访谈录音存在手机里，转写稿生成后躺在文档里再没打开，凭印象写下几条「客户说需要 XX」，两周后做出来的东西没人愿意付费——这是一人公司在客户访谈整理环节最常见的卡点。问题通常不出在转写工具上，而是转写之后少了一道工序：把散乱原始记录，变成能点回客户原话、能被下一轮访谈推翻或确认的需求清单。

AI 可以承担这道工序里最费时间的部分：转写、归类、抽原话、搭草稿。但它的产出是一份整理稿，不是需求证据。下面按实际会走到的顺序拆开讲。

先划清边界：AI 做信息整理，你做判断

把 AI 放进访谈整理流程时，最容易出的错是让它同时干了「整理」和「判断」两件事。这两件事的可靠性差别很大。

AI 稳定能做的：把录音转成文字、按给定结构抽取信息、把同一主题的段落聚在一起、把原话摘出来、生成一份格式统一的草稿。它的优势在于一致性——不管是第 1 场还是第 10 场访谈，输出结构都一样，这让你能横向比较。

AI 不能替你做的：判断客户话里的真实含义，识别那句「这个还行」背后的犹豫，决定某条信息够不够格当作需求证据，以及最终做什么、不做什么。访谈现场的语气、停顿、客户绕开的话题，这些往往比文字本身更重要，而它们在转写成文本时就丢失了。

所以流程上要守住一条：AI 输出的是整理稿，需求证据始终是原始录音和转写稿。 任何一条进入需求清单的结论，都必须能点回客户的原话。

什么情况下值得这么做

适用场景比较明确：你已经访谈过或计划访谈 8 到 10 位同类客户，记录散落在录音、聊天记录、手写笔记里，每次重新整理都要花掉半天；或者你需要在两轮访谈之间快速收敛，把第一轮的结论变成第二轮的提问。

暂时不必上这套流程的情况也有：你只访谈了一两个人，或者还没确定目标客户是谁，或者访谈时基本在介绍自己的方案而不是提问。这类情况下，先改访谈提纲比优化整理流程更有效。

有一件事要在录音前就处理好：征得对方同意，说明录音用途和保存方式。一人公司没有法务兜底，客户访谈里又常出现公司名、业务数据和流程细节，转写工具的数据处理条款要自己看过，敏感信息在进 AI 之前先做脱敏。这不是流程里的可选项。

第一步：保留一层没被加工过的原始记录

转写完成不等于原始层建好了。至少要留三样东西：

• 录音文件，按「日期-客户代号」命名，别覆盖
• 转写稿，先做一次人工校对，只改明显的识别错误
• 现场笔记，记下转写稿里看不到的东西：哪句话客户说得特别快，哪个问题他绕过去了，你自己当时冒出的直觉

转写稿要单独存一份校对前的版本。AI 转写对专有名词、方言、行业黑话的错误率明显更高，而这些词往往正是业务关键。校对时只改识别错误，不要顺手把客户的话改得更通顺、更符合你的理解——那等于在证据层做手脚。

第二步：用固定结构的提示词让 AI 做结构化，而不是做总结

直接说「帮我总结这份访谈记录」，得到的大概率是一段读起来顺滑、但无法追溯的概括。你需要的是结构化输出。提示词按四段写：角色与任务、输入材料、输出格式、禁止事项。

你是访谈记录整理助手。任务是把我提供的访谈转写稿整理成结构化条目，不要总结，不要给建议。

【输入】以下是第 X 场访谈的转写稿，客户代号 A，时间戳已保留。

【输出格式】按主题分组，每条包含：
1. 主题（用中性词，不要用营销词）
2. 客户原话（逐字引用，附时间戳）
3. 发生场景（客户在什么情况下遇到这个问题）
4. 客户目前的解决方式（如果有提到）
5. 信息状态：明确陈述 / 客户推测 / 信息不足

【禁止事项】
- 不得改写客户原话
- 不得把不同受访者的说法合并成一句
- 无法从转写稿中找到依据的条目，标注「信息不足」，不要补全
- 保留前后矛盾和与我预期不符的内容，不要抹平
- 不要输出解决方案、产品建议或优先级排序

这套提示词里真正起作用的是最后几条约束。模型天然倾向于给出完整、连贯、有结论的答案，而访谈整理要的恰恰是保留断裂和不一致。前几轮使用时，逐条核对输出有没有违反约束，把踩到的问题补进提示词，形成你自己的固定模板。

