在当今数字化时代，AI技术正以前所未有的速度改变着我们的工作方式，尤其是对于市场与用户洞察领域而言。AI不仅能快速处理海量数据，还能提供精准的分析和预测，极大地提升了工作效率。然而，许多人在使用AI工具时，常常因为提需求的方式不够精准而无法获得理想的结果。

提到AI，你是不是首先想到的是用AI来查资料，用AI做资料整理分析，用AI写PPT报告？

从结果来看，很多人的痛点在于，这些AI工具仍然还无法满足企业级的需求：在专业领域不够精通、输出不稳定、存在AI幻觉等。

但实际上AI发展到现在，我们能借助AI拿到很好的结果了，下面以在企业的洞察工作为例，分享一些思路。

背景：AI发展的现状及趋势

2023年3月14日，美国人工智能研究实验室OpenAI为聊天机器人ChatGPT发布了GPT-4大语言模型，引发了全球震荡，这一年被称为AI元年。

由于墙的关系，这场AI的革命在国内爆发要晚了半年。但即使如此，在充分竞争的市场环境下，各科技巨头都不甘人后，国产大模型也相继上线。

从百度的文心一言，到字节跳动的豆包，再到月之暗面的kimi，竞争十分激烈。直到2025年初DeepSeek R1低成本开源推理大模型的正式推出，国内的用户免费也能用上性能不输给ChatGPT-4的国产平替，彻底激发了全民拥抱AI的热情。

OpenAI的创始人Sam Altman曾预测了AI发展的五个阶段：

当我在思考AI如何赋能市场&用户洞察这个命题时，正是遵循了AI的这个发展规律。          

【AI赋能洞察工作的第一阶段】

提示工程(Prompt Engineering)

这个阶段，对应的是自然语言对话。

很多时候，我们跟AI模型工具做交互，得不到预期质量的反馈，可能不是因为模型工具本身不行，而是因为我们没有把我们的需求说清楚，没有正确地提出问题。

无论AI如何发展，始终是要为人服务的，人主导着AI工具的使用，所以学会正确提需求、提问题是使用AI的基本前提。

举个例子，你告诉AI你需要基于一场座谈会访谈笔录来写一份小结，通常你很难得到完全满意的小结，原因可能在于你的需求太笼统，所以AI只能返回给你一个标准答案（通用的模板），这个答案不具有针对性，达不到专业领域的水准。

从返回的这份小结来看，存在很多问题：

包含用户姓名等隐私信息，需要隐去

太过简略，只有分模块的简单信息总结，没有观点/洞察

我们希望能引用一些用户的原话，小结里没有

……

然后你需要多次跟AI来对话，不断调整输出结果，这个过程其实相当费时费力，并不能达到提效的目的。

做到这三点挑战，产品经理只会不断升值

好的产品经理是很稀缺的，懂用户、懂商业、懂数据的产品经理走出互联网，依然是抢手货。相反，如果只做简单传话、低效执行、浅层思考的产品经理，恐怕走不过未来3-5年的洪流。

查看详情 >

那聪明的你就会想到，有没有一套提需求的模板，能让模型快速根据指令输出预期的结果呢？

答案就是提示词（Prompt），它本质上是帮助你把需求说清楚的一套规范问法，强调问法的结构化和逻辑，而且最好能做到同场景复用。

还是以上面的例子，当我们输入提示词（仅供参考，不同的项目需求和内容，提示词完全不同），再看看结果：

以下是返回的结果：

可以看出，相比最初的那一版专业多了，如果我们多花点时间把提示词打磨得更精细，会产出质量更高的小结。

说到这里，聪明人可能看出来了，提示词背后不是简单的提问技巧，而是对所在专业领域的知识经验积累以及所做事情的理解。

打个比方，我们都能很快学习到一些提示词的技巧，比如新加坡提示词大赛冠军的“Co-STAR”框架，但具体到专业领域，决定生成质量差距的还是知识和经验。

也就是说，一个领域初阶的人员提出的需求和问题跟中高阶的人提出的需求和问题本身就有差距，如何弥补这种差距？那就是快速在知识经验上面补齐，基于此每个人都需要尽快构建所在专业领域的个人知识库（AI目前都是通用知识库，所以反馈会显得空泛）。

除了洞察领域，提示词现在在很多领域发挥的作用非常明显，拿自媒体领域来说，同样的AI工具，会用提示词（Prompt）的和不会用的，内容生产效率和出爆款的几率差距很大。

也正是因此，甚至出现了提示词（Prompt）工程师这样一个职业。

在短期内，提示词（Prompt）是学习门槛最低、成本最低、能快速提升AI应用效果的方式。

针对市场&用户洞察工作流程的不同环节（例如需求沟通后撰写需求文档的Prompt，访谈笔录整理分析的Prompt等）、不同的垂直场景（例如行业分析、竞争分析、可用性测试、NPS研究等）去构建提示工程，值得我们每一个洞察人员去尝试。

另外，值得一提的是随着推理模型的普及，有人说提示词已经不需要了，是真的吗？

为了回答这个问题，我们首先要了解通用模型和推理模型的差异。

（清华大学新闻与传播学院《DeepSeek：从入门到精通》）

这两种模型在提示词上的策略是不同的：

（清华大学新闻与传播学院《DeepSeek：从入门到精通》）

也就是说，如果使用推理模型，提示词不用那么复杂了，不需要角色设定、结构化提示词、示例、思维链提示等。

(中央民族大学 新闻与传播学院《DeepSeek如何赋能职场应用？》

作为企业内的市场&用户洞察人员来说，我们的输出要求很多时候都是规范的、精准的、可复用的，通用模型的使用场景仍然重要。

当涉及到开放性的任务时，例如工作总结这类主观性比较强的需求场景，我们更建议使用推理模型。

更多时候，我们可以把推理模型和通用模型结合起来用，先使用推理模型给我们一些启发和提示，然后使用提示词让通用模型生成符合特定要求、标准的洞察。

参考资料：

《清华大学2025年DeepSeek从入门到精通104页》（必读）

《清华大学2025普通人如何抓住DeepSeek红利64页》（必读）

《中央民族大学/清华大学2025年DeepSeek如何赋能职场应用35页》(必读）

《DeepSeek15天指导手册从入门到精通24页》(必读）

《DeepSeek自学手册-从理论模型训练到实践模型应用73页》

《北京大学：2025年DeepSeek系列报告-DeepSeek与AIGC应用（99页）》（必读）