从项目到能力——AI 时代理解消费者的新范式

会议: 产品力领航者大会 PM × AI · 2026 春季 | 讲者: 子璇（atypica.AI / 特赞科技 Tezign） | 时间: 2026-04-24 下午 · PM 角色转型分会场

一句话总结

当下市场迭代以周/天计，但消费者洞察仍在按季度按年度更新；atypica.AI 用 LLM + 语料构建「生成式人设」，把传统按项目启动、按月交付的用户研究，升级为按小时按天可调用的「常驻能力」——速度 100×、成本 1/100、消费者覆盖度 100×，让市场调研从被束之高阁的报告变成始终在线的服务。

速览

1. 另一种「智能体」——不是帮我们干活的 AI，而是模拟我们的 AI，atypica = a-typical（一个典型的/不典型的）
2. 生成式人设公式：语料 + LLM = Generative Agent Persona，可被对话、可推测态度判断（哈利波特早餐选果汁还是咖啡？）
3. 三种 AI Persona 来源：社交媒体 / 深度访谈 / 专有数据
4. 市场调研范式四阶段：传统咨询 → 软件化研究 → AI 原生研究 → AI 模拟用户（A16Z 框架）
5. AI 工作流四步：AI Debrief → AI Interview → AI Panel → AI Analysis，除真人受访者外做到 0 人工参与
6. 样本经济性反转：传统 50-500 元/样本 → AI 模式 5w token / 5 元/样本
7. AI Research：意图澄清 + 商业分析师角色——研究、提问、分析都更科学有据
8. AI Persona 库的复用价值——历史访谈语料从 1-2 个月调研周期压缩到数小时即可获取答案
9. AI Interview：scalable + instant——从「按季度 100 个样本」到「按小时上千个样本」
10. AI Panel：人设库中心化 + Panel 组合复用——避免每次临时招募的开销
11. 「物理」为客观世界建模，「语言模型」为主观世界建模——atypica 的元论点
12. 核心范式跃迁：从项目（一次性、外包、季度）到能力（常驻、复用、始终在线）

核心内容

重新定义「智能体」：另一种 AI

大多数人听到「智能体」想到的是帮我们干活的 AI（执行任务、自动化）。子璇要讲的是另一种智能体：它不是干活的，而是模拟我们的。

atypica = a-typical = 一个典型的 / 不典型的——既能代表典型用户，又能呈现非典型用户的差异。

元论点：生成式人设的根理论

公式：语料 + LLM = 生成式人设（Generative Agent Persona）

示例 1（哈利波特模拟器）：把《哈利波特》原著作为语料喂给 LLM，可以构建一个「Harry Potter Simulator」。

示例 2（推测态度和判断）：「Would Harry Potter prefer coffee or juice for breakfast?」——LLM 基于书中世界观推理：哈利大概率选南瓜汁；理由是霍格沃茨用餐时南瓜汁很常见，整个系列里多次描述哈利早餐喝南瓜汁；书中从未提及他喝咖啡，且故事背景设在英国（更可能选茶而非咖啡）；霍格莫德村的奶油啤酒虽流行，但咖啡不在哈利圈子的受欢迎饮品中。结论：依据书中情节线索，哈利早餐几乎肯定选果汁而非咖啡。

这个推理过程不只是查找事实，而是基于上下文模拟「这个人」的判断方式——这是生成式人设和传统数据分析的本质差别。

核心论点：

• 物理为客观世界建模
• 语言模型为主观世界建模

这是 atypica 整个产品的元论点——传统调研把消费者还原为统计学维度（年龄/城市/收入/职业），LLM 第一次让我们能把消费者建模为「会做判断的主观个体」。

Atypica.AI 的产品架构

Atypica 是一个 AI 原生的、端到端的用户洞察研究平台。三层架构：

底层：AI Persona（AI 人设库）——三种来源

中间汇聚为「样本 Panel」。

中层：AI Interview（AI 访谈）——三种采访模式

• AI 采访人（AI Interview Human）：AI 主导对真人的深度访谈
• AI 采访 AI（AI Interview AI）：AI 主导对 AI 人设的访谈
• 人采访 AI（Human Interview AI）：真人和 AI 人设直接对话

