搞砸成交的那句異議：用 AI 逐字稿把它抓出來

快速解答

搞砸一筆案子的那句異議，往往不是客戶當場講出口的那句。「資料寄給我看看」通常是「我沒看到價值」，「有點貴耶」常常是「我還沒說服我老闆」。AI 逐字稿讓你回到客戶當下講的原話，把買家真正在抗拒的點分類出來，再橫向看遍你跑過的每一通電話——而不是去信任業務三週前那段早就霧掉的記憶。

做法其實很單純。錄音、上傳，拿回一份 98.7% 準確的逐字稿，帶講者標籤，接著丟一個擷取提示詞，把每一條異議分進命名好的桶子裡——價格、時機、決策權、需求。產出的不是一份比較整齊的筆記。它是一個回饋迴路，用客戶自己的話告訴你案子為什麼卡住。

為什麼業務自己記的異議不能信

這不是在酸業務。記憶本來就這樣運作。人在一小時內大概忘掉一半的新資訊，一天內忘掉約 70%。一個連跑五通電話的業務，等他下午五點打開 CRM，第一通早就靠腦補在重建了。

於是異議就被壓扁了。買家講了句很有層次的話——「我們得讓財務簽核，但他們凍到下個會計年度才解凍」——進到 CRM 變成「價格疑慮，Q3 再追」。兩條截然不同的異議（決策權和時機）被塞進同一個錯標籤。下一個接手這筆案子的人讀到「價格疑慮」就去打折。他解的根本是錯的問題。

還有第二個更隱微的麻煩：業務會護自己的面子。沒人想記「他們不信任我們的資安說法」，於是就變成「他們還在評估其他選項」。逐字稿沒有面子問題。它老實記下客戶說「老實講，去年那次外洩之後，我們對讓一家新創握著我們的資料很緊張」——這其實是條修得好的異議，前提是有人看得到。

如果你還在摸索怎麼把通話內容變成乾淨的文字，可以先看業務通話的 AI 逐字稿完整指南，這篇就是建立在那個基礎上的。

四種異議類型——為什麼一定要拆開

把每一句「不要」倒進同一堆，就是最大的錯。異議分四種經典類別，每一種指向不同的解法。

98.7%

乾淨音檔的逐字稿準確率，名字和數字都在這裡

4

異議類別：價格、時機、決策權、需求

60%

的買家會說四次「不」才說「好」

44%

的業務追一次沒下文就放棄了

價格。「太貴了。」有時是真的，但更常是「我還沒看到夠多價值」的替身。解法是把價值講清楚，不是打折——但你只有聽見這句話後半段怎麼收尾，才知道是哪一種。

時機。「下一季再來談吧。」這條才是大家最低估的成交殺手。多數 B2B 案子裡，最大的對手根本不是別家廠商——而是「先不動」，而預測中三分之一到一半的案子最後是「沒做任何決定」收場。時機異議就是這種結局的早期警訊。

決策權。「我得跟團隊報告一下。」你在跟一個內線講話，不是決策者。解法是把線拉進整個採購小組，不是再多 demo 幾場。這裡講者標籤就很重要了——看看 AI 怎麼自動辨識講者——因為你得知道這間會議室裡，到底誰手上握著筆。

需求。「我不太確定我們有這個問題。」最難的一種。客戶要是感受不到痛，講再多功能也成不了交。這條通常代表上游的需求確認一開始就做歪了。

把異議這樣拆開，模式就自己跳出來了。如果你 70% 的卡關都是時機，那你有個急迫感的問題。如果大多是決策權，那是你的業務在組織裡切入點太低了。

真正幹活的那個擷取提示詞

別再叫 AI「幫我摘要這通電話」了。你會拿到一段散文，而散文剛好會把你在找的那個東西埋掉。改成跟它要命名好的欄位：

這個提示詞有兩處讓它真的值回票價。第 3 步——處理、閃避，還是漏掉——把逐字稿變成了教練素材。一個對每條價格異議都閃避（「這個我之後再回你」）的業務，就有了一個主管能修的固定模式。而第 4 步，表面 vs. 真正的落差，才是金礦：AI 標出「太貴了」緊挨著「我們才剛在 CRM 砸了一大筆」，現在你就知道這是預算時機問題，不是價值問題。

至於擷取提示詞怎麼調——包括那道抓出罕見誤引的驗證步驟——用 AI 抽取會議行動項目那篇講得更深。

用逐字稿跨所有案子建一座異議資料庫

一通電話給你一份逐字稿。兩百通電話給你一樣多數公司從來沒建起來的資產：一座可搜尋的異議資料庫。

關鍵動作是這個。一旦你的通話都轉成逐字稿、可以搜尋了，你就能一次對全部通話發問。「把上一季所有關於資安的異議都撈出來。」「給我看我的頭號成交手最近十次有人嫌貴時是怎麼回的。」純關鍵字搜尋做不到這件事，因為買家很少用你會打進去的那個詞——他們講的是「對新創會緊張」，不是「資安異議」。語意搜尋可以。用 AI 對話搜尋逐字稿庫那篇解釋了這種檢索實際是怎麼運作的。

