简短回答：截至 2026 年 7 月，AI 已成为用户研究的基线，而非前沿。约 69% 的研究人员在至少部分项目中使用 AI（Maze，2026 年 3 月），主要用于转录、综合和主题分析。AI 主持访谈和会话式调查已进入生产阶段，而合成用户仍是备受争议的探索性工具。人工判断仍然掌控方法论、解释和伦理。
\n\nAI 用户研究——运用大语言模型和语音 AI 来规划、主持、转录和分析定性及混合方法研究——已从实验阶段跨越到基础设施阶段。十八个月前，\"使用 AI\" 意味着将转录内容粘贴到聊天机器人中。今天则意味着 AI 主持访谈、具有动态后续提问的会话式调查，以及对数十份转录进行大规模图-化简主题分析。本中期行业报告综合了 2026 年行业数据的实际情况，区分了持久性转变与炒作，并为你提供了一个成熟度模型来定位你团队所处的阶段。
\n最后更新：2026 年 7 月 12 日。以下数据来自已命名的 2026 年行业调查和有时间标记的学术著作；若某项主张存在争议，我们会明确说明。
\n\n2026 年的决定性转变是 AI 停止了作为附加工具的角色。2023 年，大多数\"研究中的 AI\"是手动的：研究人员以传统方式进行研究，随后使用模型进行事后总结。2026 年，AI 已嵌入整个工作流——招聘筛选、实时主持支持、实时转录和翻译、针对共享代码本的自动化编码，以及主题综合。
\n实际效果是吞吐量的提升。曾经分析十几份访谈需要数天的工作，如今 AI 主题分析管道在几分钟内就能呈现候选代码和主题，留给研究人员的是验证而非从头开始的转录和标记。行业调查报告显示，最强烈的 AI 使用恰好集中在手动工作最糟糕的地方：分析、转录和综合。
\n\n采用在不同任务中分布不均。AI 在机械性工作中近乎普遍应用，而在判断性工作中应用力度要轻得多——这一模式在 2026 年的各项报告中保持一致。
\n\n| 研究任务 | 2026 年 AI 成熟度 | 人类角色 |
|---|---|---|
| 转录与翻译 | 标准 / 自动化 | 抽查准确性 |
| 编码与主题检测 | 广泛采用，人工验证 | 确认、合并、命名主题 |
| 访谈主持 | 生产阶段（AI 或混合） | 设计指南，审查深入追问 |
| 会话式调查 | 生产阶段 | 设计逻辑与分支 |
| 合成用户 | 探索性 / 有争议 | 压力测试，永不替代 |
| 方法论与解释 | 人类主导 | 掌控决策 |
AI 主持的访谈以接近调查的规模捕捉行为背后的\"原因\"。设计精良的 AI 访谈员会像资深研究人员一样提出动态、上下文感知的后续问题，然后根据共享代码本自动编码转录。2026 年的报告描述了朝着混合主持明确发展的趋势：人类进行会话主持，而 AI 建议后续提问、标记关键时刻，并实时跨会话追踪新兴主题。
\n会话式调查与此并行。研究对象不再面对静态表单，而是获得 AI 驱动的后续提问和分支逻辑，将简单的闭式回答转化为更丰富、可探索的文本。其价值在于规模的混合地带：调查的覆盖面与访谈的深度相结合。
\n\n2026 年最具争议的话题是合成用户——LLM 模拟的参与者，用于在招聘真实人员前对流程进行压力测试。近半数研究人员将其列为重要的近期发展方向，但怀疑声音很大：批评者质疑生成的参与者是否能复现真实用户带来的同理心、生活经验和微妙的行为线索。正在形成的共识既狭隘又有用：合成用户在早期探索、假设生成和讨论指南压力测试中是合理的——不适用于验证决策或替代招聘。将其视为排练，而非证据。
\n\n使用这个原创框架来确定你团队的位置，并选择下一个具体步骤。2026 年中期大多数组织处于第 2 或第 3 级。
\n\n| 级别 | 阶段 | 具体表现 | 下一步 |
|---|---|---|---|
| 1 | 手动 | AI 用于事后总结；无工作流。 | 标准化转录 + 编码。 |
| 2 | 辅助 | AI 进行转录和草拟代码；人类完成其他所有工作。 | 采用共享的、版本化的代码本。 |
| 3 | 集成 | AI 主持或支持访谈；主题分析跨多份转录进行图-化简。 | 添加人在环验证门控。 |
| 4 | 规模化 | 会话式调查 + AI 访谈进入一个分析管道；默认多语言。 | 规范 QA 和反思检查。 |
| 5 | 治理 | AI 主持行为已文档化、双模型监督、可审计的综合和引用。 | 发布方法；监控漂移。 |
