Sign in Subscribe

如何用AI做使用者研究？跑通Human x AI 實踐之路！

AI 讓設計師集體焦慮？當技能加速折舊，你的價值何在？我們跑通一條「Human x AI」使用者研究的實踐之路，助你從設計執行者蛻變為系統架構師，重新定義你在 AI 時代的未來！

第一幕：AI越強，為何我們越焦慮？

你是不是也一樣？每天被「AI 革命」的浪潮席捲。

打開社群媒體，不是某個新工具顛覆了整個產業鏈的震撼消息，就是「下一個輪到你」的警世預言。

身為設計師、研究員與產品開發者，我們彷彿置身於一個巨大的加速器中，世界的變化速度早已遠遠超越了我們個人的學習曲線。

在這樣的時代背景下，我們正無時無刻被雙重焦慮，壓得喘不過氣來：

  • 工具焦慮：拼命追趕最新AI工具，卻總被下一波浪潮擊垮
  • 價值焦慮：不斷自問「我的專業還剩多少價值？」

然而，比焦慮更困惑的，是一種普遍的悖論：儘管AI給予我們超能力，也讓我們陷入無所適從。我們獲得了速度，卻以真實性與品質為代價；我們渴望自動化的解放，卻擔憂看似真實的幻覺；我們擁有前所未有的創新潛能，卻恐懼那只是對既有數據的拼貼，而非真實洞察。

這不是個人的困境，而是整個產業正在經歷一場系統性變革。4重不可逆的趨勢正在重塑設計產業。

趨勢一：專業界線消融

過去涇渭分明的職能邊界正在瓦解。台大資工的學生做使用者訪談已是基本功；9歲小朋友能獨立開發App；NGO職員用AI寫程式解決80%的行政庶務；產品經理的 Google 面試，必須具備全鏈路思維。設計師必須懂工程，工程師也得理解用戶體驗 — — 沒有人能再守在舒適圈。

趨勢二：專案進程極限壓縮

人工智慧學家吳恩達指出，AI已將原型開發速度提升10倍以上。這場「加速效應」正蔓延各行各業：Walmart將商品開發從6個月縮短至6週；Ferrari將超跑設計時間縮短60%；Exscientia將新藥開發從4年縮短至不到1年。速度，已成為存活的關鍵。

趨勢三：技能折舊加速

還記得2023年初風靡一時的「AI詠唱師」嗎？18個月後，這些制式咒語早已過時。技巧型專家正被淘汰，能掌握「架構化溝通」與「提問智慧」的思維型專家才是未來。

趨勢四：職場兩極化加劇

MIT 2024年研究顯示：越是需要高階思考與整合能力的工作，AI 的放大效應就越明顯。研究也指出，頂尖研究員使用AI後效能提升一倍以上，而能力後段者即使使用AI，表現幾乎沒有差異。AI沒有拉近差距，而是讓強者更強、弱者越弱。

破局的關鍵，不在於盲目追逐下一個熱門工具，也不在於頑固地抗拒變革，而在於尋找一條「以人為本」的應對之道。我們必須從根本上回答一個核心問題：

如何從一個被工具驅動、充滿「AI恐慌」的工具使用者，轉型為一個能駕馭系統、實現「AI賦能」的創新實踐者？

為了探索這條充滿未知與挑戰的轉型之路，DITL Lab在2025年的暑期，集結了一群充滿熱情與困惑的研究生，展開了一場為期兩週的深度實驗。這篇文章，將完整呈現我們團隊如何在與「AI」的拉鋸中，找到「Human x AI」的共生之道！

第二幕：展開研究 — 我們如何設計這場人機協作實驗？

面對系統性的挑戰，我們要有系統性的解方。我們不能滿足於零散的「AI工具使用技巧」，而是需要設計一套嚴謹的、可複製的、能產出深刻洞見的研究流程。因此，我們設計了一場「行動研究」（Action Research），旨在探索一個能完美兼顧「速度」與「真實性」的AI協作流程。

研究設計：3組平行的實踐探索與交叉驗證

我們將整個研究團隊按產品開發類型分為3組：視訊會議組、團隊協作組、與知識管理組。

平行實踐：3組團隊被賦予相同的目標 — — 進行訪談後逐字稿主題分析，並產出JTBD（Jobs-to-be-Done）與HMW（How Might We）。過程可以自由選擇不同的AI工具組合、設計自己的協作流程與Prompt策略。

交叉驗證 ：實驗的精髓更在於定期的交叉驗證會議。在這些會議上，3組團隊需要互相展示並檢視彼此的：

  • Prompt設計：指令的清晰度、結構的完整性、以及對AI的引導效果。
  • AI產出品質：AI生成結果的準確性、深度、穩定性與創造性。
  • 人工判讀標準：團隊成員是如何定義「好的洞察」？他們基於什麼標準來篩選、修改或否決AI的建議？

