用戶訪談 AI 怎麼用？讓 Claude 還原「在現場」的洞察，而不是替你生一個漂亮 Persona
做完一輪用戶訪談，最累的從來不是訪談本身，而是結束後那疊逐字稿——十幾個小時的錄音攤在那裡，像一座不會自己整理的山。我第一個念頭也是：丟給 AI 不就好了？試過幾輪後我的結論是：AI 很適合幫你整理逐字稿、抓出痛點線索、補下一輪追問；但它不適合替你扮演一個從來沒存在過的使用者，再叫你把那段漂亮回答當成市場洞察。用不對方法，你拿到的只會是一個很好看、卻是假的 Persona。
我每天長時間在 ChatGPT、Claude、Notion、研究筆記和各種 AI 工作流之間切換，最常看到的坑不是「AI 不夠聰明」，而是我們太急著讓它替自己省掉不該省的現場感。用戶訪談最珍貴的東西，常常不是受訪者說了哪句話，而是他說那句話之前停頓了兩秒、突然改口、或把問題繞回一個你原本沒放進訪綱的小麻煩。
所以我會把 Claude 當成一個很會幫我整理桌面的研究助理，而不是一個真人受訪者。它可以把一團亂的訪談紀錄拉回「證據、假設、追問」三條線，但最後要不要相信那個洞察，還是要由你這個做產品、做內容、做決策的人負責。
先講結論：AI 適合還原證據鏈，不適合替你發明使用者
我自己做 PM 和內容決策時，會把「用戶訪談 AI」分成兩種完全不同的用法。
- 可以放心加速的：逐字稿摘要、情緒線索標記、需求分類、矛盾點整理、下一輪追問設計。
- 要非常小心的：叫 AI 直接生成 Persona、模擬訪談、替真人回答「我為什麼不買」、或預測使用者一定會點哪裡。
差別在哪？前者有原始資料當地板，AI 是幫你把散落的紙張排整齊；後者很容易變成 AI 在空白房間裡講一個聽起來合理的故事。故事越順，你越容易忘記它沒有真正聞過現場的味道。
用戶訪談 AI 到底能做什麼？我會先拆成四層
先別急著問「Claude prompt 怎麼寫」。我會先問你：手上到底有什麼資料？如果只有一句「幫我做一個 30 歲上班族 Persona」，那不叫研究，那叫請 AI 編角色。比較穩的做法，是把訪談素材拆成這四層。
層級 | Claude 可以幫什麼 | 你要負責什麼 |
|---|---|---|
逐字稿與筆記 | 整理重複句、標出關鍵片段、把口語轉成可討論的句子 | 保留原句，不要讓摘要把受訪者的語氣洗掉 |
痛點與情緒 | 找出抱怨、遲疑、猶豫、轉折、反覆提到的障礙 | 判斷這是單一情緒，還是可以影響產品決策的模式 |
Persona 假設 | 把相似行為整理成候選群像，例如「怕麻煩但願意花錢省時間」 | 確認 Persona 不是刻板印象，也不是只為了讓簡報好看 |
下一輪追問 | 根據矛盾與空白，設計更精準的追問 | 真的去問真人，或至少用現有數據交叉驗證 |
這張表看起來很基本，但它會救你很多次。因為 AI 最迷人的地方，是它可以把「我不知道」講得像「我已經想通了」。你只要把每個洞察都拉回「它從哪句話來」，幻覺空間就會小很多。
為什麼我會用 Claude 做訪談逆向？因為它很適合抓「前後文」
我在 AI 工作流裡很常把 Claude 拿來處理長文本，原因很簡單：它比較擅長順著上下文讀一段人話，而不是只抓關鍵字。用戶訪談剛好就是這種材料。受訪者不會照著你的分類講話，他會一邊抱怨、一邊補充、一邊又否認自己其實在意那件事。
例如你問：「為什麼沒有使用我們的新功能？」他可能先說「沒看到」，後面又補一句「其實看到也不知道要幹嘛」。如果只做關鍵字摘要，你會以為問題是入口曝光；但如果你把整段訪談丟給 Claude，請它標記「明說原因」和「暗示原因」，它可能會提醒你：真正的問題是功能價值沒有被理解。
這就是我說的「逆向」。不是讓 Claude 去生一個 Persona，而是讓它從真人留下的語氣、卡點和矛盾裡，倒推出你下一步該查的假設。
我會這樣下 Prompt：先要證據，再要洞察
如果你手上有訪談逐字稿，可以先用這段開場。我通常不會一開始就叫 Claude「給我結論」，因為太早要結論，它就會太快變成顧問腔。
