如何用 AI 工具做市场调研和竞品分析？完整方法论

AI可以在几分钟内搜索数百个页面、归纳用户评论并生成竞品矩阵，但“搜得快”不等于“结论可靠”。本文提供一套可以复用的完整流程：从定义决策问题、建立证据体系，到市场规模测算、用户研究、竞品评分和最终报告交付，并通过AI会议助手赛道展示真实分析案例。

过去，完成一份像样的市场调研，通常需要经历：

- 搜索行业报告；

- 阅读公司官网和财报；

- 收集竞品价格；

- 整理用户评论；

- 制作访谈提纲；

- 清洗问卷数据；

- 对比产品功能；

- 撰写结论和建议。

AI工具大幅压缩了这些机械工作，但也制造了新的风险：

- 引用看似权威，实际并不存在；

- 不同年份的数据被混在一起；

- 将Google Trends指数误当成搜索量；

- 把厂商宣传当成独立事实；

- 用几条社交媒体评论代表整个市场；

- 先写结论，再寻找支持结论的证据；

- 输出一份结构漂亮但无法支撑决策的“研究报告”。

真正有效的AI市场调研，不是让AI替你“给答案”，而是让它帮助你建立一条可审计的证据链。

本文的核心原则是：

先定义要做的决策，再设计研究；先记录证据，再生成结论；AI可以加速研究，但不能代替事实核验和商业判断。

---

一、为什么需要方法，而不是一个万能提示词？

一项由哈佛商学院与波士顿咨询集团合作完成的实验涉及758名知识工作者。

在AI能力范围内的18项咨询任务中，使用AI的参与者：

- 完成的任务数量增加 12.2%；

- 平均完成速度提高 25.1%；

- 输出质量显著提高。

但在一项超出AI能力边界的复杂任务中，使用AI的参与者反而比不用AI的人低 19个百分点 的正确率。[1]

这项研究非常适合解释市场调研中的AI风险。

AI擅长：

- 扩展关键词；

- 快速搜索；

- 摘要整理；

- 分类标签；

- 生成对比表；

- 发现初步模式；

- 起草报告。

AI不稳定的地方包括：

- 判断数据口径是否一致；

- 识别厂商故意模糊的表述；

- 推断未公开收入和市场份额；

- 区分相关性与因果关系；

- 处理相互矛盾的来源；

- 判断少数评论是否具有代表性；

- 对商业风险承担责任。

因此，一套完整方法必须明确：

1. 哪些工作可以交给AI；

2. 哪些信息必须回到原始来源；

3. 哪些结论只能写成假设；

4. 哪些数字必须由两类独立证据支持。

---

二、完整流程总览

一份能够支持产品、投资或运营决策的市场调研，可以拆成九个阶段：

这九步不能简单压缩成“请做一份完整市场调研”。

---

三、第一步：先定义决策问题

低质量的研究通常从一个过于宽泛的问题开始：

帮我分析AI办公市场。

这个问题没有明确：

- 地区；

- 客户类型；

- 产品形态；

- 价格区间；

- 决策期限；

- 最终用途。

更好的表达是：

我们正在考虑为美国10—100人规模的专业服务公司开发一款AI会议助手。请判断未来12个月是否值得进入，并重点验证客户需求、付费意愿、主要竞争对手、差异化机会和获客风险。

一个合格的研究Brief至少包含

可复制提示词

```text

你是市场研究项目经理。

请将下面的商业想法改写成一份研究Brief，但不要开始搜索资料。

输出：

1. 需要支持的最终决策

2. 目标市场和客户范围

3. 研究时间范围

4. 必须回答的10个问题

5. 已知假设

6. 关键未知项

7. 不纳入本次研究的内容

8. 建议的数据来源

9. 最终交付物结构

商业想法：

[粘贴想法]

```

如果AI无法明确最终决策，说明问题还没有定义好。

---

四、第二步：建立假设树，而不是漫无目的搜索

市场研究不是收集越多资料越好，而是验证有限数量的关键假设。

以AI会议助手为例，可以建立以下假设树：

```text

市场是否值得进入？

├── 需求是否真实？

│ ├── 用户会议频率是否足够高？

│ ├── 手工纪要是否造成明显成本？

│ └── 用户是否担心遗漏信息？

├── 用户是否愿意付费？

│ ├── 当前替代方案成本是多少？

│ ├── 个人还是公司承担费用？

│ └── 可接受价格区间是多少？

├── 市场是否可触达？

│ ├── 用户从哪里发现工具？

│ ├── 是否依赖Zoom、Teams或Google Meet？

│ └── 是否需要企业销售？

├── 是否存在差异化空间？

│ ├── 语言覆盖是否不足？

│ ├── 特定行业模板是否不足？

│ └── 数据隐私是否形成门槛？

└── 单位经济是否成立？

├── 转写和模型成本是多少？

├── 获客成本是否可控？

└── 免费用户能否转化？

