AI X 用户研究：能并行千场访谈的“超级研究员”，正重塑产品决策的未来

凌晨两点，产品经理 Sarah 的屏幕上还亮着几十个用户访谈的视频文件。为了即将上线的新功能，她的团队在过去三周紧锣密鼓地完成了 50 场用户访谈。然而，真正的噩梦才刚刚开始：将近 50 个小时的录音需要转录、翻译、编码，再从中大海捞针般地寻找那些能决定产品生死的“金句”。最终的洞察报告，可能在一个月后才能交到决策者手中，而那时，市场的风向或许早已改变。

这是无数产品团队在传统用户体验研究（UXR）中面临的日常困境：一个长期被“深度”与“速度”的致命权衡所困扰的领域 。要么选择耗时数月、成本高昂的深度定性研究，要么为了速度牺牲洞察质量，依赖肤浅的定量数据做出决策。

传统 UXR 市场被昂贵、低效且难以规模化的人力服务主导。咨询公司如 Gartner、McKinsey 交付“一次性”的研究服务，各自市值达 400 亿美元；而上一波 UXR SaaS 巨头如 Qualtrics 仅有 125 亿美元的市值，远低于前者。

但现在，游戏规则正在被彻底改写。想象一下，一个不知疲倦、全天候在线的“全球研究团队”。它可以在 8 小时内，跨越 50 多种语言，同时与上千名用户进行深度对话，并在你第二天走进办公室时，将一份附带视频佐证、可直接用于决策的 PPT 报告放在你的桌上。

这不是未来，AI 正将用户研究从一种少数公司才能负担的“奢侈品”，变成所有公司都能集成的“基础设施” 。

本篇 AI4UXR deepdive 帮助我们识别出 AI 对 UX 流程的颠覆主要体现在四个环节：Pre-research，AI 能自动生成研究框架和核心问题；Recruiting，实现高效、精准的受访者招募；AI-moderated 访谈，访谈执行高度自动化；以及 Analysis & Reporting，AI 可即时输出洞察总结与报告。这个市场中 AI Startup 很多，我们识别出了其中的重点公司，Tier 1 包括 Listenlabs、Outset 和 Knit，拥有最前沿的技术能力与执行力；Tier 2 包括 Genway、Conveo、Voicepanel、Wondering、Strella、Versive 和 Stratify，也有一定的创新潜力。

01.

传统用户调研的困境

用户体验研究（UXR，User Experience Research）是驱动企业增长的引擎，但核心流程却高度依赖人工。从收集数据、分析客户需求、再到测试产品，需要一段很长的时间线，这个过程常常出现 “企业想做的” 与 “用户真正需要的” 之间的脱节。

整个 UXR 流程大致贯穿了三个阶段：需求探索（Discovery）、研究（Research）、测试/验证（Validation）。

• 需求探索（Discovery）：定义研究目标与用户画像（Persona），作为决策的起点，目的是从源头避免“闭门造车”。

• 研究（Research）：最核心、重复性劳动消耗最大的环节，需要耗费大量人力、时间进行音视频转录、数据清洗与结果分析，产出的 Insights 质量直接决定了最终产品的市场贴合度。

• 测试/验证（Validation）：在产品正式推向市场前，需要通过 Campaign Testing （营销活动测试）获取第一手用户反馈，主要包括可用性测试、A/B 测试、眼神追踪测试等方法。该环节的本质是用前置的投入 minimize 产品上线后的市场试错成本。

传统 UX Research 时常受困于以下几个瓶颈：

• “深度 vs 速度”权衡

传统的 UXR 迫使企业在“深度”与“速度”中 tradeoff 。定性研究能够解答关键的“Why & How”，提供高保真度的洞察，但耗时长、成本高昂；而定量研究虽能高效回答“How much/How many”，但其洞察往往过于肤浅，无法真正驱动核心战略决策。

• “黑箱式”交付

传统的 UXR 普遍采用“一次性交付”的模式，整个研究项目如同一个不透明的 “黑箱”。由于缺乏过程记录，研究结果因个人的主观判断可能导致偏差。每一次研究几乎都是从零开始，过去的投入无法形成累积的智库。

• 与公司战略决策严重脱节

传统 UXR 的项目交付往往滞后于市场的迭代速度，当一个小规模的早期想法需要市场验证时，它得到的不是敏捷的市场洞察，是对过去而非未来的押注。这种滞后性使得昂贵的研究成果无法有效、真实地反映市场需求。

02.

什么是 AI-Driven 的用户调研？

我们正处在一个根本性的转折点：AI 将 UXR 从过去滞后的、一次性决策输入，重塑为持续的、动态的工作模式。

对于任何企业而言，产品增长都源于对用户的深刻理解。UX researcher 的核心使命本应是倾听用户的真实声，观察他们的行为，理解他们的付费意愿，追溯他们的流失原因。

与此同时，市场正迈向超个性化（Hyper-personalization）时代。无论是根据季节与用户口味偏好调整菜单的配餐公司，还是依据宠物健康情况迭代配方的宠物食品加工厂，企业都必须以前所未有的速度和精度响应市场。这要求它们不仅要倾听，更要能规模化地、持续地与用户进行深度对话。

然而，企业规模的扩张却带来了一个悖论：用户越多，企业似乎离真实的用户个体越远。 传统的 1v1 访谈模式，即便投入百万级预算，也因其人力密集型的本质而无法规模化。

