Interview vs Discussion：什么时候用哪个？

本文档客观对比 Interview Chat（深度访谈）和 Discussion Chat（群体讨论）两种核心研究工具的差异、适用场景和能力边界，帮助您选择最适合的研究方法。

---

一分钟了解核心差异

---

适用场景对比

Interview Chat 适合什么场景？

✅ 探索性研究

• 不知道答案，需要挖掘"为什么"
• 示例：用户为什么放弃产品？为什么选择竞品？

✅ 动机深度理解

• 需要理解决策背后的深层心理
• 示例：职场女性为什么对"0糖"既关注又怀疑？

✅ 个体差异分析

• 需要了解不同用户的具体诉求
• 示例：不同年龄段用户对新功能的接受度差异

✅ 行为模式识别

• 需要识别用户在特定场景下的行为逻辑
• 示例：用户在什么场景下会使用提神饮料？

✅ 决策因素挖掘

• 需要了解影响购买决策的关键要素
• 示例：18-22元价格区间为什么让用户"纠结"？

Discussion Chat 适合什么场景？

✅ 对比验证

• 需要对比不同方案的真实反应
• 示例：订阅制 vs 买断制，哪个更受欢迎？

✅ 观点碰撞

• 需要观察不同用户群体的观点冲突
• 示例：价格敏感型用户 vs 重度使用用户对定价的看法

✅ 共识发现

• 需要找到多数人的共同点
• 示例：不同背景用户对产品核心价值的共识

✅ 群体动态观察

• 需要观察观点如何在讨论中演变
• 示例：讨论过程中，是否有人改变了初始立场？

✅ 争议点识别

• 需要快速定位最具争议的议题
• 示例：在产品多个功能中，哪个最具争议性？

---

我们能做什么

Interview Chat 的核心能力

✅ AI 主持深度访谈

• 无限追问"为什么"，直到挖到根本动机
• 自动识别模糊回答，主动追问澄清
• 使用"5个为什么"、情景模拟、对比探询等专业技巧

✅ 并行高效执行

• 同时与 5-10 位受访者进行独立访谈
• 每个访谈独立记录，互不干扰
• 访谈失败不影响其他访谈继续

✅ 完整对话可追溯

• 每个结论都能回溯到具体对话片段
• 保留完整的访谈记录
• 可随时重新查看访谈全程

✅ 自动总结和提炼

• AI 自动识别关键发现和用户画像
• 提取精彩对话片段作为证据
• 生成结构化的访谈总结

Discussion Chat 的核心能力

✅ AI 召集特定立场用户

• 主动筛选不同观点的人设参与讨论
• 确保讨论中有充分的观点对立
• 可自定义讨论类型（Focus Group / Debate / Roundtable）

✅ 引导观点碰撞

• 主持人识别观点冲突，主动引导
• 提问"为什么你们看法不同？"促进深度讨论
• 控制发言节奏，确保每个人都有表达机会

✅ 识别共识和分歧

• 自动识别群体中的共识区域
• 标注最具争议的议题
• 追踪观点在讨论中的演变

✅ 实时讨论追踪

• 可实时查看讨论进展
• 获取完整的事件流记录
• 支持讨论过程回放

---

我们不能做什么

能力边界：技术限制

Interview Chat

❌ 不能替代真人访谈的所有场景

• 原因：AI 人设无法完全模拟真人的情感共鸣和临场反应
• 具体表现：
  • 深度情感洞察：品牌情感连接、生活方式探索需要真人
  • 非语言信息：肢体语言、语气变化、犹豫停顿无法完全模拟
  • 复杂心理分析：深层心理创伤、情感障碍需要专业心理咨询师
• 替代方案：用于探索性研究和初步洞察，高风险决策需补充真人访谈

❌ 不能实时适应突发情况

• 原因：AI 访谈是预设流程，无法像真人一样灵活应变
• 具体表现：
  • 受访者突然提出意外话题，AI 可能无法及时调整
  • 需要现场判断的情况（如受访者情绪激动），AI 缺乏应对能力
• 替代方案：预先设计好访谈框架和应急预案

Discussion Chat

❌ 不能模拟真人焦点小组的现场氛围

• 原因：AI 人设之间的互动缺少真人面对面时的"化学反应"
• 具体表现：
  • 缺少现场的眼神交流、肢体语言
  • 缺少真人群体中的"从众效应"、"权威效应"
  • 缺少现场的即时情绪感染
• 替代方案：用 Discussion 模拟观点碰撞，但需承认缺少现场动态

