AI调研 on 集洲无水 | AI 落地实战笔记

AI调研必杀技：证据台账，让每个结论都可追溯

Fri, 15 May 2026 00:00:00 +0000

核心结论：证据台账是区分"AI随便搜的报告"和"专业调研报告"的核心机制。它的原理很简单——每一条要写进报告的关键判断，必须先在台账中记录来源、数据和置信度，然后才能写入正文。用AI配合这套机制，一个人就能产出咨询公司级别的调研质量。

咨询公司的秘密武器

你有没有注意过，麦肯锡、BCG这类咨询公司的报告有一个共同特征：几乎每个关键判断都跟着一个脚注或来源标注。

这不是因为他们记忆力好，而是因为他们有一套标准化的工作机制——我们叫它证据台账（Evidence Ledger）。

好消息是：这套机制不复杂，不需要任何特殊工具，用AI就能高效执行。

什么是证据台账？

证据台账就是一份**“结论-来源对照表”**。你在写报告之前，先把所有关键判断列出来，每条记录它来自哪里、数据是什么、可靠性如何。

一条标准的台账记录包含以下字段：

字段	说明	示例
结论	你要写进报告的判断	2025年中国AI客服市场规模约120亿元
来源标题	哪篇文章/报告说的	艾瑞咨询《2025年中国智能客服行业研究报告》
来源链接	可点击查看的链接	https://…
证据摘录	原文中的关键数据或原句	“2025年中国智能客服市场规模预计达到120.5亿元”
作者/机构	谁发布的	艾瑞咨询
发布时间	什么时候	2025年3月
来源类型	原始/二手/辅助	行业报告（高质量二手来源）
置信度	已证实/较可信/待验证/无法判断	较可信
备注	是否有冲突来源等	IDC报告给出的数字是135亿，存在口径差异

为什么证据台账能大幅提升报告质量？

1. 强制你在写之前想清楚

很多人写报告的习惯是：边搜边写，想到什么写什么。结果就是前后的逻辑不一致，关键判断缺少支撑。

证据台账要求你先把所有关键判断列出来，再统一检查证据是否充分。这个顺序的改变，让报告质量发生质变。

2. 一目了然地发现证据缺口

当你的台账中某些条目标注为"待验证"或"来源类型：辅助来源"时，你就知道哪些地方需要补充检索，哪些地方需要降低语气。

3. 方便交叉验证

所有来源集中在一个表格中，你很容易发现：两个来源对同一个问题的说法是否一致？如果不一致，原因是什么？

4. 让AI帮你高效执行

证据台账的建立过程完全可以交给AI：

让AI搜索信息，提取关键数据
让AI按固定格式整理成台账
让AI标注每个来源的类型和置信度
你只需要审核和补充验证

实操：用AI建立证据台账的4步流程

第1步：列出所有需要回答的关键判断

先用AI根据研究问题，生成一份"关键判断清单"。

示例指令：

1

我要做一份"企业AI知识库选型"的调研报告，请帮我列出这份报告中需要回答的10-15个关键判断。每个判断用一句话描述，按照"市场规模-产品对比-成本分析-风险评估"的维度组织。

第2步：逐个检索，用AI提取证据

对每个关键判断，让AI搜索并按台账格式整理。

示例指令：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


针对"2025年中国AI知识库市场规模"这个判断，请搜索相关数据，按以下格式整理：
- 结论：
- 来源标题：
- 来源链接：
- 证据摘录：
- 作者/机构：
- 发布时间：
- 来源类型（原始/行业报告/媒体报道/博客）：
- 置信度（已证实/较可信/待验证/无法判断）：

请找到至少2个来源进行交叉验证。

第3步：审核台账，标注问题

人工审核AI整理的台账，重点关注：

审核项	具体操作
来源是否真实存在？	点击链接确认页面确实存在且内容匹配
数据是否准确？	对比来源原文，确认AI没有篡改数字
置信度标注是否合理？	官方数据=已证实，行业报告=较可信，媒体转述=待验证
是否有冲突？	两个来源数字不一致时标注出来
是否有缺口？	某些关键判断找不到可靠来源时标注"待补充"

第4步：基于台账撰写报告

这是最关键的一步——只写台账里有的内容。

指令：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


基于以下证据台账撰写调研报告的"市场规模"章节。

要求：
1. 每个关键判断必须引用台账中的来源
2. 如果台账中标注为"待验证"，在正文中明确说明
3. 如果台账中有冲突数据，列出两个数据并说明差异原因
4. 禁止添加台账中没有支撑的判断

【证据台账】
（粘贴台账内容）

证据台账的完整模板

以下是一个可以直接使用的Markdown模板：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25


# 证据台账：[调研主题]

## Entry 01
- 用于章节：市场规模
- 结论：2025年中国AI客服市场规模约120亿元
- 来源标题：艾瑞咨询《2025年中国智能客服行业研究报告》
- 链接：https://...
- 作者/机构：艾瑞咨询
- 发布时间：2025-03
- 来源类型：行业报告
- 冲突来源：IDC报告数据为135亿元（口径差异）
- 置信度：较可信
- 备注：艾瑞和IDC的口径略有差异，正文中建议使用区间表述

