← 从想法到增长的循证框架与工具

从想法到增长的循证框架与工具 · 循证创业方法

让AI替你访谈了100个虚拟用户后,还是不知道该不该创业

黄家麟 · 麟朗创兴2026.03.24约 6769 字

不知道大家最近有没有过这样的经历:脑子里冒出一个创业想法,兴奋得半夜睡不着,觉得这次一定能成。但冷静下来又觉得心虚,因为说到底,你只是"觉得"会有人需要这个东西。你听说创业要先验证需求,要走出大楼去跟客户聊。可你真的去做了,发现找陌生人开口比写代码还难,好不容易约到几个朋友的朋友,聊了半天也分不清对方是客气还是真有兴趣。现在好了,AI来了。

你花几十块钱买个会员,让AI扮演你的目标用户,模拟访谈,生成调研报告。

一夜之间,你手里就有了一份看起来像模像样的市场验证报告。

AI告诉你,百分之七八十的虚拟用户对你的产品表示感兴趣,愿意付费。

你看着这份报告,心里那个快要熄灭的火焰又重新燃了起来。

你看,数据都支持,这事应该能做。

这个场景在全民养虾的热潮下,正在无数个创业者的电脑屏幕上发生。

AI确实让验证变得前所未有的便宜和快速。

于是有人开始说,循证创业那套过时了,以前是因为开发成本高、迭代慢,才需要花那么多时间去验证假设。

现在AI把试错成本打到地板价,哪怕一开始方向错了,多试几次不就行了?何必还费劲去跟真人聊天?

这个说法听起来“真的”很有道理,甚至让人松了一口气,因为终于不用再逼自己去面对那些尴尬的、不确定的、甚至有点伤自尊的真人访谈了。

但问题恰恰藏在这里。

我们以为验证的是需求,但得到的是什么?要理解AI验证的问题出在哪里,我们先得搞清楚一件事。

当AI模拟用户回答你的问题时,它究竟在做什么?

大语言模型本质上是一个庞大的语料统计机器。

它读过互联网上几乎所有的公开文本,论坛帖子、产品评论、新闻报道、学术论文。

当你让它扮演一个"25岁的一线城市上班族"来评价你的产品概念时,它做的不是去读取一个真实人类的大脑,而是根据它见过的所有"25岁一线城市上班族"在类似场景下的发言,生成一段最像那个群体会说的话。

这意味着什么?

意味着AI能告诉你的是"人们在谈论这类产品时通常会说什么",而不是"人们在面对某个问题时实际上会做什么"。

这两者之间的距离,比大多数创业者想象的要大得多。

一个人在访谈里说"我愿意为更快的配送速度多付五块钱",和他在深夜下单时真的多勾选那个付费选项,中间隔着一整条人性的鸿沟。

那条河里流淌着懒惰、犹豫、习惯的力量、钱包的真实厚度、以及无数他在回答问题时压根不会想起来的生活细节。

AI可以完美地模拟前一种声音,但它对后一种行为几乎一无所知。

因为后者的数据并不存在于公开的文本语料里,它只存在于真实交易发生时的那零点几秒里。

所以当你用AI跑完一百个虚拟用户,拿到一份看起来相当乐观的报告时,你得到的其实是一个被语言过滤过的世界。

在那个世界里,所有人都理性、自洽、知道自己在说什么。

但真实的市场从来不是这样的。

真实市场里充满了那些说"好有意思"然后转身就忘的人,那些点了赞却从没打开过第二次的人,那些在问卷里选了"非常愿意"但在付款页面犹豫了三秒还是关掉的人。

那个看起来很美的"80%",可能只是自嗨的燃料有人会说,我承认AI模拟和真实世界有差距,但创业本来就不追求100%的确定性。

传统循证创业方法花那么大力气,能拿到的验证置信度也就是七八成。

AI用百分之一的成本和时间,同样拿到七八成,这不是巨大的效率提升吗?

