客戶會說很多話，但不是每一句都代表實際需求。
有人會說「這個流程很麻煩」，有人說「希望可以更有效率」，有人問「你們有沒有某個功能」。如果業務聽到關鍵字就立刻開始介紹產品，很容易出現一個情況：你回答得很完整，卻沒有回答到客戶在意的事情。
AI 可以幫忙，但最適合的用途不是替你判斷「客戶的痛點就是 X」，而是把談話裡的線索整理出來，幫你看見哪些地方還需要追問。
AI 如何幫助業務找到客戶真正關心的問題？
AI 最適合先整理客戶說過的內容，再把「表面問題、實際情境、目前做法、影響、期望結果、待確認事項」分開。需求要透過對話驗證，不應由 AI 從幾句話直接推斷。
你可以先把客戶資訊分成 6 層：
- 客戶說了什麼：原本的問題或描述。
- 什麼時候發生：最近一次實際情境。
- 現在怎麼處理：目前工具、流程或替代方法。
- 造成什麼影響：時間、成本、風險、交接或其他後果。
- 希望有什麼改變：客戶想往哪裡前進。
- 還有哪些沒有確認：不要急著補答案。
Jobs to Be Done 的核心觀念，是理解客戶在特定情境下想取得什麼進展；The Mom Test 則提醒，與其問客戶未來「會不會用」，不如問他最近一次實際怎麼處理。這兩個方向都能避免業務太早把自己的產品套到客戶身上。
先分清楚：客戶說的問題，不一定就是根本問題
假設客戶說：
「我們現在整理客戶資料很麻煩。」
這句話很重要，但資訊還不夠。
「麻煩」可能代表：
- 資料散在不同地方。
- 同一筆資料重複輸入。
- 新人接手時找不到紀錄。
- 主管看不到進度。
- 業務不願意花時間更新。
- 工具本身太複雜。
如果 AI 直接把它整理成「客戶需要 CRM」，其實已經跨過了好幾層推論。
比較好的下一句是：
「最近一次讓你覺得特別麻煩，是什麼情況？」
讓客戶帶你回到真實事件，通常比繼續問抽象感受更有用。
第一步：把客戶原話和你的解讀分開
業務很容易在筆記裡混合兩種東西：
客戶原話：「每次開完會我都要重新整理一次。」
業務解讀：「客戶非常需要 AI 會議整理工具。」
第一句是客戶說過的內容，第二句是你的判斷。
判斷不一定錯，但如果兩者混在一起，之後 AI 再讀這份資料時，很可能把你的解讀當成客戶已確認的需求。
所以可以要求 AI 固定分成：
- 客戶原始表達。
- 已確認事實。
- 業務推論。
- 待確認問題。
這個做法和業務如何用 AI 整理客戶資料？從零散筆記到可跟進資訊的原則一樣：資料先分層，後面的判斷才不會一直建立在錯誤前提上。
第二步：追問「最近一次」，不要只問「通常」
客戶說「我們常常遇到這個問題」，你可以繼續問：
「最近一次發生是在什麼時候？當時是怎麼處理的？」
這種問題會把抽象敘述拉回具體行為。
例如客戶原本說：
「我們常常找不到客戶資料。」
追問後可能發現，實際發生的是：
「上週有一位業務請假，其他人找不到他前一次和客戶談過的內容，所以打電話前又重新問了一次。」
現在你才有一個可以理解的情境：不是單純「找資料很麻煩」，而是交接時缺少完整互動紀錄，導致客戶被重複詢問。
第三步：問「現在怎麼解決」，才能看出問題有多重要
一個問題是否真的重要，常常要看客戶已經為它做了什麼。
可以問：
- 現在怎麼處理？
- 有用什麼工具？
- 以前試過哪些方法？
- 為什麼沒有繼續用？
- 如果什麼都不改，會怎麼樣？
如果客戶已經花時間、付費買工具、建立人工流程或請專人處理，通常代表這個問題確實存在，而且重要到值得採取行動。
反過來說，如果客戶只是隨口說「有這個功能也不錯」，卻從來沒有採取任何行動，就不要太快把它當成最核心需求。
第四步：不要只找「痛」，也要找客戶想取得的進展