## Entry 02
- 用于章节：产品对比
- 结论：智齿客服在中小企业的市场占有率约15%
- 来源标题：2025年中国SaaS客服软件市场份额分析
- 链接：https://...
- 作者/机构：36氪研究院
- 发布时间：2025-06
- 来源类型：行业报告
- 冲突来源：无
- 置信度：较可信
- 备注：

不同置信度的处理规则

置信度	正文中如何表述	可以做什么
已证实	直接引用，标注来源	作为核心论据
较可信	引用但注明"据XX报告"	作为支撑论据
待验证	写"目前尚缺乏权威数据确认"或给区间估计	降低语气，不作为核心论据
无法判断	写"该领域目前公开数据有限"	直接跳过，或说明为信息缺口

常见问题

Q1：证据台账用Excel还是Markdown？

都行。如果你用AI辅助调研，Markdown更方便——直接粘贴到对话中让AI读取和补充。如果团队多人协作，Excel/飞书表格更方便共享和筛选。

Q2：小调研也需要建台账吗？

看决策风险。如果只是一个快速参考（“了解一下XX大概情况”），不需要完整台账，但至少对核心数字标注来源。如果这个调研结果要用于决策（选供应商、定战略、投钱），台账必须有。

Q3：台账建完之后怎么和报告对应？

给每个台账条目标注"用于章节"字段。写作时按章节筛选对应条目，确保该章节的所有判断都有台账支撑。交付前再过一遍：正文中出现的每个关键数字，都能在台账中找到对应条目。

Q4：AI会不会编造来源？

会。这就是为什么第3步"审核台账"不可省略。你必须点击链接确认来源真实存在。如果AI给了一个看起来很合理但实际不存在的来源链接，把这条标注为"无法判断"，不要写进报告。

Q5：这套方法和传统的参考文献管理有什么区别？

参考文献管理是写完之后补的——先写报告，再标注引用来源。证据台账是写之前建的——先确认有什么证据，再基于证据写报告。顺序不同，质量天差地别。

希望这篇文章对你有帮助。如果你在实践中遇到问题，欢迎交流讨论，我的微信：18010612009（杨哥）。

AI调研不是搜一遍就完事：二次核验的完整方法

Fri, 15 May 2026 00:00:00 +0000

核心结论：AI调研最大的风险不是"找不到信息"，而是"找到的信息不可靠"。4类信息必须做二次核验：精确数字、排名比较、时间敏感信息、争议性观点。核验的核心方法不是"再搜一遍"，而是"换一个来源类型交叉验证"——用官方数据验证媒体报道，用第三方统计验证公司自报。

先看一个真实的"假数据"案例

某团队用AI调研"中国AI人才缺口"，AI返回了"中国AI人才缺口超过500万"这个数据，来源是某财经媒体的文章。

团队把这个数据写进了给董事会的报告。后来有人在复核时追查来源，发现：

该财经媒体的文章引用了"某研究报告"
但没有给出报告的具体名称和发布机构
用搜索引擎逆向查找"500万AI人才缺口"，发现这个数字最早出现在2017年的一篇论坛演讲稿中
当时说的是"到2030年可能达到500万"——这是预测，不是现状
8年过去了，这个预测数字被反复转述，逐渐变成了"现状数据"

从"2030年预测"变成"当前缺口500万"，信息在传播过程中被严重扭曲。

如果不做二次核验，这个错误数据就会进入决策链。

4类必须二次核验的信息

不是所有信息都需要核验——常识性内容（如"北京是中国的首都"）不需要。但以下4类必须核验：

第1类：精确数字

包括：市场规模、增长率、市场份额、百分比、金额、数量。

为什么必须核验：

AI可能"幻觉"出看起来很精确的数字（如"提升73.56%效率"）
不同来源的统计口径不同，数字可能相差几倍
过时数据可能已经被新数据替代

核验方法：

场景	核验操作	正确做法
市场规模	找2个不同来源对比	艾瑞说120亿，IDC说135亿→在报告中写"约120-135亿元"并说明口径差异
增长率	确认计算基数和时间范围	“同比增长50%"——是和去年Q1比还是去年全年比？
市场份额	区分"宣称"和"实际”	公司自己说的份额通常偏大，第三方统计更可信

实战案例：

AI返回"2025年中国SaaS市场规模达800亿元"。核验过程：

来源A（某行业报告）：800亿元，但注明"含PaaS和IaaS"
来源B（中国信通院）：SaaS市场480亿元（不含PaaS/IaaS）
差异原因：口径不同。A把PaaS和IaaS也算进去了
正确写法：在报告中注明口径，不能直接用"800亿"作为SaaS市场规模