這個創新的交叉驗證機制，讓我們得以跳脫單一團隊的路徑依賴，從多元的比較與碰撞中，提煉出最佳實踐原則。

理論基礎：站在巨人的肩膀上，賦予AI研究者的靈魂

要讓AI真正成為研究的「夥伴」而非僅僅是「工具」，關鍵的第一步，就是為它注入質性研究的「靈魂」。

我們不能期望AI憑空理解研究的精髓，而必須將人類研究者數十年積累的「隱性知識」，轉化為AI可理解、可執行的「顯性規則」。

我們的整個實驗，都建立在堅實的理論基礎之上，並轉譯為與AI溝通的結構化語言。

核心分析框架：6步驟AI主題分析分析流程

我們根據Naeem 等人（2025）與Cevik 等人（2025）在AI輔助主題分析的研究，重新整合一套結構化的AI主題分析分析流程，確保分析的系統性與嚴謹性。這六個步驟分別是：

  • 步驟1：人機校準與資料熟悉
  • 步驟2：基於6R框架的關鍵字選取
  • 步驟3：基於6R框架的開放式編碼
  • 步驟4：基於4R框架的主題發展
  • 步驟5：概念化與模型建構
  • 步驟6：三角驗證與品質檢查

DITL Lab 結合 Naeem 與 Cevik 的研究成果，透過團隊實踐，試圖在人類思辨與人工智慧間，找出最佳的加乘路徑。

DITL Lab 結合 Naeem 與 Cevik 的研究成果，透過團隊實踐，試圖在人類思辨與人工智慧間，找出最佳的加乘路徑。

實踐展開：將理論框架轉譯為AI指令

以下，我們將詳細拆解如何將這套理論框架，在實踐中轉化為與AI協作的具體步驟與指令。

步驟1：人機校準與資料熟悉

這是整個流程的起點，目標是確保AI與研究者在進入正式分析前，對研究的背景、目標與原始資料達成全面且共通的理解。一個成功的校準，是後續所有高品質產出的基礎。我們為此設計了3項關鍵動作：建立專家角色 、提供完整脈絡以及要求邏輯揭露。

1️⃣建立專家角色 ：我們不把AI當作一個通用的聊天機器人，而是透過精準的「角色設定」，「召喚」一位虛擬的領域專家

Prompt 範例： 您具備逾二十年質性研究實務經驗，
專精於 Braun 與 Clarke 所提出之六步驟主題分析法 (Thematic Analysis)。
目前擔任研究方法論顧問，協助研究人員進行系統性編碼、主題歸納與整體分析統整。

您強調分析的透明性、嚴謹性與反思性。

這樣做的好處是，AI會自動啟用模型中與「質性研究」、「學術嚴謹性」相關的知識與語言風格，使產出更貼近專業標準。

2️⃣提供完整脈絡：給AI的絕不能只有孤立的逐字稿。完整的專案背景資料，能幫助隊友做一次全面的Onboarding。

餵養資料的維度，可以從「第一手/第二手」與「內部/外部」兩個維度來組織資料，確保脈絡的完整性，例如：

  • 內部一手資料：利害關係人訪談紀錄。
  • 外部一手資料：使用者訪談逐字稿。
  • 內部二手資料：過往的研究報告、產品里程碑。
  • 外部二手資料：產業趨勢報告、競品分析。

⚠️ 實踐提醒：餵養資料並非越多越好。資料間的交互污染（例如，讓AI讀了過多的產業報告後，對使用者真實的聲音產生偏見）和資訊強度差異（例如，一份詳細的訪綱和一份簡略的訪談紀錄），都可能導致AI的判斷出現偏差。精準、高品質的脈絡，勝過龐雜的資訊堆砌。

3️⃣要求邏輯揭露 ：在AI消化完所有背景資料後，我們不會立刻開始分析。而是會要求它先進行一次「反芻」，總結它對研究的理解，並揭露推理邏輯。

Prompt 範例：
研究背景資訊如下： [在此貼上研究計畫、研究問題、方法、資料來源等]
請總結您對研究背景與主題分析流程的理解，並揭露您的推理邏輯，確認是否與研究問題對齊。

這一步至關重要，它能幫助我們在早期就發現AI對任務的理解是否存在偏差，及時進行糾正，避免後續分析「從一開始就走錯了路」。

步驟2：基於6R框架的關鍵字選取

在完成人機校準後，我們進入資料分析的第一步。此階段的目標，是從龐雜的質性資料中，系統性地挑選出真正有意義的詞語或短語。為此，我們引入了Naeem等人(2025)的「關鍵字6R框架」作為AI篩選的標準：