```

如何挑选关键假设？

优先研究同时满足以下条件的假设：

- 如果错误，会改变最终决策；

- 当前不确定性很高；

- 可以通过数据或访谈验证；

- 验证成本可接受。

可以用二维矩阵：

AI非常适合帮助拆解假设，但最终优先级必须由项目负责人确定。

---

五、第三步：建立证据分级体系

所有来源不能被同等对待。

建议将证据分为四级。

A级：一手权威来源

- 政府统计；

- 监管文件；

- 公司财报；

- 官方价格页；

- 官方产品文档；

- 专利和法院文件；

- 应用商店正式页面；

- 企业公开招聘信息。

适合证明：

- 价格；

- 功能；

- 收入；

- 员工数；

- 法规；

- 发布日期；

- 官方市场定位。

B级：独立专业来源

- 同行评审论文；

- 独立基准；

- 行业协会；

- 可信咨询机构；

- 主流商业媒体；

- 有透明方法的数据平台。

适合证明：

- 趋势；

- 技术表现；

- 行业结构；

- 用户行为；

- 相对竞争力。

C级：用户与渠道信号

- G2、Capterra和应用商店评论；

- Reddit；

- YouTube评论；

- 产品社区；

- 客服记录；

- 销售访谈；

- 搜索建议和论坛问题。

适合发现：

- 高频痛点；

- 用户语言；

- 替换原因；

- 使用障碍；

- 潜在需求。

不能单独用来证明：

- 市场规模；

- 整体满意度；

- 真实市场份额；

- 产品准确率。

D级：AI生成和转载内容

- 无原始链接的AI回答；

- SEO聚合文章；

- 未标注方法的排行榜；

- 无法确认作者和日期的摘要；

- 互相引用的营销博客。

只适合用作线索，不能作为最终证据。

---

六、建立证据台账

每一个重要结论都应该能够追溯到证据。

建议使用表格记录：

示例

可复制验证提示词

```text

请审查以下证据台账。

要求：

1. 找出没有被来源直接支持的结论

2. 标出把相关性写成因果关系的地方

3. 标出不同年份、地区或口径被混用的地方

4. 将来源分为一手、独立、用户信号和二手转载

5. 对每个结论给出高/中/低可信度

6. 不得补写来源中不存在的信息

```

---

七、第四步：使用AI进行案头研究

ChatGPT Deep Research

ChatGPT的Deep Research可以：

- 使用公开网页；

- 限定特定网站；

- 使用上传文件；

- 使用已连接的应用；

- 先生成研究计划；

- 在执行过程中调整方向；

- 输出带引用的结构化报告。[2]

适合：

- 多来源综合；

- 长报告；

- 财报和文件结合；

- 需要明确研究计划的项目。

Gemini Deep Research

Gemini Deep Research默认使用Google Search，还可以加入：

- Gmail；

- Google Drive；

- 上传文件；

- NotebookLM笔记本。[3]

适合：

- 团队资料主要在Google Workspace；

- 需要将内部邮件和外部市场信息结合；

- 已经使用NotebookLM整理资料。

Claude Research

Claude Research可以搜索网页并通过连接器访问内部工具和数据。官方说明，Research能够查询大量内部和外部来源；连接器继承用户原有权限。[4]

适合：

- 长文综合；

- 内部资料与网页结合；

- 需要连接Notion、Google Workspace等系统。

正确的AI研究方式

不要一次要求：

搜索整个市场，并告诉我结论。

改成分阶段任务：

1. 先列出需要回答的问题；

2. 再列出每个问题的最佳来源；

3. 分批收集证据；

4. 只提取结构化字段；

5. 检查冲突；

6. 最后才综合。

研究提示词模板

```text

请对[市场]进行案头研究。

研究范围：

- 地区：

- 客户：

- 时间：

- 产品定义：

本轮只完成“来源发现”，不要写最终结论。

请输出：

1. 一手来源清单

2. 独立研究和行业来源

3. 用户评论和社区来源

4. 每个来源可以回答的问题

5. 来源日期

6. 可能的偏差

7. 尚未找到可靠来源的问题

优先官方、监管、财报、学术和独立基准。

禁止使用没有原始链接的数字。

