公司概况与产品定位 - 公司Mizzen是中国第一款面向用户研究的AI Agent产品开发商，其产品旨在通过AI将用户研究的效率提升百倍[4] - 该产品是全球唯一一个将真人引入模型训练环节的用户研究AI Agent[4] - 公司创始人孙克强认为公司是Mission Driving（任务驱动）的，取名Mizzen（觅深，意为后桅）寓意用AI作为“后帆”推动传统用户研究行业前进[7] 行业市场分析 - 2024年全球用户研究市场规模为890亿美元，未来三年内将达到1000亿美元，十年内预计达到1400亿美元，年增速约为6%[11][31] - 行业头部效应不明显，传统模式为劳动密集型，多数公司为小作坊形式，年营收几千万，天花板明显[11] - 行业存在供不应求的状态，大公司中只有不到10%的项目能进行用户研究，大量需求被压制[32] 商业模式与竞争优势 - 商业模式旨在构建一个连接甲方（品牌方）、主持人和受访者的三方平台，实现三方共赢[13] - 甲方能以百倍于传统速度获得用户洞察，主持人能获得百倍于传统的访谈收入，受访者可通过分享态度获得礼金[13][35] - 核心竞争优势在于引入真人主持人训练垂类模型，与竞品Listen Lab（融资2700万美元）形成差异，后者未引入真人形成闭环[44] - 公司认为其模式类似“广告税”，用户研究是能服务各行各业的切入点[29] 技术路径与产品开发 - 核心是训练专门的垂类提问模型，而非仅依赖大模型的提示词工程或微调，因为大模型是“好的回答者”而非“好的提问者”[11][42] - 通过与一线咨询公司合作，邀请优秀主持人进行真人访谈，现场训练模型，沉淀其提问能力、访谈方式与行业认知[12][46] - 在具体项目中，若需访谈100个高度重复的用户，真人主持人只需先访谈5个，剩余95个可由其AI分身完成[12][47] - 产品已进行两次大版本迭代，并通过让受访者打开摄像头等方式提升访谈质量[50][51] 运营现状与增长 - 公司团队仅8人，产品发布后销售额已增长5倍[18][49] - 公司使用自己的产品进行用户研究，以筛选紧迫且愿意付费的目标客户[18] - 当前增长模式为产品驱动，因赛道供给不足，公司无增长焦虑[49] - 未来市场规划包括明年开始布局海外市场[18] 创始人理念与AI原生 - 创始人孙克强对“AI原生”有极高信仰，认为AI原生公司应具备三个特征：高效获取重要数据、具备用户反馈优化模型的飞轮效应、所有环节尽可能使用AI[16][56][57] - 公司内部践行AI原生，例如用产品生成尽调访谈大纲协助基金完成尽调报告[17][59] - 对PMF（产品市场契合）的成功定义不同：并非有人付费即可，而是平台能实现自我增长，人工介入极少，理想状态是平均花在品牌方身上的时间不超过半小时[18][52] - 目前平均一个项目在客户身上花费8小时，目标是在半年内达到更理想的AI原生状态[53][54][55] 竞争格局与公司愿景 - 潜在的竞争对手可能包括像京东这样拥有内部运营部门和受访者资源的大公司，但公司认为其在业务专注度、资源投入效率和人才密度上具有优势[62] - 公司愿景是成为一家伟大的平台化公司，通过规模化整合传统用户研究小作坊[34] - 公司提出“Vibe user research”概念，旨在彻底解决产品迭代中用户研究环节的瓶颈，未来实现产品负责人仅需提出需求，AI即可自动完成从触达用户到生成报告的全流程，最终迈向“产品智能”的自迭代范式[64][65]

文章核心观点 - AI大语言模型正在变革用户研究行业，通过处理海量文本数据提升效率，使研究人员能专注于关键决策 [1] - AI在用户研究中的应用主要聚焦于短文本反馈分类和长文本分析洞察两大核心场景 [1] - AI是强大的辅助工具而非替代者，研究人员需在利用技术的同时守住专业底线 [11] 短文本反馈分类 - 针对短文本分类，存在通用模型分类和SFT微调模型分类两种主流AI解决方案 [2] - 通用模型分类适用于偶发、数据量不大或处于探索分类标准阶段的任务，操作灵活便捷，无需复杂训练数据 [3] - 通用模型分类使用门槛低，可利用常见对话式AI工具或API接口实现高效处理，但在处理高复杂度或深奥行业术语时可能出现偏差 [3] - SFT微调模型分类通过监督微调将通用模型培养为特定领域的专家，适合拥有大量历史数据、业务稳定、需长期监测且对准确率要求高的场景 [4][6] - SFT方案前期需投入精力准备高质量标注数据并进行训练，但成功后准确度与效率出众，缺点是分类标准发生根本变化时需要重新训练 [6] - 提升SFT模型效果的关键在于提供高质量的标注数据，需明确角色、说清任务、讲透规则、提供示例并引导模型进行思维链思考 [7] - 标注数据需确保准确并经交叉检查，同时覆盖各种场景以保持类别均衡，并随业务变化及时更新 [8][12] 长文本分析洞察 - 对于长文本分析，AI可化身“超级管家”，运用RAG等技术处理访谈记录等资料 [9] - 具体运作流程包括：整理切分文本构建知识库，搭建智能体并下达指令，AI根据问题检索相关原始语料并生成洞察报告 [9] - RAG技术极大提升了信息处理效率与完整性，能在几分钟内完成原本需数小时的工作，并基于数据关联分析发现深层洞察 [10] - 优化长文本分析效果需合理拆分文本保证语意完整，采用关键词加语义理解双重优化检索方式，控制上下文参考资料量，并通过指令明确工作规则防止AI“瞎编” [13]