❌ 不能处理高度复杂的群体动力学

• 原因：AI 主持人的引导能力有限，复杂的群体关系难以把控
• 具体表现：
  • 多方利益冲突的复杂场景（如企业内部多部门讨论）
  • 需要专业主持技巧的敏感话题（如政治、宗教）
• 适用场景：适合相对简单的产品/服务讨论，不适合高度政治化或利益复杂的场景

能力边界：战略选择

Interview Chat

❌ 不做实时人类研究员参与的混合访谈

• 原因：刻意不做"人类研究员 + AI 人设混合访谈"，保持纯 AI 模拟的可控性
• 适用场景：如果需要真人研究员参与，建议用传统访谈方法

Discussion Chat

❌ 不做大规模群体讨论（10人以上）

• 原因：讨论人数过多会导致：
  • AI 主持人难以控制讨论节奏
  • 参与者发言机会不均
  • 讨论效率降低，难以达成共识
• 限制：Discussion Chat 限制在 3-8 人
• 替代方案：如需大规模调研，建议使用多个 Discussion 分组讨论，或使用 Interview 并行访谈

---

实际案例对比

案例：气泡咖啡新品测试

场景描述：某咖啡品牌计划推出"气泡咖啡"新品（0糖气泡+冷萃咖啡），定位健康提神，目标人群是 25-35 岁都市职场女性，价格 18-22元。想知道用户接受度和定价策略。

使用 Interview Chat

执行方式：

1. 与 5 位典型用户进行 1对1 深度访谈

   • Linda（28岁运营）：续命咖啡依赖者
   • Emma（32岁PM）：健康焦虑者
   • Chloe（26岁设计师）：社交尝鲜者
   • ...

2. 每人 7 轮对话，深度追问：

   • "为什么'怪'会让你犹豫？"
   • "什么样的证据能让你相信'多花8块钱值'？"
   • "如果朋友推荐，你会更愿意尝试吗？"

输出结果：

• 每人独立的访谈总结（3000+ 字）
• 精彩对话片段：

  Linda: "下午那个时间点，我没心情冒险。" Emma: "0糖是好事，但代糖安全吗？我还是要看成分表。"

适用原因：

• 需要理解每个用户的深层动机（为什么纠结？）
• 需要完整的决策链条（从认知到购买的心理过程）

使用 Discussion Chat

执行方式：

1. 召集 5 位不同立场的用户进行群体讨论

   • 2 位价格敏感型用户
   • 2 位健康焦虑型用户
   • 1 位社交尝鲜型用户

2. 主持人引导讨论：

   • "你们觉得 18-22元 这个价格怎么样？"
   • 观察：价格敏感型 vs 尝鲜型的观点碰撞
   • 追问："为什么你们对价格的看法差异这么大？"

输出结果：

• 讨论总结：
  • 共识：0糖概念有吸引力，但代糖疑虑普遍存在
  • 分歧：价格接受度差异大，取决于用户类型
  • 关键争议点："气泡+咖啡"是创新还是噱头？

适用原因：

• 需要快速对比不同用户群体的反应
• 需要观察观点在讨论中的碰撞和演变

对比总结

建议策略：

• 初期探索：先用 Interview 深度挖掘个体动机
• 对比验证：再用 Discussion 观察观点碰撞和共识

---

何时组合使用

最佳实践：先 Interview 后 Discussion

适用场景：

• 复杂产品决策（多个维度需要考虑）
• 需要深度理解 + 快速验证
• 预算和时间都允许

执行流程：

1. Phase 1 - Interview（探索阶段）：

   • 与 5-8 位用户进行深度访谈
   • 目标：理解深层动机和决策逻辑
   • 输出：个体洞察和行为模式

2. Phase 2 - Discussion（验证阶段）：

   • 基于 Interview 发现的关键争议点
   • 召集不同立场用户进行群体讨论
   • 目标：验证共识、识别分歧
   • 输出：群体共识和争议点清单

优势：

• Interview 提供深度，Discussion 提供广度
• 先理解个体，再观察群体
• 更全面的洞察，更可靠的结论

---

更多真实案例

案例1：SaaS产品定价策略

研究目标：某项目管理工具需要确定订阅定价策略，不确定用户更接受月付还是年付，也不确定价格敏感点在哪里。

研究方案：

1. Interview Chat：与 8 位不同规模企业的决策者深度访谈

   • 挖掘决策因素：预算周期、ROI 评估标准、采购流程
   • 识别价格敏感点：什么价格会"立即购买"，什么价格会"犹豫不决"
   • 理解付款偏好背后的动机：月付的灵活性 vs 年付的折扣吸引力

