AI降本增效 on 集洲无水 | AI 落地实战笔记

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）。

企业用AI做竞品调研，这篇文章把方法讲透了

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

核心结论：用AI做竞品调研的核心不是"让AI搜一下竞品"，而是建立一套"定义范围→确定维度→分步采集→交叉验证→决策输出"的标准化流程。传统竞品调研需要1-2周，用AI配合这套方法3-5天可以完成，而且覆盖面更广、数据更全。关键是：别让AI"一步到位"，分步执行质量才可控。

传统竞品调研为什么又慢又贵？

传统方式	问题	AI方式	优势
人工翻竞品官网	慢，容易遗漏更新	AI自动抓取+结构化提取	速度快10倍，不遗漏
下载竞品财报/招股书	手动翻PDF找关键数据	AI提取财务数据+自动对比	几分钟处理几十页PDF
社交媒体搜用户评价	手动翻帖子，主观筛选	AI批量抓取+情感分析	覆盖面广，可量化
行业报告（买）	单份5000-50000元	AI搜索公开数据交叉验证	零成本，多来源

核心差异：传统方法靠人力堆时间，AI方法靠流程标准化。

AI竞品调研的5步流程

第1步：定义竞品范围

不要"所有竞品都分析"，先分三个圈层：

圈层	定义	数量建议	分析深度
核心竞品	和你直接竞争、客户高度重叠	2-3家	详细分析每个维度
间接竞品	解决相同需求但方案不同	3-5家	重点看差异化
潜在竞品	当前不竞争但可能进入你的领域	2-3家	关注动向和实力

用AI快速筛选竞品：

1
2
3
4
5
6


我们的产品是[产品描述]，目标客户是[客户画像]，主要功能是[核心功能]。
请帮我列出：
1. 3家核心竞品（直接竞争关系，客户重叠度高）
2. 3家间接竞品（解决相同需求但方案不同）
3. 2家潜在竞品（大公司或新锐公司，可能进入这个市场）
每家列出：产品名称、公司、核心差异点、价格区间。

第2步：确定对比维度

根据调研目的选择维度组合。以下是常见的维度框架：

通用竞品分析维度（8个）：

维度	需要采集的信息	优先来源
产品功能	功能清单、核心差异化功能、最新更新	官网、产品手册、更新日志
定价策略	价格体系、收费模式、折扣政策	官网定价页、销售人员报价
目标客户	客户规模、行业、地区分布	官网案例页、招投标信息
市场份额	市场占有率、营收规模、增长率	财报、行业报告、第三方数据
技术架构	技术栈、部署方式、API能力	技术文档、GitHub、开发者社区
用户体验	界面设计、使用流程、学习成本	实际试用、用户评价
客户评价	满意度、口碑、投诉	G2/Capterra、社交媒体、论坛
发展趋势	融资情况、团队扩张、产品路线图	招股书/财报、新闻、招聘信息

不同目的的维度侧重：

调研目的	重点维度	可以简化的维度
产品定价	定价策略、目标客户、市场份额	技术架构、发展趋势
技术选型	技术架构、产品功能、API能力	定价策略、市场份额
投资决策	市场份额、发展趋势、客户评价	用户体验、技术架构
进入市场	目标客户、定价策略、市场份额	技术架构、发展趋势

第3步：分步信息采集（用AI批量执行）

关键原则：每个维度单独搜索，不要一口气搜完。

以采集"产品功能"维度为例：

1
2
3
4
5
6
7
8


分析竞品[竞品A]的产品功能，重点关注：
1. 核心功能清单（列出所有主要功能模块）
2. 最近6个月的新增功能（从更新日志提取）
3. 和[我方产品]相比的功能差异（我们有他们没有的，他们有我们没有的）
4. 用户最常提及的功能优缺点（从用户评价提取）

信息来源优先：官网产品页 > 产品手册 > 更新日志 > 用户评价
每条信息标注来源。

财务数据采集（仅限上市公司）：

1
2
3
4
5
6
7
8


提取[竞品A]最近4个季度的关键财务数据：
1. 营收和增长率
2. 毛利率和净利率
3. 研发费用占营收比例
4. 客户数量和客户留存率

来源：巨潮资讯网（cninfo.com.cn）或SEC EDGAR
标注每条数据的具体来源和报告期。

第4步：交叉验证（不能省）

竞品调研中，以下信息必须交叉验证：

信息类型	验证方法	常见陷阱
竞品宣称的市场份额	对比行业报告数据	竞品自己说的份额通常偏大
竞品宣称的客户数量	对比第三方平台数据	“服务超过10000家企业"可能是注册用户不是付费客户
竞品宣称的功能效果	查实际用户评价	官网案例只展示成功案例
竞品的定价信息	多渠道确认	公开价格可能和实际成交价差异大