業務常常太專注在痛點，結果整場對話都在問「哪裡不好」。但客戶做決定，不只是想逃離問題，也可能是想完成某個新的目標。
例如：
- 希望新人更快接手客戶。
- 希望主管不用每天追問進度。
- 希望拜訪前能快速知道上次談過什麼。
- 希望同一份客戶資料可以被團隊共用。
- 希望減少重複整理，把時間放回客戶對話。
AI 可以從客戶談話中整理「想避免什麼」和「想前進到哪裡」，但仍要保留來源。
如果客戶沒有說過「希望主管不用追問」，AI 就不能因為聽起來合理而直接幫你補進去。
第五步：把功能問題往後追一層
客戶問功能，不代表功能本身就是需求。
例如客戶問：
「你們可以自動產生會議摘要嗎？」
不要只回答「可以」或「不可以」。可以多問一句：
「你現在會議結束後，摘要主要拿來做什麼？」
可能的答案會完全不同：
- 要寄給客戶確認。
- 要交給主管。
- 要更新 CRM。
- 要分派團隊待辦。
- 只是自己怕忘記。
同一個功能問題，背後可能是不同工作。
這也是 Jobs to Be Done 很重要的一點：不要停在「客戶想要什麼功能」，而是理解他為什麼要用這個功能完成某件事。
第六步：AI 可以幫你找「重複出現的問題」，但不要把次數當成全部
如果你累積了很多會議筆記、Email、客訴或業務紀錄，可以讓 AI 幫你整理常出現的主題。
例如：
- 哪些問題被不同客戶主動提過。
- 哪些疑問常出現在第一次接觸。
- 哪些異議常在報價後出現。
- 哪些現有替代方案被反覆提到。
- 哪些詞是客戶自己常用的說法。
這能幫你建立更好的銷售問題、FAQ、簡報與內容題目。
但不要只看次數。某個問題可能出現很多次，卻不影響購買；另一個問題只出現幾次，卻每次都直接阻礙下一步。
所以除了「出現幾次」，還要看「它出現在什麼情境、造成什麼影響、客戶有沒有採取行動」。
AI 分析客戶需求時，可以用這個指令
請根據以下客戶對話或會議紀錄，協助我分析客戶最關心的問題。
請分成：
1. 客戶明確說過的問題或疑問。
2. 可以核對的已確認事實。
3. 客戶最近一次實際遇到問題的情境。
4. 客戶目前怎麼處理，以及使用哪些替代方法。
5. 客戶明確提到的影響或後果。
6. 客戶想取得的結果或進展。
7. 業務可以提出的假設，但全部標示「尚未確認」。
8. 下一次最值得追問的 5 個問題。限制：
不要自行補客戶預算、急迫程度、購買意願或內部狀況。
不要把功能問題直接等同需求。
如果資訊不足，請標示「資料不足」，不要硬下結論。
客戶原話與你的整理必須分開。原始資料：
〔貼上會議紀錄、Email 摘要或客戶筆記〕
這份輸出的目的，是幫你準備下一個問題，不是替你完成客戶診斷。
什麼樣的問題，才比較值得業務繼續追？
可以用幾個線索判斷：
- 客戶能說出最近一次發生的具體情境。
- 問題已經影響時間、成本、客戶體驗、風險或工作成果。
- 客戶已經嘗試過其他方法。
- 客戶主動追問解法，而不是只禮貌回應。
- 問題和某個明確目標或工作進展有關。
- 客戶願意投入下一步，例如提供資料、安排下一次會議或讓相關角色加入。
這些都比一句「聽起來不錯」更有資訊量。
客戶一次提很多問題，怎麼判斷哪一個值得先追？
客戶可能同時抱怨流程慢、資料亂、主管看不到進度、新人不好交接。這時不要讓 AI 只按照「出現次數」排序，可以多看 4 個面向。
- 發生頻率：這個情況多久出現一次？是偶發，還是工作中反覆出現？
- 實際影響：它造成多少重工、延誤、客戶體驗問題或風險？客戶有沒有說出具體後果？
- 已投入行動：客戶是否已經花時間、花錢、換工具或建立人工流程來處理？
- 改變條件：如果真的要調整，誰需要參與？什麼條件成立才值得往下做？