  • 真實性 (Realness)：反映參與者真實、生動經驗的語句。
  • 豐富性 (Richness)：充滿情感、意義深刻的詞語。
  • 重複性 (Repetition)：被反覆提及的關鍵概念。
  • 合理性 (Rationale)：具有強烈理由或邏輯的論述。
  • 機智 (Repartee)：與研究背景高度相關的亮點引言。
  • 權威性 (Regal)：對理解整體至關重要的核心詞語。

接著需要定義分析粒度：因爲模型特性或上下文窗口限制，AI會在關鍵字擷取上過度精簡或跳躍。因此必須在指令中明確了分析的「顆粒度」，例如：「請以每3–5句話為一個分析單元，進行關鍵字擷取。」

Prompt 範例：
基於 Naeem 等人 (2025)「6R 關鍵字框架」（真實性 Realness、豐富性 Richness...），請從以下逐字稿資料中，每3-5句話擷取具意義的詞語或短語，以完整長段落優先，不得改寫內容。 請輸出表格四欄：
| 編號 | 關鍵字 | 6R 類別 | timestamp |
接著撰寫簡短說明（50–100字），解釋關鍵字篩選思路。
在繼續下一步前，請詢問使用者是否需要調整。

⚠️ 實踐提醒：人工檢核在此階段至關重要。我們發現AI有時會「偷懶」，不嚴格遵守分析粒度而直接跳段；有時會誤標6R類別；最常見的是，容易忽略那些只出現一次，但重要的「邊緣案例」。AI擅長發現模式，但人類擅長發現例外，而洞察往往藏在例外之中。

此階段的目標，是為上一步挑選出的關鍵字段落進行標註，賦予初步的概念意義。我們的核心是透過AI，快速產生大量且品質穩定的初始編碼。

步驟3：基於6R框架的開放式編碼

我們要求AI基於上一步選取的關鍵字，生成能反映引文組合意義的編碼，並引入「編碼6R框架」來確保嚴謹性，這包括：

  • 周延性 (robust)：編碼有充分證據支持。
  • 反思性 (reflective)：編碼過程考慮潛在偏見。
  • 闡釋力 (resplendent)：編碼有豐富清晰的解釋。
  • 關聯性 (relevant)：編碼與研究問題緊密相關。
  • 顛覆性 (radical)：編碼能挑戰既有觀點。
  • 倫理性 (righteous)：編碼符合倫理原則。

為了避免AI生成「需求感」、「失落感」等過於抽象、無法操作的編碼，我們在規則中明確要求：編碼命名應避免抽象詞彙，並附上可追溯的完整原始引文。

Prompt 範例
基於「6R 關鍵字框架」選取的詞語，進行開放式編碼。
規則：
- 每 3–5 句建立 3 組初始代碼。
- 撰寫三行描述，說明代碼的意義。
- 附上 2–3 組完整的參與者原始引文(關鍵字)，不得改寫。
請輸出表格：| 編號 | 代碼名稱 | 描述 | 原始引文(關鍵字) |

⚠️ 實踐提醒：AI在此階段最常見的問題是過度抽象與改寫原文。編碼「具體想獲得協助」遠比「需求感」更有價值。同時，必須逐一比對AI引用的原始引文是否被壓縮或改寫，因為細微的語氣差異可能導致意義的巨大偏差。

步驟4：基於4R框架的主題發展

此階段是將大量離散的編碼，聚合成更高層次、更有意義的主題。我們指令AI使用「主題發展4R框架」來進行歸納，確保主題的品質：

  • 內在關聯性 (Reciprocal)：主題內部的編碼應有意義的連結。
  • 識別性 (Recognizable)：主題必須源於真實的資料。
  • 回應性 (Responsive)：主題能回應研究問題與目的。
  • 啟發性 (Resourceful)：主題能提供研究的關鍵洞察。

我們在指令中明確要求AI遵循MECE原則（Mutually Exclusive, Collectively Exhaustive），即主題之間應相互獨立，完全窮盡，以確保分類的邏輯嚴謹性。

Prompt 範例：
使用 Naeem 等人 (2025)「主題 4R 框架」，請將初步編碼歸納成主題。
規則：
- 每組主題命名（4–6 字，具體明確）。
- 確保主題符合 MECE 原則（不重疊、不遺漏）。
輸出表格：| 編號 | 主題名稱 | 定義 | 代表引文 | 包含的代碼 |

⚠️ 實踐提醒：AI有時會直接重複使用「編碼名稱」作為「主題名稱」，這是一種思維上的懶惰。此外，主題之間的邊界模糊、概念重疊是常見問題，需要人工介入界定。

這是分析的最高層次，研究者能根據主題發展，僅一步整合關鍵主題，發展成一個能解釋研究現象的、連貫的模型。展示概念之間的因果、層級或衝突關係。

步驟5：概念化與模型建構

此階段是建構解釋框架，我們要求AI不僅僅是條列主題，而是要建構出能回應核心研究問題的「因果鏈」或「層級結構」。最終產出的模型，必須能為最初的研究問題提供解決方案，並具有一定的理論貢獻。

