用 AI 寫業務開發話術：從破冰到成交的對話指令碼

用這套方法，你可以在一個下午內，把「業務新人上線要練半年」的開發話術，變成一份可複製、可微調、隨時反覆運算的對話指令碼，涵蓋破冰、探詢、價值主張、反對處理到收尾五個關卡，而且不會讓客戶一聽就知道是罐頭稿。

為什麼業務話術需要用 AI 系統化產出

多數中小企業的業務話術，長期停留在「老鳥口耳相傳」的狀態：新人靠聽、靠背，主管靠感覺調整，話術版本散落在每個人的腦袋和 LINE 對話紀錄裡，沒有系統化沉澱。這造成三個具體問題。第一，新人上線速度慢，通常需要三到六個月才能獨立開發客戶，中間流失掉的機會成本沒人計算過。第二，話術品質不一致，同一家公司、同一個產品，A 業務講出來像顧問，B 業務講出來像推銷員，客戶體驗天差地遠。第三，反對問題的處理高度依賴個人臨場反應，遇到棘手問題容易當場語塞，或是硬凹過去，反而傷害信任。

用 AI 寫業務話術，不是要你把 ChatGPT 吐出來的稿子照唸，那樣只會做出更罐頭、更沒有溫度的話術，客戶一聽就出戲。真正有效的做法，是把 AI 當成「話術指令碼編劇」，你負責提供客戶輪廓、產品定位、公司真實案例這些第一手素材，AI 負責把散亂的資訊組織成結構完整、邏輯順暢、可以直接拿去練習的對話指令碼。這個角色分工很重要：AI 擅長結構化與大量產出變體，人擅長判斷語感、拿捏分寸、加入真實細節。兩者結合，才能做出「聽起來是真人在講話」的話術，而不是一眼被看穿的 AI 稿。

另一個常被忽略的價值，是「話術版本管理」。當你把整套開發流程拆成破冰、探詢、價值主張、反對處理、收尾五個模組，每個模組都可以獨立測試、獨立最佳化。這一週業務回報破冰開場的接通率不理想，你只需要重新生成破冰模組的三到五個變體，A/B 測試，不用動到整套指令碼。這種模組化思維，是傳統「一份話術用到底」做不到的。

開工前先建立客戶輪廓，AI 才不會亂猜

在動手寫任何一句話術之前，最容易被跳過、卻最關鍵的一步，是把客戶輪廓講清楚。如果你直接跟 AI 說「幫我寫一段業務開發話術」，得到的東西必然空洞，因為 AI 沒有任何依據判斷這個客戶在意什麼、痛在哪裡、用什麼語言溝通。

建議先花十五分鐘，把以下幾個欄位填清楚，可以用一張簡單的表格整理：

這張表不需要做得多精美，重點是逼自己把模糊的印象變成具體的字句。有了這些欄位，接下來丟給 AI 的每一段 Prompt，都會帶入這些變數，產出的話術才會貼近真實情境，而不是放諸四海皆準的空話。

用 AI 生成破冰開場白：三種變體同時測試

破冰開場的目標很單純：讓對方願意多聽你講十秒鐘，而不是立刻掛電話或已讀不回。傳統做法是業務憑經驗硬記幾句開場白，遇到不同客戶型別還是用同一套，命中率自然不穩定。AI 的優勢在於，可以針對同一個客戶輪廓，一次生成多種語氣的開場白，讓你實際測試哪一種接通率、回覆率比較高。

以下是可以直接複製使用的 Prompt，你只需要把大括號裡的變數換成前面表格整理好的資訊：

你是一位經驗豐富的 B2B 業務開發顧問，請根據以下客戶輪廓，
幫我寫出三種不同風格的開場白，用於{接觸管道，例如：電話開發／LINE 訊息／email}。

客戶角色：{客戶角色}
產業與規模：{產業與規模}
目前痛點：{目前痛點}
過去接觸紀錄：{過去接觸紀錄}
溝通語氣偏好：{溝通語氣偏好}

要求：
1. 第一種走「直接切入痛點」風格，20 秒內講完重點。
2. 第二種走「共同連結」風格，從過去接觸紀錄切入，降低陌生感。
3. 第三種走「好奇提問」風格，用一個問題引發對方回應意願，而不是直接推銷。
4. 每一種都要口語化，避免出現「您好，打擾了」「特別為您」這類制式業務用語。
5. 每一種開場白控制在 3 到 4 句話以內。
6. 在每個版本後面，附上一句「這句話適合什麼情境用」的簡短說明。