旧模式的瓶颈，正在被 AI-Native 的浪潮所打破。它创造了一个全天候在线、不知疲倦的“全球研究团队”，它能瞬间跨越语言、时区和文化障碍，实时捕捉、梳理并分析海量非结构化的用户反馈，将过去数周甚至数月的工作压缩至几小时。

过去，用户研究的价值被高昂的专家成本和繁杂的数据集成所稀释。而在 AI-Native 模式下，这些 overhead 被大幅削减。AI 接管了重复性的工作，将人类研究员从数据中解放出来。让他们终于能扮演真正具有高价值的角色：成为洞察、创意和战略的驱动者。

具体来说，AI-driven UXR 的前后变化体现在以下几个重点环节：

• 前期研究

Before：在传统模式下，研究的起点往往依赖研究员的直觉与个人经验，比如“我认为这个问题对用户影响很大”。缺乏数据支撑，容易出现方向性误判。同时，信息处理依赖人工检索，耗时长，往往需要数周时间才能形成初步洞察。

After：AI 能够整合分析海量信息，并在研究启动前精准地指出：“已有 X 数量的目标用户将此问题明确列为核心痛点”。它能够有效避免早期方向误判的风险，确保研究路径从一开始就聚焦在经数据验证过的高价值问题上。

• 受访者招募

Before：传统研究要找到符合条件的受访者，通常依赖第三方招募机构或手工筛选。平均招募周期大约为 1–2 周，并且招募的受访者与研究项目时常错配，导致访谈效果不尽人意，缺少针对性的市场调研，更无法挖掘出深层次洞察。

After：AI 的算法优势提升了受访者招募的效率和质量。通过对海量候选人进行快速筛选与匹配，AI 能够精准定位到最符合研究需求的参与者。这使得访谈能够实现“价值最大化”，确保了与每个参与者的对话都是针对性的、有意义的深度挖掘。

• 可量化的定性访谈

Before：传统的定性访谈高度依赖人力，单个研究员一天最多进行 4-6 场 1v1 访谈，要完成几十甚至上百场的访谈需要数周数月。此外，涉及跨语言、跨时区的研究需要耗费高昂的成本。

After：依托 LLMs 作为技术基座，AI 主持能够支持在全球范围内同时开展千百场并行的异步访谈。AI 解决了跨语言沟通、时差等全球化研究中的核心障碍。并且能通过对模型的持续 fine-tuning ，改善交互体验。这意味着 AI 不再是简单的问答机器，而是通过模拟人的提问逻辑与追问技巧，来深入挖掘受访者潜在的动机与情感倾向，使研究过程无限贴近“human facilitation”。

• 报告自动生成

Before：传统研究中，数据转录、编码、主题分析和报告撰写往往需要 2–3 周才能完成。研究员常常被困在大量的重复性劳动。由于输出周期太长，报告常常在交付时已经错过最佳的产品决策窗口。

After：AI 接管了数据分析、结果洞察和报告制作等工作，还可以自动生成出多种格式（Excel、PDF 甚至 PPT）。同时，还会 attach 数据对应的 video 和 transcript，避免大模型的“幻觉”问题，增强客户信任度。这种自动化让研究员把更多精力放在产品 storytelling 这类更具影响力的环节。从而释放了人类更大的的潜力价值，AI 真正成为了研究员的 co-pilot。

值得注意的是，AI 在理解人类方面，可能正超越人类。Outset 创始人 Aaron 曾观察到“AI 的霍桑效应”：人们更愿意向 AI 访谈员敞开心扉，尤其在讨论到敏感话题时，这种匿名的、无压力的对话环境，让受访者能够卸下“社交面具”，分享更真实、更深层的故事和动机。这表明 AI 不仅能挖掘出答案背后的“原因”，更能构建一种新型的信任关系，提升 UXR 的丰富度与真实度。

03.

市场空间

这个市场不容小觑，根据 ESOMAR 的最新测算，全球市场调研服务（UXR 是其中的一个子集）的年度总支出已达到 1400 亿美元的规模，这还不包含企业内部研究团队的预算。

Source: ESOMAR

我们通过两种视角来计算当下的 TAM，它们都指向了 ～$20 billion 的市场。

Bottom Up

根据 Market Research Future 在 2025 年的报告指出：用户研究与用户测试 SaaS 市场 2025 年的 TAM 为 389.7 亿美元，该领域的 CAGR 在近年普遍被估计在 12%-14%。

现阶段，该领域的 AI 渗透率估计在 47%，这意味着 AI-driven market 当下的市场已趋于$18.3 Billion。

Top Down

根据 UXR 巨头 Qualtrics 在 2020 年向美国证券交易委员会提交的 S-1 上市注册声明文件，其估计的“体验管理”（Experience Management，XM）市场，在 2020 年达 600 亿美元。

以 CAGR 12% 保守测算，我们可以计算出 2025 年 XM TAM ～$102.5 billion 美元。同时我们根据 Fortune Business Insights 等报告测算出客户体验（CX）在整个体验管理（XM）市场中占比为 13.78%-21%。由此可计算出 CX 的市场：

1. 低位估算： 13.78% * 1025.4 亿美元 = 14.14 billion

2. 高位估算： 21% * 1025.4 亿美元 = 21.56 billion

CX（即 UX） research TAM ～$14.14 billion- $21.56 billion。

我们认为 AI4UXR 有更大的想象空间。由于 AI 彻底打破了深度用户研究的准入门槛，任何行业、规模的企业，只要有产品创新迭代需求，都会 adopt 这些 AI tool，我们将会看到一个潜力远超想象的增量市场。

04.