第2类：排名和比较

包括：“行业第一"“市场领先"“主要玩家"“TOP3”。

为什么必须核验：

“领先"的定义是什么？营收？用户数？技术能力？增长率？
不同维度排名可能完全不同
“主要玩家"可能遗漏重要的长尾竞争者

核验方法：

1
2
3
4


AI说"XX是国内AI客服领域的头部企业"，核验：
1. 按什么维度算头部？营收？客户数？融资额？
2. 找到该领域的行业报告或第三方排名
3. 如果找不到权威排名，改为"该领域的主要参与者之一"而不是"头部企业"

第3类：时间敏感信息

包括：政策法规、产品版本、定价、组织架构、融资情况。

为什么必须核验：

AI训练数据有截止日期，可能不知道最新变化
互联网上的旧文章仍然存在，AI可能抓到过时信息
政策变化频繁，几个月前的信息可能已经失效

核验方法：

信息类型	核验渠道	核验要点
政策法规	政府官网原文	最新版本是什么？有没有修订？
产品功能	官网产品页+更新日志	最新版本是否包含AI说的功能？
定价信息	官网定价页+销售人员	公开价格和实际成交价可能差很多
融资情况	IT桔子/企查查/天眼查	最新一轮是什么时候？金额多少？

实战案例：

AI返回"XX产品支持语音识别功能，准确率达98%"。核验发现：

98%这个数据来自该产品2023年的宣传材料
2025年的最新版本文档中已经不再提这个数据
实际用户反馈准确率在90-95%之间
结论：98%可能是在特定测试条件下的数据，不具有代表性

第4类：争议性观点

包括：行业趋势判断、技术路线选择、政策影响评估。

为什么必须核验：

不同专家/机构的观点可能完全相反
AI倾向于"和稀泥”——把对立观点都说成"各有道理”
你的报告需要给出明确判断，而不是罗列争议

核验方法：

找到至少2个立场不同的来源
分析各自的观点和支撑论据
判断哪个论据更充分
在报告中：如果一方明显更有道理，支持更强的一方并说明原因；如果双方势均力敌，列出两个观点并给出你的判断依据

5种核验方法

方法1：换来源类型交叉验证

最核心的核验方法——不要用同类型来源验证同类型来源。

错误做法	正确做法
用一篇媒体报道验证另一篇媒体报道	用官方数据验证媒体报道
用公司官网验证公司官网	用第三方数据验证公司自报
用AI的搜索结果验证AI的搜索结果	用原始来源验证AI的搜索结果

优先级：官方数据 > 行业报告 > 权威媒体 > 一般媒体 > 博客论坛

方法2：追查原始来源

当你看到一个数据被多处引用时，追查到最原始的出处。

操作步骤：

复制关键数据（如"中国AI市场2025年达XX亿”）
搜索这个精确数据
找到最早发布这个数据的来源
确认该来源的权威性和发布时间
检查原始语境中这个数据是否有附加条件（如"预测"“估算"“特定口径”）

方法3：反向验证

用一个你确定的事实，去验证来源的可靠性。

举例：某行业报告说"2025年中国AI市场规模为5000亿元”。你先确认自己已经知道的一个事实——比如"Gartner报告中国AI市场约为800亿美元”。两个数字差距太大（5000亿人民币≈700亿美元 vs 800亿美元），说明至少有一个来源的口径或数据有问题。进一步追查发现，5000亿是包含了AI相关硬件和服务的广义口径，800亿美元主要是软件和服务。口径不同，不是谁对谁错。

方法4：时效性检查

任何超过1年的市场数据，都要确认是否仍然有效。

操作：

搜索"XX 2025 2026 最新数据”
检查来源发布时间是否在6个月内
如果只能找到旧数据，在报告中注明"截至XX时间的最新公开数据为……"

方法5：AI"幻觉"检测

AI有时会生成看起来非常合理但完全编造的信息。检测方法：

信号	可能是幻觉	核验操作
有精确数字但无来源	高概率	搜索这个数字，看其他来源是否提到
引用了"某报告"但不给名称	高概率	要求AI给出具体报告名和链接
数据"太好看了"	中概率	反向验证：是否有其他来源佐证
来源链接打开是404	高概率	换关键词重新搜索

核验检查清单

写完调研报告后，对以下内容逐项核验：

#	核验项	检查内容	状态
1	市场规模数字	至少2个来源确认，口径一致？	□
2	增长率/百分比	基数和时间范围明确？	□
3	竞品市场份额	不是竞品自己宣称的？	□
4	排名/比较声明	有权威来源支撑？	□
5	政策法规引用	是最新版本？来源是政府官网？	□
6	产品功能描述	和官网最新信息一致？	□
7	定价信息	多渠道确认？公开价≠成交价？	□
8	用户评价/案例	不是只展示正面案例？	□
9	趋势预测	标注了预测来源和假设？	□
10	争议性观点	列出了不同立场并给出了判断？	□