你是一位謹慎的 UX researcher。
請只根據我貼上的訪談內容分析，不要補不存在的背景。
請輸出：
1. 受訪者原句：保留最能代表痛點的句子。
2. 明說痛點：受訪者自己講出口的困難。
3. 暗示痛點：從上下文推測，但請標記信心程度。
4. 可能的產品假設：每一條都要回扣到原句。
5. 下一輪追問：用來驗證假設，不要直接當成結論。
這段的重點不是格式漂亮，而是把 Claude 關在「證據」裡。你會發現它還是能給你很有用的洞察，但每個洞察旁邊都綁著一條線，線的另一端是受訪者真的講過的東西。
Persona AI 最危險的地方：它太會講故事
這幾年「synthetic users」「AI persona」「AI user research」越來越熱，我完全理解為什麼產品團隊會心動。真人訪談要招募、排時間、整理逐字稿，還會遇到受訪者臨時取消；AI Persona 則是你打開視窗，馬上有一個看似完整的人開始回答你。
但我會把它放在「發想輔助」而不是「決策證據」。ACM Interactions 2026 年對 synthetic users 的討論提醒，AI 模擬使用者很快、很方便，但很難複製真人的情緒深度、文化脈絡和不可預測性。近期 HCI 研究也開始更直接測試這件事，像 What Would GPT Click 就把 AI 預測點擊和真實 UX 任務做比較，結論對「用 AI 取代使用者」並不友善。
反過來看，Anthropic 的 81,000 人 AI interviewer 案例很值得參考：它不是叫 AI 憑空當使用者，而是用 AI 做訪談引導、分類和隱私處理，背後仍然有大量真人回應。這個差別很關鍵。AI 可以擴大研究的量，但不該把「沒有真人資料」包裝成「已經理解真人」。
三種情境可以用 AI，三種情境我會先踩煞車
如果是我在排產品研究工作，我會這樣分。
情境 | 我的判斷 | 原因 |
|---|---|---|
整理 5 到 20 份訪談逐字稿 | 很適合用 Claude | 有真人材料，AI 可以幫你找重複模式和矛盾點 |
把客服訊息整理成痛點分類 | 適合，但要抽樣回看原文 | 客服語料通常有真實摩擦，但摘要可能把情緒磨平 |
做下一輪訪談題綱 | 很適合 | AI 能把你漏問的空白列出來 |
完全沒有訪談，只叫 AI 產 Persona | 我不會拿來做決策 | 它可能合理，卻沒有證據重量 |
預測使用者會不會付費 | 只能當假設 | 付費意願牽涉價格、情境、信任和替代方案 |
替代可用性測試 | 高風險 | 真實點擊、卡住、誤解介面的瞬間，很難靠文字模擬補回來 |
我知道這聽起來比較麻煩，尤其當你只是想快速交一份研究摘要。但老實說，產品決策最貴的地方不是訪談時間，而是你拿著很像洞察的假資料，去做一個真正會花錢、花人力、花信任成本的決定。
我會讓 Claude 幫忙整理訪談證據表，但每個洞察都要回扣到原句與下一輪追問。
訪談證據表：讓 Claude 幫你整理，但不要讓它偷換結論
我最推薦你做一張「訪談證據表」。不用很複雜，Notion、Google Sheets、Excel 都可以。重點是每一個洞察都要回到原句，而不是只留下 AI 摘要。
欄位 | 填什麼 | 為什麼重要 |
|---|---|---|
受訪者原句 | 盡量保留原話 | 避免 AI 把語氣洗成商業報告 |
使用情境 | 時間、裝置、任務、他正在急什麼 | 同一句抱怨，在不同情境可能意思完全不同 |
行為線索 | 他做了什麼，而不只是說了什麼 | 行為通常比自我解釋更誠實 |
痛點假設 | 你目前怎麼解讀這段話 | 讓假設先被看見，才有機會被推翻 |
信心程度 | 高、中、低，並寫原因 | 避免把單一受訪者的話放大成全部使用者 |
下一輪追問 | 要問什麼才能驗證 | 研究不是收尾，而是讓下一步更清楚 |
這張表也很適合拿去餵 Claude：你可以請它找出「高頻但低信心」的假設，或是「被多個人提到，但還缺少行為證據」的問題。這時候 AI 就真的變成研究助理，而不是坐在你旁邊講漂亮話的幻覺顧問。