行业现状

• 不跟上趋势，就会被淘汰

在这场市场洗牌中，新旧玩家的界限清晰。为了更灵活地进行 AI 转型，Qualtrics、SurveyMonkey、Usertesting 等昔日巨头正将私有化作为破局的关键。而另一些集成 AI tool 的厂商（如 Maze）则因结果质量问题受到用户质疑。

如今通过 AI researcher，过去因成本过高而无法实现的“精细化加工”变得唾手可得。AI 可以实时综合分析多源数据，在无需任何预设脚本时动态调整提问策略，实现真正跨职能部门的“研究平权”。未来，真正能帮助客户做好 UXR 的公司必将是那些本身就深谙 UX 价值的。

• 还未出现一个能打的全家桶

为企业引入 UXR tool 的过程很繁琐，需要大量时间才能把工具用透。目前还没有一个通用工具能够适配 B2B 复杂架构的全部需求。因此，我们观察到多数公司正采用一种“组合拳”策略：先用轻量级工具试错，再逐步将内部积累的知识、标准与流程深度整合进最匹配的工具中。

这种局面为初创公司创造了窗口期。AI4UXR 的主要玩家是从研究过程中的某一两个重点环节 vertically 地切入，再做端到端的通用性产品。

例如，ListenLabs 押注 async user study 这个垂直场景，擅长开展“千场并行”的规模，对于需要当日反馈的团队，Listen 总能以最快速度交付；Outset 聚焦 interacitve prototype，提供了最全面的多模态可用性测试，适合需要追踪用户每一步行为的公司；而 Knit 则更关心数据质量，通过独创的“Researcher-Driven AI”协作模式，能交付出质量最高的研究结果。

• “人”的价值转移

人在 UXR 领域的价值正在发生着转变：从“执行者”转变为“战略家”。人际互动作为“数据收集手段”的价值正在被 AI 高效替代，但这并未削弱人的重要性，反而将其价值推向了链条的两端：“战略规划”与“落地”。

AI 可以交付一份完美的洞察报告，但它无法走进会议室，向管理层阐释某个功能修改的战略必要性；它也无法与设计师坐在一起，将用户需求转化为 concept design。这些环节需要的不再是执行力，而是人类独有的创造力、好奇心，以及瞄准方向的战略直觉。

05.

商业模式的变化

AI4UXR 的商业逻辑也在发生变革：从“卖铲子”（工具）转向“卖黄金”（洞察）。

传统 UXR 提供的是一个静态的工具箱，以“一次性交付”的模式运行，交付在项目结束后便陷入停滞。付费方式大致分为：

• Per-Seat / Per-Test：使用工具的团队成员数量或访谈数量，例如，购买一定数量的可用性测试视频。

• Per-project：按单一研究项目收费。而 AI-native UXR 厂商致力于与客户建立更深层的捆绑，通过 P&SLG 不断渗透企业上下各层级的采用。它们通常会先提供 free trial 吸引企业的 PM、UXR 等小团队，当团队真切感受到“好用”、想要升级套餐时，再依靠团队向高层推介与卖方 sales 团队的合力，推动 large enterprise 自上而下的采购。

付费方式包含：

• 分层订阅制 （Tiered Subscription）：根据客户的规模和使用深度来划分，收费的关键因素包括查看者席位、数据源集成量和数据处理量。

免费版/试用版：通常允许用户体验核心流程，但有名额、时长或项目数量的限制。

团队版 ：提供固定的研究项目数、访谈数和用户席位，适合小型团队。

商业版/企业版：提供更多的项目数、无限的席位，以及高级功能，如与公司内部用户库集成、自定义品牌、高级安全设置等。

• 用量计费（Usage-based）：基于用量收费，计算因素包括：

参与者招募积分：如果通过 vendor 自建用户库招募参与者，通常需要按人头付费或使用套餐内的积分。

访谈时长：某些套餐可能会限制每月可分析的总视频时长。

项目数量：不同级别的套餐每月或每年可创建的研究项目数量不同。

• Hybrid 模式：席位 + 使用量混合收费

然而，我们认为这仅仅是第一层变革。AI4UXR 真正的想象空间，还在于构建一个由顶级行业专家组成的专有知识网络（Proprietary Expert Network）。这里的机遇是解锁并规模化触达那些高价值的资深领域专家。正如投资公司在进行 DD 时，愿意为智囊团的单次访谈支付高达上千美元的费用。

通过 AI-driven 的访谈模式，平台能以前所未有的效率“开采”这些专家的深度认知，并将其沉淀为结构化、可检索的私有数据集，这不仅是对传统专家网络市场的颠覆，更是创造了一种全新的、壁垒极高的商业模式。随着各行业加速数据私有化与资产化，对这类独家知识入口的访问权将变得极其珍贵，其定价潜力将超乎想象。这才是从“卖黄金”到“拥有金矿”的跃迁。

竞争要素

未来 AI4UXR 的竞争关键在于两点：企业级销售能力 + 产品构建能力。

1. 企业级销售能力

我们认为 enterprise sales（企业级销售）是打开增长天花板的关键之一。要拿下更多大企业级的 deal，仅仅依赖 PLG 模式推销 SaaS 工具远远不够。

目前 AI4UXR vendor 最先切入的是资金雄厚、业务遍布全球的大型企业。若想推动这些大客户 adopt，需要对应的 large enterprise sales 跟进，说服其从惯用的传统工具向 ai-native tool 倾斜预算。

