用 AI 建立客戶人物誌：以證據為本、避開刻板印象

要用 AI 建立客戶人物誌，應從獲准使用的研究證據出發，把觀察與解讀分開，並讓不確定之處清楚可見。成果應是一個關於任務及情境、可檢驗的工作假設，而不是虛構的人物傳記、對某個人的預測，或評判他人的捷徑。

較全面的 AI 使用指南解釋了來源控制及人工審核為何重要。本流程把這些控制應用到人物誌工作，避免把人口屬性假設變成事實。

關鍵要點

• 收集或上載材料之前，先確定一個研究目的。
• 使用 evidence ID，讓每條人物誌陳述都可追溯。
• 先描述任務、情境、目標及阻礙，再考慮人口屬性。
• 把觀察、解讀、反證及未知項分開。
• 切勿根據姓名、相片、地點或行為推斷受保護或敏感特徵。
• 以新的研究驗證人物誌，證據改變時將其停用。

首先應準備哪些證據？

人物誌的可靠程度取決於背後的證據。美國小型企業管理局把現有研究與問卷、焦點小組、訪談等直接方法區分開來；每種方法回答的問題不同，局限也不同。［1］首先寫明人物誌可為哪項決定提供參考、哪些人獲准使用，以及它絕不能主導哪些決定。

只使用機構獲准分析的材料。刪除姓名、電郵地址、帳戶識別資料、自由文字中的機密資訊，以及與研究問題無關的欄位。如果某個來源不能合法或合乎倫理地再次使用，便記錄這項排除，而不是把它複製到 AI 工具。

輸入	適合了解	主要限制	最低準備
訪談	目標、用語和變通方法	樣本小且依賴情境	同意、去識別、訪談 ID
問卷	重複出現的需要和自述	問題與回答偏差	目的、樣本說明、回答 ID
評論	產品阻力和客戶用語	極端體驗可能佔主導	來源、時段、納入規則
客服主題	反覆出現的營運問題	只代表聯絡過客服的人	匯總、存取控制、問題 ID
產品分析	可觀察的操作次序和流失	行為不能解釋動機	獲准指標、時間窗、匯總

如果主要來源是評論，先做有邊界的客戶評論分析。對於開放式問卷文字，先以問卷主題流程建立編碼及反例。這些產出可作為人物誌的輸入，但都不應暗中變成人物誌本身。

如何建立 evidence ledger？

在撰寫提示之前先建立證據紀錄表。它能防止模型把一句直接引述、一條研究員解讀和一個方便的猜測揉合成一條自信的陳述。

欄位	記錄內容
Evidence ID	穩定編號，如 E-014
來源類型	訪談、問卷、評論或匯總指標
範圍	產品、市場、任務和時間窗
觀察	來源實際顯示甚麼
情境	觀察發生時的條件
強度	直接、重複、孤立或不確定
反證	不符合該模式的證據
權限	獲准用途和存取邊界
負責人	對解讀負責的人

讓 AI 只總結你提供的行，並保留每個 ID。一條有用的指示是：「按任務及情境把觀察分組。為每個提出的模式列出支持的 ID、反證及欠缺的證據。不要推斷個人屬性。」要求輸出在欄位空白時寫「證據不足」，而不是自行補全。

FTC 曾警告，數據驅動的做法即使看似有用，也可能造成排斥或歧視性影響。［2］把這項警告視為理由：檢查樣本中缺少了誰、代理變數可能透露甚麼，以及哪些下游用途可能傷害他人。

如何分開觀察與推斷？

使用「已觀察、解讀、未知」三欄。「12 名參與者中有 8 人在覆核前匯出了試算表」是觀察；「他們不信任儀表板」是解讀，除非參與者明確這樣說過；「他們為何匯出」在進一步研究前仍屬未知。

讓模型為每項解讀最少提出一種替代解釋：匯出可能反映偏好的工作流程、欠缺某項功能、審批要求，或純粹是習慣。目的不是挑出最有趣的故事，而是說明甚麼證據能區分這些解釋。

