LLM 驱动证伪研究法

前置纪律（不做就全废）：

• Right-size 你的研究：Nielsen number——访谈 7-14 人后新信息趋近于零；少于 7 学不够，多于 14 学不到新东西（访谈 2 人=数据不足，22 人=浪费）
• 不问引导性问题（设计成让客户说出你想听的话，等于研究开始前就把结果炸了）
• 研究没做对，"任何 LLM 或结构化推理都救不了你——你只是在读你想听的话的摘要版"

核心原则：问 NOT，不问 IS。人们花太多时间找自己希望看到的东西。用法：

1. 战略证伪：把一批用户访谈记录丢进 ChatGPT/Claude："这是我的战略。告诉我这些客户说的话里，哪里与我的战略不符？客户在哪里试探我们能力的边缘？哪里他们的想法和我们说的不一样？"
2. 竞品匹配测试：把竞争对手的公开 positioning 文档贴进去："客户说的这些话，是不是更符合竞品的叙事而不是我的？"
3. 竞品战略逆向：让 LLM 从竞品公开文档总结"他们的战略大概率是什么、接下来更可能做什么"——公开文档通常是战略的衍生物，LLM 逆向得"creepy 般地准"
4. Inbound 反馈聚类（Feedback River 的工具化）：Confluent 用 LLM 摄入海量来自客户和一线的请求 → 摘要 → 语义级（非关键词级）找同类 → 输出"哪个想法最热且在升温、哪个在降温"，覆盖成百上千条反馈。背景概念：Sachin Rekhi 的 "Feedback River"——聪明 PM 让自己永远泡在用户访谈、直接反馈、NPS、竞品情报的水流里

工具选择：他的经验是直接用原生 LLM（ChatGPT/Claude）就足够好，加少量内部工具；不依赖专门的用户研究 SaaS。