我们定位了 AI-driven UXR 的用户画像，发现高度集中在两大行业：科技软件与快消零售。

• 科技与软件 （Technology & Software）: 最核心的客户群之一，几乎每家 AI4UXR 公司都服务于该行业，包括 Google， Microsoft， Amazon 等，这些大厂的产品迭代速度极快，并拥有成熟的 UXR 团队和流程，是 AI4UXR 工具最天然的早期采用者和付费意愿最强的客户。

• 消费品与零售 （CPG & Retail）: 快消巨头 Nestlé， Mars Wrigley，还是 DTC 新贵 SKIMS， Away， Gousto，构成了 AI4UXR 的第二大客户阵营。这类企业身处极度竞争的“红海”市场，产品创新、品牌定位和营销策略高度依赖对消费者的深刻洞察，因此对高效、可全球化规模开展的 UXR 需求尤为迫切，展现出更强的意愿去积极采用新兴的 AI tool。

2. 产品构建能力

UXR 的产品应搭建在足够高的信任层之上，它必须为保密数据提供保障，符合各项安全性法规的基本要求。还应具备“玻璃盒”般的透明度，允许用户验证和修正 AI 的输出。这种 human-in-the-loop 的验证机制，是客户 adopt 产品时的关键考量。

Build UXR tool 的终局还应是打造出端到端的工作流引擎。由于 UXR 用户迫切希望摆脱在多个工具间切换的掣肘，最终的产品形态应是一个简洁、统一的平台。它能整合整个 UX 价值链：从用户招募、访谈执行、数据处理，到洞察报告生成、知识库沉淀，再到与 Figma 等协作工具的深度集成。

06.

发展方向

为保持竞争优势，AI-native UXR 公司需采取以下策略：

• 强化护城河

这个赛道的核心客户群高度集中在科技与软件行业，包括 Google、Microsoft、Amazon 等 。这些巨头本身不仅是 AI 技术的领导者，也拥有最成熟的 UXR 团队和流程 。一旦他们决定将 AI UXR 能力整合进自家的云平台（如 Azure， GCP）或协作工具（如 Teams， Figma），凭借其强大的生态和渠道优势，可能会迅速侵占市场份额。

因此对于 ListenLabs、Outset 这些初创公司而言，仅仅拥有领先的技术是不够的。它们必须在巨头反应过来之前，加速构建自己的护城河。这可能包括：建立更深度的企业级销售关系、打造覆盖更广的专有高质量用户样本库（Proprietary Panel），或是像 Stratify 那样探索更底层的 Agentic AI Workflow，构建一个难以被轻易复制的端到端平台。

• 健全安全合规

建立符合 GDPR、CCPA 等合规体系的过程是一项巨大的持续性投入，对于初创公司而言，这会侵蚀成本优势。然而，用户体验研究的本质是收集并处理与“人”相关的各维度数据，数据质量完全依赖于参与者的高度信任和诚实表述之上。因此，这些主观性的观点、隐私性的个人背景能否得到高标准的保护，是当下客户疑虑的关键点。能够主动、透明地展示合规能力的公司，更容易脱颖而出。

• 从“放大器”转向“判断者”

目前 AI tool 的利用效率依赖于清晰、明确的 prompt 。如果 PM 自身对“我们要解决什么问题？”、“产品的核心价值是什么？”等战略性问题没有清晰认识，就无法为 AI 提供有意义的指引。虽然 AI 可以模拟人类进行访谈，但这些访谈依赖于预设的框架和主题。

AI 的角色将从“效率放大”转向“战略引导”。通过结合用户样本和企业垂直数据库，AI 将为产品形态提供预测判断，激发创新思路，推动产品迭代。随着 Agentic AI 技术的不断演进，AI 将不再受限于固定的 prompt，而能在主持过程中自主思考、做出判断，真正“独立”起来。

07.

公司 mapping

为了识别出最具潜力的公司，我们参考 a16z 等机构的研究，mapping 了目前 AI-native market research 的主要玩家，并通过几个关键视角剖析出这些公司的不同玩法。

Source：a16z

Tier 1

我们基于市场影响力、融资实力及技术成熟度等多重维度，识别出 AI4UXR 赛道中的三家 Tier 1 公司，分别为 Listenlabs、Outset 和 Knit。它们作为引领行业发展的先锋，在整体竞争格局中各具侧重与优势。

以下的 Matrix 展示了三者在核心特征上的横向对比：

Listen Labs

• 团队背景

Alfred Wahlforss：来自瑞典，自九岁起开始编程。拥有哈佛大学数据科学硕士学位，以及皇家理工学院计算机科学与商业的学士学位。

Alfred 曾创办医疗 staffing 平台 Bemlo，年收入近 100 万美元。在 Bemlo 的创业过程中，他深刻意识到定性研究中“理解客户”的重要性，但却因传统研究方式样本量小、结论不具代表性等问题倍感无奈。这促使他在哈佛深造期间参与“AI 主持定性访谈”项目，他发现， AI 能有效解决传统研究中深度、广度和速度的“Impossible Trinity”，这一发现为他创办 Listen Labs 提供了核心灵感。

Florian Juengermann：哈佛大学计算机科学与机器学习背景硕士，拥有超高水平的算法设计与系统优化能力，曾获得德国国际奥赛编程冠军，并参与 ICPC 世界总决赛。

