【2026】市場驗證怎麼做？別讓 AI 替你發明客戶（Intuit 真實案例）

1984 年後，一份市場驗證資料反覆出現同一個怪答案：Intuit 明明把 Quicken 做成「家用」理財軟體，卻有約一半受訪者說自己在辦公室使用。公司不是沒看見，而是替資料找了一個合理解釋——大概只是把私人帳單帶去公司處理。這個解釋太順了，順到團隊把真正的市場放在眼前約五年，仍沒有認出來。

今天，AI 可以在幾秒內替你寫出一位「38 歲、怕浪費時間、常在深夜滑手機」的理想客戶。問題是：細節很多，不等於這個人真的存在。市場驗證最危險的失敗，不是資料太少，而是把想像寫得太像洞察。

這篇不灌雞湯，把這個想法拆到你能驗證、能動手練。一句話先記住：AI 可以幫你整理證據，但不能替你生成證據；Persona 是假說，不是客戶。

先說結論：市場驗證不是把 Persona 寫得更像真人

• 具體不是「細節多」，而是「能被推翻」。「35 歲行銷主管」只是描述；「過去一個月曾因這個問題放棄一項工作，並願意花 30 分鐘試新方法」才是可驗證的假說。
• 語言是線索，不是需求證明。留言、論壇與評論能告訴你人們怎麼說；預約、匯入資料、改變流程或付費，才告訴你問題值不值得解。
• 先手動學會判斷，再把重複工作交給 AI。自動化可以加速一個好迴圈，也能把錯誤假設放大一百倍。

最短的公式是：市場驗證 = 假說 → 真人行為 → 有成本的承諾 → 更新。重點不是第一次猜中，而是讓錯誤盡快現形。這和第一性原理思考的共同點也在這裡：把一個聽起來完整的故事拆回可觀察、可反駁的事實。

市場驗證到底在驗證什麼？把「我相信」換成「他做了」

很多人做客戶研究，第一步就是列年齡、收入、職稱、恐懼與夢想。這些欄位看起來專業，卻很容易變成小說設定。因為你可以把一個不存在的人寫得非常生動，還是無法回答最重要的問題：當問題真的發生時，他現在怎麼處理？他已經付出什麼代價？為了更好的解法，他願意採取哪一個有成本的動作？

所以「從一個人開始」這句建議，只有一半正確。想像一個具體的人，確實能逼你停止對「所有人」說空話；但那個人必須很快離開文件，走進現實。你要觀察他完成任務、請他拿出最近一次真實紀錄、看他卡在哪裡，而不是請他預測「如果有某功能，你會不會用」。

質性研究很適合探索「為什麼」與發現未知機制，但它不能靠少量便利樣本估算整個市場有多少人這樣想。美國 CDC 的質性研究方法指南也把反覆閱讀、系統編碼、挑戰替代解釋列為分析核心。換句話說，看到三則相似抱怨後最該做的，不是宣布找到需求，而是問：誰沒有留言？還有哪個解釋也說得通？什麼行為能分辨兩種解釋？

Intuit 的市場驗證：一個被合理化約五年的答案

Intuit 共同創辦人 Scott Cook 在 2015 年的Stanford eCorner 講座逐字稿裡回憶，早期 Quicken 調查持續顯示，約一半受訪者在辦公室使用這套家用產品。團隊先認定使用者只是把家務帶進辦公室；後續調查仍出現同一結果，他們也沒有立刻追下去。

直到 Cook 打電話詢問，接著到現場看，原先的故事才破掉：不少人其實拿 Quicken 替小公司記帳。正式的會計軟體功能更多，但操作語言建立在借方、貸方、日記簿與總帳上；真正做帳的常是沒有會計背景的辦公室人員或業主家人。他們不是在找「比較完整的會計軟體」，而是在找不必先成為會計師，也能把帳記好的工具。

這個洞察後來成為 QuickBooks 的起點。案例最值得學的，不是「Intuit 很懂客戶」——恰好相反，是Intuit 先看見資料、再忽略資料，最後才讓真實行為推翻自己的解釋。市場驗證不是英雄第一次就猜對；是他願意回到那個不合理的地方，承認原本的故事可能錯了。

為什麼 AI Persona 很危險：它最會把空白補得合理

AI Persona 的問題不是文字不夠像人，而是它太像人。當模型替一位「自由工作者」補上收入焦慮、手機習慣與內心羞恥時，讀者很難分辨哪些來自訪談，哪些只是模型根據常見模式接出的下一句。流暢會製造一種假的證據感。