任何一项标注为"不通过"，都要回去修改报告，不能带着不确定的信息交付。

核验不通过的3种处理方式

情况	处理方式	正确写法
找不到可靠来源	删除该数据或改为定性表述	“目前缺乏权威公开数据确认，但多个间接指标指向XX趋势”
两个来源数据冲突	列出两个数据，说明差异原因	“艾瑞报告为120亿元（含PaaS），信通院为480亿元（纯SaaS），差异主要来自口径不同”
数据可能过时	标注数据时效性	“该数据截至2025年Q2，最新数据暂未公布”

常见问题

Q1：二次核验会不会让调研效率大幅下降？

不会。你不需要对报告中的每一条信息都做核验——只对"4类必须核验的信息"做。一份20页的报告中，通常只有10-15个关键数字和判断需要核验，每个5-10分钟，总共1-2小时。对比一下：带着错误数据做决策的成本远大于这1-2小时。

Q2：AI能不能帮我做核验？

可以，但不能完全依赖。让AI帮你找到需要核验的信息点、搜索可能的验证来源、整理核验结果。但最终的判断（这个来源可不可信、两个冲突数据怎么处理）必须由人来做。AI的核验能力受限于它的训练数据——如果AI训练数据中就包含错误信息，它可能"验证"出错误的结论。

Q3：如果所有核验都通过了，报告就一定准确吗？

不一定。核验能大幅降低错误概率，但不能保证100%准确。某些领域（如非公开市场的商业数据）天然缺乏权威来源，只能基于有限信息做最佳判断。关键是在报告中清晰标注哪些是确认的、哪些是推测的，让决策者知道信息的不确定性在哪里。

Q4：做咨询的公司是怎么做核验的？

大型咨询公司（麦肯锡、BCG等）通常有三层核验：第一层是分析师做初步检索和整理；第二层是项目经理审核关键数据和逻辑；第三层是合伙人（行业专家）基于经验判断数据的合理性。中小企业做不到三层，但至少做到一层（分析师/负责人审核关键数据）——这已经比不做核验强太多了。

Q5：什么时候可以不做二次核验？

内部参考的快速概览式调研可以简化核验。但只要这个调研结果要用于外部汇报、决策、合同、投标，核验就不可省。一个简单的判断标准：如果这个数据是错的，会导致错误的决策吗？如果会，就核验。

希望这篇文章对你有帮助。如果你在实践中遇到问题，欢迎交流讨论，我的微信：18010612009（杨哥）。

AI调研的5种信息来源分级法：90%的人只用对1种

Fri, 15 May 2026 00:00:00 +0000

核心结论：AI调研的质量天花板，取决于你信息来源的质量。5种来源按可信度分为三级：原始来源（官方文档、财报、论文）最可靠；高质量二手来源（行业报告、权威媒体）需交叉验证；辅助来源（博客、论坛、社交）只能发现线索，不能单独支撑结论。

一个真实的调研翻车案例

某公司用AI调研一个竞品，AI返回了"该产品月活用户超过500万"的数据。公司基于这个数据做了一个重大决策，后来才发现——这个数字来自一篇自媒体文章，而自媒体的数据来源是"据业内人士透露"。

500万变成了"据传500万"，最终被证明实际不到100万。

这不是AI的错。AI只是忠实地检索了互联网上存在的信息，问题在于使用者没有判断信息来源的可信度。

5种信息来源，可信度天差地别

第1级：原始来源（最可信，直接引用）

这类来源是"一手信息"，最接近事实本身：

来源类型	典型例子	适用场景
官方文档	产品官方手册、API文档、白皮书	技术选型、产品功能确认
财务数据	上市公司财报（年报/季报）、招股书	公司分析、市场规模估算
政策法规	政府官网发布原文、监管公告	合规研究、政策分析
学术论文	期刊论文、会议论文、预印本（arXiv）	技术原理、效果评估
原始数据	政府统计局数据库、上市公司公开数据	市场规模、趋势分析
代码仓库	GitHub开源项目、issue记录	技术方案可行性、社区活跃度

使用原则：直接引用，标注出处。这是证据台账中"已证实"级别的主要来源。

实战技巧：查财报去巨潮资讯网（cninfo.com.cn）或上交所/深交所官网，不要依赖财经媒体的"解读"——媒体的解读可能带着自己的判断和立场。

第2级：高质量二手来源（较可信，需交叉验证）

经过整理和分析的信息，专业性较强：

来源类型	典型例子	注意事项
行业研究报告	Gartner、IDC、艾瑞、亿欧智库	注意报告的赞助方（可能存在利益倾斜）
专业媒体深度报道	36氪、虎嗅、财新、晚点LatePost	媒体有自己的视角和立场
权威数据库聚合页	Statista、World Bank、国家统计局	确认数据口径和时间范围
投资者关系材料	公司IR页面、路演PPT、业绩说明会	公司自报数据可能偏乐观

使用原则：不能单独支撑关键结论，至少找一个原始来源或另一个二手来源交叉验证。

常见陷阱：行业报告的数据口径可能和你理解的不一样。比如某报告说"AI市场规模XX亿"，你需要确认——这个"AI"包含了哪些细分领域？是营收还是融资额？是中国还是全球？