Florian 曾在特斯拉的 Autopilot 团队从事 “real-time motion planning”。此类算法通常对时延、精度、安全性要求极高，需要即时响应环境变化，规划车辆运动路径。Tesla Autopilot 所培养的“实时、高效、安全、系统规模化”能力，直接支撑了他在 Listen Labs 构建 AI 客户研究平台的核心架构与运营方式。

两位 founder 都是 serial entrepreneur，他们在哈佛相遇后，共同开发过一个名为 BeFake 的 AI Avatar 应用。该应用迅速火爆，当天即获得超过 20,000 次下载，并带来了显著营收与媒体关注。自此，他们意识到 AI 能够为客户研究提供前所未有的价值，尤其是在获取用户洞察方面的潜力，二人决定创办 Listen Labs。

• Competitive moat

1. “千场并行”的完整交付：Listen Labs 提供从设计问题、招募人群、执行访谈，到自动提炼 report 的全链路自动化平台。主打“千人并行”的访谈模式，给予客户“全天候、全球范围”的研究支持，满足跨地域和多样化用户群体的需求。官方案例显示，其可在 6–8 小时内，完成 20+ 次深度访谈并生成报告为 PPT 格式，这是传统研究方式所需数周时间的任务量。

2. 用户流失访谈：Listen Labs 在进行深度用户流失访谈方面表现出色。该功能使得 SaaS 企业能够理解客户流失的原因，并制定有针对性的留存策略，从而有效优化企业的 LTV、ROI 等数据。

3. 深度集成：Listen Labs 的一大亮点是其与其他营销工具和移动测量合作伙伴（如 AppsFlyer、Singular、Kochava）无缝集成，这一深度集成使得用户能够快速获取数据，并实时调整营销策略，为快节奏、数据驱动的环境提供了显著优势。

4. Campaign 测试：Listen Labs 提供的 Campaign 测试工具丰富，如 A/B Testing、Goal Testing 等，允许企业尝试不同的营销策略，确定哪种方法能带来的结果最佳。

以下为部分 UI 界面的展示：

Listenlabs 自动帮助用户生成各种类型的问题

设置受访者 persona 并收费

受访者回答 AI 主持人并完成视频录制

AI 自动生成 report，还可以 source 到每条结论对应的音视频

AI 根据洞察直接生成 PPT

• 用户画像

Listen Labs 的客户群体广泛，涵盖了多种规模、不同行业的全球化企业，具体分布如下：

1. 科技与软件（Google、Microsoft、Canva、OpusClip）

2. 消费品与零售（Nestlé、SKIMS、Chubbies、Simple Modern）

3. 市场研究（Emerald Research Group）

4. 娱乐与体育（UFC）

5. 教育（ETS）

Listen Labs 客户以“产品迭代速度快、对创新需求高”的跨国公司为主，这类客户需要高效、灵活、跨地域的 UXR 工具来加速产品创新和市场策略的调整。

• 融资

Note：在众多 investor 中，Sequoia 曾投资 Qualtrics、SurveyMonkey 等上一代市场研究行业 SaaS，十分熟悉 B2B 客户研究赛道和软件产品成长运营逻辑；Pear VC 的创始人背景强调“customer‑obsessed”，可以提供包括人才招聘、GTM 策略、PR 营销在内的一整套创始人平台服务。

Outset

• 团队背景

Aaron Cannon：毕业于塔夫茨大学，经济学与创业领导力学士学位。他还曾在智利圣地亚哥大学学习经济学，并自述有传播学研究经验。

Aaron 曾在 Tesla、Triplebyte 和 Deloitte 等多家大厂担任 PM、商业战略师，拥有超高的 product chops 和 user empathy。他擅长运用营销、用户增长和战略管理的专业知识，保证产品与用户需求的紧密对接。投资人曾说：“Aaron 对用户研究了如指掌。”

Michael Hess：多元背景，他最初是一名消防员，后来转型为工程师。这一跨界经历赋予 Michael 在高压环境下的应对与处置能力，为公司的技术架构落地提供支撑。

Michael 还曾创办过一款用于 wildfire tracking（野火追踪）的 App，名为 Watch Duty。该平台上线后迅速走红，凭借高并发、实时信息推送系统，成为洛杉矶大火期间苹果应用商店下载量最高的 App 之一。

• Competitive moat

1. 多语言支持：Outset 支持 40+ 种语言，能实现从招募、访谈到数据回顾等全流程环节的无缝翻译。更重要的是，对于 UXR 而言，识别语气中的“讽刺”含义极为重要，Outset 能在翻译过程中不丢失情感细微差别和文化背景，捕捉最精准的用户反馈。

2. 多模态交互与动态的可用性测试：Outset Interactive

Outset 的多模态系统可以支持语音、文本和视频三种方式与受访者进行视频访谈。受访者不仅能通过视频、语音、文本形式回应问题，还可实时共享手机或桌面屏幕，为用户体验研究提供更直观的场景支持。

2025 年 1 月，Outset 发布了第一个 AI moderative usability tool —— Outset Interactive。此次优化重点在于受访者细节捕捉、动态追问逻辑、多维度数据采集等交互环节，这是一个重要分水岭，标志着 Outset 的 AI 访谈从单纯的 conversational 变为 observational，AI 访谈不再是无聊的一问一答，而是更类人化的交流。

由于 Outset 的用户多是 consumer-centric，每当推出新产品时，客户会放一个新的 landing page，观察消费者在浏览时会被什么吸引、对哪些内容感到困惑，并记录用户在页面上的操作路径。

