用 AI 做用戶訪談：擬訪綱、模擬受訪者、訪後逐字稿分析全流程

做產品的人都知道，最貴的錯誤不是寫錯一行程式，而是花三個月做了一個沒人要的功能。用戶訪談本來是用來避免這件事的，但太多團隊把訪談做成了「找人來證明自己是對的」——問錯問題、誘導對方、訪完一堆錄音卻整理不出半條能行動的結論。

這篇要解決的問題：教你用 AI 把用戶訪談的「訪前、訪中、訪後」三段都做扎實，而不是只把 AI 當成寫問題的工具。 適合誰讀：PM、UX 研究員、行銷、新創創辦人，以及任何需要靠用戶回饋做決策、卻沒有專職研究團隊的人。 讀完你會得到：一套不誘導的擬訪綱方法、用 AI 模擬受訪者預演的技巧、訪後逐字稿萃取洞察的完整 Prompt 與 Workflow 流程圖，以及一個台灣 SaaS 團隊的真實案例。

為什麼大多數用戶訪談都白做了？

用戶訪談最容易壞在三個地方，而這三個地方剛好都能靠 AI 補強，但前提是你要用對方法。

第一個壞點是訪綱本身就有偏誤。沒受過訓練的人很容易問出誘導式問題，像是「你會不會覺得我們這個新功能很方便？」——對方為了不讓你尷尬，多半會點頭，於是你拿到一個假的「是」。真正的問題應該是開放的、請對方描述行為，而不是請對方評價你的方案。

第二個壞點是訪談當下顧著問下一題，沒在聽。研究者一邊看訪綱一邊想下一個問題，最有價值的「為什麼」反而沒追問下去。如果你能在訪前就把訪綱演練到滾瓜爛熟，訪談時就能把腦力留給聆聽與追問。

第三個壞點是訪後分析做不完。一場訪談一小時，逐字稿動輒上萬字，訪五個人就是五萬字。人工標記、歸納、找出共同痛點，往往拖到大家忘了當初為什麼要訪，最後草草下個「大家都覺得不錯」的結論。

AI 的價值，正好對準這三個痛點：訪前幫你把訪綱寫得更中性、用模擬受訪者陪你預演；訪後幫你把海量逐字稿做主題編碼、分群、摘錄引言。但有一條紅線必須先講清楚——AI 不能取代真實用戶。它能模擬、能分析，但訪談的對象永遠是真人。把這條記牢，後面所有方法才不會走偏。

核心概念：AI 在訪談中扮演的三種角色

很多人對「用 AI 做訪談」的想像，就是叫 ChatGPT 列十個問題。那只用到了一成。把 AI 想成研究流程裡的三個不同助手會更清楚：

這張表的關鍵在最後一欄。AI 最大的危險不是做不到，而是太願意配合你——你想要洞察，它就生洞察給你，哪怕逐字稿裡根本沒這回事。所以後面每一個 Prompt，都會反覆出現同一個護欄：只根據真實內容、每條結論都要有引言佐證。

實際教學：用 AI 走完訪談全流程

Step 1：先把研究目標寫死

這是最常被跳過、卻最關鍵的一步。在打開 AI 之前，用一兩句話寫清楚兩件事：這次訪談「要回答什麼核心問題」、「對象是誰」。

舉例：「我想知道使用我們記帳 App 的小型店家，為什麼開通後第二週就不再打開。對象是開通滿兩週、近七天未登入的台灣小吃店、飲料店老闆。」目標越具體，AI 後面幫你擬的題目就越聚焦。如果你連這句話都寫不出來，代表還沒準備好訪談，而不是該去問 AI。

Step 2：用 AI 擬出不誘導的訪綱

把研究目標餵給 AI，並明確要求問題形式。重點是要它「按訪談節奏分段」（暖場、核心、深挖、收尾），並在每題後標註想驗證的假設，方便你檢查每個問題是否真的服務於目標。

Step 3：讓 AI 扮演受訪者預演

訪綱寫好別急著上場。請 AI 扮演一個典型用戶，你照訪綱問、它照人設答，走一遍流程。你會立刻發現哪些題目對方聽不懂、哪些題目其實在誘導、哪裡會冷場。這一步等於免費的試訪，能省下你在真實受訪者身上犯錯的成本。可以多換幾個人設（不同年齡、不同熟練度）各跑一次。

