產品經理經常陷入「我們自以為了解用戶」的盲點。我們往往依賴過去的經驗或是幾場質化訪談就妄下結論，這容易導致產品的假說驗證失敗。AI 可以幫你處理海量資料，讓你專注在「找洞察」。
💡 核心觀念 讓 AI 當你的「田野調查助理」。把大數據爬取、上百篇 App 評論的痛點整理交給他，你負責定義產品優勢 (USP）。
🔍 從大數據看競品弱點
過去的競品分析 (Competitive Analysis) 需要團隊成員去下載一堆競品的 App，一個一個用。現在，你可以用 Perplexity 或 ChatGPT 爬取公開的使用者反饋。
分析 App Store / Google Play 的負評
實戰 Prompt 範例：
你是一個專精 O2O 美食外送 App 的產品分析師。
請幫我分析這三個競品的市場痛點：
1. Uber Eats
2. Foodpanda
3. (加上其他競品)
重點分析：
1. 用一句話總結各平台在 Reddit, Dcard 或是公開討論區「抱怨最多」的地方。
2. 列出各平台「最常發生 Bugs (閃退、無法結帳)」的環節。
3. 幫我們產品找出「如果解決了這個痛點，用戶就有動機跳槽」的功能機會。這能讓你的切入點不再是「別人有我也要有」，而是「別人的爛設計就是我的機會」。
🎙️ 用戶訪談 (User Interview) 高效分析
每個月做 10 場用戶訪談，產出的除了滿滿的逐字稿外，還有一堆沒有被整理出來的「雜訊」。
借助 NotebookLM 與 AI 萃取訪談重點
- 語音轉文字： 將通話記錄用 Whisper 等工具轉成逐字稿。
- 多文件交叉比對： 把這 10 份逐字稿上傳到 Google 的 NotebookLM，這工具專為海量文件洞察而生。
- 萃取痛點 Prompt 範例：
我上傳了這季的 10 份「B2B 企業版訂閱用戶訪談」。
請幫我交叉比對這 10 份文件：
1. 找出最常被提到的「阻礙他們把這套系統介紹給其他部門」的 3 大抗拒點 (Friction Points)。
2. 列出有提及「資料匯出格式不符」的受訪者，並節錄他們的原話 (Quotes)。
3. 當他們談論「付費意願」或「價格」時，大多數人認為哪項功能才是最具價值的？這可以讓你在一小時內，完成過去需要三四天才能做完的 User Persona 驗證。
[!WARNING] ⚠️ 人類審查 (Human-in-the-loop) 重點
- AI 沒有語氣辨識能力：AI 分辨不出受訪者說這句話時是「反諷」還是「真心話」。只有訪談當下的你能察覺那種微妙的情緒。
- 不要將含有機密合約（NDA）內容的訪談，貼給公共模型（如免費版 ChatGPT）。請使用合規的企業版或本地端 AI。
📈 社群口碑與市場情緒分析
除了 App Store 評論和用戶訪談，社群平台上的公開討論也是寶貴的市場洞察來源。
用 AI 爬取社群討論的 SOP
Step 1：確定數據源
| 平台 | 適合的產品類型 | 資料特性 |
|---|---|---|
| PTT | 台灣本地服務、3C 產品 | 匿名、真話比例高 |
| Dcard | 年輕族群消費品、App | 年輕用戶視角 |
| 國際 SaaS、遊戲 | 深度討論、技術細節多 | |
| Mobile01 | 家電、汽車、硬體 | 開箱評測、長期使用心得 |
Step 2：結構化提煉 Prompt
你是一位 Product Researcher。我提供了 [平台名稱] 上關於 [競品名稱] 的 30 則討論串。
請幫我：
1. 整理出討論中的「情緒分佈」——正面/中立/負面各佔幾成？
2. 負面討論中，最常出現的關鍵字有哪些？（列出 Top 10）
3. 找出「用戶自發提到的替代方案」——他們跳槽去了哪裡？為什麼？
4. 有沒有「用戶主動許願的功能」？這可能是我們的產品機會。Step 3：交叉驗證
把社群分析的結果與 App Store 負評、用戶訪談做交叉比對。如果三個來源都指向同一個痛點，那就是高確信度的產品機會。
趨勢追蹤的自動化
市場研究不是做完一次就結束。用 Perplexity 設定定期追蹤：
- 競品的產品更新公告
- 產業關鍵字的搜尋趨勢變化
- 投資機構對該領域的最新報告
搭配 AI 自動化工作流程，你可以建立「競品動態週報」的半自動化流程——AI 每週自動爬取資訊，你只需花 15 分鐘審閱和標記重點。
🧩 用 AI 做快速用戶畫像（Persona）驗證
很多 PM 在做 Persona 時靠的是「直覺加經驗」，畫出來的用戶畫像往往過於理想化。AI 可以幫你用數據反向驗證你的假設。
反向驗證 Prompt
我目前對我們產品的核心用戶有以下假設：
用戶畫像：28-35 歲女性上班族，住在雙北，月收入 4-6 萬，喜歡在社群平台比價後才下單。
請根據你對台灣消費市場的理解，挑戰以上假設：
1. 這個畫像有沒有可能遺漏了重要的用戶群？
2. 年齡、性別、收入這三個變數，哪個對購買行為的影響力最大？
3. 「社群比價後下單」這個行為模式，在 2026 年是否仍然成立？有沒有新的消費路徑？
4. 如果我只能做 5 場用戶訪談來驗證這個畫像，應該訪問哪些類型的人？這種「請 AI 挑戰你的假設」的思維方式，能幫你在投入大量訪談資源之前，先確認方向是否正確。特別是在資源有限的新創團隊，每一場訪談都很珍貴，不能浪費在已經確認的事情上。
🎯 從洞察到行動：PRD 的銜接
市場研究做得再好，如果不能轉化成具體的產品決策，就只是「做了功課」。以下是從研究到產品規格書（PRD）的銜接流程：
- 痛點排序：把所有發現的痛點按「影響用戶數」×「痛苦程度」排序
- 機會評估：評估每個痛點的「技術可行性」和「商業價值」
- 寫入 PRD：將最高優先級的 2-3 個機會寫進 AI 輔助 PRD，附上原始的用戶引述作為佐證
- 持續驗證：產品上線後，用同樣的 AI 分析方法追蹤用戶反饋，形成閉環
最重要的原則：AI 能幫你「更快地找到洞察」，但「判斷哪個洞察值得投入資源」仍然是 PM 的核心價值。