可以請 AI 把每個問題旁邊都列出「已有證據」與「缺少資料」，但不要直接給一個看似精準的 87 分或 92 分。資料還沒確認時，分數只是把猜測包裝得比較像科學。
例如客戶提過「報表很麻煩」三次，卻從沒因此延誤工作；另一個「新人接手找不到完整客戶紀錄」只提過一次，但最近真的造成重複詢問客戶。後者可能更值得深入追問。排序的目的不是替客戶決定，而是幫你找出下一個最值得問清楚的地方。
小心 5 種最容易誤判的訊號
1. 客戶稱讚你的產品
「很厲害」「很方便」代表好感，不等於需求。
2. 客戶問很多功能
可能是認真評估，也可能只是好奇。要追問這些功能和目前工作有什麼關係。
3. 客戶說「有機會可以試試」
這是未來假設，不是已發生的行動。
4. AI 判斷情緒很正面
情緒分析只能當輔助訊號，不能直接當購買意願。
5. 客戶某句話剛好符合你的產品
這最危險。業務很容易只聽見自己想聽的關鍵字，然後忽略客戶後面的具體情境。
HubSpot 在 2026 年談 discovery call 的常見錯誤時，也特別提到：業務若太快跳到解法，就容易只聽那些能對上自己產品的關鍵字，而沒有充分理解客戶的處境。
把需求分析接回下一次拜訪，而不是做完一份漂亮報告
AI 分析完後，最重要的輸出不是一份 10 頁報告，而是下一次對話你要確認什麼。
可以把結果濃縮成：
- 3 個已確認事實。
- 2 個最重要的尚未確認假設。
- 3～5 個下一次要追問的問題。
- 1 個最自然的下一步。
這份內容可以直接接到業務如何用 AI 準備客戶拜訪？先整理需求再談產品，讓需求分析進入下一場對話。
常見問題
AI 可以從聊天紀錄直接找出客戶痛點嗎？
可以整理線索與提出假設，但不能保證它找到的就是客戶的核心問題。重要結論仍需要回到原始對話，並透過客戶確認。
客戶自己說的痛點，就一定是真的嗎？
客戶的表達當然重要，但一句抽象描述可能還不夠。最好追問最近一次實際發生的情境、目前做法與造成的影響，才能理解問題的具體樣貌。
怎麼知道客戶是在禮貌回應，還是真的有需求？
不要只看稱讚或「有興趣」。可以觀察是否願意提供更多資訊、安排下一步、讓其他角色加入，或已經為問題投入時間與資源。
AI 可以分析多個客戶，找共同需求嗎？
可以，尤其適合整理重複問題、常見異議、替代方案與客戶常用語。但要保留來源與情境，不要因為某個詞出現很多次就直接判定它最重要。
需求訪談要問多少問題才夠？
沒有固定數量。關鍵是能不能從抽象敘述走到具體情境、現有做法、影響與期望進展。問得少但深入，比照表問完 20 題更有價值。
找到需求後，就可以立刻介紹產品嗎？
先確認你理解的需求和客戶是否一致，再判斷你的產品是不是適合。若解法不匹配，硬把產品套上去只會破壞前面建立的信任。
AI 能幫你看見線索，但不能替客戶說出答案
好的需求分析，不是 AI 幫你產生一個漂亮的「客戶痛點」，而是讓你少漏掉重要線索，也少把自己的推論誤認成客戶需求。
把客戶原話、實際行為、現有做法、影響與想取得的進展分開，再用問題去驗證。
AI 的角色，是幫你整理得更快；業務的價值，是在對話裡確認什麼才值得解決。
參考資料
- Salesforce Trailhead, Customer-Centric Discovery.
- HubSpot, Discovery call questions that reveal real pain points, 2026.
- HubSpot, Discovery Call Mistakes Successful Sales Reps Avoid, 2026.
- Rob Fitzpatrick, The Mom Test.