这个推理的陷阱在于,它默认了AI的"七八成"和传统方法的"七八成"是同一种东西。

传统循证创业方法里的七八成置信度,是在说"经过真人访谈和行为测试后,我们有七八成的把握相信真实用户会这样做"。

AI方法里的七八成置信度,是在说"根据语言模型的计算,这个假设在公开语料中有七八成的支持度"。

这两个七八成,中间更是隔着一条深不见底的鸿沟。

更麻烦的是,AI给你的那个数字会给你一种虚幻的安全感。

你会开始相信,既然AI都说了百分之七八十的用户感兴趣,那这事至少有大概率是对的。

你可能会跳过那些让你不舒服的环节,而不去跟真实的陌生人开口,不去把半成品推到用户面前看他们真实的表情,更不用去承受那个"原来我根本想错了"的可能。

于是你拿着AI生成的报告,信心满满地投入开发,花几周甚至几个月做出产品,推向市场。

然后你发现,那些在AI访谈里热情洋溢的虚拟用户,在真实世界里一个都没出现。

你开始怀疑是渠道没选对,是定价有问题,是功能做得不够好。

你让AI帮你分析数据,AI又给了你一堆看起来很合理的建议。

你继续迭代,继续优化,继续投入。

直到某一天你突然意识到,你一直在用AI验证AI,用语言修正语言,整个创业过程成了一个漂亮的闭环,唯独没有真正落地。

最应该用AI省下来的钱,恰恰是去跟真人见面的路费如果AI验证有这么大的风险,那是不是应该完全放弃,回到纯手工的、慢吞吞的、让人不舒服的真人访谈?

当然不是。

AI的威力是真实存在的,只是我们需要把它放在正确的位置上。

仔细想想,传统循证创业方法里最耗时的部分是什么?

是前期的概念打磨、假设生成、问题清单设计、初步的方向筛选。

这些工作往往要花掉创业者几周甚至几个月的时间,而且很多时候是在信息不充分的情况下反复纠结。

但这部分工作,AI可以做得又快又好。

你可以让AI帮你生成不同角度的价值主张版本,可以让你用AI模拟不同背景的用户对概念的理解,可以帮你设计访谈提纲、识别语言里的术语陷阱。

这些事情AI做起来毫不费力,而且确实能帮你快速排除那些明显不靠谱的想法。

但当你通过这些工作把概念打磨得足够清晰、把假设筛选得足够精炼之后,就到了那个AI无能为力的环节了。

你需要拿着这些经过AI优化的东西,去找真实的人,看他们真实的反应。

这个"看"不是再问一遍"你愿不愿意",而是观察。

观察他们在听到你的描述时眼神是发亮还是茫然,观察他们在尝试你的原型时手指是流畅还是犹豫,观察他们在面对付费页面时是爽快下单还是反复权衡。

这些信息不存在于任何语料库里,它们只存在于人和产品相遇的那一瞬间。

而AI帮我们节省下来的时间和精力,恰恰应该投入到这个环节。

以前你可能要在前期概念打磨上花掉一大半的时间,留给真实验证的只有可怜的几周。

现在AI把前期的成本压缩到了几天甚至几小时,你就有了充足的时间去做那几次真正重要的、高质量的、让你无法逃避的真人验证。

验证需要分层,AI需要知道自己站在哪一层把AI的角色理清楚之后,我们可以把创业验证分成四个层次,看看AI在每一层能做什么、不能做什么。

第一层叫概念清晰度。

这一层问的是:用户能理解我在说什么吗?

你描述一个产品,对方能不能准确复述出你的核心功能?

会不会把你的意思完全理解反了?

这一层AI非常擅长。你让AI扮演不同背景的用户,快速测试你的产品描述,它能很快帮你找出那些模糊的、容易产生歧义的表达。

这一层,AI可以替代掉大部分的真人测试。

第二层叫需求认同度。

这一层问的是:用户认同你说的这个问题确实存在吗?

他们觉得这个问题严重吗?

这一层AI也能做,但已经开始打折扣了。

AI能根据公开的讨论数据告诉你"这类问题经常被人提起",但它无法告诉你那些问题对具体某个人的具体影响有多深。

所以这一层的AI结果可以作为参考,帮你形成初步判断,但你不能把它当成决策依据。

第三层叫行为意图。

这一层问的是:用户说他们会为此做什么?

请注意,问的是"说什么",不是"做什么"。

即便如此,这一层AI的可靠性已经明显下降。

因为当一个人谈论自己未来的行为时,即使他是真人,说的和做的之间也有很大差距,更何况AI只能模拟"说"的部分。

所以这一层,AI只能帮你设计验证方案,比如设计一个低成本的行为实验,但实验本身必须由真人参与。

第四层叫真实行为。

这一层问的是:用户实际会做什么、会付什么?