Prompt 範例：
將所有概念、主題綜合並呈現為一個連貫的模型或框架，並說明每組主題之間的因果、先後、層級或衝突關係。
該模型應能提供研究問題的解決方案，並具有理論貢獻。

⚠️ 實踐提醒：AI輸出的模型往往過於線性，忽略了真實世界中主題之間複雜的、非線性的相互作用。此階段極度需要人類的經驗與抽象思維能力。

步驟6：三角驗證與品質檢查

這是確保研究成果信度與效度的最後一道、也是最關鍵的一道關卡。

  • 要求AI自我審查：我們巧妙地利用AI的能力，讓它扮演「批判者」的角色，對已形成的結論進行「反例檢查」與「漏洞檢視」。

Prompt 範例：
這是目前整理出的主題與敘事模型，請協助檢查：
1. 是否有不一致或過度推論的地方？
2. 哪些語句或資料可能是反例？
3. 有哪些被忽略的潛在主題？

  • 最終判斷：AI的自我審查結果僅作為參考，最終的判斷權，永遠掌握在研究者手中。人類研究者結合對專案的整體理解和領域知識，做出最終的結論。

透過這套嚴謹的、將學術理論與AI指令深度結合的6步驟流程，我們不僅為AI協作建立了一套標準作業程序，更重要的是 : 我們成功地為AI注入了質性研究的「靈魂」，讓AI隊友從只會處理文字的工具，蛻變為一個能初步理解並執行研究思維的「夥伴」。

第三幕：實踐發現 — 3種人機協作模式的對決

儘管3個團隊都從Braun & Clarke的六步驟主題分析法出發。然而，在實際的探索與迭代過程中，大家卻各自開闢出了三條風格迥異的登山路徑。

我們將3組團隊數月來的實踐記錄、交叉驗證會議中的心得，以及最終的成果，交由AI進行了一次初步的後設分析。

AI的對比結果，印證並深化了我們的觀察：這3種模式不僅僅是工具或流程上的微小差異，而是在結構、深度和應用策略上，代表了三種截然不同的AI協作哲學。

＊Chatgpt 5分析整理
＊團隊成員景婷分析

第四幕：困境與突破 — 如何與AI一起衝刺？

在長達8週與AI高強度協作的旅程中，我們遭遇了各種預期之外的挑戰。然而，正是這些困境，迫使我們發展出了一套更成熟、更可靠的駕馭之術。

困境一：AI幻覺與資訊粒度粗糙

這是我們遇到的最普遍、也最危險的問題。AI經常會產出一些看似合理、極具說服力，但卻完全脫離原始資料的「洞察」。

🧐根本原因

AI缺乏人類所具備的脈絡理解力與權重判斷力。它無法區分一句隨口的抱怨和一個深思熟慮的痛點之間的差異。當 AI 編碼「歸檔困擾」時，附帶的說明則是：使用者常因爲檔案太多感到困擾。這樣的資訊，研究者無法得知使用者的真實痛點為何。是因為檔案移動及命名麻煩，造成歸檔困擾呢？抑或是資料夾分層邏輯混亂，造成歸檔混亂呢？

👊👊突破之道

  1. 原子化拆解 ：將分析的最小單位縮小至一個「原子」。這個「原子」由「單一行為 + 具體情境 + 直接結果」構成。例如，我們不再問「使用者有什麼痛點？」，而是問「當使用者『在跨部門會議後』需要『整理會議記錄』時，他遇到了什麼『直接的困難』？」這種精準的提問方式，能引導AI往正確方向推論。
  2. 強制原文對照：我們在所有關鍵產出環節（如生成洞察、JTBD）的Prompt中，都加入了一條不可違背的規則：「所有結論都必須附帶至少2–3句原始引文作為直接證據，並標明出處（受訪者與時間戳）。」這不僅讓驗證變得高效，也迫使AI的每一次推理都必須「腳踏實地」。

困境二：Prompt管理混亂與版本失控

隨著實驗的深入，我們的Prompt變得越來越長、越來越精巧，但也越來越混亂。

🧐根本原因

缺乏一個中心化的、規範化的Prompt管理與版本控制機制。

👊👊突破之道

  1. 模組化管理 ：我們不再將Prompt視為一整塊不可分割的文本，而是拆解為多個可複用、可插拔的「模組」。

| 模組名稱 | 內容範例 | | [角色設定] | 「你是一位專精於質性研究的社會學家...」 |
| [任務框架] | 「我們將遵循Braun & Clarke的六步驟主題分析法...」 |
| [核心理論] | 「在編碼時，請嚴格參照6R框架的定義...」 |
| [輸出格式] | 「請以Markdown表格形式輸出，欄位包含...」 |
| [限制禁忌] | 「禁止進行任何無原文支撐的推測，禁止使用模糊詞彙...」

