人类学在市场研究与AI中的应用:机遇的十字路口还是即将到来的陷阱?
2026-08-16 21:17
人类学在市场研究与AI中的应用:机遇的十字路口还是即将到来的陷阱?
核心内容总结
Anthropology in Market Research and Artificial Intelligence: Crossroads of Opportunity or Forthcoming Pitfalls?
这篇论文由兼具人类学家与市场研究者身份的Autumn D. McDonald撰写，发表于《Journal of Business Anthropology》。论文的核心论点是：市场调研行业正积极拥抱人工智能（AI），期待其带来更快、更便宜、更省力的研究流程，但AI的整合在带来真实好处的同时也蕴含着重大陷阱。作者认为，拥有整体论（holism）、复杂性操作化和位置性（positionality）训练背景的人类学家，在评估AI的适当用途、识别不当应用、以及制定保护研究质量、洞察深度、受众包容性和组织效能的最佳实践方面具有独特价值。论文详细分析了AI在市场调研中的好处（如AI主持访谈、合成受访者）、三大核心陷阱（不准确性、幻觉与偏见、洞察深度不足），以及四个常被忽视的问题（效率神话、AI生成刺激物的文化困境、权力失衡的放大、组织内部认知能力与员工参与度的下降），最后提出人类学家应通过四种途径建立AI素养，以引导行业在机遇与风险之间找到平衡。
一、背景与问题意识
论文开篇指出，市场调研行业处于持续变化之中，过去三年该行业增长了37.25%。在增长过程中，市场调研作为学科和行业都经历了革命性变化，核心驱动力就是AI的拥抱。行业对AI的热情可以从数据中看出：在覆盖15个国家、10多个行业的3198名市场研究者的调查中，83%的受访者表示“计划增加对AI的投资”。作者引用另一位研究者的判断——AI在市场调研中的使用“不是一时风潮，而是一个根本性的、将持续下去的转变”。正是在这种背景下，作者提出人类学家的独特价值。市场调研中的许多方法（如民族志）本身就源于人类学，人类学家是研究人和文化的专家。当AI大规模进入市场调研时，人类学家能够帮助行业回答一个关键问题：AI在哪些环节真正有用，在哪些环节会带来实质性伤害？
二、AI给市场调研带来的好处
- 在设计阶段，支持者建议用AI来撰写定量研究的问卷（survey）和定性研究的访谈提纲（discussion guide）。
- 在执行阶段，市场研究者已经开始用AI来安排受访者日程、生成文献综述、为研究刺激物（stimuli，即测试中给受访者看的概念、广告、包装、货架图等材料）开发视觉和听觉内容，以及转录访谈录音。
- 在分析和报告阶段，AI被用来为定性数据编码（coding）、发现数据集中的模式、以及总结研究结果。
作者特别强调了“认知卸载”（cognitive offloading）的概念：AI使研究者能够把记忆保持、决策、信息检索等任务“委托”给外部系统，从而释放认知资源，让研究者专注于更复杂和更有创造性的工作。正是在这个意义上，89%的市场研究者已经“定期或在试验阶段使用AI工具”。作者专门指出在执行阶段有两种值得人类学家高度关注的AI应用：- AI主持的访谈（AI-moderated interviews）：目前只有5%的受访市场研究者经常使用AI自动化访谈，但许多供应商正在通过免费试用推广。其优点包括调度便利、可同时执行、成本低、支持多语言。
- 合成受访者（synthetic respondents）：即用AI模型生成的模拟受访者来代替真人受访者。其优点包括成本效益高、成果快、避免受访者疲劳、能为难以触达的目标人群提供模拟回答。数据表明，69%的全球市场研究者在过去一年中使用过合成受访者，且超过70%的人预测三年内合成数据将占数据收集的50%以上。
三、三大核心陷阱
作者从人类学家的视角，提出了AI整合的三个主要问题。陷阱一：不准确性
市场研究者越来越热衷于用AI生成的模拟受访者取代真人受访者来做定量研究。然而，近期研究显示，虽然从大语言模型（LLM）中提取文本回答、再通过语义相似性评级（SSR）映射到李克特量表（Likert scale）分布的方法，在某些情况下能达到90%的人类重测信度（test-retest reliability），但LLM在捕捉性别、地区、种族等人口统计模式方面无法做到持续准确。作者引用的一项研究明确警告：市场研究者在解释“合成小组”（synthetic panels）的子群分析时必须“保持谨慎”。更令人警醒的是，不同LLM作为合成受访者的表现差异很大。民调专家G. Elliott Morris的研究显示，合成样本的平均绝对错误率从4个百分点到23个百分点不等——表现最好的合成样本也只与真实人类样本平均相差4个百分点。作者指出，市场调研的核心使命是“为企业提供可操作的研究发现”，对于许多市场调研场景来说“至少几个百分点的错误率是难以容忍的”。因此，作者认为合成采样在理论上宣称的成本节省“不值得以准确性为代价”。陷阱二：幻觉与偏见