为更好地帮助客户进行营销测试，Outset 做出了以下几点突破：

1. 屏幕共享：像桌面屏幕共享一样录制参与者的屏幕，观察他们与应用的互动。AI 主持会实时倾听参与者的发言，在他们操作过程中动态追问，挖掘行为动因，让 “观察行为” 与 “理解动机” 形成闭环。

2. 支持双端的全平台测试：Outset 专门开发了移动端打破设备限制和使用场景边界，支持 iOS 和 Android 系统。无论是桌面端还是移动端的 landing page，均能通过统一工具完成测试。

3. “Abyss mode” 探测模式 ：具备自动化多层级追问能力，可针对每个引导问题自动生成多达 10 层追问内容。无需研究人员额外撰写引导话术，也无需手动补充提示信息，即可完成对研究问题的深度拓展，减少了人工干预成本与流程复杂度。

以下为部分 UI 界面的展示：

设置 pre-research 的各项要求，包括访谈风格（集中型 or 发散型）、语言、开场白、提问核心主题等等

选择招募受访者方式并收费

访谈后提供洞察结果和被引用的 transcript，并生成 quantitative report

• 用户画像

Outset 主要 target 世界财富 500 强的大型企业，其中包括：

1. 科技与软件（Suzy、UserInterviews、Microsoft）

2. 消费品与零售（Nestlé、Away、Hipcamp、WeightWatchers）

3. 市场研究与创新咨询（Board of Innovation、Chock LLC）

4. 旅游与出行（Hipcamp）

5. 健康与体重管理（WeightWatchers）

客户不乏有全球型 CPG 及 DCP 企业，这类企业的业务版图跨越多语言和地区，Outset 的多语言支持能力恰好可以应对多样化的客户需求。

• 融资

Note：8VC 在 enterprise AI 和大客户销售路径方面有深厚经验；Future Back Ventures （Bain & Company）是企业咨询背景风投，自身带有成熟的用户研究经验与客户网络；YC 和 Adverb Ventures 的多轮参与，为团队提供稳定战略引导和融资延续。

Knit

• 团队背景

Aneesh Dhawan：毕业于弗吉尼亚大学，自 16 岁起便开启了创业之路，创立的第一家公司名为 PurPics，也是 Knit 的前身。

Purpics 主要致力于数字营销领域，帮助品牌通过创新的社交平台与 Gen Z 为主的消费者建立深度联系。在 2019 至 2020 年间，PurPics 累积获得了 $2M 的融资，投资方包括 Felton Group、The Syndicate Fund 和 Techstars Ventures。平台覆盖了超过 40 个品牌（包括 Shake Shack、Clif Bar、Vita Coco）和 60 多所高校。

Raahish Kalaria：毕业于弗吉尼亚大学，计算机科学与商业双学位，在 Knit 主导平台构建和 AI 模型部署。在创立 Knit 之前，他曾在印度创办了广告科技公司 FreeCopy，以及远程工作与智能助手类平台 One Remote（前称 WAND Smart），拥有丰富的 ad‑tech、智能平台和分布式团队开发经验。

两位 founder 都是 serial entrepreneur，他们在校园结识，意识到传统的市场研究方法往往效率低下，难以快速响应品牌对消费者洞察的需求。因此，他们决定共同创办 Knit。旨在通过结合 AI 、视频反馈和定量研究，提供“Qual‑at‑Scale”的消费者洞察。

• Competitive moat

1. Gen Z 样本库的供给优势

Knit 的前身 Purpics 以链接 Gen Z 用户为核心，积累了高质量的用户样本库，既能为品牌提供真实反馈，也能支撑内容共创。这一优势与 CPG 企业的创新需求形成 synergy，客户正迫切需要捕捉 Z 世代群体的消费偏好，而 Knit 的样本库恰好成为其需要触达的目标群体。

2. Researcher-Driven AI，让复杂研究又快又准

Knit 采用了“AI + researcher 共同研究”的模式，强调“人”在研究过程中仍具有不可撼动的地位。Knit 的 AI 系统负责自动化处理研究中的重复性任务，但人类研究者在以下方面仍然至关重要：1）定义研究目标和框架；2）提供战略性信息；3）对 AI 生成的内容进行审查和优化，确保准确性和相关性；4）添加人类的情感共鸣。

Aneesh Dhawan 强调：“AI 不会做出商业决策，也不会激发变革，更不会讲述能够促使人们行动的故事。研究者才是关键”。Knit 格外珍视“人”在流程中的核心价值，这使得它既能实现高效自动化，又能保证定性研究的深度。正如 BCG 咨询的高管所言：“‘精准’，是形容 Knit 最贴切的词。”

以下为部分 UI 界面的展示：

pre-research 设置研究计划与提纲，筛选 Knit 自动生成的众多问题

访谈过程（有人类监督参与）后，自动输出 quantitative summary

为用户生成 PPT 等多种形式的 report

• 用户画像

Knit 的客户群体大幅增加，根据 CEO 在今年 5 月最新的访谈中介绍，目前公司已与众多品牌建立合作关系。其主要合作客户包括：

1. 科技与软件：Amazon、T-Mobile

2. 消费品与零售：Mars Wrigley、Moët Hennessy、JBL Speakers

3. 体育联盟：NASCAR、WNBA

4. 媒体：Overtime、Nickelodeon、Paramount

5. 教育及咨询：BCG（波士顿咨询集团）、ESPA

Knit 切入的目标用户群体主要是对创新需求较高的跨国巨头，其中包括全球消费品零售领域的重要玩家、国家级媒体以及顶级赛事联盟等。作为 UX research 的“多边形战士”，Knit 凭借快速且大规模的用户获取能力，实现了营收在短短一年内的五倍增长。

