本系列文章以《產品領導人之道》一書為基礎，從人員、產品與流程三個面向，探討 AI 帶來的工作變化，以及產品領導人如何調整團隊的管理、協作與人才培育方式。

前兩篇談到產品願景、策略、目標與日常工作的關係。有了方向之後，團隊還需要透過產品探索，了解使用者希望達成什麼，以及過程中遇到了哪些問題。

使用者訪談是產品探索常用的方法之一。訪談之後的資料整理與分析，往往需要投入不少時間，也相當仰賴分析者的經驗與能力。現在 AI 可以協助處理這些工作，自然成為許多團隊想運用的工具。

Teresa Torres 在〈Customer Interview Analysis: Where AI Helps and Hurts〉中，討論了 AI 能如何協助訪談分析，以及其中的限制。這篇文章讓我想到，近幾年看到一些團隊開始用 AI 記錄訪談、產生摘要，甚至直接分析並提出洞見。但有些訪談者已經很少回頭聽錄音或檢視逐字稿，也因此少了發現問題的機會。

我們可能沒有注意到自己的提問可以改善，也可能沒發現 AI 遺漏了重要內容。以我的觀察，有些 AI 摘要讀起來很完整，提出的卻是相當籠統的共同點，難以幫助團隊進一步理解使用者。當分析與形成洞見的過程都交給 AI，最後得到的結果是否足以支持產品決策，仍值得仔細檢視。

親自投入訪談，才能看見問題對使用者的影響

過去擔任 PM 時，我做過不少使用者訪談。透過提問、聆聽與後續整理，經常能發現原本沒有想到的事情。即使只是一場訪談，只要準備充分、談得深入，也可能增加許多對使用者的理解。

以前做叫車軟體時，司機是我們其中一端的使用者。司機接到訂單後，會透過產品內建的定位與導航功能，前往乘客的上車點。但在產品初期，我們對導航功能的開發還不夠熟悉，曾發生把乘客的上車點定位到馬路對面的情況。

在台北市區，抵達馬路的另一側，可能就得花不少時間繞路。這會拖慢司機接送乘客的效率，影響收入，也可能讓等候過久的乘客感到不滿。

從功能問題來看，這似乎只是定位不準。但透過訪談，我們才更理解，尤其在尖峰時段，為了接到乘客而繞路，會讓司機有多挫折，以及這件事如何影響他當下的工作與感受。

後來我也曾在使用者訪談工作坊中，邀請真實的司機，讓學員練習訪談。從學員的反應可以看出，他們對司機在意的事情有許多驚訝的發現。沒有經歷過那樣的工作情境，很多事情確實很難單靠想像理解。

這也呼應了 Teresa 談到的同理心。親自花時間和使用者對話，再回頭思考他的經驗，能幫助我們理解問題如何影響一個人。若連訪談與後續分析都交給 AI，團隊也可能逐漸減少累積這份理解的機會。

趁記憶清楚，立即檢視 AI 整理的摘要

AI 模型持續進步，但整理訪談時，仍可能加入原始內容沒有的資訊，也可能遺漏重要細節。

過去手動整理時，訪談者可能會特別標記某一段談話，因為它對理解使用者很重要。交給 AI 產生摘要後，如果沒有再檢視，就可能沒注意到這一段已經被省略。

我自己的做法是，在訪談結束後，趁記憶與印象還很清楚時，請 AI 協助整理，並立即閱讀它產生的摘要。這時比較容易發現內容是否忠實反映談話，也能及時補充遺漏、修正錯誤，再回到原始紀錄核對。

檢視時，我會特別留意幾件事：

• 受訪者是否真的說過這件事？哪些是原話，哪些是我們或 AI 的解讀？
• 摘要是否保留了問題發生的背景與具體情境？
• 有沒有遺漏會影響判斷的重要細節？
• 哪些還只是推論或假設，卻已經被寫成確定的結論？

受訪者明顯的情緒反應，也是我不希望被省略的內容。例如，談到某件事時特別開心、難過或生氣，往往值得進一步理解。有些情緒能從逐字稿裡看出線索，有些則需要訪談者補充當時觀察到的語氣、表情與反應，並和受訪者實際說出的內容分開記錄。

把這些觀察提供給 AI，核對可疑內容，再補回遺漏的重點，通常能讓整理結果更貼近訪談情境，也更有助於後續分析。

回看訪談，也是改善自己能力的機會

重新檢視訪談紀錄時，我們有時會發現，問題出在訪談當下：某個地方原本可以繼續追問，卻太快接受了回答；或是還沒釐清背景，就進到下一個問題。

例如，受訪者回答前停頓了一下，或露出疑惑的表情，可能就是進一步確認的機會。如果對方不理解問題，也需要換一種問法。回看紀錄時，還可能發現自己用了引導式提問，讓對方順著我們的說法回答，卻沒有充分表達自己的經驗。

注意到這些地方，下次準備訪談時就能調整。整理紀錄因此也是檢視訪談品質、持續學習的回饋機制。

Teresa 提醒，長期把整合分析完全交給 AI，可能帶來雙重影響：自己的整合能力因缺少練習而下降，同時也更難判斷 AI 分析得好不好。

整合分析需要我們理解資訊之間的關係、還原情境、提出解釋，並辨認哪些地方仍不清楚。這些能力需要持續練習，也正是檢視 AI 輸出時會用到的能力。如果我們只閱讀最後的結論，就少了許多練習與修正的機會。

讓 AI 提供另一個分析視角

那麼，AI 可以怎麼用？

Teresa 建議產品團隊中的 PM、設計師與工程師，先各自整理對每場訪談的理解，再一起討論。AI 則可以提供額外的分析視角，讓團隊比較不同解讀，並回到原始資料核對新的發現。

我的做法和她的建議有些相似，也有不同。我偏向趁記憶清楚時，立即檢視與修正 AI 摘要，著重的是內容品質；她則強調先自行分析，再與 AI 的分析比較，藉此促進思考。這兩種做法可以搭配使用。

AI 有時會指出我們沒注意到的線索，也可能提出不同的解釋。這些差異可以成為討論的起點。如果 AI 和我們的看法一致，也仍需要確認依據；同樣的解讀，不代表已經得到額外的證據。

圖：訪談整合分析的三種方式。依 Teresa Torres〈Customer Interview Analysis: Where AI Helps and Hurts〉原表編譯整理。原文來源

對產品主管而言，可以安排適當的整理與討論時間，支持團隊直接接觸使用者。討論分析結果時，也可以詢問當時的具體情境與判斷依據。如果成員有不同解讀，就一起回看紀錄，理解差異從何而來。

這些安排能讓理解使用者持續成為日常工作的一部分，也讓團隊在思考產品問題時，有更多來自使用者經驗的依據。

運用 AI 之後，我希望團隊能更清楚說明使用者的處境、遭遇的問題，以及接下來還需要了解什麼。同時，也能從每次訪談與檢視中，持續改善提問及分析能力。這些都是評估 AI 協作是否有幫助時，值得一起觀察的成果。

下一篇將接著談，當訪談帶來更多觀察與想法後，如何辨認其中的假設，並依照預期價值、不確定性與風險，選擇值得優先驗證的方向。