AI 就是整個市場的縮影

為什麼驗證需求這麼難

只要你推過產品、課程或合作，大概都遇過同一件事。

你問別人「這個你覺得怎麼樣」，得到的是「很棒欸」「我有興趣」。結果真的要付錢、要報名、要約時間的時候，人就不見了。

這不是別人故意騙你。是問題問錯了。你問的是意見跟對未來的猜測，而人對自己未來的行為其實不太會預測。真正能當證據的，是他過去為了解決這件事，真的花過的時間、金錢跟力氣。

只是真人驗證有個現實門檻：慢、貴、難約。要訪談五到八個人、發一兩百份問卷，光是找到對的人、排好時間，就足以讓很多想法在驗證之前就胎死腹中。

於是我一直在想一件事。

AI 就是整個市場的縮影

現在的 AI，是讀過海量人類寫的東西訓練出來的。論壇抱怨、開箱心得、購物評論、客服對話、社群討論，全都在裡面。

換句話說，它身上其實壓縮了一整個市場無數人的語氣、糾結、購買理由跟拒買理由。它本身就是整個市場的某種縮影。

高露潔那篇研究做了什麼

先講白話：這篇研究在問一件事，AI 到底能不能模擬真人的購買意願。它是 PyMC Labs 跟高露潔公司（Colgate-Palmolive）一起做的，完整論文名稱是 LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings，發在 arXiv（文末有連結）。

他們做的事很實在：

• 拿出 57 份個人清潔用品的真實市場問卷，總共 9,300 筆真人回答。
• 讓 AI（測試了 GPT-4o 跟 Gemini-2.0-flash）扮演消費者，模擬這些問卷的購買意願。
• 再把 AI 模擬的結果，跟真人的回答做比對。

他們先發現了一個坑

如果你直接問 AI「這個產品 1 到 5 分，你會不會買」，AI 會給你一個看起來很合理的數字。問題是，這些數字會大量擠在中間那種安全、不得罪人的值，整個答案分佈長得跟真人完全不一樣。

他們的解法

他們的方法叫 SSR。這是英文縮寫，講白話就是「先讓 AI 寫反應，再把反應換算成分數」。順序剛好倒過來：

1. 先讓 AI 用自然語言，把對這個產品的反應講出來，這時候不准它打分數。
2. 再把這段反應，拿去跟「1 分到 5 分」各自的描述比對，看它的意思比較像哪一種分數。
3. 最後得到一個分佈，而不是單一一個數字。

關鍵就在這個順序：先講人話，分數是後面才換算出來的。先有真實反應，才有判斷。

那個「九成」是什麼意思

先給結論：AI 模擬出來的購買意願，已經很接近真人自己重填一次問卷時的一致程度，大約到九成。整體的答案分佈，跟真人回答也很像。

怎麼自己做一次

你不需要複製研究裡的演算法。真正可以搬回來用的，是那個順序：先讓 AI 寫真實反應，再整理成訊號。

1. 先把輸入準備好。整理四件事：產品概念（一兩百字）、目標客群（寫清楚這個人正在什麼情境、想完成什麼事、卡在哪裡，不要只寫「35 歲女性」）、購買情境（誰看到、誰決策、預算從哪來）、核心假設（這一輪只驗證一件事）。
2. 建立有差異的合成受眾。至少選三種人，不要全選你的粉絲：核心受眾、只掃 30 秒的沒耐心決策者、預算很緊會找替代方案的人。
3. 讓 AI 先寫反應，不准打分數。這是整套方法的核心，提示詞在下面。
4. 把反應整理成四類訊號。理解訊號、代價訊號、替代方案訊號、下一步訊號。要轉成分數的話，分數放最後，並附理由跟哪裡不確定。
5. 回到真人。輸出落到三件事之一：把 AI 的懷疑點改成訪談追問題目、把被誤解的句子改清楚、設計一個承諾測試（等候名單、預購頁、小型說明會）。

可以直接複製的提示詞

這套方法的邊界（很重要）

這套方法很好用，正因為好用，邊界更要先講清楚，免得用過頭。

1. 它不能取代真人。預購、報名、付費、轉介紹、留存，這些真金白銀的承諾，AI 模擬不出來。它只負責在你花時間找真人之前，先把破綻找出來。
2. 那個九成是有前提的。研究的資料是個人清潔用品問卷，屬於單價低、決策快的消費品。如果你賣的是高單價顧問、企業服務、長期課程，決策邏輯完全不同，不能直接把九成這個數字套上去。
3. 不要把 AI 的分數當成市場已經驗證。它是篩題工具，不是結論。看完之後沒有任何真人動作，就不算驗證。

我把它做成技能包了

這套方法我已經整理成一個技能包，放在 GitHub 上，免費，可以直接下載使用。

相關連結與延伸閱讀