這樣，當我們需要調整時，只需修改對應的模組，然後重新組合即可，大大提升了靈活性與一致性。

2. 建立團隊共享Prompt庫 ：可以將所有經過驗證、效果最佳的Prompt模組與完整模板，存放在一個團隊共享的空間，例如Confluence，並進行嚴格的版本編號與更新記錄。

困境三：追溯困難與黑箱作業

AI的決策過程是不透明的。當我們對它的產出結果有疑義時，很難回溯內部的「思考過程」。

🧐根本原因

AI演算法的黑箱問題是一道無解之題，且隨著模型越來越強大，人類更難追蹤AI決策過程。因此在追求效率的過程中，當我們沒有保留完整的人機對話記錄，並缺乏一套系統性的品質驗證與迭代流程，人類研究者將更難掌握與AI協作過程。

👊👊突破之道

建立3層驗證防禦體系！這是我們整個實驗中最關鍵的環節。

第1層：交叉AI驗證

  • 目的：消除單一模型的偏見或錯誤推論。
  • 方法：將同一個最終版的Prompt，同時輸入到至少兩個不同的AI大模型中（例如，Claude 4 Sonnet 和 GPT-5）。然後，仔細比較兩者的產出。高度重疊的部分，通常是可信度較高的核心發現；而存在顯著差異的部分，則往往是需要人工探究背後的問題。

第2層：小樣本人工抽查驗證

  • 目的：確保關鍵結論的數據真實性。
  • 方法：針對AI產出的最重要的3–5個核心結論或洞察，進行一次小樣本的、快速的人工抽查。研究員直接回到原始逐字稿中，驗證支撐這些結論的引文是否存在、是否被準確引用、以及詮釋是否合理。這個過程通常只需要10–15分鐘，卻能有效地防止災難性的錯誤。

第3層：設計師品味/專家判斷

  • 目的：評估洞察的深度、啟發性與商業價值。
  • 方法：由團隊中最資深的設計師、研究員或產品負責人，對最終產出的洞察進行一次質化評估。這個評估不再拘泥於字句的對錯，而是基於深厚的本質學能（專業知識）、實戰經驗（過往專案教訓）與知識涵養（跨領域視野），來判斷：這個洞察是平庸的，還是深刻的？是重複已知的，還是帶來全新的啟發？是僅僅停留在功能層面，還是觸及了更深層的情感與價值？

所有困境的核心：如何判斷AI產出的好壞與正確性？

當AI在一分鐘內生成了十個看似都很有道理的HMW時，我們如何判斷哪一個真正具有價值？哪一個能真正引領團隊走向創新的方向？

🧐根本原因

AI的價值在於擴展思考的邊界，而人的價值在於定義探索方向與最終判斷。如果缺乏後者，前者帶來的就不是啟發，而是混亂。

實際案例：如何判斷HMW的好壞

HMW是從研究洞察走向設計概念的關鍵橋樑，品質直接決定了後續設計的成敗。我們在實踐中發現，判斷一個HMW的好壞，需要一個多維度的框架。

AI的初版產出：廣泛但失焦
當我們將所有訪談洞察一次性餵給AI，要求生成HMW時，得到的往往是這樣的結果：

**AI初版HMW範例**：

我們如何幫助知識工作者與團隊，在面對跨平台資料分散、關聯搜尋效率不足、
個人化設定門檻高、協作同步不穩，以及AI輔助受限等多重挑戰時，
透過打造一個能自動整合多來源資訊、主動建立知識關聯的個人化介面，
來提升效率與協作體驗？

這個HMW幾乎涵蓋了所有問題點，長達近150字。它正確，但無用。因爲它太過龐大、太過發散，無法給設計團隊一個清晰的、可聚焦的挑戰。

在團隊的討論中，我們重新思考HMW品質維度：

規模適切性判斷：

「HMW不要大到解決不了，也不要小到馬上能解決。」
這要求HMW的挑戰規模必須是「剛剛好」的，既有足夠的創新空間，又能在合理的資源範圍內被探索。

創新潛力判斷：

「好的HMW需要你去思考，是有包含未知的、還沒想出來的。」
這意味著一個好的HMW不應該直接指向一個已知的解決方案，而是要打開一個充滿可能性的「問題空間」。

層次深度判斷（引用Cooper的三層目標）：

一個真正深刻的HMW，應該能觸及使用者更深層次的需求。

  • Experience層 (體驗層)：是否解決了表面的操作不便？
  • Aim目標層 (目的層)：是否幫助使用者更好地完成了他的工作或生活目標？
  • Life Goal層 (生命目標層)：是否讓使用者朝著「他想成為的那種人」更近了一步？