這項區分也能防止人物誌文字聽來比樣本所容許的更確定。不要寫「這類客戶總想掌控一切」，而要寫「在 6 次觀察到的工作階段中，參與者要求在提交前覆核數值；這個模式尚未在抽樣流程以外檢驗」。精確的範圍令陳述更有用，也不會削弱說服力。

用 AI 建立客戶人物誌時，如何聚類需求而不製造刻板印象？

按人們要完成的任務、任務所處的條件及遇到的阻礙來聚類。不要從年齡、性別、族裔、收入、家庭狀況、殘疾、健康、宗教、政治立場或其他敏感特徵入手。ICO 的 AI 公平性指引強調避免無正當理由的不利影響，並檢查數據的質素及代表性。［3］

姓名、相片、郵區編號、口音、裝置型號、瀏覽模式及消費行為都可能成為代理變數。除非對特定目的確有必要、獲得許可並經審查，否則應刪除。即使保留，也不要讓模型猜測背後的特徵。

以下列方法檢查聚類：

1. 寫出共同的任務及情境。
2. 列出支持它的 evidence ID。
3. 列出組內有意義的差異。
4. 指出標籤無法描述的人或個案。
5. 刪除沒有證據支持、暗示性格的形容詞。
6. 檢查該聚類會否改變某項高影響決定。

標籤應中性而可操作。「需要跨團隊、可審計的交接」好過「規避風險的傳統經理」；「在慢速網絡下比較備選方案」好過「精打細算的年長用戶」。前兩者描述可以調查的情境，後兩者則夾帶了性格判斷。

客戶人物誌卡應包含甚麼？

把人物誌寫成一份精簡的研究成果。姓名或插圖屬可選項，它們可能令一個假設看似真實的人，因此除非團隊有明確理由，否則使用中性標籤。

欄位	可接受的內容例子
Persona ID / 版本	P-03 / v1.2
任務	準備一份可覆核的每月預測
情境	小型營運團隊；兩級審批
Evidence ID	E-014、E-021、E-033
觀察到的目標	在經理覆核前核對總數
觀察到的阻礙	來源日期與單位不一致
當前變通方法	把資料列匯出到受控試算表
置信度及涵蓋範圍	中等；一個地區、兩個團隊
反證	兩名用戶直接在儀表板完成任務
未知項	匯出的原因；團隊規模的影響
排除的敏感屬性	不推斷敏感特徵
負責人 / 覆核日期	研究負責人；下一輪訪談

讓引述始終與 evidence ID 相連；不需逐字引述時便改為轉述。不要只為了令卡片顯得生動，便加入可識別身份的生活故事、虛構的嗜好、圖庫相片式的人物小傳或精確的人口細節。

如需展示階段、接觸點及交接，請另做客戶旅程地圖。人物誌解釋一個反覆出現的任務情境；旅程地圖解釋工作如何隨時間展開。

如何檢查公平性與證據缺口？

在傳閱之前進行一輪結構化的反方審查。NIST 的生成式 AI 概況建議在整個 AI 生命週期管理虛構內容、私隱、有害偏見及過度依賴等風險。［4］把這些宏觀風險轉化為具體的審查問題：

• 哪些陳述欠缺 evidence ID？
• 哪些用詞暗示穩定的性格，而不是情境？
• 哪些結論依賴代理屬性？
• 缺少了哪些群體、渠道或失敗個案？
• 反證會否改變標籤或置信度？
• 會否有人用這張卡片來決定資格、定價、就業、信貸、住屋或准入？
• 如果刪去這些限定說明，一個理性的讀者會誤解甚麼？

由研究員審查證據質素，由私隱或公平性負責人審查敏感資料及下游用途的邊界。市場推廣負責人可以檢查實用性，但實用性不能凌駕這些關卡。

不要以編造一個正面刻板印象來「平衡」負面刻板印象，而應刪除沒有依據的說法。如果只能依靠某個受保護特徵才能保住某個人物誌，便圍繞任務、需要或環境限制重新設計研究問題。