第3级：辅助来源（仅提供线索，不可直接引用）

这类来源信息密度低、可信度不稳定：

来源类型	典型例子	正确用法
技术博客	CSDN、掘金、个人技术博客	发现工具和方法的线索
论坛讨论	知乎、V2EX、Reddit	了解真实用户感受和踩坑经验
社交媒体	微博、微信公众号、小红书	捕捉舆论趋势和用户反馈
问答社区	百度知道、Quora、Stack Overflow	发现常见问题和解决方案

使用原则：只用它们来发现线索和方向，然后用第1级或第2级来源去验证。

正确做法：在知乎上看到"某AI客服SaaS实际效果很差，经常答非所问"，这是一个有价值的线索。下一步应该去G2（软件评价平台）查该产品的用户评分和具体评价，去该公司的客户案例页看真实数据——这才叫证据。

第4级：营销内容（警惕，几乎不可用）

来源类型	特征
软文/广告	看起来像报道，实际是付费内容
产品官网案例页	只展示成功案例，不展示失败案例
公司新闻稿	永远只报好消息

判断方法：

文章末尾有"广告"标识或"赞助"声明
全文只有正面评价，没有任何局限或风险分析
数据精确到个位但无出处（如"帮助企业提升效率73.5%"）

第5级：AI生成内容（需特别警惕）

这是一个容易被忽略的新问题：

来源类型	风险
AI生成的博客文章	数据可能是"幻觉"，看起来像真的但完全编造
AI生成的行业报告	引用可能不存在，来源可能是编的
其他AI的搜索结果摘要	二手信息的三手转述，失真率极高

判断方法：

文章语言过于"均匀"，缺乏真人写作的个人风格
数据精确但无法在任何其他来源找到
引用了"某报告"但不给出具体报告名称和链接

不同调研场景的来源选择策略

调研场景	优先来源	辅助来源	禁止单独使用
技术选型	官方文档、GitHub、技术论文	技术博客、开发者社区	产品官网营销页
市场规模	政府统计、上市公司财报、行业报告	媒体报道、研报解读	自媒体文章、AI生成内容
竞品分析	竞品官网、财报、用户评价平台	社交媒体、论坛讨论	竞品的广告和软文
政策合规	政府官网原文、监管公告	律师解读、行业分析	政策解读的二手转述
投资尽调	财报、招股书、专利数据库	新闻报道、行业分析	公司自己的PR稿

快速判断来源质量的5个问题

拿到任何一个信息来源，先问这5个问题：

这是谁写的？ —— 机构/个人是否在该领域有权威性？
什么时候发布的？ —— 数据是否已经过时？（超过2年的市场数据要特别小心）
它引用的是原始证据还是转述别人的？ —— 追溯到原始来源
方法/样本/口径是否说明清楚？ —— 模糊的方法论=模糊的结论
作者或发布方是否存在利益相关？ —— 赞助方、广告主、被评价方自己发布的内容要打折

如果5个问题中有2个以上答不上来，这个来源就不能单独支撑关键结论。

两个来源冲突时怎么办？

实际调研中经常遇到不同来源说法不一致。不要简单二选一，先分析冲突原因：

冲突原因	处理方式
时间不同（一个2024年数据，一个2026年数据）	以更新的为准，但说明趋势变化
口径不同（一个按营收算，一个按GMV算）	统一口径后再比较
来源性质不同（一个是公司自报，一个是第三方统计）	优先第三方，说明差异原因
一个是事实，一个是预测/评论	事实优先，预测单独标注

如果分析完还是无法判断，就在报告中如实呈现两个数据，说明"不同来源存在分歧，可能原因是XX"——这比强行选一个更专业。

常见问题

Q1：AI搜索工具（如Perplexity、Deep Research）会自动判断来源质量吗？

不会。AI搜索工具会把所有来源的信息混合在一起，通常不会告诉你这个信息来自什么级别的来源。你需要自己去点击来源链接，判断来源质量后再决定是否采信。

Q2：没有原始来源怎么办？

有些信息确实只有媒体报道或二手来源。这时要降低置信度，在证据台账中标注为"待验证"或"较可信"。在正文中写"据XX媒体报道"而不是直接当成事实。

Q3：付费行业报告值得买吗？

取决于你的决策风险。如果是一个几百万的决策，花几千块买一份Gartner或IDC的报告是完全合理的。但如果只是初步了解一个行业，免费的信息已经足够——关键是来源质量判断能力。

Q4：维基百科算什么级别？

维基百科是"高质量的辅助来源"。它的信息通常比较准确（因为有多人编辑纠错），但它本身不是原始来源——你需要点进去看它引用的参考文献，那些参考文献才是真正的证据来源。

Q5：国内的数据来源和海外来源哪个更可靠？

取决于调研对象。调研中国市场就用国内来源（国家统计局、巨潮资讯、艾瑞），调研海外市场就用海外来源（SEC EDGAR、Statista、Gartner）。不要在一个关于中国市场的报告中引用全球数据当中国市场数据用——这是最常见的口径错误。