实战案例：

某竞品在官网上宣称"服务超过5000家企业，覆盖30个行业”。用AI交叉验证后发现：

工商注册信息显示该公司实缴资本仅50万
天眼查显示员工社保缴纳人数仅8人
第三方数据显示其付费客户数可能在200-500家之间
“5000家"应该是指注册用户数，不是付费客户数

如果不做交叉验证，这个"5000家"就会被写进报告，误导决策。

第5步：生成决策报告

基于前4步的信息，生成结构化的决策报告。报告结构：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16


# [产品名]竞品调研报告

## 核心发现（1页内）
3-5个最关键的发现，每个配具体数据。

## 竞品全景图
核心竞品、间接竞品、潜在竞品的基本信息。

## 详细对比矩阵
按维度逐个对比，每个判断有数据支撑。

## SWOT分析（针对我方）
基于竞品调研的我方优劣势分析。

## 行动建议
具体的下一步行动，带时间节点和责任人。

可以直接复用的Prompt模板

模板1：竞品快速扫描

1
2
3
4
5
6


我方产品：[产品描述]
目标客户：[客户画像]
核心功能：[功能列表]

请帮我快速扫描市场，找出5家主要竞品，按以下格式整理：
| 竞品 | 公司 | 核心差异 | 定价 | 目标客户 | 市场份额（如可查） |

模板2：单维度深度分析

1
2
3
4
5
6


针对竞品[竞品名]，深度分析[具体维度，如"定价策略"]：
1. 完整的价格体系（基础版/专业版/企业版）
2. 收费模式（按坐席/按量/按功能）
3. 与竞品的定价对比
4. 定价策略的优劣势分析
每条信息标注来源。

模板3：用户评价分析

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


收集竞品[竞品名]的用户评价，从以下渠道：
1. G2/Capterra等软件评价平台
2. 知乎/微博/小红书等社交媒体
3. 技术社区（GitHub issues、V2EX）

分析维度：
- 用户最满意的功能TOP5
- 用户最不满的问题TOP5
- 和我方产品的对比评价
- 整体口碑评分汇总

常见问题

Q1：竞品是非上市公司，财务数据怎么获取？

非上市公司的财务数据获取难度较大。可以尝试的途径：

企查查/天眼查：实缴资本、员工人数、社保缴纳人数、知识产权
招投标信息：通过政府采购网查中标记录
融资新闻：通过IT桔子/36氪查融资情况
招聘信息：通过Boss直聘查招聘岗位和数量（间接判断业务方向和规模）

如果确实拿不到关键数据，在报告中如实标注"该竞品为非上市公司，财务数据有限”，然后基于可获取的间接指标做推断。

Q2：竞品调研多久做一次？

取决于行业变化速度。快消品/互联网行业建议每季度一次；医疗器械/工业品可以半年一次。核心竞品有重大发布（新产品、融资、并购）时随时补充。

Q3：AI能把竞品调研完全自动化吗？

目前不能。AI能高效完成信息采集和初步整理，但以下环节仍然需要人：

判断哪些信息可信、哪些不可信（交叉验证）
基于调研结果做战略判断（这需要行业经验和商业直觉）
和销售团队/客户沟通获取第一手反馈

AI是"超级助手"，不是"替代人"。

Q4：小企业有必要做竞品调研吗？

太有必要了。小企业资源有限，一旦选错方向代价更大。而且小企业的竞品调研不需要做得像大公司那么复杂——核心竞品2-3家，重点维度3-4个，用AI辅助2-3天就能完成。这2-3天的投入可能帮你避免几十万的试错成本。

Q5：竞品调研和行业调研有什么区别？

行业调研看的是"赛道"（市场有多大、增长多快、政策如何），竞品调研看的是"跑道上的人"（谁跑得快、怎么跑的、我该怎么跑）。两者配合使用：先做行业调研判断"要不要进这个赛道"，再做竞品调研判断"进了之后怎么赢"。

