現在用 AI 做 UX 研究相關工作真的很方便。丟一堆訪談逐字稿進去，可以請它整理共通點、分類 Sticky Notes，甚至很快產出一張看起來完整的 Empathy Map。問題是，當 AI 開始幫我們補上「使用者可能會說什麼」、「使用者應該會有什麼感受」時，那張圖雖然看起來更完整，卻可能已經不是 Research 了。
這篇 AI Can't Replace Real Research in Empathy Mapping 講的核心其實很簡單：AI 可以幫忙整理 Evidence，但不能幫你製造 Evidence。
我覺得這個界線在現在特別重要。因為生成式 AI 最大的特色，就是它很會把一個「不知道」補成一個「聽起來很合理的答案」。但做 UX Research 時，有些空白就是應該留白，因為那代表：我們還不知道。
Empathy Map 不是拿來想像使用者，而是整理我們真的知道什麼
Empathy Map 常常會整理使用者的 Says、Thinks、Does、Feels，也就是他說了什麼、在想什麼、做了什麼，以及可能有什麼感受。
問題是，當團隊手上的 Research 不夠時，很容易開始自己補。
例如訪談裡沒有人真的說過「我覺得這個流程很沒有安全感」，但大家根據產品情境覺得這句「很合理」，於是就把它寫進 Empathy Map。以前這種事情可能是團隊自己腦補，現在則可能直接請 AI：「請幫我生成 10 個這類使用者可能會說的話。」
AI 當然可以生，而且很可能生得非常像真的。
但這篇特別強調一件事：看起來像真的，不代表是真的。
真正的 User Quote 之所以有價值，不只是因為它寫得具體，而是因為背後有一個真實的人，真的在某個情境下說過這句話、做過這件事，或經歷過這個問題。
AI 生成的內容再合理，都只能算 Assumption，不能因為它寫得很像訪談逐字稿，就突然升級成 Finding。
真實 Research 的價值，很多時候就在那些「很亂的細節」
這篇有一個我覺得滿重要的觀點：真實使用者的 Quote 通常會比 AI 生成的內容更 Specific、更多細節。
而我覺得重點甚至不只是「比較具體」，而是那些細節常常不是團隊原本想得到的。
假設我們研究「為什麼使用者沒有完成註冊」，AI 可能很合理地生成：「我覺得註冊步驟太多，所以放棄了。」
聽起來完全沒問題。
但真的去訪談，使用者可能告訴你：「我做到一半要輸入公司的統一編號，但我當下在捷運上根本不知道，所以就關掉了，後來也忘記回來。」
後面這句才真的能幫產品做決策。
因為問題突然不再只是抽象的「步驟很多」，而可能是「這一步要求使用者提供當下很難取得的資訊」。
這就是 Research 很有價值的地方：真實世界通常比我們想像得更奇怪、更零碎，也更具體。
如果一開始就讓 AI 把所有空白補得漂漂亮亮，我們反而可能失去發現這些意外資訊的機會。
AI 最適合做的是 Synthesis，不是 Research Generation
這篇並不是在說 Empathy Mapping 完全不能用 AI。相反地，如果前面的資料真的來自 Real-user Research，AI 其實很好用。
例如做完十幾場訪談後，桌上可能有幾百張 Sticky Notes。這時候可以讓 AI 幫忙先做第一輪 Clustering，把類似的 Quote 放在一起；也可以請它整理大量 Quote 裡反覆出現的 Pattern，或者幫忙把比較凌亂的句子整理成更容易閱讀的文字。
甚至可以先讓 AI Draft 一版分群，再由研究者 Review 和修正。
這些都沒有太大問題，因為 AI 處理的原料仍然是真實 Research Data。
真正開始出問題的是：「我們這個象限資料好少，不然叫 AI 補一些吧。」
像是生成不存在的 User Quotes、自己補 Behavior、Emotion，或者因為 Research 太少，就請 AI 創造一個「Typical User」來代表大家。
這時候 AI 已經不是在整理 Research，而是在幫忙填補 Research 的缺口。
而問題就在於，那個缺口本來就是一個很重要的訊號：我們沒有資料。
「不知道」本身，也是一個 Research Finding
我覺得這篇讓我滿有感的一點，是它其實在提醒我們不要太害怕空白。
做文件時很容易有一種衝動：四個象限都要填滿、每個 Persona 都要有完整描述、Journey Map 每一格最好都有內容，看起來才像「有做完」。