• 融资

Note：Rise of the Rest Seed Fund 具有广泛品牌影响力和媒体资源，擅长为中部市场和非传统科技圈创企引入资本与曝光机会；Osage Venture Partners 投资团队主席加入 Knit 董事会，有助于在战略规划、招募优秀人才与资源链接方面提供指导；Sound Ventures 同时支持过 OpenAI、Anthropic 等前沿 AI 企业，投资团队倡导"Human + AI" 模式，与 Knit 的 researcher-driven 平台策略高度契合。

Tier 2

除 Tier 1 的公司外，我们观察到一批极具潜力的公司也正迅速崛起，有望成为行业内的重要力量。我们在下文对这些公司的几个关键维度也进行了 mapping。

Genway

• 团队背景

Natan Voitenkov：CEO，毕业于 UWC，来自以色列精英部队，还曾在 Google 担任工程师。

Gal Dayan：CTO，曾在 Horizon Air Freight 担任供应链和物流执行官，专精大数据实时基础设施构建。 Gal 还曾在 Matzov 担任军官十年，负责构建能从数拍字节的对话数据中提取洞察的系统。

Omri Ben‑Shoham：VP R&D，前 Salesforce 对话式 AI 专家。Omri 曾在 Bonobo AI 担任创始工程师，该公司后来被 Salesforce 收购，如今是 Salesforce 的 Customer 360 和 Einstein 系统的核心支柱。

• Competitive moat

1. 超越言语维度的情绪识别

Genway 结合语音和面部表情构建了一个立体的用户情绪模型。AI 会分析用户在访谈中的语调、音量、语速和停顿等声学特征，并能捕捉用户脸上的“微表情”。例如，犹豫的语气、突然升高的音调或长时间的沉默，都可能暗示用户在特定问题上遇到了困惑、挫败感或惊喜，而这些信息在纯文本记录中是完全丢失的。

2. 企业级安全合规保障

Genway 提供了企业级的保障，其平台符合 GDPR、SOC 2、CCPA 和 HIPAA 等多项国际数据安全与隐私标准。

• 用户画像：

Genway 的主要合作客户包括：

1. 科技与软件： Next、Upwork、Viber

2. 游戏与娱乐： Playtika、Dive

3. 金融与投资： eToro、TipRanks

• 融资

该公司在 2025 年 5 月完成了 600 万美元的 Seed 轮融资，领投机构为 a16z 和 JBV Capital，其他投资者包括 Crosscourt Ventures 和 CS Angel。

Conveo

• 团队背景

Dieter De Mesmaeker（CEO & Co‑Founder）：本科毕业于鲁汶大学电子与信息工程专业，硕士毕业于 Vlerick 商学院 。曾创办 DataCamp，一个交互式数据科学学习平台，通过浏览器内代码练习、视频课程和项目，让人们学习 coding。DataCamp 曾在 2015 至 2018 年期间融资共 $31M+，年收入估算约为 $286M。

Hendrik Van Hove（Co‑Founder）：金融领域背景出身，拥有商业工程硕士和人工智能硕士在读经历（完成大部分课程，未毕业）。市场研究出身，曾任职于 McKinsey 某技术与 AI 项目，深知传统定性研究流程缓慢繁琐。

• Competitive moat

行业泰斗的权威背书

Conveo 的研究方法论由行业泰斗 Niels Schillewaert 博士亲自领导， Dr。 Niels 是全球市场研究与洞察行业协会 ESOMAR 的关键领袖人物和理事会成员，该协会是全球数据、研究和洞察领域的权威声音。这为 Conveo 产品的科学性与可信度提供了的背书，也帮助公司在建立行业标准和获取客户信任方面获得了巨大的先发优势。

• 用户画像

1. 消费品与零售 （CPG & Retail）: Unilever、ABInBev、General Mills、Sazerac 、 Peet's Coffee、Edgard Cooper、Materne、Day One

2. 品牌与战略咨询 : Kearney、Jackman、 Brandpotential、 Point Blank

3. B2B 产品： Givaudan

4. 电信服务： Orange

• 融资

该公司在 2024 年 6 月完成了 50 万美元的 Pre-Seed 轮融资，领投机构为 YC（summer 2024），其他投资人包括 Pioneer Fund；并在 2025 年 3 月完成了 530 万美元的 Seed 轮融资，领投机构为 6 Degrees Capital，其他投资人包括 Y Combinator、Syndicate One 和 Pitchdrive。

Voicepanel

• 团队背景

John Provine（Co‑Founder & CEO）：毕业于哈佛大学计算机科学、伯克利 MBA。曾在 Google 产品与工程部门任职，深度参与了搜索 、广告和地图等核心产品的开发，还曾在 Optimizely 担任产品负责人。

Asa Schachar（Co‑Founder & CTO）：毕业于哈佛大学应用数学与计算机科学。曾在微软任职，并在 Optimizely 与 John 成功共事，联手打造了公司增长最快的产品。Asa 是一位被验证过的成功创业者。他曾创办公司 Level 并入选 YC S21，最终带领公司被保险科技独角兽 Vouch 收购。