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）。

为什么你的AI调研报告全是空话？一套反空话模板根治

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

核心结论：AI调研报告充满空话的根本原因不是AI太笨，而是你给的约束不够——没有要求它用证据说话。解决方案是一套"反空话三件套"：证据台账强制机制 + 反空话替换模板 + 交付前闸门检查。用了这套方法，报告的可信度和实用性可以提升一个量级。

先看看你的报告里有没有这些"毒句"

打开你最近用AI生成的那份调研报告，搜索以下关键词：

“近年来”
“广泛关注”
“显著提升”
“效果明显”
“行业普遍认为”
“未来将全面普及”
“预计将达到”
“业内人士指出”

如果搜到了3个以上匹配，你的报告大概率经不起推敲。

这些句子的共同特征是：看起来像结论，实际上没有传递任何信息。读者读完之后，既不知道具体提升了多少，也不知道是谁说的，更不知道基于什么证据。

空话产生的3个根本原因

原因1：你给AI的指令太模糊

当你输入"帮我写一份XX调研报告"时，AI的默认策略是"安全输出"——写一些不会出错的通用描述。因为如果它给出具体数字，万一错了责任在它；但写"近年来得到广泛关注"永远不会错。

解决：在指令中明确要求"所有关键判断必须有具体数据和来源支撑，禁止使用无证据的概括性表述"。

原因2：你让AI一次性生成整篇报告

AI一次性生成的长文，天然倾向"填充"——用空话连接各个段落，让文章看起来完整流畅。

解决：分步生成，每次只让AI处理一个研究维度，每个维度都要求附带数据来源。

原因3：你没有设置"交付闸门"

写完就交付，没有检查环节。如果有一个人（或AI）在交付前专门做一遍"空话扫描"，大部分问题都能被发现和修复。

解决：建立交付前检查清单（后文详述）。

反空话替换模板：7组对照表

以下是AI调研报告中最常见的7种空话，以及对应的替换模板：

模板1：市场热度类空话

空话	问题	替换为
“近年来XX行业得到了广泛关注”	没说谁关注、关注程度如何	“2025年XX行业投融资总额达到XX亿元，同比增长XX%——数据来源：XX投资数据库”
“XX领域成为热门赛道”	什么标准算热门？	“2025年XX领域新注册企业XX家，较2023年增长XX%——数据来源：企查查”
“XX技术受到业界追捧”	谁追捧？证据呢？	“2025年全球XX技术相关专利申请量达XX件，同比增长XX%——数据来源：XX专利数据库”

模板2：效果提升类空话

空话	问题	替换为
“显著提升效率”	提升多少？谁的数据？	“XX企业在部署AI质检后，产品不良率从XX%降至XX%，人工质检工时减少XX小时/月——来源：XX企业2025年Q3运营报告”
“大幅降低成本”	降了多少？绝对值还是比例？	“XX公司使用AI客服替代60%的初级咨询后，客服团队人力成本从月均XX万降至XX万——来源：该公司财报电话会议纪要”
“效果显著优于传统方案”	哪个指标？测试条件？	“在XX基准测试中，方案A准确率92.3%，方案B准确率87.1%，提升5.2个百分点——数据来源：XX论文/评测报告”

模板3：趋势预测类空话

空话	问题	替换为
“未来将全面普及”	什么时候？什么程度？	“Gartner预测到2027年XX技术的企业采用率将达到XX%——来源：Gartner《XX报告》”
“预计将达到XX规模”	谁预计的？什么假设？	“据IDC预测，2026年中国XX市场规模将达到XX亿元（复合增长率XX%），但该预测基于XX假设——来源：IDC《XX市场追踪》”
“市场前景广阔”	多广阔？依据？	“当前市场渗透率仅XX%，头部企业年增速保持在XX%以上，说明市场仍有较大增长空间——综合XX报告和XX公司财报分析”

模板4：权威背书类空话

空话	问题	替换为
“行业普遍认为”	哪些行业？谁认为的？	“根据XX协会2025年调研（样本XX家），XX%的企业表示正在评估AI方案——来源：XX协会《XX调研报告》”
“某头部企业内部数据显示”	哪个企业？什么数据？	“XX公司2025年财报显示，AI相关业务营收XX亿元，占总营收XX%——来源：XX公司2025年年报”
“专家表示”	哪个专家？在哪说的？	“XX大学XX教授在2025年XX会议上指出……——来源：XX会议纪要/报道”

