最近拿 AI 做选品的卖家越来越多。
一句“帮我找 3 个美国站蓝海产品”扔进去，不到一分钟，需求强度、市场规模、竞争格局、利润率，甚至成功概率都出来了。表格整整齐齐，看着比不少选品报告还像回事。
问题也在这里。
AI 很擅长把信息整理得像结论，却不一定拥有得出结论所需的数据。你没有给它搜索量，它也可能写一个“预估市场规模”；你没有提供 FBA 费用和退货率，它照样能算出“净利润”；你只丢了一个 ASIN，它还能分析出整条产品线。
我把一套跨境电商 AI 选品模板重新按 Amazon 卖家的工作顺序整理了一遍。真正能落地的用法，是让 AI 协助完成四步：需求研究、竞品拆解、评论验证、机会评分。
一、先定规矩：AI 是研究助理，不是数据源
在跑提示词之前，先加三条硬规则：
-
没有提供的数据，一律标注“未知”，不允许估算。 -
每个判断都要对应证据字段，不能只给“强、中、弱”。 -
事实、推断和建议分开写，别混在一张表里。
这三条看着啰嗦，却能挡住大部分"AI 一本正经编数据”的问题。
做 Amazon 选品，AI 的价值主要在归类、对比、找矛盾和提出验证方案。搜索量、BSR、价格、评论、FBA 费用、广告成本和认证要求，仍然要从真实数据里拿。
二、第一步：需求研究，先找场景，再找产品
很多选品指令一上来就问“什么产品好卖”。范围太大，AI 只能往热门类目和常见答案靠。
更稳的问法，是先限定市场、人群、场景和资源。比如美国站、养宠物的上班族、下班后短途遛狗、预算有限且没有自有工厂。条件越具体，输出越接近业务问题。
可复制指令 01｜需求研究
你是 Amazon 美国站的用户研究助理。目标人群是【填写人群】，使用场景是【填写场景】，产品大类是【填写类目】，我的资源限制是【预算、团队、供应链能力】。请基于我提供的关键词数据、评论样本和趋势截图，找出 3 个未被充分满足的需求。每个需求分别写清：发生场景、现有方案不足、证据、需求频率、严重程度、最低成本验证方法。未提供的数据标记为“未知”，禁止虚构搜索量、销量和市场规模。最后区分“已被数据支持”和“仍需验证”的判断。
这里最值得看的，不是 AI 给出的产品名称，而是验证方法。
一个需求如果只能靠“感觉有市场”来证明，先放一放。能通过关键词走势、评论频次、Q&A、退货原因或小额广告测试验证，才有继续研究的价值。
三、第二步：竞品拆解，别只盯标题和五点
竞品分析最常见的误区，是把 Listing 拆得很细，却没有回答“消费者为什么选它”。
建议至少准备 10 个直接竞品 ASIN，记录当前价格、Coupon、评分、评论数、BSR、主要变体、核心图片信息和近期评论。能拿到历史价格、上架时间和广告位截图更好。
可复制指令 02｜竞品拆解
你是 Amazon 竞品研究员。下面是【类目】的 10 个竞品数据，字段包括 ASIN、价格、促销、评分、评论数、BSR、变体、标题、五点、图片信息和评论摘要。请先检查字段缺失，再分析：主流价格带、功能组合、卖点排序、图片信息层级、差异化方式和促销规律。把“页面可直接观察到的事实”与“你的推断”分开。最后只给 2 个值得继续验证的差异化方向，并说明各自需要补充什么证据。不要估算月销量，除非我提供了明确的估算方法和输入数据。
差异化建议太多，往往等于没有建议。选品会真正需要的是优先级：先改结构、材质、尺寸、包装，还是使用场景？一次把一个假设查透，比拿到十条“可以考虑”更值钱。
四、第三步：评论分析，把抱怨变成可验证的问题
差评里有机会，但差评数量多不等于值得改。
有些问题出现频率高，却只影响体验，不影响购买和退货；有些问题出现不多，一旦发生就会让产品报废。还要区分产品缺陷、使用误解、物流损坏和个别情绪。全部混在一起统计，很容易把方向带偏。
可复制指令 03｜评论分析
你是 Amazon 用户反馈分析员。下面提供【数量】条 1-3 星评论、【数量】条 4-5 星评论和 Q&A。请按“产品质量、功能表现、尺寸适配、使用难度、包装物流、信息误导、售后服务、其他”分类。统计每类出现次数，并保留对应原文编号。对每个问题评估：出现频率、后果严重程度、是否影响购买、是否可能导致退货、能否通过产品或 Listing 解决。样本不足时标注低置信度。最后输出 3 个优先验证的问题，不要把单条极端评论概括成普遍需求。
好评也要看。差评告诉你哪里坏，好评则告诉你用户为什么愿意留下它。两边交叉后，才能分清“必须修复的短板”和“值得放大的卖点”。
五、第四步：机会评分，先设一票否决，再算总分
评分模型很方便，也很容易骗人。
一个产品市场规模 9 分、竞争程度 8 分、差异化 8 分，看起来很漂亮；但如果有未解决的专利风险，或者按真实尺寸计算后 FBA 费用吃掉利润，总分再高也没有意义。
所以评分前先设一票否决项：
可复制指令 04｜机会评分
你是 Amazon 选品评审员。请使用以下权重评估产品机会：需求证据 20%、竞争空间 15%、贡献利润 20%、供应链难度 10%、差异化空间 15%、合规与知识产权 10%、物流友好度 10%。每项按 1-10 分评分，但只允许根据我提供的数据打分；证据不足时写“待验证”，不得用中间分代替。先检查一票否决项，再计算已验证维度的加权分。最后输出：支持进入的证据、反对进入的证据、最敏感的 3 个假设、下一轮验证动作和停止条件。
选品研究不能只有“什么时候做”，还要写清“出现什么情况就不做”。比如报价超过成本红线、核心差评无法通过结构调整解决、合规费用超预算、目标关键词广告成本让利润模型失效。提前写好，后面才不容易被沉没成本拖着走。
六、实际运行前，准备好这 4 份数据
-
关键词与趋势数据：关键词、搜索趋势、季节性和可确认的数据来源。 -
竞品快照：10-20 个直接竞品的页面与价格信息，统一采集日期。 -
用户反馈样本：差评、好评和 Q&A，保留 ASIN、星级、日期和原文编号。 -
成本与风险表：采购、包装、头程、FBA、广告、退货损耗，以及专利和合规待查项。
同一批数据保存好，再交给 AI 分阶段处理。不要今天抓 5 个 ASIN，明天换 8 个，又拿后天的价格混在一起评分。数据口径乱了，提示词写得再专业也救不回来。
七、我更建议的用法：让 AI 帮你否定产品
多数卖家让 AI 证明一个产品值得做。这样问，AI 很容易顺着你的期待补理由。
换个方向：先让它找反证。
请站在反方，列出这个产品最可能失败的 5 个原因。每个原因写明触发条件、当前证据和验证方式。不要重复前文，也不要给安慰性建议。
这句话未必帮你找到爆款，但很可能帮你少开一个错误模具、少压一批慢货。
AI 选品真正省下来的，不该只是做表格的时间。它应该让团队更快暴露假设，更早发现“这个产品不值得继续”。
先把四份数据准备好，再跑四步指令。跑完以后，挑出证据最薄弱的三个格子。下一轮工作就从那里开始。
