启动。这是一个更难的问题，目前还没有人为它构建过智能体。而这张路线图告诉我们，应该去构建的正是这个。
我们打算继续问下去。上面的每一个问题都来自一个真正面临决策的人。还会有更多的问题出现，其中一些属于这张初版路线图尚未覆盖的类别。我们没兴趣只挑方便的事情做。我们关心的是商业调研真正需要什么。这才是路线图的意义所在。