上层：AI Research（AI 研究）

• 输入研究目标 → AI 生成研究计划 → 研究流程自动化 → 研究方法论 → Executive Summary 与报告

Atypica AI Research：7 步研究流程

#1 意图澄清——Atypica 反向提问，确认研究目的的侧重

不是直接接需求生成报告，而是先反过来问清楚：这次研究真正要解决的问题是什么？

#2 分析规划——引入「商业分析师」角色

引入「商业分析师」角色：研究、提问、分析都更科学有据。具体动作：选择合适的分析框架/模型 → 制定信息收集、用户访谈、信息分析规划。

#3 搜索人设——检索 AI 人设库内适合参与访谈的 AI 人设

不再每次从 0 招募，从已有人设库中匹配。

#4 浏览社媒——自主浏览搜索社媒相关内容和评论区

覆盖小红书 / 抖音 / TikTok / Instagram / X，把社媒原始数据并入分析。

#5 拟合画像——拟合成接近真实消费者的 AI 人设（Persona）

把多源数据（人设库 + 社媒 + 访谈）合成一个「接近真实」的画像。

#6 交互访谈——AI 访谈员采访 AI 人设，挖掘心理动因、决策方式

不是被动问答，是动机和决策路径的深挖。

#7 分析整理——整理访谈内容，联网搜索补充信息

最终生成结构化报告。

Atypica AI Persona：基于访谈语料构建

5 步流程：

1. 上传访谈 PDF——首先上传包含访谈记录或转录内容的 PDF 文件
2. 查看分析结果——检查完整性评分并识别需要补充信息的领域
3. 追加访谈——AI 基于分析缺口生成针对性问题，分享访谈链接给受访者收集补充数据
4. 生成并对话——创建互动式 AI 人设并开始与其对话以验证洞察
5. 用于研究——在高级研究场景和分析工作流程中访谈 AI 人设

输出：Proprietary Human AI Persona（真人 AI 人设·私有）

Atypica AI Interview：用 AI 访谈替代真人访谈

4 步流程：

1. 创建项目——定义您的研究简介和访谈目标
2. 选择参与者——邀请真人或选择 AI 人设进行访谈
3. AI 主导访谈——AI 访谈员进行专业对话
4. 生成报告——自动获得详细分析和洞察

价值定位：「AI-Powered Interview Research, for scalable and instant user interview——带来颠覆性的改变」

Atypica AI Panel：智能用户小组

四个能力：

1. AI 人设库中心化管理——统一管理 AI Persona，并随时从公共人设库中补充，避免一次性临时创建
2. Panel 组合与复用——将多个人设组合成 Panel，在同一类研究场景复用，减少每次临时招募的开销
3. 群聊讨论与共识生成——一键发起 Panel 群聊，让多个人设在同一话题下展开讨论，帮助你快速收敛观点与假设
4. 面向研究工作流的集成——未来与 Study / AI Interview 深度打通，使 Panel 成为洞察生产的基础设施

真实案例：快消行业头部巨头的烘焙渠道调研

场景描述：基于 atypica 进行 AI 消费者洞察调研，解决传统调研慢、贵、覆盖面窄等问题，快速通过 AI 拆解需求、找到典型代表、并即时进行 AI 驱动的访谈与模拟，快速预测消费者对新品、广告或包装的反应。

目标价值：AI 以更快的速度、更低的成本、更广的样本覆盖实现消费者洞察调研，并且持续使用调研创造价值。

研究背景：烘焙渠道是乳制品消费的核心终端场景，涵盖精品专业烘焙店、线上 O2O 品牌、大众连锁门店及商超会员店等多元业态。安佳专业乳品品牌（AFP）凭借新西兰原产地优势，在烘焙渠道建立了良好品牌认知。

研究目的：

1. 了解烘焙渠道消费者购买西式蛋糕的行为偏好和特征
2. 洞察消费者购买西式蛋糕的食用场景、核心需求与购买决定因素
3. 洞察西式蛋糕产品的流行类型、购买场景和采购途径
4. 基于消费者洞察，总结对于西式蛋糕的解决方案的启示和推广建议

研究品类：西式蛋糕，常见的西式蛋糕细分类型有奶油蛋糕、慕斯蛋糕、芝士蛋糕、冰淇淋蛋糕、巧克力蛋糕、千层蛋糕等。

方法论：用 1/2 的成本，100x 的速度，获得更好的样本，更多的营销灵感

传统单个样本采访成本 50-500 元，其中 50% 给消费者。AI Interview 模式下，生成单份问卷报告只需 5w token（5 元）。

A16Z 把市场研究范式演进分为四个阶段：

AI 工作流：除真人受访者外做到 0 人工参与（80% AI / 20% 人工）

步骤 1：AI Debrief——用消费者思维看问题

问题 1：充分理解品牌的调研目标，明确访谈问题。

问卷设计维度：动机与行为驱动框架，包含：

• 核心维度：消费动机与场景 / 购买决策因素 / 渠道偏好 / 支付意愿 / 消费者生命周期
• 比例建议：社交媒体覆盖率 / 消费能力 / 消费频次 / 市场趋势

