我打造一個 AI Agent 做 UX 研究。以下是它做不到的事
AI 不會讓研究縮水，它會讓研究分層。
一切始於一個信念
在二十年的 UX 策略工作裡，我遇過的每一個網站問題——追根究柢，都回到同一個源頭。設計不是問題。問題是：一開始就沒有人講清楚，這個網站到底該為這門生意做到什麼。
所以我做了一個東西，來驗證這個信念。
目標是一種很特定的公司：台灣的「隱形冠軍」——那些中小型的 B2B 製造商，稱霸全球利基市場，卻幾乎不被看見。做東西一流，網路上卻常常隱形。網站是為了「存在」而做，不是為了「成交」。
我想打造一個能稽核這些網站的 AI agent。範圍收得很緊，刻意做窄，並且最終要能自助使用。
第一個設計決定，根本與 AI 無關
在這個 agent 能做任何事之前，我得先定義：它到底在稽核什麼——以及為什麼。
於是我設計了一份 intake 表單。一組從多年利害關係人訪談淬煉出來的問題，做成一份 Google 表單，讓客戶在一切開始之前自己填。你最主要的轉換目標是什麼？哪些頁面最重要？你自己已經注意到哪些問題？
聽起來很簡單。但這份表單做的事，是我花了好幾年才學會在面對面時做到的——把稽核範圍收斂到真正的商業問題上，而不只是螢幕上看得到的表面症狀。
不是 AI 決定要看什麼，是來求助的那個人決定。表單只是讓這個過程變得結構化、可規模化，而且誠實。
這是我學到的第一件事。研究開始之前必須發生的那個思考——那個部分並沒有因為 AI 而變輕鬆，它變得更重要了。
訓練它，感覺像帶一個資淺研究員
不是因為 AI 像人，而是因為過程幾乎一模一樣。
先是框架。然後是參考範例——對的那些，刻意挑過的。接著是清楚的準則：什麼叫好的產出、這份報告是為了什麼、又不是為了什麼。
然後我讓它跑。看跑出什麼。調整。再跑一次。
任何帶過資淺 UX 研究員的人，都會馬上認出這個迴圈。
差別在於時間軸。
以我的經驗，一個新進 UXer 至少要六個月，才能產出這個 agent 在「兩週核心開發＋兩週試點測試」之後就能生出的那種稽核報告。而且那還是在持續訓練之下——同樣的方法、同樣的指導、同樣的回饋。
而且人的結果仍然難以預測。有人六個月就上手，有人到了兩年還需要緊迫盯人。同樣的輸入，長出非常不一樣的人。
這個 agent 沒有那個問題。在它界定好的範圍內，那種一致性，是人的團隊根本複製不來的。
然後，我撞上了邊界
不是失敗，比較像是你慢慢走進一面牆——直到你停下腳步，才發現它在那裡。
我做的這套系統，不只是一個 AI 生報告。它是混合式的——先由 AI 分析，接著由專家審閱、修正、補充，再加權整合成最終建議。人的那一層不是可有可無，它是結構性的。
而那個結構之所以存在，是有原因的。
當一個網站舒服地落在界定好的範圍內——B2B 製造商、明確的轉換目標、海外市場——產出是真的好。具體的發現，依嚴重程度排序，扣回商業影響。那種資淺研究員要花好幾個月才學得會寫的報告。
但只要脈絡一變得曖昧——一家不太符合輪廓的公司、一種比較難讀的商業模式、一個指向框架沒預料到的方向的發現——AI 還是一路往前。很有自信地。完全沒有示警：它可能正踩在不確定的地面上。
它一直在產出發現，卻感覺不到真正攸關的是什麼。
那不是技術問題，那是完全另一種工作。
研究不會消失，它會分層
這是我一再回到的那個框架。
研究工作有兩層。它一直都有——我們只是從來不需要把它們分開，因為兩層都是人在做。
執行層：套用框架、辨識模式、維持一致、從界定好的輸入產出結構化的成果。在清楚的範圍內，AI 做這些比任何人類研究員更快、更一致、更不知疲倦。這不是預測，是我親眼看著它發生。
思考層：決定哪個問題其實才值得問、在工作開始之前界定範圍、感覺到某個發現正指向意料之外的地方、在任何框架都無法完整涵蓋的脈絡裡詮釋結果。這裡，人的判斷不只是活下來——它成了整套系統賴以運轉的東西。
會陷入掙扎的研究者，是那些價值完全活在執行層的人。
會變得更重要的研究者，是那些一直在做比較難的思考的人——他們只是過去花了太多時間，埋在那些如今 AI 就能處理的任務裡。
而且沒錯——AI 正在飛快前進。這兩層之間的邊界會移動。今天算是「思考工作」的東西，三年後可能就不是了。我不確定那條線究竟會移到哪。
但我不認為它會消失。我認為它會遷移。
風險不是取代，而是往錯的方向加速
AI 並不便宜。打造這套系統，是實打實的投入——時間、反覆迭代，還有那種花了二十年才累積起來的領域知識。任何跟你說「厲害的 AI 研究系統很好架」的人，其實根本沒真的做過。
但比起成本，有件事更讓我擔心。
隨著這些工具愈來愈便宜、愈來愈好取得，團隊會用它們把研究做得更快。這部分很直接。
比較難的——也是我認為業界談得還不夠誠實的——是：速度修不好一個糟糕的問題。它只是讓你更有效率地抵達錯的答案。
我做的那份 intake 表單，不是一個技術功能。它是一個「強制機制」——一種確保在 AI 碰任何東西之前，商業問題真的被定義清楚的方法。少了它，agent 照樣會跑，照樣會生出一個「看起來像報告」的東西。
它只是不會在回答對的問題。
這才是真正的風險。不是 AI 取代人做研究，而是 AI 為那些從來沒停下來問「自己是不是在研究對的東西」的團隊，做更快的研究。
我完成了試點。這個 agent 是有效的。
而它教會我最清楚的那件事，跟 AI 一點關係都沒有。
它教會我：研究最難的部分——定義對的問題、把範圍收斂到真正的問題上、知道你的發現能說什麼、不能說什麼——那個部分，不會被自動化。
它只會被攤得更明白。