作者讨论了两个紧密相关的问题。首先是AI幻觉（hallucination），即LLM会“向用户提供看起来真实但实际是编造的数据”。作者分享了自己的亲身经历：她让一个LLM帮忙制作一门本科人类学导论课程的阅读清单，结果发现LLM推荐了大量根本不存在的文章和书籍。这让她意识到，AI生成的文献综述和内容摘要必须被彻底检查、核实内容、确认来源。- 她让LLM生成一份“由黑人人类学家领导的企业民族志/咨询公司”名单，结果排在第一位的公司老板是一个自我认同为白人男性的人，而且名单遗漏了作者自己的公司以及另一位非裔女性人类学家拥有的市场研究公司。
- 她通过“提示工程”（prompt engineering）让LLM对散居人口（diasporas）按规模排名，LLM反复低估非洲散居人口的排名，尽管输入数据明确显示其数值最大。作者只能靠自己的专业知识识别出这个错误，并回复了一个新提示：“你的错误反映了你模型和算法中的反黑人偏见。”
- 作者还引用了哈佛大学研究者的发现：LLM存在“WEIRD偏差”，即LLM在来源、行为、信息处理和“普通人”观念上都过度偏向西方、受教育、工业化、富裕、民主（Western, Educated, Industrialized, Rich, Democratic）群体的特征。
作者由此引出了“权力阴影”（power shadows）的概念——这是研究者Joy Buolamwini提出的说法，指“社会的偏见或系统性排斥反映在数据中”的现象。当市场调研流程整合了带有这类偏见的LLM时，某些群体的观点可能被“错误代表”，边缘化被加剧，权力不平衡被强化。陷阱三：洞察深度不足
第三大陷阱关乎定性研究的质量。作者强调，人类学家在定性访谈方面高度熟练：他们善于与受访者建立融洽关系（rapport），观察现场“在场和缺席”的内容，察觉受访者肢体语言中未说出的变化，识别言语模式转变中的隐藏含义，以及解读受访者身上或周围环境中符号的意义。这些是“需要推理能力、文化理解和人类共情能力的微妙元素，而AI根本不具备”。作者引用研究创新专家Jack Wilson的尖锐批评：AI能做的是“对话式调查”（conversational surveys），而不是深度访谈（in-depth interviews），两者不是一回事。把AI主持的访谈说成是定性研究的合适替代品，“完全是虚伪的”（entirely disingenuous）。作者还引用了自己参与的、针对美国拉丁裔（Latine）和非裔后代（Afrodescendant）受访者的研究：在这些研究中，AI主持的访谈在获取受访者融洽关系、理解深度、细微回答、详细结果、主题发现范围和文化背景方面，都不如人类主持的访谈有效。作者的结论是：AI驱动的访谈虽然高效，但还不能有效替代人类主持的定性研究，也无法产生同样的深度和文化背景。
四、常被忽视的问题
除了上述三大陷阱，作者还提出了四个在“匆忙实施AI”的过程中容易被忽视的问题。问题一：效率神话
作者指出，市场调研行业弥漫着一个假设：AI必然带来速度提升。但数据显示并非如此——在使用AI的市场研究者中，只有51%的人发现“获得洞察的时间”有所改善。换句话说，49%的人没有发现任何改善。作者还引用了另一个领域的证据：2025年一项针对软件开发者的研究发现，使用AI反而使任务完成时间增加了19%。有意思的是，这些开发者在实验前认为自己会提速24%，实验后仍然相信提速了20%——他们的主观感受与客观事实完全相反。作者认为这对市场调研中关于AI效率的预测具有警示意义。问题二：AI生成刺激物与文化价值
市场调研经常需要制作概念、广告、包装、货架图等测试刺激物。人类制作这些材料既昂贵又耗时，因此AI作为降低成本的工具很有吸引力。但作者提出了一个重要问题：人们是否真的愿意接受AI生成的内容？数据显示，美国成年人中偏好人类创作内容的比例在过去两年中上升了。哥伦比亚商学院的研究发现，当艺术作品被标注为AI创作时，研究参与者对其评价低于标注为人类创作的作品。事实上，35%的美国成年人认为AI生成的艺术、电视内容等“不是真正的艺术”。更复杂的是，作者引用了一项关于“AI-AI偏见”的新研究：在定量实验中，LLM表现出“持续倾向于偏好由LLM呈现的选项”。也就是说，当市场研究者用AI生成刺激物、再用合成受访者（也是AI）来测试时，AI生成的刺激物可能会获得比人类创作刺激物更好的评价——即使人类受访者原本可能更喜欢人类创作的内容。这引发了一个令人不安的问题：市场研究者最终是在为人类评估产品，还是在为LLM评估产品？问题三：文化多样性与权力失衡