Step 4：實際訪談，全程錄音轉逐字

正式訪談時，把 Step 3 練熟的訪綱放一旁，專心聆聽。遇到有趣的回答就追問「可以多說一點嗎？」「那次具體發生了什麼？」。全程錄音（務必先取得受訪者口頭同意），結束後用語音轉文字工具產生逐字稿。轉完先快速校對產品名、人名等專有名詞，並把個資去識別化（用「A 店家」取代真實店名）。

Step 5：訪後分析，萃取可行動的洞察

把校對過的逐字稿交給 AI 做結構化分析。若逐字稿很長，先一段一段請 AI 做主題標籤與引言摘錄，再把各段筆記合併,做跨訪談的歸納。最終要的不是一份摘要，而是「痛點 → 證據引言 → 建議行動」的清單。

範例：Prompt 與 Workflow

Prompt 一：擬訪綱

你是一位資深 UX 研究員，專精質性訪談設計。

研究目標：了解使用我們「店小記」記帳 App 的台灣小型店家，
為什麼開通後第二週就停止使用。
受訪對象：開通滿兩週、近七天未登入的小吃店／飲料店老闆。

請幫我設計一份 12 題的半結構式訪綱，規則如下：
1. 全部使用開放式問題，禁止任何誘導或暗示預期答案。
2. 不要把我們的解決方案塞進問題裡（例如不要問「你覺得自動分類功能好用嗎」）。
3. 多請對方描述「上一次的實際行為與情境」，少問「你覺得如何」。
4. 按四段排序：暖場、核心使用情境、停用原因深挖、收尾。
5. 每題後用括號標註「此題想驗證的假設」。
6. 用繁體中文、台灣口語，像跟店家老闆聊天的語氣。

Prompt 二：模擬受訪者預演

接下來請你扮演受訪者，人設如下：
45 歲、台南一家飲料店老闆、不太熟科技、當初是員工推薦才下載記帳 App。
請完全以這個人設的口吻、認知與情緒回答，不要跳出角色，
答案要有真實感（會岔題、會抱怨、會記不清細節）。

我會一題一題問。每答完一題，請另起一行用【提醒】標出：
這一題如果是真實訪談，我問得好不好、有沒有誘導或讓你聽不懂。
準備好了就回覆「請開始」。

Prompt 三：訪後逐字稿分析

你是質性研究分析師。以下是一場用戶訪談的逐字稿（已去識別化）。

請只根據逐字稿內容分析，禁止推測或補充逐字稿沒提到的事。
輸出以下結構：
1.【痛點主題】：歸納 3-5 個主題，每個主題一句話。
2.【證據引言】：每個主題附 1-2 句逐字稿原文引言（一字不改）。
3.【情緒強度】：標註每個痛點是「順口提到」還是「明顯不滿」。
4.【建議行動】：針對每個痛點給一個產品或溝通上的具體行動建議，
   並註明這是你的推論、需團隊驗證。
5.【意外發現】：列出任何不在我預期、但值得注意的訊號。

規則：每一條洞察都必須有對應引言，沒有引言就不要寫。

逐字稿：
（貼上逐字稿）

Workflow 流程圖（文字版）

[寫死研究目標]
      ↓
[Prompt 一：AI 擬訪綱] → 人工檢查每題假設、刪掉誘導題
      ↓
[Prompt 二：AI 模擬受訪者預演] → 換 2-3 個人設各跑一次 → 修訂訪綱
      ↓
[實際訪談真實用戶（錄音／取得同意）]
      ↓
[語音轉逐字稿 → 校對專有名詞 → 去識別化]
      ↓
[Prompt 三：AI 分段主題編碼＋引言摘錄]
      ↓
[跨訪談歸納：合併各場洞察、找共同模式]
      ↓
[人工抽查引言真實性] → [產出痛點×證據×行動清單]

整條流程裡，人類負責「定方向」與「把關真實性」兩端，AI 負責中間最耗體力的擬題、預演與整理。這個分工比「全交給 AI」或「全靠人工」都更划算。

常見錯誤

把 AI 模擬當成真實數據。這是最致命的錯。AI 模擬的受訪者只反映訓練資料裡的大眾印象，它不會有你用戶的真實處境、不會有意外的使用情境。模擬只能用來練訪綱，產出的「答案」一個字都不能寫進研究報告。