• 用户画像

Voicepanel 的客户群体涵盖了多个行业的领先企业，包括：

1. 食品与消费品：Daily Harvest、Instacart、Honeylove

2. 科技与软件：CreatorIQ、Gamma

3. 家族历史与基因组学：Ancestry

4. 空间数据与数字化：Matterport

5. 体育数据与分析：Stats Perform

6. 文化与创意传播：Sequel

• 融资

该公司在 2024 年 2 月完成了 50 万美元的 Pre-Seed 轮融资，领投机构为 Y Combinator；并在 2024 年 5 月完成了 240 万美元的 Seed 轮融资，投资者包括 Y Combinator、TwentyTwo VC、Richard Aberman 等。

Wondering

• 团队背景

Axel Thomson（Founder & CEO）：毕业于 UCL 脑科学方向研究硕士和信息管理与商业学士学位。曾在 Ribbon、Gousto、Recorded Future 等多家公司工作，拥有丰富的 UX 经验。担任产品经理时期，Axel 深感调研工具缺位，从而创立 Ribbon（现在的 Wondering）。

Wondering 的前身 Ribbon 主要做 In-product surveys 、实时视频访谈与可用性测试。该公司曾在 2021 年和 2022 年进行过两次融资，累积金额达 £ 2.83 M，投资方包括：Octopus Ventures、Concept Ventures（原 RLC）等。

• Competitive moat

超强集成能力

Wondering 拥有超强的集成能力，它通过深度整合上游设计工具与下游测试流程，构建了无缝衔接的工作流，打通了 5 种主流原型测试工具（Wondering、UserTesting、Lyssna、Useberry、Userlytics ）和 4 种主流原型设计工具（Figma、Mockplus、Adobe XD、Axure RP）。这种深度集成的策略，极大地降低了用户的使用门槛，让不同 UI 团队的设计习惯都能得到充分兼容，实现了从“设计”到“测试”的流畅切换。

• 用户画像

1. 科技与软件：StreamElements

2. 消费品与零售：Gousto、Butternut Box、Matsmart

3. 宠物健康：Katkin

• 融资

该公司在 2023 年 8 月完成了 330 万美元的 Seed 轮融资，领投方为 Octopus Ventures，其他投资人包括 MMC Ventures 和 Concept Ventures 等。

Strella

• 团队背景

Lydia Hylton：CEO，毕业于乔治亚理工学院计算机工程学士学位，随后在斯坦福大学攻读计算机科学硕士学位，目前正在休学，还拥有斯坦福大学的 MBA 学位。她曾先后在 Thumbtack 和 Bain & Company 工作数年。

Priya Krishnan：COO，毕业于宾夕法尼亚大学公共与国际事务学士、沃顿商学院创新与创业 MBA，曾任 DoorDash 策略岗高管，负责新业务拓展管理工作，熟悉产品增长及操作流程。她还是一名体操运动员。

• 用户画像

1. 科技与软件： Duolingo、command AI、RenMind

2. 消费品与零售：Purple Carrot、meUndies、Ritual

3. 医疗健康：APOLLO Hospital、pawp

4. 工业零部件：FinditParts

5. 服务业：cents（洗衣）、RV（房车租售）、People Connect（人力资源）

Strella 瞄准预算相对有限的细分市场，凭借核心功能完备且价格优势抢占中小型企业资源，为其提供轻量化 UX Research 解决方案，从而实现快速的 penetration。

• 融资

该公司在 2024 年 10 月完成了 400 万美元的 Seed 轮融资，领投机构为 Decibel Ventures，其他参与者包括 Unusual Ventures。

Stratify

• 团队背景

Siddhartha Javvaji：CEO，斯坦福大学计算机科学与计算生物学专业毕业，他还参与了 Stanford's Human-Centered AI Institute 的 AI 研究，专注于将 AI 技术应用于人类中心的设计和研究。

Pratham Hombal：CTO，斯坦福大学计算机科学专业毕业，曾在斯坦福大学高性能计算中心（HPCC）担任软件工程师。同时，Pratham 还在 myCollector 作为创始工程师，参与了公司的技术开发工作，积累了创业经验。

• Competitive moat

Agentic AI Workflow

Stratify 不只是“another data dashboard”，它是一款 AI-powered 的用户研究员，能够模拟顶级 UX Researcher 的工作，而且速度更快、成本更低，且能实现规模化运作。

它采用 Agentic Workflow，这意味着该平台通过一组 AI Agent 来运作，每个 Agent 专注于研究过程中的特定任务。Agent 之间通过事件驱动和数据共享实现协同工作，提高了 workflow 的效率和灵活性。同时，Stratify 的 Agentic AI Workflow 可以与企业现有的 CRM 或用户行为分析工具直接集成，方便客户实现数据的统一管理和分析。

• 融资

该公司在 2025 年春季入选了 Y Combinator 项目，融资金额未披露。

Versive

• 团队背景

David Correa Orozco：曾在微软担任 PM，负责 Windows 构建系统，并在 Google Cloud 工作三年，专注于无服务器网络系统。此外，他还作为 Bread（现为 NYSE: BFH）的创始工程师，开发了多个金融科技产品。

Eric Li：毕业于芝加哥大学经济学学士学位，曾在 Vareto 担任产品和设计总监，领导产品设计和开发，同时在 Uber Eats 设计市场产品。他还是 Bread 的首席设计师，参与产品的设计和开发。

• 用户画像

1. 教育与在线学习： Udacity、DonorsChoose、OlaClick

2. 设计与创新：IDEO、Puzzle

3. CSM: Gainsight

• 融资

该公司在 2023 年冬季入选了 Y Combinator 项目，融资金额未披露。

文章来自于微信公众号“海外独角兽”，作者是“zirong，haina”。