Project 示范：Interview Project #13829，包含项目简介（西式蛋糕消费行为和偏好的市场调研）、56 个访谈问题（年龄段、所在城市、家庭月收入区间分组等）。

步骤 2：AI Interview——AI 工具采访真人，构建真实用户画像

传统画像方法：围绕统计学框架特征——核心标签（年龄、城市、收入、职业、性别），画像结果（25-45 岁、女性为主、一二线城市、中等收入、办公室白领+部分自由职业者）。

AI Interview 之后的细分（基于真实访谈构建 4 类细分人群）：

4 类细分人群的完整画像

人群 1：高频日常型（42.9%）

• 统计学：18-30 岁占 65.7%，年轻女性占 81.1%；家庭月收入 7k-2 万占 49.1%；上海、长沙、成都、北京等一二线城市
• 产品功能价值：品质要求高 + 价格敏感适中 + 品牌依赖度最低
• 消费行为：日均 2.27 次，每 2 周 1 次（38.0%）+ 每周 1 次及以上（31.5%）= 69.5% 高频购买；蛋糕已成为日常习惯，类似奶茶/咖啡
• 即时满足需求：购买时机集中在下午茶时间、工作间隙解馋等，7.9% 完全不提前获取信息，随机购买
• 信息渠道：线下门店推荐（42.2%）与线下购买占比（49.9%）高度呼应；社交媒体（小红书 43.4% + 抖音 32.6%）影响力大；最关注产品测评（76.5%）和探店体验分享（73.0%）

人群 2：仪式庆祝型（18.5%）

• 统计学：26-40 岁占 67.6%，较高频日常型更成熟；女性占 74.1%，但男性占比相对较高（24.3%）；家庭月收入 7k-2.8 万占 59.5%，略高于高频日常型；城市分布在长沙、成都、青岛等新一线城市
• 产品功能价值：品质追求最高 + 价格敏感较高 + 品牌依赖最高
• 仪式感与情感价值：在生日庆祝场景（自己/家人/朋友生日），蛋糕是「情感连接的载体」
• 「不能出错」心态：选「品牌传播」的人群中（占 44.9%），品牌知名度重视度达 94.0%（四类最高）；说明生日场合「不能出错」，选知名品牌以降低风险
• 信息渠道：美团外卖（47.0%，最高）、线下门店推荐（40.5%）、抖音（39.5%）、小红书（38.4%）；最关注用户评价/评分（63.2%，四类最高）、产品测评（62.2%）、探店体验分享（60.5%），三者基本持平

人群 3：社交分享型（27.0%）

• 统计学：25-35 岁占 53.3%，女性占 80.4%；家庭月收入 7k-2.8 万占 48.5%；北京、成都、长沙等一二线城市
• 产品功能价值：品质追求中等 + 价格敏感度最高 + 品牌依赖适中
• 多场景情绪犒赏：场景多元化，以自我奖励为主（44.1%），其次是聚会分享（30.4%）和节日庆祝（17.4%），社交相关场景合计占 91.9%；购买蛋糕是「犒赏自己」和「社交分享」的双重需求
• 社交晒图需求：重视外观颜值，配合聚会 30% 和节日 17% 的社交场景，存在社交晒图需求；蛋糕不仅是食物，也是「社交货币」
• 信息渠道：社交媒体影响力最大，小红书（52.6%，四类最高）、抖音（41.9%）；线下门店推荐（36.3%）、朋友/家人推荐（33.3%）、美团外卖（30.7%）也有一定作用
• 关注内容：最关注产品测评（75.6%）和探店体验分享（71.1%），与高频日常型类似；对促销活动信息关注度（30.4%）高于其他两类，说明虽重视品质但也关注性价比