AI 又特別擅長消除這些空白。
但 Empathy Map 不是考卷，不需要每格都填滿。
如果今天你發現「Feels 這一區幾乎沒有資料」，比較正確的反應可能不是：「叫 AI 幫忙想幾個」，而是：「我們好像沒有真正問到使用者當時的感受。」
這其實可以直接變成下一輪 Research Question。
所以有時候 Incomplete Map 反而比一張被 AI 填得很完整的 Map 更誠實，也更有用。
使用 AI 前，可以先問自己三個問題
這篇最後給了三個我覺得滿實用的檢查方式。
第一個是：我現在是把真實資料交給 AI 整理，還是正在叫 AI 生成我根本沒有的資料？
第二個是：Empathy Map 上這張 Sticky Note，我能不能一路追溯回某一筆真的 Research Evidence？
第三個是：如果今天這句不是 AI 寫的，而是我自己憑感覺寫的，我會把它叫做 Finding，還是 Assumption？
我很喜歡第三個問題。
因為生成式 AI 有時候會讓我們對內容降低警戒。自己憑空寫一句「使用者應該覺得很焦慮」，可能還知道這只是猜測；但 ChatGPT 用很完整、很有自信的語氣寫出來後，反而容易覺得它好像有什麼依據。
但來源並沒有因為文句變漂亮而改變。
沒有 Evidence 的內容，就是沒有 Evidence。
我的延伸思考
我覺得還是不應該直接把它當 Finding。
因為 UX Research 真正重要的不只是答案對不對，還有「我們怎麼知道它是對的」。
AI 可以幫忙提出 Hypothesis，例如：「這群使用者可能擔心資料隱私。」這其實很好，甚至可以拿來設計下一輪訪談題目。
但接下來還是要去驗證。
所以我會把 AI 產出的內容定位成 Research Hypothesis，而不是 Research Finding。前者是在告訴我們「可以去查這件事」，後者則代表「我們已經有 Evidence 支持這件事」。
這兩個如果混在一起，後面的產品決策就很容易出問題。
我覺得要看我們拿它做什麼。
如果只是早期 Brainstorm，例如想先列出「可能有哪些使用情境」、「訪談時可以注意哪些問題」，AI 模擬一個使用者其實可以幫忙拓展思考。
但如果開始說：「我們問了 AI 模擬的五個 Persona，他們都覺得這個功能很好，所以應該可以做。」這就很危險。
因為 AI 的回答本質上還是來自模型既有的 Pattern 和你給它的 Prompt，不是這個產品真正的使用者。
所以我覺得 Synthetic Users 比較適合拿來 找問題，不適合拿來證明答案。
我覺得這可能是實務上最容易發生的情況。
「現在沒有時間訪談，但需求下週就要開發，那先叫 AI 模擬一下使用者好了。」
我可以理解這種情況，但我覺得最重要的還是要標清楚：哪些是 Evidence，哪些只是 Assumption。
如果真的沒有 Research，就承認這是一個假設，先做低成本 Solution、控制風險，上線後再用 Data、Feedback 或訪談驗證。
這反而比做出一張很完整的 AI Empathy Map，然後讓整個團隊以為自己「已經理解使用者」安全很多。
因為真正危險的不是沒有 Research，而是沒有 Research，卻以為自己有。
最後
看完這篇之後，我覺得它其實不只是在講 Empathy Map，而是在提醒一個生成式 AI 時代很重要的界線：
AI 很會幫我們處理不知道，但 UX Research 有時候最重要的事情，就是誠實地承認不知道。
AI 可以幫忙整理訪談、Cluster Sticky Notes、Summary Patterns、整理語句，甚至先幫你找出值得注意的方向。這些都可以讓 Research Process 快很多。
但它不能取代那個最核心的來源：真的去理解一個真實的人。
一個 AI 生成的 Quote 可以寫得非常真實、非常細膩，甚至比受訪者本人講得還完整，但只要那個人從來沒有說過，它就是 Assumption，不是 Evidence。
而 Empathy Map 真正有價值的地方，也不是四個象限被填得多漂亮，而是裡面的內容能不能讓團隊更接近真實使用者。
如果沒有資料，那個空白不一定需要被填起來。
有時候它真正想告訴我們的是：
該去做 Research 了。
iThome鐵人賽
看影片追技術