人腦精煉版：從廣泛到有意義的洞察

基於上述的判斷框架，團隊對AI產出的HMW進行討論、篩選與重寫，最終產出了更具價值的版本：

**人腦精煉HMW範例**：

我們如何幫助那些**需要回顧過去專案決策的資深知識工作者**
提供一種能**視覺化資料連結與時間脈絡**的方法
來為他們創造**更快掌握決策依據與避免重工**的結果？

這個版本，聚焦了特定的用戶（資深工作者）、特定的場景（回顧決策），並指向了一個充滿想像空間的方向（視覺化脈絡），同時明確了價值（避免重工）。它從一個無法下手的宏大問題，變成了一個清晰、可激發創意的設計挑戰。

判斷力從何而來？經驗的匯聚

這種判斷力並非憑空而來，而是團隊經驗的結晶。情境考量提醒我們：「考慮到團隊的狀況、成本、時間限制下，才能了解HMW要訂上層還下層？」這告訴我們，好的HMW是相對的，需要匹配團隊的現實資源。

我們的實踐深刻地證明，AI能快速為我們生成海量可能。但沒有人的判斷力，AI的強大算力只會帶來資訊的洪水；唯有將人的智慧與AI的效率相結合，我們才能真正駕馭AI。

第五幕：實踐路徑 — 你的團隊如何導入AI協作流程？

理論的深度與實踐的困境最終都要導向一個問題：我們明天該如何開始？ 為了回答這個問題，我們將8週的經驗與教訓，濃縮成一份極具操作性的階段性藍圖：

📍 馬上動手做！

這是啟動AI協作的第一步，目標是在最小化風險的同時，快速建立團隊的信心與基本共識。

  1. 從「資料清理」開始：不要一上來就挑戰高難度的「洞察生成」。將AI首先應用於最耗時、最機械化，但風險最低的環節。例如快速去除逐字稿中的贅詞、口頭禪以及與研究主題無關的閒聊對話。這個過程能讓團隊在零壓力下熟悉與AI的互動，並立即感受到效率的提升。
  2. 建立第一版基礎Prompt模板：設計一個團隊通用的「v1.0 Prompt模板」。這個模板不必追求完美，但必須包含如下圖所示的幾個關鍵組成部分，以確保結果的基本穩定性。並且將這個模板存放在共享文件中，作為團隊協作的起點。
  1. 設定不可動搖的「驗證鐵律」：在團隊中建立一條最基本的品質關卡，在AI產出的每一個步驟之後，都必須強制進行人工的「原文對照」。無論AI的回答看起來多麼完美，都要隨機抽查其中幾個點，回溯到原始逐字稿中進行驗證。這個習慣是對抗AI幻覺最有效的武器。

⏳ 擴建系統化框架！

在熟悉了基本操作後，團隊需要開始搭建一個更系統化、更穩健的協作框架。

  1. 團隊的「分析框架」文件：將我們實驗中驗證有效的理論框架，轉化為團隊內部的SOP。例如，創建一份名為「DITL Lab AI主題分析框架」的文件，詳細解釋「關鍵字6R」和「主題發展4R」的每一個指標的定義與應用範例。這使得團隊的分析標準不再依賴口耳相傳。
  2. 正式設計並實施「三層驗證」機制：將第四幕中提到的「三層驗證」流程，正式納入團隊的工作流中。根據團隊資源與專案情境，適當的組合三層驗證方法進行品質把關。可以明確定義每個驗證層級的負責人、執行時機與交付標準，並將比對報告存檔。
  3. 全面盤點與診斷現有研究流程：召集團隊成員，拆解工作流程，然後針對每一個環節進行提問：「AI可以在這裡扮演什麼角色？是加速器、輔助者，還是潛在的風險？」找出那些投入時間最長、重複性最高、最容易出錯的環節，作為AI介入的優先試點。

🗓️ 提升效率與彈性

當框架搭建完成後，接下來的目標是讓這個系統運轉得更高效、更智能。

  1. 建立「模組化Prompt庫」：將v1.0的基礎Prompt模板，升級為一個更精細、更靈活的「模組化Prompt庫」。將常用的指令拆解為可自由組合的模組，例如[角色]、[任務]、[格式]等。並針對團隊常見的專案類型，預設幾套高效的Prompt組合模板，如探索性研究、可用性測試、市場調查。
  2. 建立團隊的「品質檢核標準」：將對AI產出的品質判斷，從個人的主觀感受，轉化為團隊的客觀標準。共同定義什麼是「好的」與「壞的」AI產出。例如，創建一份包含正反案例的對照表：「一個好的洞察，應該是…（附案例）；一個壞的洞察，通常是…（附案例）」。