拿到三種變體之後，不要照單全收，先自己唸出聲音來，看看哪一句順口、哪一句拗口。真人開口講話跟書面文字的節奏不一樣，AI 產出的句子常常文法正確但唸起來卡卡的，這一步的人工校對不能省。建議把最終確定的版本存進共用檔案，讓團隊裡的業務都能取用同一套經過驗證的開場白，而不是各自發揮。

用 AI 設計需求探詢問句，避免自問自答

破冰之後最常犯的錯誤，是業務急著介紹產品，還沒搞清楚客戶真正在意什麼，就開始講一堆功能。有效的開發對話，應該是先透過幾個層層遞進的問題，讓客戶自己說出痛點和急迫性，業務再順勢帶出解決方案，這樣客戶會覺得是「被理解」，而不是「被推銷」。

可以請 AI 依照「現況、困擾、影響、期望」這四層邏輯設計問句：

請根據以下產品／服務定位，幫我設計一套需求探詢問句，
分成四個層次：現況瞭解、困擾確認、影響放大、期望釐清。

產品／服務：{你的產品或服務簡述}
目標客戶：{目標客戶輪廓}
主要解決的問題：{核心價值主張}

要求：
1. 每個層次提供 2 到 3 個問句。
2. 問句要開放式，避免對方只能回答「是」或「不是」。
3. 「影響放大」層次的問句，要能引導客戶自己說出痛點造成的具體損失
   （時間、金錢、機會成本），不要由業務直接替客戶下結論。
4. 「期望釐清」層次，要能自然帶出你的產品能解決的方向，
   但不要直接開始推銷。
5. 用條列方式輸出，並標註每一題想達成的目的。

這個結構其實借用了業務開發領域常見的顧問式提問邏輯，重點不在於術語，而在於「先讓客戶自己講出問題的嚴重性，業務才有立場提出解法」。實務上很多業務會犯的錯誤是自問自答，問完現況就急著自己講困擾、自己講影響，客戶完全沒有參與感，這樣的對話效果通常不理想。

用 AI 打造價值主張，用真實案例取代空泛形容詞

價值主張最容易寫得又長又空，充滿「專業」「客製化」「頂尖團隊」這類沒有資訊量的形容詞。AI 如果沒有給它具體素材，也會傾向產出這種空話，因為它沒有你真實的案例資料可以引用。解法是反過來，先把你手上真實的客戶成果整理成幾條「原始素材」，再讓 AI 幫你把素材轉譯成適合對話情境的簡短故事。

例如原始素材可能是：「幫某間貿易公司把報價流程從平均 40 分鐘縮短到 12 分鐘，一個月省下大約 30 小時人工時間」。把這種具體數字丟給 AI，請它濃縮成 30 秒內可以在對話中自然帶出的一句話，效果會比讓 AI 憑空生成好上非常多。可以在 Prompt 裡明確要求：「不要使用『大幅提升』『顯著改善』這類沒有數字的形容詞，一律換成具體數字或時間比較」。這個限制條件看似小，卻是避免話術聽起來假掰的關鍵。

用 AI 建立反對處理話術庫，把常見問題整理成應答表

反對處理是整套話術裡最需要提前準備的部分，因為現場臨時想答案，容易語塞或講錯話。做法是先蒐集業務團隊過去實際遇過的十到十五個常見反對問題，例如「太貴了」「我們已經有配合的廠商」「我要再考慮看看」，然後用 AI 針對每一題產出三種不同深度的應答，讓業務依照現場情境挑選使用。

這張表的價值在於，把「反對」重新框定為「客戶還沒被說服，但沒有拒絕」，每一句應答都不強推，而是給對方留下繼續對話的空間。用 AI 產生這類應答的時候，建議明確要求「不要用威脅性或製造急迫感的話術，例如『這是最後名額』『現在不買以後會漲價』」，除非那真的是事實，否則這類話術短期可能促成成交，長期會傷害品牌信任。

