顧問訪談和一般會議的目的不太一樣。
一般會議常常是要確認進度、分配工作、決定下一步；顧問訪談則更像是在理解：
- 現在到底發生了什麼。
- 客戶過去怎麼處理。
- 哪個問題真的困擾他。
- 哪些只是意見或客套話。
- 哪些事情值得進一步驗證。
這也是為什麼顧問不能只看一份 AI 摘要。
AI 很擅長把內容整理得很順，但「順」不代表「證據夠」。如果把一句「這個想法聽起來不錯」整理成「客戶有明確需求」，整份研究就可能被帶偏。
顧問如何用 AI 整理訪談與會議紀錄？
最實用的做法，是先保留原始逐字稿，再讓 AI 依固定欄位整理：已確認事實、過去行為、具體問題、已嘗試方法、客戶原話、意見與假設、承諾、待驗證事項，以及下一步。最後由顧問人工檢查是否有把「想法」誤當成「證據」。
Dovetail 在 2026 年更新的 AI 訪談摘要品質指南中特別提醒：AI 摘要可能遺漏重要疑慮、弱化受訪者原本強烈的語氣，甚至加入原文沒有的細節，因此團隊需要明確的品質檢查標準與人工覆核。
第一步：先把「受訪者真的做過什麼」抓出來
顧問訪談最有價值的通常不是一句「我覺得」，而是具體發生過的事情。
例如：
「上個月我們有三個業務離職，客戶資料都是各自存在手機裡，所以交接花了兩個星期。」
這裡有幾個可用訊號：
- 事情真的發生過。
- 有明確時間。
- 有具體後果。
- 目前做法有成本。
相較之下：
「如果有一套更好的系統，我們應該會想用。」
這只是未來假設。
《The Mom Test》的核心原則之一，就是優先談對方真實生活與過去行為，而不是讓訪談變成對未來想法的禮貌表態。
第二步：把「事實」和「解讀」分成兩欄
AI 最容易幫顧問過度加工的地方，就是把原話直接解讀成結論。
例如原話：
「我們現在每個人都自己用 Excel 記客戶。」
事實可以寫：
目前客戶資料分散在個人 Excel。
但以下都還只是解讀：
- 客戶需要 CRM。
- 團隊有強烈導入需求。
- 現況造成重大營運損失。
除非訪談中有更多證據，不要讓 AI 自動把這些推論補上去。
比較安全的欄位是：
- 已確認事實
- 顧問初步解讀
- 仍需驗證
第三步：把「問題」和「抱怨」分開
受訪者抱怨一件事，不代表那件事重要到值得投入資源。
例如：
「我們那套系統介面真的很難看。」
這是一個抱怨。
但如果接著問：
「上次因為這件事造成什麼影響？」
對方回答：
「其實沒有，大家還是照用。」
那它可能不是優先問題。
AI 摘要若只抓到「系統介面難用」，很容易把低優先抱怨放大成專案重點。
所以可以要求 AI 額外整理：
- 問題發生頻率。
- 最近一次發生時間。
- 造成的實際影響。
- 對方目前怎麼處理。
- 是否已經投入時間或金錢解決。
第四步：記錄「過去試過什麼」
一個問題如果真的重要，通常對方已經做過某些事情。
例如：
- 換過工具。
- 找過顧問。
- 改過流程。
- 多請一個人。
- 自己做表格。
- 花錢買過服務。
這些都是很重要的證據。
AI 可以把「已嘗試方法」獨立整理，並標記：
- 為什麼開始用。
- 用了多久。
- 為什麼不滿意。
- 目前是否仍在使用。
- 花了哪些成本。
這比問「你想要一個什麼功能」更容易看出真正需求。
第五步：客戶稱讚你，不要直接放進需求結論
顧問訪談很容易聽到：
「你這個方法很好。」
「這個真的很有市場。」
「如果你做出來，我一定會介紹朋友。」
這些話聽起來很好，但不能直接當成需求證據。
The Mom Test 特別提醒，稱讚很容易造成假陽性訊號。真正更有價值的是對方願不願意投入：
- 時間。
- 內部資源。
- 資料。
- 下一次會議。
- 決策者介紹。
- 預算或採購流程。
所以 AI 整理時，可以把「稱讚／意見」單獨放，不要混進「承諾／進展」。
第六步：把「承諾」和「客氣結尾」分開
訪談最後的：
「之後有需要再聯絡。」
通常不能算真正下一步。
比較具體的進展可能是：
- 下週安排第二次會議。
- 提供目前流程資料。
- 介紹另一位決策者。
- 允許觀察實際工作流程。
- 同意試用某個方案。
AI 可以協助整理這些「承諾與進展」，但一定要根據訪談中明確出現的內容。
第七步：重要原話要保留，不要全部改寫成摘要
有些句子很適合保留原話，因為它包含受訪者真正的語言。
例如：
「我最怕不是漏掉客戶，是客戶打來的時候我根本想不起來上次聊什麼。」
這種原話可以幫顧問理解：
- 真正的焦慮是什麼。
- 客戶怎麼描述問題。
- 後續提案應該用什麼語言。
但公開引用之前，要確認是否有使用權限；內部研究也應保留來源與訪談時間。
第八步：建立「證據強度」，不要讓每句話權重一樣
可以把訪談內容粗分成三層：
強訊號
- 最近真的發生。
- 已投入時間或金錢。
- 造成明確損失或阻礙。
- 願意安排具體下一步。
中等訊號
- 有具體例子，但影響不明。
- 做過一些處理，但沒有持續。