2. Discussion Chat：召集 5 位决策者进行群体讨论

   • 对比月付 vs 年付的真实反应
   • 观察不同企业规模对定价的看法差异
   • 识别共识：大家都认可的核心价值点

研究发现：

• 共识：功能强大不是关键，"团队协作效率提升"才是决策核心
• 分歧：小企业偏好月付灵活性，中型企业更看重年付折扣
• 关键洞察：价格本身不是问题，"试用期体验"才是转化关键

案例2：健身App新功能测试

研究目标：某健身App计划推出"AI私教"功能，需要了解用户对"AI指导"的接受度和期望。

研究方案：

1. Interview Chat：与 7 位不同健身水平的用户深度访谈

   • 理解用户对"私教"的真实需求和痛点
   • 探索用户对"AI替代真人教练"的担忧和期待
   • 挖掘什么情况下用户愿意信任AI指导

2. Discussion Chat：召集 6 位用户进行讨论

   • 对比"新手用户 vs 资深用户"对AI私教的看法
   • 观察讨论中观点的演变：是否有人从怀疑到接受？
   • 识别最具争议的功能点

研究发现：

• 共识：用户普遍认可"动作纠正"是刚需
• 分歧：新手更信任AI，资深用户更怀疑AI的专业性
• 关键洞察：用户不是不接受AI，而是担心"AI不懂我的身体状况"

案例3：电商平台会员体系改版

研究目标：某电商平台计划改版会员体系，从"单一会员"变为"分级会员"，需要了解用户接受度。

研究方案：

1. Interview Chat：与 10 位不同消费习惯的用户深度访谈

   • 理解用户对当前会员体系的满意度和痛点
   • 探索用户对"分级会员"的理解和期待
   • 挖掘用户愿意为哪些权益付更多钱

2. Discussion Chat：召集 8 位用户进行讨论

   • 对比"高频用户 vs 低频用户"对分级会员的看法
   • 观察讨论中的共识：哪些权益是"必须有"，哪些是"可有可无"
   • 识别争议点：价格分级是否合理？

研究发现：

• 共识：用户认可"分级"概念，但前提是"基础权益不能缩水"
• 分歧：高频用户愿意为"优先客服"付费，低频用户不在乎
• 关键洞察：用户最担心的不是"分级"，而是"被降级"

---

常见问题

Q1: Interview 和 Discussion 能否同时使用同一批用户？

可以。两者可以针对同一批 AI 人设进行，但会产生不同的洞察：

• Interview：理解每个人的深层动机
• Discussion：观察这些人之间的观点碰撞

建议：先做 Interview 理解个体，再做 Discussion 观察群体动态。

Q2: Interview 的访谈时长是否可以自定义？

目前不支持。每个访谈约 10-15 分钟，这是经过优化的时长：

• 时间太短：挖不到深层动机
• 时间太长：受访者疲劳，信息质量下降

如需更深入，可以在报告生成后，针对特定用户再次发起 Interview。

Q3: Discussion 如何保证不同立场的用户都参与？

AI 主持人会主动控制：

• 主动点名发言，邀请"沉默者"表达
• 控制"话痨"，确保发言均衡
• 识别观点冲突，主动引导深度讨论

Q4: Interview 和 Discussion 的输出内容有什么区别？

Interview 输出：

• 每个受访者的独立访谈总结（3000+ 字）
• 精彩对话片段作为证据
• 结构化的用户画像和关键发现

Discussion 输出：

• 讨论总结：核心观点汇总、观点碰撞关键时刻
• 会议记录：完整的发言顺序和内容
• 共识和分歧清单：自动识别的共识区域和争议点

Q5: 什么情况下必须用真人访谈，不能用 Interview Chat？

以下场景建议用真人访谈：

• 深度情感洞察：品牌情感连接、生活方式探索
• 复杂心理分析：深层心理创伤、情感障碍
• 高风险决策：重大产品改版、品牌重塑
• 敏感话题：政治、宗教、个人隐私

Interview Chat 适合：

• 探索性研究和初步洞察
• 快速验证假设
• 大规模用户调研（5-10人并行）
• 产品功能测试和定价策略

---

文档版本

• 版本：v2.0
• 最后更新：2026-01-15
• 维护者：atypica.AI Product Team