人群 4：品质优先型（11.6%）

• 统计学：年龄分布较为均匀，18-35 岁占 86.2%（18-25 岁 31.0%、26-30 岁 29.3%、31-35 岁 25.9%）；女性占 78.4%；家庭月收入 1 万-2.8 万占 52.6%；成都、北京、上海等一二线城市
• 产品功能价值：品质要求中等 + 价格敏感适低 + 品牌依赖度较高
• 场景最灵活：场景最多元化，无单一主导场景（最高的日常场景也只占 50.9%）；与前三类形成鲜明对比，前三类都有主导场景
• 价格敏感度低：购买决策基于品质、品牌、心情、场景，消费是「生活方式的体现」，不是理性计算
• 信息渠道：抖音（44.0%，最高）、小红书（42.2%）、线下门店推荐（37.9%）；对社交媒体的依赖度较高
• 关注内容：关注产品测评（69.0%）和探店体验分享（65.5%），但比例低于其他三类，可能更相信自己的判断而非他人评价

步骤 3：AI Panel——为每个细分人群构建 30 人智能用户小组

每个细分人群对应一个 AI Panel，包含真人 + AI 人设的混合小组：

• 高频日常型 Panel：30 personas、5 interviews（如 Iris、汪律师、甜甜、都市白领阿文、职场精英 Amy、Lisa、小小、冯女士等，每个有具体年龄、职业、消费偏好、关注点）
• 仪式庆祝型 Panel：32 personas、5 interviews（如王妈妈、夏影、吴女士、安娜、丁一、Vicky、乐乐妈妈、刘爸爸等）
• 社交分享型 Panel：32 personas、7 interviews（如琳琳、Linn、小 C、陈雅、潇潇、王悦、心怡、林经理等）
• 品质优先型 Panel：33 personas、8 interviews（如小雨、文森、艾女士、李教练、Lila、吴老师、Sherry、小潘等）

每个 Panel 提供三种调用方式：Focus Group（焦点小组）/ User Interview（用户访谈）/ Expert Interview（专家访谈）。

Atypica 的核心价值主张：从项目到能力

为什么 Atypica 很重要

当下市场变化快得惊人：

• 我们每天看手机好几百次
• 品牌的营销活动几天甚至几小时就能上线，而不是几个月
• 产品的创新和迭代以周为单位，而不是以年为单位

但消费者洞察和市场调研呢？

• 依然按季度、甚至按年度更新
• 报告、问卷、社交数据……常常被束之高阁，没人再去翻阅

Atypica 让消费者调研发生的三个 100 倍

研究因此而「始终在线」——无论什么人、什么想法、在任何地方，都可以被即时验证。

单次查询性能数据：atypica.AI Creative Reasoning α queries 单次：time 10m 38s、steps 29、agents 18、tokens 408,999（出处：BMRLab @ 特赞科技）

元论点收尾：物理 vs 语言模型

「物理」为「客观世界」建模 「语言模型」为「主观世界」建模

这是 atypica.AI 的最终立场——LLM 不是又一个数据分析工具，它是人类第一次为「主观世界」建模的范式工具，所以用户研究第一个被重写。

核心范式跃迁：从项目到能力

整场分享的最终落点：用户研究从「项目」（一次性外包、按月按季度交付、报告产出后被束之高阁）演变为「能力」（常驻在产品/营销组织内、按需调用、按小时按天产出、始终在线）。

这是 PM 角色转型的具体抓手：

• 不再依赖外部调研公司或市场部内部漫长流程
• PM 直接调用 AI Persona 库做即时验证
• 历史访谈语料从沉淀的 PDF 变成可对话的资产
• 研究流程从「找人 → 招募 → 排期 → 访谈 → 分析 → 报告」压缩为「输入目标 → 即时输出」

关键金句

「大多数人听到『智能体』，想到的是那些帮我们干活的 AI；我今天要讲的另一种『智能体』，它不是干活的，而是模拟我们的。」——子璇

「物理为客观世界建模，语言模型为主观世界建模。」——子璇

「研究因此而『始终在线』——无论什么人、什么想法、在任何地方，都可以被即时验证。」——子璇

「市场迭代以周为单位，但消费者洞察依然按季度甚至按年度更新——报告常常被束之高阁，没人再去翻阅。」——子璇

可行建议

• 先从沉淀的访谈 PDF 入手：上传历史访谈语料生成 Proprietary AI Persona，即刻把过往调研成本盘活
• 建立 AI Persona 库：把每次研究产出的人设留存为可复用资产，下次相关研究直接调用，不要每次从 0 招募
• 用 AI Debrief 替代「写需求文档给市场部」：让 AI 反向澄清研究目标，避免下游执行偏离
• 采用四类细分而非统计学画像：从「25-45 岁女性白领」升级为「高频日常型 / 仪式庆祝型 / 社交分享型 / 品质优先型」这种基于行为动机的细分
• 小时级验证替代季度级调研：当营销活动需要测试时，用 Panel 群聊在小时内拿到方向性结论，再决定是否进真人测试
• PM 直接接入 AI Research：不再依赖等外部调研公司输出报告，把用户研究纳入产品决策的日常工作流