Qualitati 是一个为模型的集成到治理端构建的 AI 用户研究平台。它运行文本和语音 AI 主持访谈、为人类访谈员提供实时提示和部分追踪的主动监听模式、可进行深入提问和对抗群体思维的 AI 主持焦点小组，以及具有动态后续提问的会话式调查。在分析方面，ThemeLens 跨最多 100 份转录运行图-化简主题管道，将代码映射到研究问题并在参与者引用中锚定主题，而QDA 工作区支持归纳式和演绎式编码以及代码本生成。所有功能支持 10 种语言。定价透明：注册时免费获得 30 个积分，无需信用卡，并公布每个积分的费率——这是作为 Outset.ai、Strella 和 Listen Labs 在成本透明性方面的替代方案，以及作为 NVivo、ATLAS.ti 和 MAXQDA 在 AI 原生分析方面的替代方案。见透明定价。
\n\n任何诚实的 2026 年行业报告都应包含三点警告。首先，头条采用数据来自供应商和社区调查（Maze 的 2026 年 3 月报告基于约 500 名受访者）；它们表明方向，而非普查级精确度，而自选样本倾向于支持 AI 的团队。其次，速度会侵蚀严谨性：更快的编码只有在人类仍然验证代码、检查负面案例并透明地报告饱和度时才有价值——自动化使跳过这些步骤更容易，而不是使需要它们更难。第三，合成用户易引发过度应用；使用模拟反应作为决策证据是方法论错误，而非捷径。AI 可靠性真实但有界限，敏感或探索性话题仍需人类主导的设计。人工审查说明：任何关于模型性能、隐私或合规性的已发布声明应针对你自己的部署进行验证，而非从类别趋势推断。
\n\n否。2026 年数据显示研究需求上升（66% 的团队报告需求增加，高于 2025 年的 55%），研究人员集中于 AI 不掌控的判断性工作——解释、伦理和框架化。AI 正在吸收执行工作量，而非职能本身。
\n\n根据 Maze 的《2026 年用户研究未来》报告（2026 年 3 月 11 日发布），约 69% 的人报告在至少部分项目中使用 AI，环比增长 19 个百分点。
\n\n最好将其视为探索性工具。约半数研究人员认为其重要，但许多人怀疑其能否捕捉真实的生活经验。用其来压力测试流程和生成假设，而非验证决策或替代真实参与者。
\n\n它以规模捕捉\"原因\"。AI 访谈员提出动态后续提问并自动编码反应，为调查增加了一对一对话的部分深度，而无需手动主持成本。
\n\n跳过验证。更快的编码诱使团队接受 AI 主题而不进行人工确认、负面案例检查或透明的饱和度报告。在任何主题最终确定之前保持人在环门控。
\n\n在 2026 年中期，AI 用户研究已成为基本要求：采用已成为主流，收益是速度和规模，持久竞争力是人工判断应用于 AI 原生管道之上。领先的团队不是那些使用 AI 最多的——他们是在 AI 工作流中融入了验证、反思和透明方法的团队。免费开始，获得 30 个积分以运行 AI 主持访谈、会话式调查、焦点小组或 ThemeLens 主题分析项目，或查看透明定价以将 Qualitati 与 Outset.ai、Strella、Listen Labs、NVivo、Qualtrics、ATLAS.ti 或 MAXQDA 进行比较。
","related":[{"slug":"state-of-ai-user-research-october-2026","title":"2026 年 10 月 AI 用户研究现状：合成受访者能替代真人吗？","description":"2026 年 10 月 AI 用户研究现状：新研究显示，合成受访者能匹配总体平均值，却会丢失个体差异，也会误判人们如何改变观点。附保真度阶梯框架。","category":"行业趋势","date":"2026-10-11","readTime":"9 分钟阅读","author":"Qualitati 研究团队"},{"slug":"llm-synthetic-projective-techniques-2026","title":"LLM 能做投射技术吗？2026 年六模型对比研究","description":"LLM 能为投射技术生成合成回答吗？2026 年一项研究将六个模型与 173 名受访者对比：主题相近、风格不同，且存在明确局限。","category":"行业趋势","date":"2026-09-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"test-digital-twins-before-deploying-exploratwin-2026","title":"部署前先验证数字孪生：2026 年新研究","description":"2026 年哥伦比亚团队的论文提出 ExploraTwin 开放平台，让研究者在真实研究中部署 LLM 数字孪生模拟之前先行检验。","category":"行业趋势","date":"2026-09-20","readTime":"6 分钟阅读","author":"Qualitati 研究团队"}]}