如果你在 TikTok Shop 上做美区或东南亚，月销落在 10 万到 50 万这个区间，手上同时跟几十个达人合作，那这段时间你大概每天都在做同一件事：从几百个候选人里，挑出值得寄样的那二十个。
挑人这件事过去靠感觉。看粉丝量，看最近几条视频的播放，看人设贴不贴你的品。
问题是感觉会骗人，粉丝量更会骗人。
一个五十万粉的泛娱乐账号，可能不如一个三万粉的垂类账号带得动货；反过来，一个数据看着很漂亮的账号，寄了样品之后拍出来的视频播放几万、成交个位数，这种例子做久了的卖家都遇过。
这两年变化在于，判断这件事开始被工具接过去一部分：不是替你做决定，是先把明显不对的人筛掉，把你从"三百个看一遍"变成"二十个重点看"。
这件事的技术路径，其实没多少人讲清楚。大部分人只会告诉你"AI 能预测"，不会告诉你它凭什么预测、哪些信号是它真正在看的、以及它什么时候会错得离谱。
AI 预测达人带货的本质，是把"谁带货成功过"这段历史拆成一堆可比较的特征，再拿新达人跟这些样本做相似度排序。它不理解你的产品，也不懂内容创意，它只是在做一件很朴素的事——找出过去长得像的人，后来结果怎么样。
所以这篇不讲"AI 命中率 90%"这种话，没这回事。讲三件事：模型到底在看哪些信号、这些信号你怎么自己算、以及它在哪三种情况下一定会失灵。
先问对问题：AI 预测的不是"谁会红"，是"这条视频会不会转化"
这两个问题经常被混为一谈，但模型完全是两套。
涨粉潜力看的是内容传播效率，输入特征偏向完播、转发、涨粉速度、话题热度。带货转化看的是购买意图密度，输入特征偏向历史成交、评论区问价、品类重合、粉丝消费力画像。
你要的是后者。判断标准也很直接：这个人的粉丝，是不是正好在买你这一类东西。
一个做家居收纳的卖家，去找一个靠剧情段子涨起来的达人，粉丝再多也不对路。AI 在做的第一层判断就是这个——把"人"和"货"放到同一个空间里量距离。
信号一：历史带货曲线的斜率，不是单场峰值
单场爆量是最容易骗人的指标。
一场卖爆可能是坑位费砸出来的流量、可能是平台那几天正好在推这个类目、也可能是投流投出来的。你看的是结果，但原因不在达人身上。
真正稳的信号是斜率：连续五到十条带货视频，看它的转化是不是稳定在一个水平线上，波动大不大。
具体怎么算，用你自己后台就能拿到的东西：每条视频的成交额除以播放量，再乘一千，得到一个"千次播放产出"。
一个稳定的达人，这个数字在十条视频里不会跳得太离谱。忽高忽低的，要么是运气成分大，要么中间有投流没告诉你。
模型干的事跟这个一样，只是它一次能算几千个账号，还能把季节、品类、发布时间这些变量扣掉。原理不神秘，差别在样本量。
信号二：粉丝画像和货品人群的重合密度，不是粉丝总量
粉丝量是最不值钱的指标，但它是候选人列表里唯一一眼能看到的数字，所以大家还是先看它。
重合密度问的是另一个问题：这个人的粉丝里，有多少人本来就在买你这类东西。
判断方法不复杂。翻他最近十条视频的评论区，看有没有人主动问"这个在哪买""有没有链接""多少钱"。这类评论的密度，比粉丝画像报告里的年龄性别分布有用得多。
因为画像报告是平台推算的，评论是真人打的字。
AI 在这一层做的是把评论区语义、历史带货品类、粉丝互动词云都转成特征，算一个重合度分数。你手工做只能抽三条看，它能把十万条评论过一遍。
信号三：评论区的问价率和问题类型，比好评率有用
好评率几乎没有判断价值。
"好看""不错""想要"这类词，是社交礼貌，不含购买意图。真正有用的是问价和问规格："多少钱""链接""有没有大码""能不能寄到印尼"。
这两种评论的比例，基本能看出这个达人的粉丝是"来看的"还是"来买的"。
一个实用做法：在候选表里加一列，手工数一下最近三条视频的评论区，前五十条里问价和问规格的有几条。低于三条的，先放后面。
模型对这个信号特别敏感，因为它是文本，好提取、好量化。这也是为什么有些工具给出的排序，会跟"粉丝量排序"差得很远——它看的根本不是一个东西。
信号四：更新稳定性和发布时段，最不起眼但最硬
这一条经常被忽略，但它是最能反映"这个人是不是认真在做"的。
每周稳定更新三到五条，和三个月没动静突然接你一单，是完全两种合作体验。前者会按你的排期拍，后者大概率拖到你自己都不想发了。
发布时段也是一个信号，但要看的是他和你的目标市场时区是否对得上。做美区的卖家，找一个固定在美东晚八点发的达人，比找一个发布时间飘忽的靠谱。
这两项 AI 算得比人准，因为它能拉出完整的发布历史看节奏，你只能看到最近几条。
它算不准的三种情况：新品、跨类目、平台流量倾斜
讲完信号，得讲边界。任何预测模型都有失效区，这三个是高频的。
第一种是新品。你的品在这个类目里没有历史成交，模型就没有可参照的样本，它只能退回"粉丝画像匹配"这一层，给出的排序含金量会明显下降。新品阶段，人工判断的比重应该更高，别全信排序。
第二种是跨类目迁移。一个美妆达人突然带家居，他的历史特征在这个新类目上基本失效。模型如果只看"这个达人过去带得动货"，就会高估他。这时候要额外看他有没有同类目的内容基础，哪怕不带货。
第三种是平台流量倾斜。某段时间平台给某类内容加权，那段时间跑出来的"成功样本"是被污染的，模型会把平台红利当成达人能力。这种情况在换季、大促前后特别容易出现。
说白了，AI 给的是概率排序，不是答案。它能帮你把三百个变成二十个，但那二十个里谁真的能带，还是得你判断。
不用买系统，先拿 10 个候选人跑一遍这 4 步
这套逻辑你完全可以手工跑一遍，不用等工具。
第一步，建一张候选表，只填六列：粉丝量、近十条带货视频的千次播放产出、主带品类、评论区问价数、每周更新条数、最近一次更新时间。字段少才填得下去，字段多了你三天就放弃。
第二步，按千次播放产出的中位数排序，把这半年明显低于同品类平均水平的划掉。用你自己店铺的数据做基准，别去套别人的数字，不同类目差得很远。
第三步，按品类重合度筛一遍。主带品类跟你的品完全不搭的，往后放，别因为粉丝多就往前排。
第四步，剩下的重点候选人，人工翻三条视频的评论区，确认问价的类型对不对。这一步机器替不了，因为只有你知道自己的品会引出什么具体问题。
跑完这一轮，你会得到一个很朴素的结论：真正值得寄样的，往往不是你第一眼觉得最亮的那几个。
写在最后
判断达人这件事，从"看粉丝量"到"看信号密度"，中间差的不是工具，是愿不愿意把判断拆成可比较的字段。
AI 在这件事上最大的价值，不是替你选，是逼你把"我觉得他能带"翻译成"他哪几个数字达标"。翻译完了，你自己也能判断，工具只是把这个过程从三百个缩到二十个。
这周可以先做一件事：拿你正在犹豫的 10 个达人，把上面那六个字段填一遍。填到第五个你会发现，有些人的数据你根本查不到——那本身就是个信号。
你平时挑达人，最先看的是哪个指标？评论区说说，我看看大家的判断顺序差多少。