客户体验监测和测量公司Qualtrics International今日推出了新的人工智能驱动功能,旨在帮助企业将从多渠道收集的客户情感信号更快地转化为决策依据。
这些更新在本周西雅图举办的X4体验管理峰会上正式发布,扩展了Qualtrics的市场研究套件,新增了合成面板、AI驱动的研究发现工具和指导性方法论。
公司表示,这些新功能旨在帮助组织在理解消费者偏好和市场动态变得日益关键的时代,更快速地基于客户洞察采取行动。
"体验不再是业务的一个功能特性,体验就是业务本身",Qualtrics产品、工程、用户体验和安全部门总裁Brad Anderson表示。
虚拟客户面板
今日发布的亮点是针对美国受众推出的合成消费者面板。该功能允许组织模拟消费者如何回应研究问题,使企业能够比传统研究方法更快地测试产品创意、营销信息和其他概念。
Qualtrics表示,这些面板由专门为市场研究应用程序微调的大语言模型驱动,建立在超过2亿第三方全球研究受访者的基础之上。设计目标是足够接近人类反应以支持研究级别的结果。Qualtrics称其模型的准确性比通用大语言模型高12倍。这些面板还可以与传统研究结合使用来验证结果。
目标是让团队从研究问题到可执行洞察的速度比传统方式快得多,Qualtrics表示。
Anderson估计,公司收集的反馈中只有约2%会触发实质性回应。"这不是因为公司不相信它重要或不想这样做,而是他们缺乏人力资源",他说。
大型消费者导向的企业每年可能会收集数千万条客户评论,这使得AI成为综合和解释所有这些信息的必要新工具,Anderson表示。
"我们从最难的问题开始:构建能够提供研究级准确性的合成面板",他说。"这得到了先进研究能力的支持,为整个组织提供速度和严谨性;他们在几小时内而不是几周内获得洞察,并且先进的方法论对所有人都可获得。"
可搜索研究
Qualtrics还推出了旨在改善组织访问和重用现有研究方式的新工具。
一个名为研究中心的新功能将过去的研究项目转变为可搜索的知识库。团队可以查询其组织的研究历史,并快速获得总结的答案和建议。
该工具解决了大型组织中的一个常见挑战,即研究发现往往分散在各个部门中,可能受益的团队无法访问。
Qualtrics还扩展了AI功能,可以总结发现并识别研究之间的联系。它们旨在帮助组织识别多个研究项目中的模式并避免重复工作。
公司表示,两项更新的更广泛目标是消除市场研究中的两个常见瓶颈:定位现有洞察和设计严谨的研究。
该公司还计划在2026年上半年将其合成面板功能从美国扩展到英国、爱尔兰、加拿大、澳大利亚和新西兰。
随着AI工具在市场研究中变得更加普遍,Qualtrics高管强调,维护数据完整性和方法论严谨性对于建立对所产生洞察的信任仍然至关重要。
新功能旨在为公司提供更快的研究访问途径,同时保持组织在高风险商业决策中依赖的统计和方法论基础。
Q&A
Q1:Qualtrics合成消费者面板是什么,有什么作用?
A:Qualtrics合成消费者面板是一种AI驱动的功能,可以模拟消费者如何回应研究问题,让企业能够更快速地测试产品创意、营销信息等概念。该面板基于超过2亿第三方全球研究受访者数据训练,准确性比通用大语言模型高12倍。
Q2:研究中心功能解决了什么问题?
A:研究中心功能将过去的研究项目转变为可搜索的知识库,解决了大型组织中研究发现分散在各部门、团队难以访问现有研究的问题。团队可以快速查询组织研究历史并获得总结答案和建议。
Q3:Qualtrics的AI工具会在哪些地区推出?
A:目前合成面板功能针对美国受众推出,公司计划在2026年上半年将功能扩展到英国、爱尔兰、加拿大、澳大利亚和新西兰。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。