```

---

八、第五步：市场规模测算

常见的市场规模包括：

- TAM：理论上全部可服务市场；

- SAM：当前产品和地区能够服务的市场；

- SOM：在现实资源和竞争条件下可能获得的市场。

1. 自上而下法

从行业总规模开始，逐步缩小。

```text

全球市场规模

× 目标地区占比

× 目标客户类型占比

× 产品可服务场景占比

= SAM

```

优点：

- 快；

- 适合初步判断；

- 容易找到行业报告。

缺点：

- 非常依赖报告口径；

- 容易把相邻市场算进来；

- 可能得到巨大但没有决策价值的数字。

2. 自下而上法

从真实客户数量和价格开始。

```text

目标企业数量

× 每家平均可售席位

× 年均价格

× 预期采用率

= 可服务收入规模

```

例如，仅作为计算演示：

```text

50,000家目标企业

× 8个付费席位

× 180美元/年

× 20%采用率

= 1.44亿美元

```

这里的50,000、8和20%都是待验证假设，不能因为公式正确就当成事实。

3. 价值法

根据产品为客户创造或节省的价值估算。

```text

每名员工每月节省时间

× 人力成本

× 可捕获价值比例

× 用户数量

```

适合：

- 企业软件；

- 自动化工具；

- 降低人工成本的产品。

市场规模数据来源

美国小企业管理局建议市场研究同时关注：

- 需求；

- 市场大小；

- 经济指标；

- 地理位置；

- 市场饱和度；

- 现有价格。[5]

可以优先使用：

- Census Business Builder；

- data.census.gov；

- SEC EDGAR；

- 各国统计局；

- 行业协会；

- 公司财报；

- 应用商店和公开价格；

- 经验证的第三方数据。

美国SEC的EDGAR可以免费检索20年以上的公司申报文件；Census Business Builder提供面向行业和地区的人口、经济及竞争数据。[6][7]

AI在市场规模中的正确角色

AI可以：

- 建立计算模型；

- 统一货币和单位；

- 做敏感性分析；

- 生成高、中、低情景；

- 找出缺失变量。

AI不能自动证明你的假设是对的。

---

九、不要误读Google Trends

Google Trends非常适合判断：

- 某个话题是否增长；

- 地区差异；

- 季节性；

- 相关查询；

- 新兴术语。

但Google明确说明：

- Trends使用Google搜索的抽样数据；

- 数据经过标准化；

- 数值被索引到1—100；

- 100代表选定时间和地区内的相对峰值；

- 它不是绝对搜索量；

- 低搜索量词可能显示为0。[8]

错误写法：

关键词A的搜索量是100，关键词B是50，所以A每月有B两倍的搜索量。

正确写法：

在相同地区和时间窗口内，关键词A的相对搜索兴趣高于关键词B，但不能由此直接得出绝对搜索次数。

Google Trends应与以下数据组合：

- SEO工具的估算搜索量；

- 网站流量；

- 注册数据；

- 销售询盘；

- 社区讨论；

- 应用下载；

- 用户访谈。

---

十、第六步：用户研究

二手资料能够告诉你市场大致是什么样，但无法完全回答：

- 用户为什么购买？

- 为什么放弃？

- 哪个问题最痛？

- 现有工具为什么不够好？

- 谁拥有预算？

- 采购需要经过谁？

1. 用户访谈

建议每个清晰用户群先访谈5—8人，重点是发现模式，而不是统计代表性。

不要问：

你会购买一个AI会议助手吗？

这会得到大量礼貌性“会”。

更好的问题：

- 最近一次会后漏掉重要事项是什么时候？

- 你现在如何记录会议？

- 整理一次纪要需要多久？

- 你最近试过哪些工具？

- 为什么没有继续付费？

- 谁决定能否在公司使用录音工具？

- 如果明天不能使用现有方案，你会怎么办？

- 哪种错误会让你立刻停止使用？

2. 用户评论挖掘

可以收集：

- G2；

- Capterra；

- App Store；

- Google Play；

- Chrome Web Store；

- Reddit；

- YouTube；

- 产品社区。

建立统一编码：

AI评论分析提示词

```text

你将分析一批真实用户评论。

要求：

1. 不计算未提供的市场比例

2. 将评论按使用场景、目标、痛点、购买阻力和替代方案编码

3. 同一评论可以有多个标签

4. 保留原始评论ID

5. 区分高频问题和高严重度问题

6. 输出支持每个结论的代表性评论

7. 不把少量评论推广为整体市场结论