2024 年一篇發表於 ACM DIS 的人機協作 Persona 研究，比較不同分工方式後發現：只靠模型處理使用者資料，並不擅長抓住關鍵特徵；較好的做法，是由人先理解並分組真實資料，再讓模型協助摘要。這個結果不是說 AI 不能碰客戶研究，而是把角色分清楚：AI 適合壓縮已收集的材料，不適合冒充尚未收集的經驗。

界線更清楚的證據來自 2025 年《Nature Machine Intelligence》的研究。研究團隊以四種模型、3,200 名真人與 16 種人口身份做比較，發現模型在替代真人參與者時，可能誤繪並壓平群體差異。這不代表所有 AI 輔助 Persona 都無效；它表示一旦身份與生活經驗會影響答案，模型不能被當成那群人的替身。

市場驗證的邊界：真人資料也可能回答錯問題

但不要把「找真人」變成另一個口號。1985 年推出 New Coke 前，可口可樂做了接近 20 萬人的口味測試，新配方在盲飲中較受偏好。真實消費者、龐大樣本、明確選擇都有了，結果仍引發強烈反彈，原配方很快回歸。

可口可樂自己的公司歷史回顧指出，口味測試沒有量到消費者與原品牌的情感連結。研究正確回答了「哪一杯比較好喝」，管理層卻把答案延伸成「人們願意讓新配方取代原本的 Coca-Cola」。錯的不是資料，而是把一個窄問題的答案，當成整個決策的答案。

這就是市場驗證的邊界：一次觀察可以發現摩擦，不能證明市場規模；十則留言可以找到措辭，不能證明付費意願；一場盲測可以比較味道，不能自動量到身份、信任與替代成本。每份證據都只對它實際測到的問題負責。

AlphaLab 的判讀：保留順序，刪掉神話

我會保留的：先選一個具體的人、收集他原本的語言、做一個小而可逆的測試，以及先親手跑過流程再自動化。這四件事形成一條合理的學習順序，也能避免用自己偏好的平台與內容形式，硬套在不存在的受眾身上。

我會加上條件的：社群留言是帶有選擇偏差的樣本；會公開發言的人，可能比沉默買家更生氣、更投入，也可能只是更有時間。互動數字衡量注意力，不等於購買意願。Persona 可以讓溝通變具體，但在多人共同決策的 B2B、監管嚴格或高信任產品裡，「一個人」往往不足以代表整條決策鏈。

我會直接刪掉的：「年輕人就在某平台、年長者只剩某平台」、「看十幾個帳號就懂市場」、「留存曲線只有一種解讀」，以及「只要懂客戶，銷售就很容易」。這些句子把有用的操作原則講成普遍因果，剛好犯了這篇文章要避免的錯：用一個順耳故事蓋住尚未驗證的空白。

怎麼真的用上它：七天市場驗證實驗

1. 第 1 天｜寫一個會輸的假說：完成這句話：「我相信＿＿在＿＿情境下，會因＿＿問題而採取＿＿行動。」再寫下什麼結果出現時，你會承認它錯。
2. 第 2 天｜找到一位最近真的做過的人：不是問朋友「你覺得呢」，而是找過去一個月內遇過這個問題、採取過行動的人。
3. 第 3 天｜看他重演：請他打開紀錄、工具或畫面，走一次最近的流程。先觀察，再問「你為什麼在這裡這樣做？」不要推銷，也不要替他解釋。
4. 第 4 天｜手動交付最小結果：不用先做完整產品。用試算表、文件、視訊或人工服務，完成一次你承諾的結果。
5. 第 5 天｜要求一個有成本的承諾：依情境選一個：預約下一次、匯入真實資料、改掉現有流程、介紹決策者，或支付小額訂金。稱讚與按讚不算。
6. 第 6 天｜專找反證：把「他沒做什麼」「在哪裡停住」「哪句話和你的 Persona 不一致」寫下來。最有價值的通常不是確認，而是意外。
7. 第 7 天｜只改一句核心假說：不要把整份 Persona 重寫得更華麗。根據行為證據改一個關鍵變數，決定下一個最小測試。若 AI 參與，讓它整理逐字稿、歸類差異與指出矛盾，不要讓它補完沒人說過的內心戲。

如果你想把這套方法延伸到學習與工作，可以接著看 AlphaLab 的知識分享專區。尤其當 AI 已經能替你快速輸出時，真正要保留在人手上的，是定義問題、選擇證據，以及決定什麼結果足以讓自己改變。