簡報準備了兩個小時,你覺得邏輯清楚、數字也到位。進會議室,客戶問了一個你沒想到的問題,你卡了三秒。
那三秒很長。
問題通常不是你準備不夠認真,是你在準備的時候只站在自己的角度想,沒有站在客戶的角度想。你知道你想說什麼,但不知道他聽到的時候會在哪裡卡住。
用 Claude 跑一遍反對意見模擬,就是為了解決這件事。
為什麼自己想反對意見沒用
你可以自己想「客戶可能會問什麼」,但你想出來的反對意見有一個盲點——你知道答案,所以你不會問讓自己答不出來的問題。
你會想到你已經準備好回應的疑慮,不會想到你沒想到的漏洞。
Claude 不知道你的答案,它只看你給它的論點。它找到的疑慮,是你的論述本身產生的缺口,不是你預期的問題。
→ Claude vs ChatGPT:行銷人寫提案,哪個比較不會讓你改到崩潰
實戰流程
第一步:整理你的核心論點
不需要把整份簡報貼過去。把你想說的主要論點、支撐的數字、你的結論和建議,用條列式打出來。
範例: 「這次提案的核心論點是把社群預算從導流轉向品牌曝光。主要依據是過去三個月的廣告 CPC 上漲了 40%,導流效益持續下滑。我建議下季把 60% 預算投入品牌內容,預期六個月後提升受眾黏著度。」
第二步:給 Claude 一個具體的角色,不是通用角色
這一步很多人跳過,結果 Claude 給你一份「任何客戶都可能問的問題」,沒有針對性。你需要告訴它:你的客戶是誰、他們這次開會最在乎什麼、他們的決策邏輯通常是什麼。
好的 prompt 長這樣: 「你現在是一個中型電商品牌的行銷總監,預算壓力大,老闆最近一直問 ROI。你剛剛聽完下面這份提案,請從你的角度列出你最可能有的三到五個疑慮,並說明每個疑慮背後的原因。」
→ 寫廣告文案前先給 AI 讀受眾資料,輸出品質差了一個量級
第三步:看它找到什麼,特別注意你沒想到的那幾條
Claude 給你的反對意見,你逐條看。你預期到的那些不重要,重要的是你沒想到的——那些才是你的簡報真正的漏洞。常見的幾種類型:
- 邏輯跳躍:你從 A 直接跳到結論 C,但 B 你沒說清楚。
- 數字沒有對照組:「CPC 上漲 40%」——跟什麼比?
- 建議和風險不對等:你說了好處,但沒有說如果做了這件事、最壞的情況是什麼。
第四步:準備回應,再讓它檢查一遍
針對每個反對意見,寫下你的回應。寫完之後,把「反對意見 + 你的回應」一起貼回給 Claude,問它:「從客戶的角度,我的回應能真正消除這個疑慮嗎?」
這一步是在用 Claude 當你的第一個觀眾。它說「你的回應沒有直接回答問題」的時候,通常是真的。
→ AI 寫文案會犯的三種錯,ChatGPT 和 Claude 各有不同毛病
這個流程最容易犯的錯
給 Claude 太少背景,然後怪它給的反對意見不準。
它模擬的品質取決於你給它的客戶描述有多具體。「幫我模擬客戶的反對意見」和「你是一個預算壓力大、老闆問 ROI 的行銷總監」,這兩個起點給你的結果差很多。
它找不到的東西,你自己要補
Claude 模擬的是邏輯層面的反對——論述有沒有漏洞、數字有沒有說清楚、建議夠不夠具體。它找不到的是:你的客戶因為公司內部政治不方便說的顧慮、他個人對某個方向的偏好、這個預算背後的組織壓力。
這些你要靠自己對客戶的了解去補。AI 處理邏輯的部分,你處理關係的部分,兩個加起來才算準備完整。
相關閱讀
NotebookLM + Gemini 的協作心法:兩個 Google 工具怎麼串
NotebookLM 和 Gemini 在 2026 年正式打通了。但「能串」和「會串」是兩件事。這篇說清楚兩個工具各自擅長什麼、什麼時候該切換、以及怎麼讓它們在同一個流程裡各司其職。
速度快了,但你站得住腳嗎?PM 使用 AI 做數據分析的生存指南
AI 讓分析報告從半天縮短到兩小時,但當主管問起「數字怎麼來的」,你能給出專業回答嗎?本文教你 PM 如何在 AI 協作中保住專業判斷力與職場信任。
寫廣告文案前先給 AI 讀受眾資料,輸出品質差了一個量級
同樣的 prompt,給 AI 讀過受眾資料再寫,跟直接叫它寫,結果差很多。不是 AI 變聰明了,是你給它的起點不一樣。這篇拆解如何餵資料給 AI。