```

3. 问卷

问卷适合验证已经通过访谈发现的假设，而不是从零发现需求。

建议测量：

- 当前行为；

- 问题频率；

- 时间或金额损失；

- 使用过的替代方案；

- 付费主体；

- 价格敏感性；

- 购买障碍；

- 公司规模和角色。

避免只问“你感兴趣吗”。

---

十一、第七步：正确识别竞品

竞品不只是长得相似的产品。

1. 直接竞品

解决相同问题，面向相同用户，采用相近收费方式。

例如：

- Otter；

- Fireflies；

- Fathom。

2. 间接竞品

解决相同问题，但产品形态不同。

例如：

- Notion AI Meeting Notes；

- Zoom AI Companion；

- Microsoft Teams智能回顾。

3. 替代方案

用户没有购买软件时真实使用的方法。

例如：

- 人工记笔记；

- 录音后外包转写；

- 会后让员工写纪要；

- 不记录；

- 使用普通语音转文字。

4. 潜在竞品

目前不直接竞争，但拥有客户、数据或分发渠道。

例如：

- Google Workspace；

- Microsoft 365；

- CRM平台；

- 视频会议平台。

最危险的竞争者不一定是功能最像你的公司，而可能是已经占据用户工作流的平台。

---

十二、竞品信息应该收集什么？

建议将字段分为七组。

产品

- 核心场景；

- 目标用户；

- 平台；

- 语言；

- 功能；

- 集成；

- 技术限制。

定价

- 免费额度；

- 月付和年付；

- 计费单位；

- 使用上限；

- 隐藏附加费用；

- 企业定价。

定位

- 首页标题；

- 主要价值主张；

- 强调的用户；

- 典型案例；

- 不强调的能力。

分发

- SEO；

- 应用市场；

- 合作伙伴；

- 产品内传播；

- 免费增值；

- 企业销售；

- 社区和内容。

用户反馈

- 最常称赞；

- 最常投诉；

- 退订原因；

- 替换来源；

- 信任问题。

组织与资本

- 融资；

- 员工；

- 招聘方向；

- 收购；

- 管理层；

- 企业客户。

风险

- 法规；

- 隐私；

- 数据驻留；

- 平台依赖；

- 模型成本；

- 技术准确率；

- 渠道集中。

---

十三、第八步：建立评分模型

竞品矩阵最常见的错误是：

- 字段非常多；

- 每个功能都打勾；

- 最后无法形成决策。

评分必须针对具体目标客户。

示例：20人多语言SaaS销售团队

该团队最看重：

使用1—5分评分，最终结果为：

这不是“全球最好AI会议助手”排名，而是针对一个特定团队的决策模型。

---

十四、真实案例：AI会议助手竞品分析

本次示例使用官方定价页和帮助文档，比较四款产品。

1. 关键公开数据

来源更新情况：

- Otter官方显示免费版每月300分钟，Pro年付约8.33美元/人/月，并支持英语、西班牙语、法语、德语、日语和简体中文。[9][10]

- Fireflies免费版提供无限转写和AI摘要，但团队存储为400分钟；官方支持100多种语言，多语言同场模式覆盖60多种；Pro年付为10美元/人/月，高级AI Skills和AskFred等使用AI积分。[11][12][13]

- Fathom个人免费版提供无限录制与转写，Team年付15美元/人/月，支持38种转写语言，并提供跨会议搜索和连接ChatGPT、Claude的MCP能力。[14][15][16]

- Notion AI Meeting Notes要求Business或Enterprise正式使用，Business公开价为20美元/人/月，支持16种语言，每名用户每日上限10小时，但说话人标签目前仅支持英语。[17][18]