希望这篇文章对你有帮助。如果你在实践中遇到问题，欢迎交流讨论，我的微信：18010612009（杨哥）。

AI做深度调研的正确姿势：从"搜资料"到"有证据的研究写作"

Fri, 15 May 2026 00:00:00 +0000

核心结论：用AI做深度调研，关键不是"用什么工具"，而是"用什么方法"。一套完整的AI调研流程分为6步：定义问题→建立框架→分步检索→建立证据台账→关键判断核验→综合写作。掌握这套方法，一个人能产出堪比3人咨询团队的调研质量。

为什么你用AI做调研，结果总是"看起来很专业，但没什么用"？

大多数企业用AI做调研的方式是这样的：打开ChatGPT或豆包，输入"帮我写一份XX行业调研报告"，然后拿到一份3000字的文档——开头是"近年来，XX行业得到了广泛关注"，中间罗列几个公认的事实，结尾总结"未来前景广阔"。

这份报告的问题不是AI太笨，而是你的方法不对。

AI是一个极其高效的"资料处理器"，但它不会自动知道你真正想回答什么问题、需要什么深度的证据、哪些结论需要交叉验证。你给它一个模糊的指令，它就还你一份模糊的报告。

真正有效的AI调研，核心区别在于两个字：证据。

AI深度调研的6步完整流程

经过大量实战验证，以下流程适用于行业调研、竞品分析、技术选型、政策研究等场景：

第1步：先定义研究问题

不要急着搜索，先想清楚你要回答什么。

这一步最多补3个关键问题：

最终要解决什么决策？（选哪个供应商？进不进这个市场？用哪个技术方案？）
需要什么深度？（是做Go/No-Go决策，还是写给董事会看的正式报告？）
时间、地区、行业范围是什么？

一个清晰的研究问题示例：

差的研究问题	好的研究问题
“帮我调研一下AI客服行业”	“年营收5000万以下的电商企业，自建AI客服还是采购第三方SaaS，哪个方案2年内总成本更低？”
“分析一下新能源汽车市场”	“2026年下半年，10-15万价格区间的新能源SUV，哪3款车型的性价比最高？依据是什么？”

好研究问题的3个特征：具体、可回答、有决策指向。

第2步：建立研究框架

把主题拆成3-6个研究维度，每个维度明确需要什么来源、什么关键词、产出什么判断。

以"企业是否应该自建AI知识库"为例：

维度	核心问题	优先来源
市场方案	主流SaaS产品有哪些？定价如何？	官网、产品文档、报价页
自建成本	技术团队需要多少人？周期多久？	招聘平台薪资数据、技术社区经验帖
效果对比	自建vs采购的实际效果差异？	用户评价、案例研究、同行交流
风险评估	各方案的潜在风险和坑？	用户投诉、技术社区踩坑帖

这一步的产出是一份研究计划，后续每一步都按这个计划执行，不跑偏。

第3步：分步检索，不一口气搜完

最常见的错误：把所有条件塞进一个超长query，然后只看第一页搜索结果。

正确做法是按维度逐个搜索，每个维度用2-3个关键词变体：

中文搜索"AI知识库 SaaS 对比"
英文搜索"AI knowledge base SaaS comparison 2026"
垂直搜索"知识星球 AI知识库实施经验"

检索三段式：

宽搜：用search工具扫清主题全貌，找出高频来源和关键术语
深读：对关键来源读取全文，提取具体数据和案例
核验：对关键数字和判断做二次交叉验证

第4步：建立证据台账（最关键的一步）

这是区分"AI搜出来的报告"和"专业调研报告"的核心环节。

每一条关键判断，都要在证据台账中记录以下信息：

字段	说明
结论	你要写的这个判断是什么
来源	哪篇文章/哪份报告说的
摘录	原文中的关键数据或原句
发布时间	越新越好
来源类型	官方文档/学术论文/行业报告/媒体报道
置信度	已证实/较可信/待验证

规则：正文只允许使用台账里已经记录过的关键判断。台账里没有的，不能写进正文。

这就是为什么专业咨询公司的报告"每个数字都有出处"——不是他们记忆力好，而是有这套机制。

第5步：关键判断必须二次核验

以下4类信息必须做交叉验证，不能只靠一个来源：

精确数字：市场份额、增长率、价格、成本——至少找2个来源确认
排名和比较：“行业第一"“主流方案”——必须有依据，不能是AI的推测
时间敏感信息：政策变化、产品版本、融资情况——确认是否还是最新
争议性观点：不同来源结论冲突时——不要二选一，要把争议写出来

如果验证不了怎么办？ 删掉这个数字，或者改写成保守的定性判断。“我们无法确认具体数字，但多个来源指向同一趋势”——这比编一个精确百分比专业得多。

第6步：综合写作，按证据说话

写作时遵循一个硬规则：

观点句 → 证据 → 分析 → 过渡

每一段都要有这个结构。没有证据的观点就是空话。

三种禁止出现的句式：

“近年来得到了广泛关注和应用”（什么证据？）
“某头部企业内部数据显示”（哪个企业？什么数据？）
“预计未来将达到XX规模”（谁预计的？依据是什么？）

替换为：

“2025年全球AI市场规模达到XX亿美元，同比增长XX%——数据来源Gartner《XX报告》”
“某电商企业在接入AI客服后，人工客服团队从50人缩减至15人——来源：该企业2025年Q4财报”
“我们查阅了XX机构的预测报告，但该预测基于XX假设，实际结果可能受XX因素影响”