訪綱題目暗藏立場。「你應該也覺得我們的價格偏高吧？」這種問題等於替對方寫好答案。檢查每一題：如果把它念給一個立場相反的人聽，他會不會覺得你在套話？

直接把全篇逐字稿丟進去要結論。內容一長，AI 容易抓大放小、漏掉關鍵細節，還可能自行腦補。正確做法是分段編碼、要求引言佐證，再做歸納。

只訪一兩個人就下結論。AI 讓分析變快，但樣本太少的偏誤它修不了。質性訪談通常要到 5 至 8 位同類型用戶，主題才會開始重複收斂。

忽略個資與同意。把含真實姓名、店名、電話的逐字稿直接上傳，是常見的合規地雷。錄音前取得同意、分析前去識別化，這是底線。

最佳實務

把研究目標寫成「一句可被否證的假設」，例如「我們相信店家停用是因為手動輸入太麻煩」，訪談就是去驗證它對不對，而不是去蒐集支持它的證據。這個心態會讓你的訪綱與分析都更誠實。

預演時刻意換「最不配合」的人設。讓 AI 扮演一個沒耐心、答得很短、會岔題的受訪者，你的追問技巧才練得起來，真實訪談就不容易被打亂。

分析時讓 AI 標出「情緒強度」與「意外發現」。順口提到的抱怨和咬牙切齒的不滿，產品優先序天差地遠；而最有價值的洞察，往往藏在你原本沒預期的那一段。

每一輪訪談後就跑一次分析，不要等全部訪完。邊訪邊分析能讓你及早發現訪綱該調整的地方，後面幾場就能問得更準。如果你想更系統地把這些回饋持續整理成決策依據，可以延伸閱讀 AI 回饋分析。

實際案例：台灣 SaaS 團隊的留存研究

台中一家做中小企業排班系統的 SaaS 新創，三人團隊、沒有專職研究員。他們的新用戶在試用第二週的流失率高得異常，但團隊一直猜不透原因，內部為了「是不是功能太少」吵了好幾週。

導入前：創辦人憑直覺排了八個訪談問題，其中半數是「你覺得我們的排班功能夠不夠用？」這類誘導題；訪了三位用戶後，錄音檔躺在雲端沒人整理，最後只在週會口頭講了「感覺大家都還算滿意」，等於白訪。

導入後：他們改用本文的流程。先把研究目標寫成假設「流失是因為設定排班規則太複雜」，用 Prompt 一重擬出 12 題開放式訪綱，AI 一眼就點出原本八題裡有四題在誘導。接著用 Prompt 二換了「不熟科技的店長」與「急性子的連鎖店主管」兩個人設各預演一次，發現「請描述你第一次設定排班的過程」這題在模擬時讓對方滔滔不絕，於是被升格為核心題。正式訪談六位流失用戶後，逐字稿用 Prompt 三分段編碼。

成果：分析跑出來的第一名痛點，根本不是團隊吵了三週的「功能太少」，而是「第一次設定排班要填的欄位太多、看不懂哪些是必填，乾脆放棄」——而且有四份逐字稿都出現類似引言佐證。團隊把首次設定流程從 11 個欄位砍到 4 個必填、其餘改預設值，兩個月後第二週留存率從約 38% 提升到約 61%。創辦人後來說，最大的收穫不是 AI 幫他們省時間，而是 AI 擬的中性訪綱讓他們「終於問到了真話」。

（案例為綜合台灣新創常見情境改寫，數據為示意，實際成效因產品與執行而異。）

結論

用 AI 做用戶訪談，真正的價值不在「叫它列幾個問題」，而在於它能把研究流程裡最容易出錯、最耗體力的環節補強：訪前幫你寫出不誘導的訪綱、陪你預演到滾瓜爛熟，訪後把成堆逐字稿萃取成有引言佐證的洞察。

但請務必守住兩條紅線——訪談對象永遠是真人，每條洞察都要有真實引言。AI 是你的訪綱顧問、陪練與分析助理，不是受訪者本人，也不是替你下結論的人。把方向盤握在自己手上，AI 才會是讓研究又快又準的好幫手。

接下來，你可以用 Prompt 產生器 直接套用本文的三段 Prompt，或延伸閱讀 用 AI 建立用戶輪廓 Persona 與 AI 市場研究，把訪談洞察接上完整的產品決策流程。

❓ 常見問題 FAQ

🔗 延伸閱讀

• 用 AI 建立用戶輪廓 Persona
• AI 市場研究：快速摸清市場
• ChatGPT Prompt 教學：高效指令公式
• AI 回饋分析：把雜訊變洞察
• Prompt 產生器：填空即生指令