2. 为什么Fireflies得分最高？

对于“多语言SaaS销售团队”这一特定场景，它具有：

- 最广的语言覆盖；

- 多语言混说模式；

- 免费转写和摘要；

- Zoom、Google Meet、Teams等入口；

- 上传文件、桌面端、移动端和浏览器扩展；

- 面向销售和工作流的自动化。

但如果团队大量使用高级分析，AI积分会增加真实成本。

3. 为什么Fathom很接近？

Fathom的个人免费方案非常强：

- 无限录制；

- 无限转写；

- 即时摘要；

- 38种语言；

- 跨会议查询；

- 与通用AI工具连接。

对于个人顾问和小型销售团队，它可能比评分排名更合适。

4. 为什么Notion没有排第一？

Notion的价值不只在会议转写，而在于：

- 会议记录直接进入项目和知识库；

- 可以和其他页面、数据库及连接器结合；

- 能够继续生成报告和任务。

如果团队已经完全使用Notion，应该提高“知识利用”权重，Notion的排名会明显上升。

这说明：

评分结果取决于权重，而权重取决于真实决策。

5. 为什么Otter仍可能胜出？

Otter的语言覆盖较少，但它在英语团队中拥有：

- 成熟的会议搜索；

- AI Chat；

- 词汇和说话人管理；

- Google Drive等连接能力；

- 销售、招聘和媒体Agent。

如果目标是以英语为主、对转写质量和成熟工作流要求高的团队，应降低语言覆盖权重，Otter的得分会提高。

---

十五、如何避免评分模型被操纵？

1. 先写权重，再看产品

如果看到产品结果后再调整权重，评分只是为已有偏好寻找理由。

2. 每个分数必须有标准

例如，多语言评分：

3. 对未知项不打满分

如果厂商没有公开：

- 安全审计；

- 准确率；

- 使用上限；

- 数据驻留；

应标记“未披露”，不能自动认为没有限制。

4. 做敏感性分析

将最高权重上下调整20%，观察排名是否变化。

如果稍微改变权重，第一名就变成第四名，说明结论不稳定，报告应给出分场景推荐，而不是唯一冠军。

---

十六、第九步：从数据到洞察

低质量结论只是复述数据：

Fireflies支持100多种语言，Fathom支持38种。

真正的洞察应回答“这意味着什么”：

对于多语言销售团队，语言覆盖不仅影响转写，还决定能否将同一工作流推广到不同国家；但Fireflies高级AI按积分计费，规模化后的总成本需要单独建模。

可以使用四层结构：

1. 事实：发生了什么？

2. 模式：多个事实之间有什么共同点？

3. 解释：为什么会出现这种模式？

4. 决策含义：应该做什么？

示例

事实：

- 多数工具提供免费版；

- 高级AI和团队搜索开始收费；

- 会议功能正进入Notion等办公平台。

模式：

- 转写正在商品化；

- 竞争从“能不能转写”转向“会议后能做什么”。

解释：

- 基础语音识别成本下降；

- 平台厂商拥有天然分发；

- 独立工具必须依靠CRM、行业模板和自动化保持价值。

决策含义：

- 新产品不应只强调准确转写；

- 应聚焦垂直行业、工作流闭环或合规；

- 定价应围绕业务结果，而非单纯分钟数。

---

十七、强制加入反证环节

在完成初稿后，不要立即发布。

让另一个模型或新的对话扮演反方：

```text

你是负责否决本项目的投资委员会成员。

请审查下面的市场调研，重点寻找：

1. 结论依赖的脆弱假设

2. 被忽略的替代方案

3. 可能重复计算的市场规模

4. 厂商宣传被当成事实的地方

5. 过时数据

6. 样本偏差

7. 无法由来源支持的陈述

8. 如果进入市场，最可能失败的三个原因

不要重写报告，只输出反证和需要补充的证据。