作者指出，许多积极倡导全面整合AI的市场研究者并没有认真考虑文化多样性和权力平衡问题。LLM的训练数据本身就没有考虑到“人类是一个文化物种”这一事实，且有大量研究表明LLM难以捕捉少数群体的观点。WEIRD偏差的存在意味着，当市场调研日益依赖AI时，某些社区的声音会被系统性地边缘化。作为一个非裔后代、边缘化社区成员和人类学家，作者对此深感担忧。问题四：组织动态与认知能力
作者以一个带领研究团队的市场研究机构负责人的视角，提出了AI对组织内部的影响。她引用的研究表明，过度依赖AI进行“分析”可能“破坏人类分析技能的发展”；AI工具为用户提供现成解决方案，可能“阻止用户参与批判性思维所必需的认知过程”；AI从任务中移除“最需要认知努力的部分”，而这部分往往正是“使工作有刺激性和个人成就感”的部分；此外，员工经常使用AI会失去“作为工作体验基础的团队连接感”。作者警告：市场调研是一个以赋能商业决策为使命的行业，批判性思维对于知识获取、评估推理、有效问题解决和有影响力的叙事至关重要——这个行业不能承受认知能力和员工参与度被侵蚀的风险。
五、作者的批判性AI使用框架
在市场调研中，作者自己也会使用AI工具，但她强调要同时鼓励对AI应用“批判性凝视”（critical gaze）。她提出了一个核心问题清单，供研究者在决定是否使用AI时参考：- 这个任务应该由AI主导吗？如果应该，主导到什么程度？
- 这个任务应该由人类主导吗？如果应该，主导到什么程度？
这个框架体现了人类学的整体论精神——不是简单地拥抱或拒绝AI，而是在具体情境中评估其得失。
六、结论与行动建议：建立AI素养的四条路径
作者认为，市场调研正处于一个“决定性时刻”（pivotal moment）和一个“拐点”（inflection point），可能走向积极的斜坡，也可能走向消极的斜坡。人类学家在这个过程中有责任发挥引导作用。为此，她提出了建立AI素养（AI literacy）的四条具体路径：- 参加正式的AI培训项目：在高等教育机构工作的人类学家可以通过所在机构获得正式培训；非学术界的从业者可以通过大学认证项目、行业组织的短期课程、非营利组织甚至AI工具供应商的培训来获得。
- 多学科和跨学科合作：与那些已经具备AI流畅性、积极在工作中使用AI、或负责设计AI系统的人合作。这种合作能让人类学家了解AI的实际能力和局限。
- 直接实验与“做中学”：通过亲自使用各种AI工具来积累经验。这也是接触更广泛的AI产品的方式。
- 进行比较分析和批判性评估：这是最重要的一条路径。人类学家可以通过系统比较不同AI工具的表现、批判性评估AI系统的输出，不仅提升自己的AI素养，还能通过“对研究本身的研究”（research on research）来影响整个行业，产生实质性影响。
七、未来展望
论文结尾引用了一个预测：随着AI市场规模的指数级增长，“通过物理人类互动进行的市场调研可能很快就会成为过去”。作者对此明确表示不同意。她认为，在一个AI工具泛滥、许多工具带有根深蒂固的偏见和数据集高度同质化的世界里，“高质量的人类数据是唯一真正的差异化因素”。作者总结道：AI在市场调研中已经到来，这不是暂时的风潮。当前面临的重大挑战和机遇包括：确定AI在市场调研中的适当用例、确定使用AI时所需的方法论调整、理解AI使用的社会影响、以及识别哪些情境更适合人类主导的研究、人类受访者和人类创作的刺激物。她呼吁，就像20世纪90年代市场调研行业从计算机辅助电话访谈转向在线田野调查时进行了充分的尽职调查一样，现在在AI工具采用方面也需要同样的尽职调查。人类学家在此过程中可以提供巨大的价值。
补充：论文的方法论特点
需要注意的是，这篇论文是一篇评论性/思辨性论文（themed essay），而非实证研究论文。作者的主要论证方式包括：综合引用近期学术研究（如Atari等人的LLM文化偏差研究、Gerlich的认知卸载研究、Morris的合成采样研究、Laurito等人的AI-AI偏见研究等）；结合行业调查数据（如Qualtrics的全球市场研究趋势报告、Backlinko的市场研究统计数据）；以及分享个人作为人类学家、市场研究者、非裔后代学者的亲身经历和观察。这种写法体现了作者所倡导的“位置性”（positionality）——即研究者明确认识并反思自身身份和立场对研究的影响。这也是论文中反复出现作者自身经验的原因：她的亲身经历不仅是用作例证，更是作为人类学反思方法的一部分。这篇论文的核心贡献不在于提供了AI在市场调研中有效性的决定性证据，而在于提出了一个系统性的分析框架：从人类学的视角，全面审视AI在市场调研中的利弊得失，并明确指出那些被行业热潮所忽视的风险维度——文化偏差、权力失衡、认知能力退化、员工参与度下降等。