这是整个验证链条里最关键的一层,也是AI几乎完全无能为力的一层。

因为真实行为发生在一个充满噪音、干扰、偶然因素的真实环境里,它受限于用户当时的情绪、钱包的状态、隔壁竞争对手的价格、甚至今天天气的好坏。

没有任何语言模型能预测这些。这一层必须用真实的、可观测的行为来验证(预售、Wizard of Oz测试、原型试用、A/B测试)。

一个可以直接上手的验证工具箱说了这么多框架层面的东西,你可能已经跃跃欲试了。

与其继续抽象地讨论AI能做什么不能做什么,不如直接给你几个马上能用的提示词模板。

L1概念清晰度:先让AI帮你当"第一道过滤器"做任何事情之前,你得先确认自己说清楚了这东西是什么。很多人以为自己说清楚了,结果让一个完全不了解这个行业的人听一遍,发现对方完全理解成了另一个意思。

你可以这样问AI:"你扮演一个[目标用户画像,如:25-35岁一线城市上班族,对AI工具感兴趣但非技术人员]。我正在向你介绍一个产品:[粘贴你的产品概念描述]。请用第一人称回答:1. 听完这个介绍,你理解的这个产品是做什么的?用你自己的话复述一遍。2. 你觉得这个产品最让你困惑或不清楚的地方是什么?3. 你会用什么词向朋友介绍这个产品?"

让AI扮演不同背景的人多说几遍,你很快就能发现自己的概念描述里藏了多少歧义。另外,如果你发现自己的产品介绍里塞了一堆专业术语,可以再加一句让AI帮你挑出这些"术语陷阱":"请分析以下产品描述,找出其中可能存在的术语陷阱——即创业者熟悉但目标用户可能不理解或误解的词汇:[粘贴产品描述]。对每个可疑词汇,请指出用户可能如何误解,以及一个更通俗的替代表达。"

L2需求认同度:让AI帮你做初步筛选过了概念这关,下一步是看看用户是不是真的有这个问题。AI在这一层能帮你快速跑通一些场景,看看类似的担忧在公开讨论中出现得多不多。

一个实用的提示词是让AI扮演不同类型的用户,模拟一轮需求访谈:"你扮演一个[具体用户画像,尽可能详细:年龄、职业、收入、生活习惯等]。我正在了解[问题描述]这个场景。请用第一人称回答:1. 在过去3个月里,你遇到过这个问题的情况吗?具体是什么场景?2. 这件事给你带来多大的困扰?(1-10分)为什么是这个分数?3. 你当时是怎么解决的?4. 如果有一个产品能完美解决这个问题,你愿意花多少钱?5. 你觉得这个问题是你身边很多人都会遇到的,还是只有你?"

跑完10到20个虚拟用户之后,你大概能感觉到这个需求在"语言层面"长什么样(注意,我说的是"语言层面")。AI会告诉你很多人都在抱怨这个问题,但这不等于他们会真的掏钱解决它。所以L2的AI结果只是帮你排除掉那些连虚拟用户都觉得不痛不痒的方向,真正的验证还得往下走。

L3行为意图:AI负责设计,真人来执行到了这一层,很多创业者会犯一个错误:以为既然AI能模拟"用户会不会用",那就不需要真人了。

其实到了这一层,AI最好的用法是帮你设计验证方案,而不是替你做验证。

比如说,你可以让AI帮你想几个低成本的行为实验:"我需要验证一个核心行为假设:[假设描述]。我的目标用户是:[用户画像]。我的现有资源是:[如'能触达50个种子用户''有3天时间']。请帮我设计3个低成本的行为验证实验,要求每个实验可以在1周内完成,测量的是实际行为而非口头表态。"

AI会给你几个有意思的方向,但接下来你得真的去找人做实验。这里面有个小技巧:你可以用" Wizard of Oz"的方式,告诉用户产品已经做好了让他们用,但实际上所有功能都是你在后台人工操作。这听起来有点笨,但它能告诉你一个任何AI都无法告诉你的答案:用户愿不愿意为这件事花出哪怕一点点真实的成本。

L4真实行为:AI只能帮你复盘到了这一层,能替代真人的东西基本不存在了。预售页做出来投点广告,看看有多少人真的点了"立即购买";原型做出来让真实用户试用,看他们会不会卡在某个地方;落地页挂上去,看注册转化率到底是多少。这些都是实打实的行为数据,AI只能帮你分析,但给不了你。

不过AI在复盘阶段确实有用武之地。你可以这样问它:"我收集了[时间段]的用户行为数据:[粘贴关键数据]。请帮我用一句话总结当前最核心的问题,提出3个最可能的假设来解释这个问题,针对每个假设设计一个最小成本的验证实验,同时指出数据中可能被我忽略的正面信号。"

这样的分析能帮你跳出自己看问题的盲区,但它仍然只是假设,真正的答案还得从下一轮真实实验里来。

一个创业者可以直接上手的AI+EBE验证流程把这些工具整合起来,其实就形成了一个可以直接跑起来的验证流程。

第一步,花一两天让AI帮你完成概念筛选和需求初筛。

把脑子里那个模糊的想法喂给AI,让它帮你生成几个不同角度的描述版本,再让它扮演不同背景的虚拟用户给出反馈。这一步的目标不是"证明这个想法是对的",而是"排除那些明显不靠谱的"。如果一个概念连AI扮演的虚拟用户都理解不了、都觉得没意思,那你就不用再往下走了。