```

最低验证要求

建议将关键结论分级：

---

十八、AI研究报告的推荐结构

一份可供管理层决策的报告，不应只是资料汇总。

建议结构：

1. 执行摘要

- 最终建议；

- 三个核心证据；

- 三个主要风险；

- 下一步行动。

2. 研究问题与范围

- 地区；

- 客户；

- 产品定义；

- 时间范围；

- 未覆盖内容。

3. 市场需求

- 客户任务；

- 触发场景；

- 痛点强度；

- 替代方案；

- 付费主体。

4. 市场规模

- TAM；

- SAM；

- SOM；

- 高、中、低情景；

- 假设和来源。

5. 趋势和驱动因素

- 技术；

- 政策；

- 用户行为；

- 分发；

- 成本。

6. 竞争格局

- 直接竞品；

- 间接竞品；

- 替代方案；

- 潜在平台进入者。

7. 竞品矩阵

- 产品；

- 价格；

- 用户；

- 定位；

- 分发；

- 优缺点；

- 证据。

8. 用户研究

- 样本；

- 访谈方法；

- 高频模式；

- 反例；

- 代表性原话。

9. 机会与风险

- 未满足需求；

- 可防御优势；

- 渠道风险；

- 成本风险；

- 合规风险。

10. 建议与验证计划

- 进入或不进入；

- 目标客户；

- MVP；

- 定价测试；

- 30/60/90天行动；

- 停止条件。

---

十九、可复制的完整研究提示词

```text

你是一名严谨的市场研究分析师。

研究主题：

[市场或产品]

目标决策：

[需要支持的商业决定]

范围：

- 地区：

- 客户：

- 时间：

- 产品定义：

- 排除项：

研究要求：

1. 先输出研究计划和假设树，等待确认后再研究

2. 区分一手来源、独立来源、用户信号和二手转载

3. 所有价格、功能、日期和公司数据优先使用官方来源

4. 市场规模同时使用自上而下和自下而上方法

5. Google Trends只能解释为相对指数

6. 对相互矛盾的来源单独列出

7. 不允许编造数字、引用或公司信息

8. 无法确认时写“未公开”或“无法验证”

9. 将事实、推断和建议分开

10. 最终输出证据台账

最终交付：

- 执行摘要

- 市场定义

- 需求分析

- TAM/SAM/SOM

- 趋势

- 用户研究

- 竞品矩阵

- 评分模型

- 机会与风险

- 建议

- 30/60/90天验证计划

- 来源和证据台账