Claude、ChatGPT、Notion AI 和 Persona 工具，我會怎麼分工？
如果你問我「用戶訪談 AI 工具要選哪個」，我不會直接叫你買某一套。我的分工會比較像這樣：
- Claude：處理長訪談、抓脈絡、做證據鏈與追問設計。
- ChatGPT：把研究輸出改成產品需求、簡報大綱、訪談招募文案。
- Notion AI：放在知識庫裡整理會議、標籤、研究紀錄，不要讓資料散掉。
- Persona AI 或 synthetic user 工具：可以用來刺激想法，但我會清楚標記它不是真人研究結果。
你不一定要全部付費。很多團隊真正缺的不是工具，而是研究材料的紀律：逐字稿有沒有留？原句有沒有存？假設有沒有標信心？下一輪追問有沒有真的問出去？這些沒做，工具再漂亮也只是把混亂換一件西裝。
如果你想把這套方法接到自己的 AI 工作流，我會建議先看 AI 為什麼讓工作變多，理解工具會怎麼放大需求；再用 三大 AI 分工表 決定 Claude、ChatGPT、Gemini 各自負責什麼。研究產出要變成決策時，可以搭配 AI 思考階梯；如果你已經被 AI 資訊量壓到焦慮，先回去看 AI 焦慮調整法。要把訪談資料放進知識庫，可以延伸讀 Notion AI 完整教學；若你關心 AI 內容和搜尋流量，也可以接著看 Google AI Mode 對 SEO 的影響。
如果你想把 AI 放進產品設計流程，先讀方法，再買工具
我會把這篇的做法收成一句話：讓 AI 幫你找回現場，而不是取代現場。
如果你想更系統地理解 AI 產品設計、Prompt、Persona、產品判斷和落地流程，我會推薦先讀方法型材料，再回來挑工具。像 Readmoo《AI 產品設計大師：三大AI的思維解碼與實戰指南（2026 修訂本）》 這類書，比較適合已經感覺 AI 很強、但開始懷疑自己是不是把研究責任丟給 AI 的人，而不是只想找一個神奇工具的人。
我會建議你讀的時候，不要只抄 prompt，而是邊讀邊拿自己的訪談紀錄做一張證據表。讀完如果你能更清楚知道「哪一段是受訪者說的，哪一段是我推論的，哪一段還要追問」，那才是真的有進步。
FAQ：用戶訪談 AI 常見問題
用戶訪談 AI 可以取代 UX researcher 嗎？
我不會這樣用。AI 可以加速整理、分類、摘要與追問設計，但 UX researcher 的價值在於判斷脈絡、察覺矛盾、設計驗證方式，以及知道什麼時候不能相信一個太順的答案。
Claude 可以直接幫我生 Persona 嗎？
可以，但我只會把它當成假設草稿。比較穩的做法是先提供訪談逐字稿、客服紀錄或真實行為資料，再要求 Claude 標記每個 Persona 特徵來自哪一段證據。
沒有訪談資料時，可以用 AI 模擬使用者嗎？
可以拿來暖身發想，例如列出可能痛點、訪談問題或競品比較角度；但不要把它當成已驗證洞察。沒有真人資料時，AI 的回答比較像「待查假設清單」。
Claude 和 ChatGPT 哪個比較適合分析訪談？
我會優先用 Claude 讀長訪談和抓上下文，再用 ChatGPT 把輸出改成 PRD、簡報或行動清單。不是誰一定比較好，而是看你要處理的是「理解脈絡」還是「轉成產出」。
用 AI 做 Persona 最容易犯什麼錯？
最容易把「聽起來像人」誤認成「真的代表使用者」。請一定保留原句、信心程度和下一輪追問，讓 Persona 站在證據上，而不是站在 AI 的文筆上。
最後我的做法：把 AI 放在副駕，不放在方向盤
用戶訪談的目的不是做一份漂亮報告，而是讓下一個產品決策少一點自我感覺良好。AI 很適合坐副駕，幫你看地圖、提醒盲點、整理剛剛路上聽到的對話；但方向盤還是要在你手上。
如果你今天只帶走一件事，我希望是這個：下次你用 Claude 分析訪談時，先不要問「幫我總結洞察」。先問它：「請告訴我每個洞察背後是哪一句原話、信心有多高、下一步要怎麼驗證。」這個問題一換，你會立刻看出 AI 是在幫你靠近現場，還是在帶你離現場越來越遠。
