AI受访者，真的能替代真人吗？

想象你在测试一款新产品。真人会说“用户体验”，也有人说“人因工程”“旅程管理”，甚至给出团队从未想到的叫法。AI受访者却整齐地重复最常见答案。报告因此很好写，但真正值得追问的差异可能已经消失。

Nielsen Norman Group（NN/g）做了一次直接对照：把此前604名科技与设计专业人士回答过的一道开放式问题，交给120名合成受访者再答一遍。所谓合成用户（synthetic users），就是生成式AI按照设定身份模拟出的研究参与者；它们没有真实的工作和生活经历。

两组数据得出了同一个总体结论，却没有提供同样丰富的证据。这正是这项实验值得看的地方：AI也许能复述共识，但用户研究往往更需要发现共识之外的人。

同一个答案，不等于同一份研究

研究的问题很简单：一个人收集人们的需求和体验，再把这些信息转化为产品或服务的规划、建设和改进建议，这项工作应当叫什么？受访者只能说出一个专业领域。

真人数据来自604名科技与设计专业人士。2026年2月，NN/g又通过生成式AI平台 Synthetic Users 生成120名合成受访者，目标人群同样设为全球科技与设计从业者。平台自动给每个角色安排年龄、地点、职业、文化背景、组织类型和人格特征等属性。

研究者用同一种方法分析两组回答。由于有些人仍然提到多个领域，他们按答案包含的关键词编码，而不是强行把每条回答塞进唯一类别。

结果看起来很鼓舞人：两组数据都认为，没有其他名称取代“UX”，它仍是描述这类工作的主导术语。但合成受访者使用UX相关说法的比例为84%，真人为70%，相差14个百分点；NN/g称这一差异具有统计显著性，也就是不太像单纯由样本随机波动造成。不过，这没有改变研究的实际结论：两组里UX都占明显优势。

真正的差异藏在不常见的答案里。

真人给出了超过50种不同标签，包括“消费者行为研究”“数字体验战略”“旅程管理”和“人因工程”。其中许多只出现一两次。合成受访者则集中在大约12种标签上，没有产出真人数据中的那些罕见或专业化说法，例如“数字管理”和“商业分析”。

这类似机器学习里的“模式崩塌”（mode collapse）：生成模型反复产出少数常见结果，却没有保留原始群体中完整的变化范围。放到用户研究里，就是AI记住了多数人的标准答案，却压平了少数人的措辞、经验和理解方式。

这里需要区分“结论方向一致”与“证据等价”。开放式问题不提供固定选项，本来就是为了让人自由表达，并捕捉研究者没有预设的观点。如果答案变得整齐，主结论或许还在，边缘需求和真实分歧却可能不见了。回答变异性——不同受访者之间观点、措辞与经验的分散程度——不是噪声，而常常正是研究对象。

这次对照还有一个反直觉之处。真人样本中，67%是UX专业人士；合成样本只有20%，这是研究者为覆盖更多职业而设置配额的结果。真人又有一部分来自NN/g自己的渠道，因此可能比普通科技与设计从业者更熟悉UX术语。

照理说，职业范围更广的合成样本可能给出更多叫法。实际却相反：它不仅更集中，提到UX相关术语的比例还更高。这说明一张看似丰富的角色卡，并不能证明背后存在同等丰富、彼此独立的经验，也不能自动代表全球人口。

两组参与者回答的甚至不完全是同一种场景。真人填写普通开放题问卷；Synthetic Users 把任务模拟成访谈，所以回答通常更长，还会擅自改写问题。例如，它有时把“需求和体验”改成“需求、行为和体验”。

细小措辞可能形成“启动效应”——问题里的词先给回答者暗示，进而影响理解和答案。NN/g因此无法排除平台改写对结果的影响。换句话说，两组差异不一定全部来自“真人与AI”，也可能部分来自问卷与模拟访谈的呈现方式。

我们此前在《合成用户，正在污染UX研究吗》中讨论过：模拟回答可能把团队原有假设包装成证据，数字接近也不代表两份研究能支持同样的决策。这次对照把风险变得具体了：AI可以快速交出一个方向正确、文字完整的结果，却可能系统性删掉那些低频但重要的声音。

这也是最危险的效率诱惑。团队很容易把“快速验证多数共识”误读为“已经理解用户”。合成用户或许能帮助检查问题、探索常见回答，但如果研究目标是发现意外需求、文化差异或专业边缘经验，过度趋同恰好会削弱研究的效度——也就是结果是否真的支持它声称回答的问题。