第三步：把 AI 的条目拆成四类，事实和推测必须分开

拿到结构化输出后，别急着往下走。逐条过一遍，把内容归进四类：

类别	判断标准	例子	可用性
过去的行为事实	客户已经做过、正在做的事	「我们现在每周手动导一次表，大概两小时」	可直接作为证据
客户表达的诉求	客户明确说出想要什么	「希望能自动同步」	需要追问场景
客户的解释与归因	客户对自己行为的说法	「因为系统太老了」	只能作为线索
你的推测	你从原话里读出来的意思	「他其实是想换供应商」	不能进清单

这一步是整条流程里最容易被跳过、也最不该跳过的。AI 输出的条目看起来都差不多，但只有第一类可以支撑决策。判断的粗略优先级是：过去的行为 > 已经支付的代价 > 现在的抱怨 > 对未来的承诺。客户说「以后肯定会用」的分量，远低于他上个月为这事花了三千块。

有一个具体动作很有效：把每条「诉求」翻译成一个可追问的行为问题。客户说「太麻烦了」，追问「上一次处理这件事是什么时候，花了多久，中间卡在哪一步」。追问不到具体行为的，先降级处理。

第四步：跨访谈归类，按场景而不是按词频

单个访谈整理完，把多场放进同一张表。归类的单位建议是「场景 + 触发条件」，不是关键词出现的次数。同一个词在不同人嘴里可能指完全不同的场景，硬合并会造出假需求。

需求编号	场景与触发条件	客户原话摘要	提到人数	现有替代方式	证据强度	反例或不一致
R-01	月末对账时导出多个平台流水	「每次要手工拼表」	3/9	Excel 手工	B	客户 B 说现有模板够用
R-02	新客户首次沟通后录信息	「录完就忘了跟进」	1/9	手机备忘录	C	无
R-03	多人协作时的版本确认	「不确定谁改了哪版」	4/9	微信群发文件	B	客户 D 认为微信够用

反例列必须保留。把所有支持你的说法留下、把不一致的删掉，需求清单就变成了自我确认。只有一个人提到但痛感极强的场景，单独列出来，别急于合并进主流需求。

第五步：标证据强度，D 级不许进清单

给每条需求打分，建议四档：

• A 级：多个客户独立提及，有过去行为证据，且已经为此付出过金钱或时间
• B 级：多人提及，场景清晰，有现有替代方案
• C 级：单人提及，或只有态度表达，没有行为证据
• D 级：AI 归纳出来的结论，回不到任何一句原话

D 级必须删掉。这类条目通常出现在提示词约束不到位的时候，读起来最通顺，也最危险。C 级可以保留在清单里，但下一轮访谈要专门验证，不能直接进入产品决策。

第六步：把结论翻译成下一轮验证问题

每条 A、B 级需求，配两到三个能把它推翻的问题。提问方向不是「你会不会买」，而是让对方回到具体经历：

• 上一次遇到这个情况是什么时候，当时怎么处理的
• 为了这个问题，你试过哪些方法，为什么停下来了
• 现在每个月在这上面花多少时间或多少钱
• 如果这个问题明天消失，你会把省下的时间用在哪

同时给每条需求安排至少一个反例寻找任务：找一个不符合这个模式的客户，看他为什么不一样。如果找不到，说明你的样本可能太同质了。

发布前的人工复核清单

每轮整理结束，用这几条过一遍，比读一遍 AI 的输出更有用：

• 每条结论能不能点回具体原话和时间戳
• 有没有把 AI 的措辞写进客户嘴里，让它听起来更像需求
• 有没有把一个人的说法写成「很多客户」
• 反例和不一致是否还留在表里
• 有没有哪条需求的证据只有录音里的语气，没有文字支持——这类要么补访，要么标注待验证
• 录音、转写稿、脱敏后的 AI 输入，是否按客户区分存放
• 涉及个人信息和客户商业细节的内容，是否有明确的使用范围

复盘方式

固定一个动作：每轮访谈整理完，花二十分钟回答三个问题——哪条判断事后被证明是错的，错在把哪一类信息当成了证据，下一轮的提示词或访谈提纲要怎么改。把这三条写在同一份文档里，下一轮开始前先看一遍。

一人公司做访谈整理，AI 省掉的是转写和归类的体力活。省不掉的是你自己那句判断：这句话到底是不是证据。客户的原话、当时的语境、那些不支持你结论的反例，都得由你留着——这部分的判断责任，交给 AI 就等于把需求验证这件事本身交出去了。