如何驗證和維護人物誌？

以未參與起草卡片的證據來驗證。準備能探查不確定陳述、但不引導參與者的訪談問題。把人物誌與新編碼的研究比較，並分別記錄確認、矛盾及新增發現。

在驗證之前訂立退出規則。例如：「如果兩次新工作階段與主要工作流程相矛盾，便降低置信度，並拆分或停用該人物誌。」不要在看到不利的證據後才調整規則。

為成果定版本，而不是暗中修改。變更紀錄應寫明新增或刪除的證據、受影響的陳述、覆核人及原因。當人物誌的範圍、產品、市場或證據時間窗不再相關時，將其停用。

用人物誌來提出研究問題、內容假設及流程檢查，而不是預測某個人。發佈之前，另行進行 AI 私隱審查，並為模型的說法作事實查核。

總結

• 有用的人物誌是一個與證據相連、關於任務及情境的假設。
• 證據紀錄表令觀察、解讀、反證及未知項保持可見。
• 以任務為本的聚類比人口或性格刻板印象更可檢驗。
• 敏感特徵及代理猜測都留在流程以外。
• 新研究、版本歷史、負責人及停用規則令這份成果保持可問責。

常見問題

AI 客戶人物誌至少需要哪些證據？

使用多於一項觀察，並記錄來源、範圍、權限及反證。沒有一個能令每個人物誌都成立的通用樣本量；證據必須足以支持你所描述的那個具體決定及人群。

Persona 與客戶細分是同一回事嗎？

不是。細分是一個為分析或營運而界定的群體；persona 則是一種研究綜合，協助團隊思考一個反覆出現的任務及情境。兩者都不應被當作真實的個人。

AI 能補齊缺失的人口屬性嗎？

不能。缺失的人口屬性或敏感屬性應保持未知，除非它們是為正當目的合法收集並經適當審查。根據代理變數去猜，會同時帶來準確性及公平性風險。

應否為 persona 配上姓名和相片？

只有當它們有助理解、又不會令這份成果看似關於真實個人的證據時才可以。中性的任務標籤通常更安全，也能令注意力集中在目標、情境及阻礙上。

如何發現敏感屬性的代理變數？

問一問：郵區編號、語言、裝置、購買紀錄或作息安排之類的欄位，是否可能與某個受保護特徵相關？刪除不必要的欄位，並由私隱或公平性負責人審查為特定目的保留的任何欄位。

反證應怎樣處理？

把反證放在支持證據旁邊，用它來收窄、拆分人物誌，降低其置信度，或將其停用。不要為了令敘述更整齊而隱藏互相矛盾的個案。

團隊應建立多少個人物誌？

只建立那些代表有證據支持、實質不同的任務或情境的人物誌。如果兩張卡片導向相同的決定，分別主要在虛構的人物小傳，便把它們合併。

誰批准和更新人物誌？

應由一名具名的研究負責人維護證據及版本歷史。當涉及個人資料、代理屬性或有實際後果的下游用途時，需要進行私隱或公平性審查。

免責聲明：本流程僅提供一般性的研究與治理資訊，不構成法律建議，也不得用於對個人作出自動化或高影響決策。

來源

1. U.S. Small Business Administration — Plan your business — https://www.sba.gov/counseling/plan-your-business/
2. Federal Trade Commission — Big Data: A Tool for Inclusion or Exclusion? — https://www.ftc.gov/reports/big-data-tool-inclusion-or-exclusion-understanding-issues-ftc-report
3. Information Commissioner's Office — How do we ensure fairness in AI? — https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/guidance-on-ai-and-data-protection/how-do-we-ensure-fairness-in-ai/
4. NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

Sources checked 2026 年 9 月 4 日。

延伸閱讀

• 如何安全有效地使用 AI
• 用 AI 整理客戶評價主題
• 如何用 AI 從問卷回答中整理主題
• 如何用 AI 建立客戶旅程地圖
• 使用 AI 的私隱風險