不同场景下AI调研的侧重点

调研场景	重点关注	推荐工具组合
竞品分析	产品功能、定价、用户评价、市场份额	AI搜索 + 官网抓取 + 社交媒体数据
技术选型	技术方案对比、社区活跃度、实际案例	技术文档 + GitHub + 技术社区
市场进入	市场规模、竞争格局、政策法规、渠道	行业报告 + 政府数据 + 新闻动态
投资尽调	财务数据、团队背景、技术壁垒、风险	财报 + 招股书 + 专利检索 + 新闻

常见问题

Q1：AI调研和传统调研相比，最大的优势是什么？

成本和速度。传统咨询公司的行业调研报告收费5-30万，周期2-4周。用AI配合这套方法论，一个人3-5天可以产出同等质量的报告，成本几乎为零。当然，如果你需要品牌背书和保密协议，咨询公司仍有价值。

Q2：用AI做调研，信息可靠性怎么保证？

核心是证据台账+二次核验机制。不依赖单一来源，关键数字必须交叉验证，无法验证的就如实标注。实际上，这套机制比大多数人"凭感觉引用一个来源"要可靠得多。

Q3：这套方法适合什么规模的企业？

从个人创业者到500强企业都适用。区别只在于调研深度：小企业做Go/No-Go决策可能只需1-2个维度的轻量调研；大企业做战略规划可能需要5-6个维度的完整调研。

Q4：除了ChatGPT，还有什么好用的AI调研工具？

Perplexity适合快速信息检索和实时搜索；Deep Research（ChatGPT内置）适合复杂主题的长时间自主研究；豆包/Kimi适合中文资料检索。工具只是执行层，关键是上面的方法论框架。

Q5：如何避免AI"编造"信息？

所有关键判断必须有可追溯的来源。如果你无法在证据台账中找到支撑，就不要写进正文。AI确实会产生"幻觉”，但证据台账机制就是防范幻觉的防火墙。

希望这篇文章对你有帮助。如果你在实践中遇到问题，欢迎交流讨论，我的微信：18010612009（杨哥）。

用AI做调研，90%的人第一步就错了：研究问题的定义方法

Fri, 15 May 2026 00:00:00 +0000

核心结论：用AI做调研质量差，90%的原因是第一步——研究问题没定义清楚。一个精确的研究问题应该具备3个特征：具体、可回答、有决策指向。掌握了研究问题定义方法，后续每一步AI的输出质量都能提升3倍以上。

你是怎么给AI下调研指令的？

对比一下这两种方式：

方式A（90%的人）：

“帮我调研一下AI客服行业”

方式B（10%的人）：

“年营收5000万以下的B2B企业，自建AI客服团队（基于开源大模型+RAG）和采购第三方AI客服SaaS（如智齿、网易七鱼），在3年总成本、响应效率和定制化深度三个维度上的对比分析。重点分析：各方案的初始投入、年运维成本、实际响应速度数据、行业案例。”

方式A拿到的报告，大概率是"近年来AI客服行业得到广泛关注"这种空话合集。方式B拿到的报告，可以直接用于决策。

区别在哪里？第一步——研究问题定义。

为什么研究问题定义这么重要？

AI的能力边界取决于你给的约束条件。约束越清晰，AI越能聚焦在有用的信息上：

研究问题质量	AI行为	报告质量
模糊（“调研XX行业”）	漫无边际地搜集通用信息	空话套话，无决策价值
中等（“分析XX市场机会”）	收集行业概况，但缺乏针对性	有信息量，但不够深入
精确（具体决策问题+维度+范围）	针对性检索和分析	有数据、有案例、可直接决策

原理很简单：AI的检索和生成都是围绕你的问题展开的。问题越精确，检索越聚焦，生成越有深度。

精确研究问题的3个特征

1. 具体：有明确的研究对象和范围

差：“分析AI培训市场”——什么规模？什么行业？什么地区？
好：“成都地区年营收500万以下的中小制造企业，采购AI培训服务的平均预算、采购频次和决策流程”

2. 可回答：能通过公开信息检索得出结论

差：“AI会不会取代医生？"——这是哲学问题，不是调研问题
好：“2025-2026年，国内三甲医院采购AI辅助诊断系统的实际使用率和临床效果数据”

3. 有决策指向：回答完就能做决策

差：“介绍一下区块链技术”——纯知识科普
好：“供应链金融场景下，用区块链做应收账款确权，对比传统保理模式，在成本、效率和风控上的差异”