关键数据/案例索引

核心定位术语：

• atypica = a-typical = 典型的 / 不典型的
• Generative Agent Persona（生成式人设）= 语料 + LLM
• Proprietary Human AI Persona（私有真人 AI 人设）

性能数据：

• 单次查询：10m 38s / 29 steps / 18 agents / 408,999 tokens（BMRLab @ 特赞科技）
• 传统单样本采访成本：50-500 元（其中 50% 给消费者）
• AI Interview 单份问卷报告成本：5w token（≈ 5 元）
• 速度 100×、成本 1/100、消费者覆盖度 100×

A16Z 市场研究范式四阶段：

核心案例：西式蛋糕烘焙渠道调研（安佳专业乳品 AFP）

• 4 类细分人群占比：高频日常型 42.9% / 仪式庆祝型 18.5% / 社交分享型 27% / 品质优先型 11.6%
• 高频日常型：日均 2.27 次购买频次；线下门店推荐 42.2% + 线下购买 49.9% 高度呼应；小红书 43.4% + 抖音 32.6%
• 仪式庆祝型：品牌知名度重视度 94.0%（四类最高，因「不能出错」）；美团外卖 47.0% + 线下门店推荐 40.5%
• 社交分享型：自我奖励 44.1% + 聚会分享 30.4% + 节日庆祝 17.4% = 91.9%；小红书 52.6%（四类最高）
• 品质优先型：日常场景仅 50.9%（无主导场景）；抖音 44.0%（最高）

Atypica 市场研究 4 大用例 / 18 个案例：

• 洞察 / Insight：竞品分析、需求挖掘——案例：Clean Beauty 品牌核心用户画像研究；珀莱雅双抗精华首次使用体验优化策略研究报告；老年人消化健康益生菌产品的用户需求洞察与竞品与技术趋势研究；LV 品牌在中国大陆现有客户的负面评价聚焦点及时间演变研究；智能座舱旅拍功能体验设计研究报告；AI 辅助鸿蒙研发洞察研究
• 测试 / Testing：活动主题测评、产品选择——案例：上市后伊利优酸乳嚼柠檬用户反馈与改进点研究计划与竞品分析；KFC 蛋挞新品概念测试研究报告；轻薄游戏手机在重度玩家中的预期与实用性对比研究；罗技键盘小红书选题
• 规划 / Planning：营销策略、内容策划——案例：解码 e.l.f. Beauty 的 TikTok 营销成功密码；Mars 收购品客薯片中国市场执行计划；沃尔沃 2026 年微信公众号运营规划；红魔 12 触控创新营销研究与宣传语测试方案方案化提炼
• 共创 / Co-creation：新品脑暴、创新企划——案例：中国 28-35 岁女性「抗疲老/抗初老」精华市场机会洞察研究；宝洁护肤新品创新略报告；华南地方美食的饮品化机会

真实案例：某美妆品牌 Persona 库建设

• Situation：积累了大量用户访谈语料（敏感肌、抗衰、美白等多个细分人群），但每次需要洞察都要重启调研，耗时 1-2 个月
• Pain：历史访谈语料无法复用，即使「敏感肌用户对某成分的态度」「30+女性的决策路径」这种小问题，也要重新调研
• Impact：用 Atypica AI Persona 把历史语料构建成可对话智能体 Persona 库，例如「33 岁敏感肌女性消费者」AI 人设保留原始访谈中的真实语气和思考逻辑，常规问题数小时内即可获得答案

真实案例：美国宠物友好润唇膏需求验证（AI Interview）

• Situation：某小型宠物品牌想调研美国用户对「宠物友好润唇膏」概念的认可和接受度，验证需求
• Pain：新产品类目细分，开源信息少；项目预算不足支撑前期大规模调研，难找合适受访者
• Impact：用 Atypica AI Interview 利用人设库内典型消费者画像深度访谈，验证需求真实存在且有溢价空间，并了解用户刚需进一步推进产品研发

讲者及公司：

• 讲者：子璇
• 公司：atypica.AI / 特赞科技 Tezign（PPT 末尾标注「特赞介绍 / Tezign.com」）
• 产品定位：The AI Research Agent Simulating Consumers · Modeling the「Subjective World」with「LLM」