弱訊號
- 未來假設。
- 泛泛而談。
- 稱讚。
- 沒有具體例子的意見。
這不是要 AI 替你算出一個「需求分數」，而是避免團隊把所有句子當成同樣重要的證據。
第九步：一場訪談不要急著下市場結論
一位受訪者的經驗是真的，但不代表整個市場都一樣。
所以單場訪談結束後，可以記錄：
- 這次新增了什麼證據。
- 推翻了什麼假設。
- 哪些問題值得下一場再問。
- 目前還不能下什麼結論。
如果連續幾場都出現相似的過去行為與成本，才比較值得視為重複訊號。
第十步：AI 適合做跨訪談整理，但要保留每一筆來源
當顧問累積十幾場訪談後，AI 很適合找：
- 重複問題。
- 常見替代方案。
- 常見觸發事件。
- 共同阻力。
- 不同客群之間的差異。
但每個洞察都應該能回到原始訪談。
例如：
「5 位受訪者中有 3 位提到交接問題。」
最好能再回查是哪三場、原話是什麼，而不是只剩 AI 整理後的結論。
Dovetail 2026 年的研究品質框架也把「可追溯性」和人工檢查列為 AI 摘要品質的重要部分。
第十一步：會議紀錄和訪談研究不要完全混在一起
顧問工作常同時有：
- 需求訪談。
- 專案會議。
- 決策會議。
- 進度同步。
需求訪談重點是學習與驗證；專案會議重點則可能是決策與任務。
如果全部套用同一個摘要模板，很容易失去目的。
專案型會議可以搭配AI 如何把長時間會議整理成待辦事項與下一步？；如果是客戶拜訪後的完整紀錄，也可以參考業務拜訪完客戶後，如何用 AI 快速整理會議重點？。
第十二步：正式顧問紀錄要有「原始資料 → AI 初稿 → 顧問確認」
不要讓 AI 直接覆蓋正式紀錄。
比較穩定的版本可以是：
- 原始錄音／逐字稿。
- AI 訪談摘要。
- 顧問確認版。
- 跨訪談洞察。
這樣如果後來發現某個洞察有問題，還能回到原始來源重新判斷。
一份顧問訪談，可以用這個模板整理
| 欄位 | 要記什麼 |
|---|---|
| 背景 | 角色、情境、目前流程 |
| 過去行為 | 最近一次實際發生什麼 |
| 具體問題 | 造成什麼影響 |
| 已嘗試方法 | 做過什麼、為何不滿意 |
| 原話 | 值得保留的客戶語言 |
| 意見／假設 | 尚未被行為證明的說法 |
| 承諾／進展 | 是否有具體下一步 |
| 待驗證 | 下一場還要查什麼 |
可以直接使用的 AI 整理指令
請根據以下顧問訪談逐字稿整理研究紀錄。
請分成：
1. 已確認背景。
2. 過去真實行為與具體事件。
3. 已確認問題與實際影響。
4. 對方已嘗試的方法與成本。
5. 值得保留的原話。
6. 意見、稱讚與未來假設。
7. 已做出的承諾或具體進展。
8. 顧問可提出但尚未證實的解讀。
9. 下一場需要驗證的問題。限制：
不要把稱讚當成需求證據。
不要把未來假設寫成真實行為。
不要自行補購買意願、預算或優先順序。
每一項洞察盡量保留可回查的原始依據。
不確定時標示「待驗證」。
常見問題
顧問訪談可以完全交給 AI 做摘要嗎？
可以先做初步整理，但不建議把 AI 摘要直接當成研究結論。重要洞察仍要回查原始訪談。
客戶說「這個很好」算需求證據嗎？
不算強證據。更值得看的是他過去是否真的遇到問題、做過什麼，以及是否願意投入時間、資源或具體下一步。
訪談紀錄一定要保留逐字稿嗎？
重要研究建議保留可回查來源；保存方式與期間仍要配合隱私、公司政策與專案需求。
AI 可以幫忙做跨訪談分析嗎？
可以，尤其適合找重複主題與差異，但每個洞察最好能回到原始訪談，避免只留下 AI 的二次解讀。
顧問訪談和一般會議摘要有什麼不同？
一般會議偏向決策與待辦；顧問訪談更重視過去行為、具體事實、問題證據、假設與待驗證事項。
怎麼避免 AI 把推論寫成事實？
固定把「已確認事實」「顧問解讀」「待驗證」分開，並要求每個重要結論保留原始依據。
顧問真正要保存的，不是更多文字，而是能支持判斷的證據
AI 可以把一小時訪談整理成幾分鐘能看完的內容。
但顧問真正有價值的工作，不是把逐字稿變短，而是判斷：
哪些是客戶真的做過的事、哪些問題真的造成成本、哪些只是客套話、哪些假設還需要下一場訪談驗證。
只要把這些層次分開，AI 就能幫你省掉大量整理工作，同時保留顧問最重要的判斷力。
參考資料
- Dovetail，How to establish research quality rubrics for AI-generated interview summaries，2026。
- Microsoft Learn，Intelligent recap for Teams calls, meetings, and events，2026。
- Google Meet Help，Take notes for me，2026。
- Rob Fitzpatrick，The Mom Test。