🚀建立團隊AI協作文化

最終的目標，是將AI協作內化為團隊的核心能力與組織文化。

  1. 建立「跨專案知識庫」：將每一次專案中，被驗證的指令與最高效的流程，系統性地累積下來，形成一個活的共享資產庫，讓新成員能夠快速地站在團隊的經驗積累之上。
  2. 發展團隊的「獨特方法論」：基於長期的AI協作實踐經驗，團隊將不再僅僅是「套用」現有的研究框架，而是開始逐步形成一套融合了自身專案特點、團隊文化的AI協作模式。
  3. 培養真正的「系統思維」：這是轉型的終極目標。透過上述所有實踐，引導團隊成員的思維模式，完成一次根本性的躍遷：從一個工具使用者，過去僅僅專注於鑽研最新的Prompt技巧，轉型為一個流程架構師，能夠設計、驗證、並持續優化設計流程。

第六幕：從工具使用者到系統架構師

這場由AI引發的產業革命，正在從根本上重塑我們的思維模式、協作方式，乃至我們對自身價值的定義。經過這8週的深度實踐與反思，我們深刻地認識到，應對這場變革的關鍵，在於完成3個核心的思維轉變。

轉變1：從掌握工具到建構方法

我們的研究證明了一點：方法論重於工具掌握。

AI 工具的迭代速度驚人，今天最強的模型，明天可能就被取代。真正能夠跨越技術週期、具備遷移性與複利性的核心資產，是建構思考框架與知識體系的能力。

因此，我們要問的不再是：「如何寫出一個完美的 Prompt？」而是：

「如何設計一套流程，讓 AI 穩定、可驗證地協助我們產出高品質洞察？」

轉變2：從追求極速到尋求平衡

a16z 合夥人 Brian Kemp 說得對：「AI時代，誰迭代最快，誰就贏。」但他沒說的是：誰洞察最準，誰才能持續領先。國外「AI 墳場」名單上千個產品的殞落，證明沒有真實價值的創新，終將被淘汰。在這場速度與真實性的賽跑中，使用者研究必須思考要如何找到「速度」與「AI」的平衡。

AI賽道上什麼最多？墓碑。DANG.ai的AI墓地，截至2025年7月，最新資料顯示AI墓地中已收錄超過1289個死亡的AI項目。

AI賽道上什麼最多？墓碑。DANG.ai的AI墓地，截至2025年7月，最新資料顯示AI墓地中已收錄超過1289個死亡的AI項目。

轉變3：實踐x群體的雙重學習思維

AI 的浪潮，早已超越個人學習曲線。要跟上變化，必須同時掌握 實踐 與 群體 兩種學習思維：

實踐：「假會」遠比「全會」重要

面對未知，最快的學習方式就是行動。快速出手，馬上迭代，從每一次微小的成功與失敗中累積經驗，進而養成持續精進的紀律。這遠比等到完全學會再動手，要有效得多。

群體：將彼此作為「外部大腦」

「社會學習理論」早已證明，透過觀察、模仿與互動，是最高效的學習方式。群體的力量，就是知識複利的加速器，它能讓每個人在有限的時間內，獲得遠超單打獨鬥所能企及的認知加乘。

這場 AI 革命，表面上是工具的進化，實際上卻是思維的重構。
它逼迫我們完成3個根本性的轉變：

  • 方法論重於工具：工具會迭代消逝，但框架與知識建構能力，才是可遷移的核心資產。
  • 速度與真實性兼得：結構化的人機協作框架，讓快速不必犧牲品質。
  • 實踐 × 群體學習：行動與合作，才是這個時代最高效的學習模式。

這正是我們在8週實驗中最深的體悟：
AI 再強大，真正決定勝負的，不是誰的 Prompt 技巧更花俏，而是誰能設計一個「可持續、人本、具啟發性」的系統。

這是一個 全端創新實踐者 的時代。
設計師、研究員、產品人，都不再只是執行者，而是跨越商業、技術與體驗的 系統架構師 ，負責引導人機協作、定義設計方向、為世界創造新的價值。

所以，當下一次 AI 浪潮再次襲來，請別再問：「我還會不會被取代？」

而要問：

「在這場革命中，我能設計出什麼樣的價值？」

因為唯有這樣，我們才不只是工具的追隨者，而是未來的塑造者。

People also ask

＊Chatgpt 5 依據本文整理產出

Q1：我們團隊剛開始接觸 AI，應該從哪裡開始？
A： 從資料清理與關鍵字擷取這兩項低風險、高回報的任務開始。先用 AI 協助您整理逐字稿、標記重要段落，熟悉人機協作的節奏，再逐步深入到編碼與主題分析。記住，「假會」遠比「全會」重要 — — 先動手做，在實踐中快速學習。