收尾與成交：讓 AI 幫你設計「軟性提問」而不是逼單

收尾階段最常見的問題是業務不敢問，怕被拒絕，拖到最後不了了之；或是反過來太用力逼單，讓客戶感受到壓力而卻步。比較穩健的做法，是用「軟性提問」代替直接的成交話術，例如不說「您今天要不要簽約」，而是問「如果流程都沒問題，您希望大概什麼時候開始使用比較合適？」，把決定權留給客戶，但同時推進了對話。

可以請 AI 針對不同的成交情境（現場可拍板 / 需要回去請示主管 / 明顯還在比價）分別設計收尾問句，並要求每一句都要「假設成交會發生，但不強迫立即回答」。這種語氣上的細微差異，正是 AI 反覆生成多個版本、讓你挑選的價值所在，一次生成五到八種收尾問句，實際測試效果，遠比自己憋在那邊想半天有效率。

實作案例：台中一人業務用 AI 把陌生開發接通率拉起來

一位在台中經營五金零件貿易的獨立業務，過去主要靠展會名片加 LINE 開發，話術完全憑經驗現場發揮，沒有任何系統化整理。他反映最大的困擾是陌生開發電話常常十通裡有七八通對方直接說「不需要」就掛掉，感覺自己每次都在賭運氣。

他依照前面提到的流程，先花一個晚上把過去半年成交和沒成交的客戶輪廓整理成表格，再用前述 Prompt，針對三種常見的客戶型別（老闆親自接電話、採購專員接電話、已讀不回需要二次追蹤）分別生成破冰開場、探詢問句和反對應答。整套話術大概花了兩個晚上完成初版，之後每週依照實際通話結果微調一到兩次。

依照他自己的回報，開場後願意多聊超過一分鐘的比例，從原本感覺大約兩三成，用了新話術一個多月後提升到接近五成左右，這是他自己粗略估算，並非嚴謹的統計數字，但方向上是明顯進步的。他特別提到，反對處理表格對他幫助最大，因為以前遇到「已經有配合廠商」常常就順勢結束對話，現在有了「這樣很好，代表您已經有一定的採購標準」這類緩和句，反而更容易延續對話，留下後續追蹤的空間。這個案例的重點不在於話術本身多厲害，而是「系統化準備」取代了「臨場硬撐」，讓一人業務也能有接近團隊作戰的準備品質。

AI 能力邊界與常見錯誤：不要照單全收

用 AI 寫業務話術，有幾個誠實的提醒必須說清楚。第一，AI 不知道你們公司的真實案例、真實數字、真實客戶回饋，這些素材必須由你提供，AI 只負責組織和潤飾，如果你偷懶不給素材，AI 生成的內容就會偏向空泛、甚至可能編出聽起來合理但不存在的案例細節，這種「聽起來很像真的」的幻覺內容，絕對不能直接拿去對客戶講，一定要人工逐句核對數字和案例是否屬實。

第二，AI 對語氣的拿捏是統計上的平均值，不是你這個產業、這個地區客戶真正習慣的說話方式。台灣不同產業、不同世代的客戶，說話習慣差異很大，AI 生成的初稿常常書面感偏重，需要業務自己唸過、改過，把「您好，敝公司提供」這類生硬的句子換成更接近日常對話的講法。

第三，反對處理話術庫不能一次做完就永遠不改。客戶會針對你的話術產生新的反應，市場行情、競品狀況也會變化，話術庫需要每隔一段時間回頭檢視，把新出現的反對問題補進去，把效果不好的應答換掉。把這當成一份會呼吸的檔案，而不是寫完就封存的規範。

第四，也是最容易被忽略的一點，AI 生成的話術如果整批業務團隊完全照抄不做任何個人化調整，客戶之間互相比對，很容易發現大家講的是同一套稿子，反而顯得不真誠。建議的做法是把 AI 生成的內容當成「骨架」，每位業務保留自己的口頭禪、自己的語速習慣，做最後一層個人化調整，這樣才能兼顧效率與真實感。

把這套方法用起來之後，業務話術不再是靠記憶硬背的東西，而是一份持續累積、持續驗證的活檔案。下一步可以參考站內其他自動化工作流程，把話術庫跟客戶追蹤節奏結合起來，讓開發流程更完整。

常見問題 FAQ

延伸閱讀

• 更多業務與行銷任務食譜
• AI 對話式提問技巧指南
• 業務開發自動化工作流程
• 客戶開發 Prompt 範本庫