這套流程吐出來的，是真材實料的訓練教材。你拿到的不是行銷部某個人寫的通用異議處理話術，而是你最強業務上次把「太貴了」翻成一筆成交時，講出口的真實字句。這比任何劇本都值錢，而它一直就躺在你的通話錄音裡，沒人挖，因為把兩百通電話重聽一遍，誰都不會覺得那是個好過的一週。

從異議模式走到一個產品決策

把異議寫下來，整件事的重點是對「總和」出手，不是對「單一條」。單一異議是業務的事。模式是領導層的事。

假設你把上一季的失單逐字稿排一排，發現其中 38% 是在客戶得知「沒有原生 Salesforce 同步」那一刻卡死的。沒有任何一個業務把這標成致命傷——每個人都只記了句含糊的東西。但堆在一起，這個模式無可否認，現在它成了一場有原話撐腰的產品藍圖討論，不是一個直覺。這正是一套結構化的業務通話流程生來要浮現的訊號，也是「我感覺買家想要 X」跟「這裡有 19 通電話他們明確開口要」之間的差別。

說到這，講聽比例又偷偷溜回來了。有量這個指標的團隊會發現，頂尖成交手大概講 43%、聽 57%；掙扎的那群剛好反過來。異議只在業務閉嘴夠久、聽得到的時候才浮上來——而逐字稿是唯一一張誠實的記分卡，記著誰才是真的在聽。

挑逐字稿工具該看什麼

不是每個語音轉文字工具都為這件事而生。當異議才是你要的那批貨，真正重要的就五件事：

價格方面，因為一週跑 25 通電話的業務沒辦法忍受按分鐘計費：Atter AI 收費 $6.99/週、$49.99/年，或 $129.99 終身買斷，附 3 天免費試用，沒有任何按分鐘的費用。

常見問題

表面說法的異議和真正的異議差在哪？

表面異議是買家講出口的那句話；真正的異議是底下那層。「太貴了」（表面）很常是「我還沒被說服值這個價」或「我這一季要不到預算」（真正）。AI 逐字稿幫得上忙，是因為它保留了那句話前後的完整脈絡——前一句和後一句常常就把真正的異議露餡，而一個好的擷取提示詞會把這道落差標出來，不會照字面照單全收。

AI 真的能準確分類異議，還是只是亂猜？

當你把類別明確給它——價格、時機、決策權、需求——並要它每一條都引用原話那一行，它分得很好。那句引用就是你的安全網：分類看起來怪怪的，你兩秒就能讀到實際的字句。這裡最關鍵的是底層逐字稿本身的準確度；乾淨音檔 98.7% 的水準下，異議被逐字捕捉下來，分類才有真材實料可以依據。

要累積幾通電話，模式才會浮現？

在某個區隔裡，大概 20 到 30 通電話開始就會冒出有用的模式。到那個量，如果四分之一的通話共享同一條異議，那就是訊號，不是雜訊。低於十通，你還在「個案軼事」的地盤。逐字稿的好處是回補很便宜——沒有按分鐘上限，一個業務可以在管線檢討前的一個下午，把一季份的錄音、大概 15 到 25 小時的音檔，全部跑完。

錄音會不會讓客戶閉嘴不講？

只要你處理得當，很少。開頭就告知要錄音——在需要全體同意的地區本來就是必須的——並把它框成「這樣我能專心聽你講，而不是忙著打字」。多數買家其實滿喜歡這份專注。少數反對的，你就單純不錄。錄音法規各地不同，不確定就取得明確同意。

這跟我的 CRM 已經記下來的有什麼不一樣？

你的 CRM 記的是「有一通電話發生了」以及「業務選擇打進去的字」。它記的是業務的詮釋。AI 逐字稿記的是買家的實際字句——異議被提出來的當下原貌，不是六小時後被記憶重述、被重新措辭過的版本。兩者其實互補：逐字稿是真相來源，CRM 是從它建出來的結構化摘要。

它處理得了用另一種語言提的異議嗎？

可以。Atter AI 支援 90+ 語言，也處理混語通話，而這種狀況很常見——買家為了一個技術名詞切到英文，再切回母語。你還能用跟通話不同的語言生成異議摘要——當一個區域業務用西班牙文接了通電話、但案子團隊用英文檢視時，就很好用。

我的通話資料會被拿去訓練 AI 模型嗎？

不會。Atter AI 不會用上傳的錄音去訓練模型，你的錄音只留在你自己的帳號裡。涉及 NDA 的案子或受監管的產業，先跑過你們標準的合規審查——但音檔本身不會餵給任何人的模型。