定义研究问题的3个关键问题

当你拿到一个调研需求时，先问自己（或让需求方回答）这3个问题：

最终要解决什么决策？
- 是Go/No-Go决策？是选型？是定价？是进入新市场？
- 决策者的角色是什么？CEO要的是战略方向，产品经理要的是功能对比，采购要的是价格参数
需要什么深度和可信度？
- 内部参考：快速概览即可，2-3个来源就够
- 对外汇报：需要多来源交叉验证、具体数据、可追溯出处
- 合同/投标级别：需要行业报告、官方数据、政策文件支撑
范围边界在哪里？
- 时间范围：近1年？近3年？
- 地区范围：全国？特定省份？
- 行业范围：全行业？特定细分？
- 明确不纳入什么：比如"不考虑海外市场"“不涉及军工领域”

实际案例：

某医疗器械经销商想调研"AI+医疗影像"市场。直接搜索会得到海量且混乱的信息。通过3个关键问题梳理后，研究问题变成：

“2025-2026年，四川省二级及以上公立医院采购AI医疗影像辅助诊断系统的情况，包括已采购医院数量、主流产品品牌和型号、单套采购价格区间、科室使用率。目的：判断我们是否有必要代理该类产品。”

这个问题具体、可回答、有决策指向，AI可以精准输出。

5种常见调研场景的研究问题模板

模板1：市场进入决策

“[目标地区]的[目标行业/客户群体]，在[产品/服务类型]上的[需求规模/采购习惯/价格敏感度]，以及当前[竞争格局/主要玩家]分析。目的：判断[进入/放弃]该市场的可行性。”

模板2：竞品对比分析

“[产品A]与[产品B]（或自建方案），在[维度1]、[维度2]、[维度3]上的详细对比，包括[具体指标]。需要实际案例和数据支撑，来源包括[官网/用户评价/行业报告/财报]。”

模板3：技术选型

“为解决[具体业务问题]，[技术方案A]与[技术方案B]在[性能指标/开发成本/运维难度/社区活跃度]上的对比，要求有[真实案例/基准测试数据]，适用于[技术栈/团队规模]约束。”

模板4：政策法规调研

“[目标行业/业务]在[目标地区]的最新政策法规，包括[许可证要求/准入条件/合规标准]，重点关注[2025-2026年的新变化]和[对企业的影响]。来源优先：政府官网、监管部门公告。”

模板5：投资/合作尽调

“[目标公司]的业务模式、财务状况（近3年营收、利润、融资情况）、核心技术壁垒、团队背景，以及[潜在风险/合规问题]。信息来源：企查查/天眼查、财报、新闻、专利检索。”

从模糊到精确：4个真实对比

场景	模糊问题（差）	精确问题（好）
市场调研	“调研一下养老产业”	“2026年中国社区养老服务市场规模，按居家/社区/机构三类拆分，重点分析华东地区政策补贴金额和民营养老机构平均入住率”
供应商选型	“哪个CRM系统好用？”	“50人以下B2B销售团队，年预算5万以内，需要移动端+微信集成+销售漏斗功能，纷享销客和销售易哪个更适合？实际客户评价和续费率对比”
行业趋势	“AI行业前景如何”	“2025-2027年中国AI大模型To B市场，按行业（金融/医疗/教育/制造）拆分的渗透率预测和已有落地案例数”
竞品分析	“分析一下竞品”	“[竞品名]最近12个月的产品更新记录、定价变化、新增客户案例和社交媒体口碑变化，与我方产品在[核心功能/价格/服务]上的对比”

常见问题

Q1：研究问题定义要花多长时间？

通常15-30分钟。这是整个调研过程中投入产出比最高的一步。花30分钟定义好问题，后面每一步都能节省数小时。很多人跳过这步直接搜索，结果花了好几天还在漫无目的地翻资料。

Q2：需求方自己也不知道想要什么，怎么办？

用那3个关键问题去引导他。如果他说"帮我了解一下XX”，你就问"了解完之后你要做什么决策？"——这通常能逼出真正的需求。如果实在问不出来，就先做一个轻量级的概览式调研，但不要把这种概览当成正式调研交付。

Q3：研究问题太窄会不会遗漏重要信息？

可以设置一个"背景扫视"环节：在正式研究之前，用10分钟快速浏览行业概况，确认没有遗漏重要的维度。如果发现遗漏，补充到研究框架中。但不要因为怕遗漏就把问题定义得很模糊——模糊的问题得到的答案更模糊。

Q4：一个问题能拆成多个子问题吗？

当然可以，而且建议这么做。一个主问题拆成3-6个子问题，每个子问题对应一个研究维度，按优先级排序后逐个深入。这比一口气想要回答所有问题高效得多。

Q5：AI能不能帮我们定义研究问题？

可以。把你模糊的需求告诉AI，让它帮你拆解成结构化的研究问题框架，你再审核调整。但最终的决策指向和范围边界，必须由人来确认——AI不知道你的业务背景和决策压力。

希望这篇文章对你有帮助。如果你在实践中遇到问题，欢迎交流讨论，我的微信：18010612009（杨哥）。