Q2：AI 產出的分析結果可信度如何？我們該如何驗證？
A： AI 是放大器，不是真理產生器。它的可信度完全取決於您的驗證機制。建議採用三層驗證：1) Cross-AI 驗證 (用不同 AI 模型交叉比對結果)；2) 快速手動驗證 (針對關鍵結論進行小樣本的人工抽查)；3) 專家品味判斷 (由資深研究員評估洞察的深度與合理性)。最核心的習慣是：永遠原文對照，確保所有結論都能追溯到原始資料。

Q3：我們擔心 AI 會讓研究失去「人味」，變得過於機械化？
A： 這是個好問題，關鍵在於重新定義人與 AI 的分工。讓 AI 負責處理 80% 重複性的資料處理與初步歸納工作，這能將研究者寶貴的精力釋放出來，專注於只有人類能做好的 20%：深度洞察、情境理解、策略連結與價值判斷。AI 處理的是「資訊」，而人類提煉的是「智慧」。

Q4：使用 AI 做研究是否有倫理或隱私問題？
A： 絕對有，且必須嚴肅對待。我們的建議是：1) 優先使用提供隱私保護的企業級 AI 服務；2) 在上傳任何資料前，務必進行去識別化處理；3) 與客戶或受訪者溝通時，明確告知會使用 AI 輔助分析，並取得知情同意。技術是中性的，負責任地使用它，是我們的專業義務。

Q5：小團隊資源有限，是否值得投入建構 AI 研究流程？
A： 正因為資源有限，小團隊才更應該善用 AI 的效率優勢。每月約 20 美元的投資，就能讓您的團隊獲得一位初階研究員 80% 的編碼能力，投資報酬率 (ROI) 極高。您可以從免費版本開始，先讓 AI 介入最耗時的環節，當您感受到效率提升帶來的價值後，再考慮升級。

Q6：如何說服老闆或客戶，接受 AI 輔助的研究結果？
A： 溝通價值，而非技術。不要空談 AI 模型多先進，而是要展示具體的商業價值：1) 更快的交付速度 (例如，傳統需要 4 週的專案，現在 1 週就能交付初步洞察)；2) 更全面的資料覆蓋 (AI 不會因疲勞而漏掉邊緣但重要的資訊)；3) 透明的驗證流程 (向對方展示您的三層驗證機制，證明結果的嚴謹性)。用成果證明，AI 是提升研究品質與速度的專業工具。

Q7：AI 時代，使用者研究員會被取代嗎？
A： 不會被 AI 取代，但會被善用 AI 的同行取代。研究員的角色將發生轉型，從過去的「手工業者」轉變為**「系統架構師」 — — 負責設計研究框架、引導 AI 產出、驗證結果品質、並提供最終的策略洞察。純粹的技術型技能（如手動標籤）重要性會下降，但系統思維、批判性分析與跨域整合能力**將變得前所未有地重要。

Q8：我們該如何培養團隊的 AI 協作能力？
A： 透過建立正向循環的學習迴圈：1) 從一個小型專案開始實驗，取得初步成功經驗；2) 建立每週的分享機制，交流有效的指令和踩過的坑；3) 鼓勵實驗精神，接受 AI 犯錯是學習過程的一部分；4) 定期回顧並優化流程，讓 AI 協作模式持續進化。最重要的是，在團隊中建立「AI 是我們的夥伴，能讓我們更強大」的共識。

延伸閱讀

🔖在不務正業的情況下寫的《研究產出方針 2.0 》

🔖AI 時代下設計思維的拓展：從產品到系統的設計轉型

About ：DITL 思創研究室

DITLDESIGN由臺灣科技大學設計系教授唐玄輝所領導，專注於用戶體驗與服務設計創新，結合前瞻科技與實務應用，致力於提升品牌與使用者之間的互動價值。團隊擁有豐富國際獲獎經驗，熱衷以設計思維驅動產業革新，持續推動設計與商業的深度融合。

DITL 相關資源

About ：DITL AI camp

2025 Human × AI 暑訓 是一個為期兩個月的設計與 AI 共學實驗場，聚集研究生、實習生與在職專業者，透過分組專案、每週聚會與 AI 新知分享，實際運用設計流程探索視訊會議、團隊溝通與知識管理等產品領域，並強調「要有產出」，最終以研究報告與個人反思書寫出設計師在 AI 浪潮下如何適應、協作與重塑價值。

指導教授

唐玄輝 drhhtang 老師
陳書儀 Max 老師

團隊夥伴

吳秋澤 Wood

吳佳玫 May Wu

陳心瑩 Xing Chen

蔡舒姍 Susan Tsai

賴睿騏 Rick Lai

廖家嘉 Jia Liao

林 莉 Lili Lin

卓育麟 Yu-lin Cho

參考資料

Subscribe to DITLDESIGN

Sign up now to get access to the library of members-only issues.
Jamie Larson
Subscribe