```

---

二十、推荐的工具组合

没有一款AI能够独立完成全部市场研究。

选择工具时不要只问：

哪个AI最强？

应问：

哪个工具最适合这一研究阶段，并且能让我核查来源？

---

二十一、常见失败方式

1. 先让AI写报告，再补来源

结果通常是先产生一个流畅故事，再寻找能够支持故事的资料。

正确顺序：

```text

问题 → 假设 → 证据 → 分析 → 结论

```

2. 购买一份大市场报告就停止研究

行业报告适合确定大趋势，但可能：

- 市场定义过宽；

- 方法不透明；

- 预测基于历史外推；

- 将相关产品算在一起。

必须用客户数量和价格做自下而上验证。

3. 把竞品功能数量当成竞争力

用户购买的是结果，不是功能清单。

20个功能不一定胜过一个能够稳定解决关键问题的工作流。

4. 只研究官网

官网告诉你公司想让你相信什么。

还需要检查：

- 帮助文档；

- 定价细则；

- 用户评论；

- 状态页；

- 隐私政策；

- 招聘；

- 发布记录；

- 退款和取消流程。

5. 用评论数量代表市场份额

评论量受到：

- 产品年龄；

- 平台策略；

- 索评机制；

- 用户类型；

- 地区；

影响，不能直接代表份额。

6. 忽略日期

AI产品的价格和功能变化很快。

每一个动态数据都应该记录：

- 发布日期；

- 访问日期；

- 产品版本；

- 地区。

7. 没有停止条件

研究可以无限继续。

在开始前定义停止条件，例如：

- 80%的关键问题已有高或中可信度证据；

- 所有核心数字完成交叉验证；

- 新增来源不再改变主要结论；

- 剩余未知项可通过MVP实验验证。

---

二十二、七天实战计划

第1天：定义问题

- 完成研究Brief；

- 建立假设树；

- 确定目标客户和地区；

- 设计证据台账。

第2天：案头研究

- 收集政府、财报和官方产品资料；

- 建立市场和趋势时间线；

- 记录所有来源。

第3天：竞品分析

- 识别直接、间接和替代竞品；

- 收集定价、功能、定位和渠道；

- 建立初步评分模型。

第4天：用户声音

- 收集评论；

- 编码痛点和替换原因；

- 招募访谈对象；

- 完成访谈提纲。

第5天：市场规模

- 建立TAM、SAM和SOM；

- 做高、中、低情景；

- 列出敏感变量。

第6天：综合和反证

- 将事实转为洞察；

- 使用第二个AI做反方审查；

- 补充缺失证据；

- 调整结论可信度。

第7天：交付

- 写执行摘要；

- 完成竞品矩阵；

- 给出进入建议；

- 制定30/60/90天验证计划；

- 附上证据台账。

---

二十三、如何判断研究是否合格？

交付前检查：

决策

- [ ] 报告明确支持一个具体决策

- [ ] 结论不是泛泛行业介绍

- [ ] 建议包含下一步行动

证据

- [ ] 所有核心数字都有原始来源

- [ ] 动态数据记录了日期

- [ ] 厂商宣传被明确标记

- [ ] 重要结论有交叉验证

- [ ] 未确认信息没有被写成事实

方法

- [ ] 市场定义清晰

- [ ] TAM、SAM和SOM没有混用

- [ ] 访谈样本和限制已披露

- [ ] 竞品权重在评分前确定

- [ ] 已进行敏感性分析

AI使用

- [ ] AI输出经过原始来源核查

- [ ] 没有虚构引用

- [ ] 事实、推断和建议分开

- [ ] 使用第二轮反证审查

- [ ] 敏感数据没有上传到未经批准的工具

---

二十四、最终结论

AI已经显著改变市场研究的速度。

它可以在过去需要数天的工作中，快速完成：

- 关键词扩展；

- 来源发现；

- 文档摘要；

- 评论分类；

- 竞品矩阵；

- 市场模型；

- 报告初稿。

但速度不是市场研究的最终目标。

研究的价值取决于：

- 问题是否正确；

- 数据口径是否一致；

- 来源是否可靠；

- 假设是否透明；

- 结论是否能够被反驳；

- 建议是否能支持真实决策。

当前的Deep Research工具已经能够通过多轮搜索生成带引用的长报告。DeepResearch Bench甚至专门使用100项、覆盖22个领域的博士级研究任务，评估研究代理的报告质量、有效引用数量和引用准确性。[19]

这本身说明，AI研究工具最需要验证的仍然是：

- 检索是否完整；

- 引用是否准确；

- 证据是否真正支持结论；

- 推理是否跨过了证据边界。

最终方法可以浓缩为一句话：

让AI负责扩大搜索空间和降低整理成本，让人负责缩小决策范围、验证证据并承担结论。

真正高质量的AI市场调研，不是最快生成一份报告，而是最快建立一份能够被检查、被质疑、被更新，并最终支持行动的证据系统。

本文信息更新于2026年6月24日。AI工具、价格、功能和使用限制可能变化，涉及当前产品数据时应重新核查官方来源。

---

参考资料

1. [Harvard Business School: Navigating the Jagged Technological Frontier](https://www.hbs.edu/faculty/Pages/item.aspx?num=64700)

2. [OpenAI: Deep Research in ChatGPT](https://help.openai.com/en/articles/10500283-deep-research-in-chatgpt)

3. [Google: Use Deep Research in Gemini Apps](https://support.google.com/gemini/answer/15719111)

4. [Anthropic: Claude Research and Integrations](https://www.anthropic.com/news/integrations)

5. [U.S. Small Business Administration: Market Research and Competitive Analysis](https://www.sba.gov/business-guide/plan-your-business/market-research-competitive-analysis)

6. [SEC EDGAR Search](https://www.sec.gov/search-filings)

7. [U.S. Census Bureau: Census Business Builder](https://www.census.gov/data/data-tools/cbb.html)

8. [Google News Initiative: Basics of Google Trends](https://newsinitiative.withgoogle.com/resources/trainings/basics-of-google-trends/)

9. [Otter Pricing](https://otter.ai/pricing)

10. [Otter Supported Languages](https://help.otter.ai/hc/en-us/articles/360047247414-Supported-languages)

11. [Fireflies Pricing](https://fireflies.ai/pricing)

12. [Fireflies Supported Languages](https://guide.fireflies.ai/articles/2973706448-learn-about-fireflies-supported-languages)

13. [Fireflies AI Credits](https://guide.fireflies.ai/articles/2114151875-learn-about-ai-credits)

14. [Fathom Pricing](https://fathom.video/pricing)

15. [Fathom Supported Languages](https://help.fathom.video/en/articles/296192)

16. [Fathom MCP Integration](https://help.fathom.video/en/articles/11497793)

17. [Notion AI Meeting Notes](https://www.notion.com/help/ai-meeting-notes)

18. [Notion Pricing](https://www.notion.com/pricing)

19. [DeepResearch Bench](https://deepresearch-bench.github.io/)