第二步,花一周左右做一次轻量级的真实验证。

带着AI帮你优化过的概念描述,去找五个到十个真实的目标用户。这些人可以是朋友的朋友、社群里的陌生人、线下活动里偶然聊起来的人。别做正式的访谈,就当作聊天,问两个问题就够了:你最近有没有遇到过这样的情况?如果有个东西能解决这个问题,你会想试试吗?注意看对方的反应,不只是听他说什么,更要看他说话时的表情、语气、追问的细节。如果连着问五个人,没有一个人表现出真正的兴趣,这个方向大概率就是你的自嗨。

第三步,如果第二步通过了,说明你的方向至少不是空中楼阁。

这时候你可以花一两周做一次更深入的行为验证。做一个最简单的落地页,放上产品描述和一个"预约"或"预付"的按钮。花几百块钱投一点广告,看看有多少人会真的点那个按钮。这能告诉你一个任何AI都无法告诉你的事实:用户愿不愿意为这件事掏真金白银。

第四步,根据真实数据的反馈,决定是继续深入、调整方向、还是放弃。

这时候你可以再回到AI那里,让它帮你分析数据、生成假设、设计下一轮实验。但决策的依据,永远是那些从真实世界带回来的、带着温度和噪音的原始信号。

创业永远需要那个让人不舒服的瞬间写到这里,我想起一个做消费品的创业学员跟我说过的话。

他说他最庆幸的事,是在产品上线之前,逼着自己去摆了一个周末的地摊。

他本来觉得自己的产品设计得特别巧妙,用户一定会喜欢。

结果真到了地摊上,有人拿起来看了看,皱着眉头说"这是干嘛用的",有人问了价格转身就走,有人夸了半天最后还是没买。

他说那个周末他过得特别难受,每次看到用户转身离开,都觉得被人扇了一巴掌。

但正是那些巴掌,让他把产品改了三轮,改出了一个真正有人愿意掏钱买的东西。

AI永远无法代替那一个周末。

AI可以给你一万个虚拟用户的反馈,但它给不了你那个真实的、带着尴尬和挫败的瞬间。

而那个瞬间,恰恰是创业最需要的,它让你清醒地知道,你正在做的事情,究竟是在解决别人的问题,还是在满足自己的想象。

回到文章开头那个问题。你花了一小时让AI替你访谈了一百个用户,拿到了一份漂亮的报告。

然后呢?

如果你拿着这份报告就敢去创业,那你需要的不是AI,是勇气。

但如果你把这份报告当作地图,用它来规划你接下来该去哪里见谁、该问什么问题、该做什么实验,那你手里的AI就是一个价值连城的工具。

AI让验证变得便宜了,但验证本身从来没有变得不重要。

恰恰相反,当人人都能轻松拿到一堆漂亮的模拟数据时,真正愿意去触碰那个不舒服的真实世界的人,才是真正拥有稀缺洞察和认知资源的人。

那个资源,叫对真实的敬畏。

几个提醒最后补充几点实操中容易被忽略的地方:1. 画像越具体,AI输出越有用。 不要只说"年轻人",要说"25-30岁,一线城市,互联网行业,月入2-3万,租房,养猫"。细节越多,模拟越逼真。

2. 让AI扮演"一个用户"而非"所有用户"。 批量模拟时,要求它为每个用户生成不同的背景和个性,这样你能看到差异,而不是一堆高度相似的回答。

3. 要求AI输出"不确定性"。 在提示词里加一句"如果信息不足,请说明你的不确定之处",能让AI更诚实地告诉你它的局限性,而不是硬编一个答案。

4. 交叉验证不同AI的结论。 同一个问题,用不同的AI跑一遍,对比一下差异,你会发现有些结论是模型特有的,有些是跨模型一致的,后者往往更可靠。

5. 永远把AI输出当作"假设"而非"结论"。 哪怕AI给了你一个漂亮的百分比,也别忘了它只是在说"根据公开语料,这个假设看起来如何"。真正重要的是你在真实世界观察到的行为。

希望这个整合后的框架和工具箱对你有用。循证创业的假设验证这件事,其实就是一个不断缩小"你想象的"和"真实存在的"之间差距的过程。

AI能帮你跑得快一点,但它永远跑不了最后那一公里。

那一公里,只能靠你自己迈出去。

本文首发于麟朗创兴公众号

在公众号阅读原文 →

读到这里,想知道自己的项目卡在哪一步? 做一次十来分钟的初诊 →

十来分钟,一个问题一个问题地问,最后给你一份初诊报告。