模板5：比较类空话

空话	问题	替换为
“处于行业领先地位”	哪个维度？什么排名？	“在Gartner 2025年XX领域魔力象限中位列领导者象限——来源：Gartner报告”
“性能业界一流”	哪些指标？怎么测的？	“在XX基准测试（XX数据集）中，响应延迟XXms，QPS达到XX，排名前XX%——来源：XX评测平台”
“远超同类产品”	超了多少？对比了谁？	“在XX功能上，方案A支持XX种配置，方案B仅支持XX种；在XX指标上，方案A领先方案B XX个百分点——实测对比”

模板6：问题严重性空话

空话	问题	替换为
“问题日益突出”	什么问题？多突出？	“2025年XX行业客户流失率达到XX%，较2023年上升XX个百分点——来源：XX行业报告”
“面临严峻挑战”	什么挑战？有多大？	“据XX统计，2025年XX行业XX%的企业表示AI人才缺口超过XX人——来源：XX调查报告”

模板7：总结性空话

空话	问题	替换为
“综上所述，XX具有巨大潜力”	什么潜力？多大？	“基于以上分析，XX在[具体场景]下有明确的应用价值，预计可带来[具体收益]，但需注意[具体风险]”
“值得深入研究和关注”	谁值得？关注什么？	“建议[具体角色]在[具体时间]前完成[具体动作]，以抓住[具体机会]”

交付前闸门：6项必检

在把调研报告交付给决策者之前，逐项检查：

#	检查项	操作
1	全局搜索空话关键词	搜索"近年来/广泛/显著/预计/普遍认为/业内人士"，每处都要改成有证据的表述
2	检查每个精确数字	市场规模、增长率、百分比——每个数字在证据台账中都能找到来源吗？
3	检查每个排名和比较	“第一"“领先"“优于”——有依据吗？对比条件公平吗？
4	检查时间敏感信息	政策、价格、产品版本——确认是最新信息，不是过时数据
5	检查争议性观点	是否存在不同来源结论冲突？冲突是否在报告中说明了？
6	检查结论是否有证据链	从证据到结论的逻辑链是否完整？有没有跳跃式推理？

不通过任何一项，就不要交付。

给AI加一道"反空话护栏”

如果你用AI生成调研报告，在prompt中加入以下约束：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


写作要求：
1. 所有精确数字必须标注来源
2. 禁止使用以下表述（除非有具体数据支撑）：
 - "近年来/近年来得到了广泛关注"
 - "显著提升/大幅降低/效果明显"
 - "行业普遍认为/业内人士指出"
 - "未来将全面普及/预计将达到"
 - "某头部企业/某业内人士"（必须写明具体企业名和人名）
3. 每个关键判断的格式为：结论 + 数据/案例 + 来源
4. 如果某个判断找不到可靠来源，改为"目前缺乏公开数据确认"或标注为待验证

加了这道护栏，AI的输出质量会有质的飞跃。

常见问题

Q1：有些信息确实找不到精确数据，怎么办？

如实标注。在报告中写"目前公开渠道未找到XX的精确数据，但根据XX和XX两个间接指标推断，该市场规模大约在XX-XX之间”——这比编一个数字专业得多。决策者需要知道哪些是确定的，哪些是不确定的。

Q2：如何让AI主动找到数据来源？

分两步走：先让AI搜索并列出找到的数据和来源，你审核确认后再让它基于已确认的数据撰写报告。不要让AI一边搜索一边写——那会导致它用模糊表述填充没有找到数据的部分。

Q3：这套方法会增加多少工作量？

第一次使用时可能多花30%-50%的时间，但报告质量提升是3-5倍。而且，一旦形成习惯，这套检查流程10-15分钟就能走完。对比一下：交付一份充满空话的报告被老板打回来重做，浪费的时间远不止这些。

Q4：有没有更快捷的方法？

有的。把上面那道"反空话护栏"作为你的标准prompt模板，每次调研都用。然后在交付前跑一遍6项闸门检查——这个可以自动化。这就是我们帮企业做的AI调研流程标准化的事情。

Q5：报告是给老板看的，他可能不在意这些细节？

恰恰相反。能在报告中清晰标注"数据来源是什么、哪些结论是确定的、哪些是推测"的人，在老板眼里比"写得像那么回事但经不起追问"的人靠谱得多。可信度才是调研报告的核心价值。

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）。