用 AI 做选品、竞品分析与需求验证

你脑子里有个硬件想法。可能是洗澡时蹦出来的,可能是被某个日常痛点烦了半年攒出来的。它在你心里闪闪发光,但你心里也清楚:大部分这样的想法,做出来根本没人买。

问题不是想法本身好不好,而是你没法只靠拍脑袋判断它值不值得做。市场上是不是已经有十几家在做了?用户真正抱怨的是什么?你以为的痛点,是真痛点还是只痛你一个人?这些都要调研。而调研最耗时的部分——发散、整理、找角度——恰恰是 AI 能帮你大幅提速的地方。

如果你还没把想法收敛成一句话,先去 /guide/l6-idea/ 把 idea 本身理清楚,再回来用 AI 做调研。这篇讲的是"想法已经有了,怎么快速判断它靠不靠谱"。

一、选品:让 AI 帮你发散,再帮你筛

很多人用 AI 做选品,第一句就问"现在做什么硬件能赚钱"。这种问法你得到的永远是空话——智能家居、健康监测、宠物科技,全是你早就知道的大词。

正确的用法分两步:先发散,再收敛。

发散的关键是给 AI 三个交集去碰撞:市场趋势、未被满足的痛点、你自己的能力或兴趣。单独问任何一个都没用,交集才有价值。比如这样问:

我有嵌入式开发背景,长期跑步,对运动数据很敏感。结合跑步人群里"现有设备没解决好"的痛点,帮我列 10 个可能的硬件方向,每个标注它对应的具体痛点。

这样问,AI 给的东西会落在你能做、市场有人、痛点真实的三角里,而不是飘在天上。

收敛则要给 AI 一套评分维度,逼它帮你做减法。常用四个维度:市场规模、竞争激烈度、你的能力匹配度、壁垒高低。让 AI 给每个 idea 这四项各打 1 到 5 分并说明理由:

上面 10 个方向,按"市场规模/竞争激烈度/能力匹配/壁垒"四项各打1-5分,做成表格,竞争激烈度越高分越低,最后给总分排序。

注意:这个分是 AI 的判断,不是事实。它打的"市场规模 4 分"没有任何销量数据支撑,只是它的语感。但它有用——它帮你把 10 个想法快速排出优先级,让你知道该先深挖哪两三个,而不是平均用力。排在前面的,你再自己去查实。

二、竞品分析:让 AI 拆,你来核

选定一两个方向后,下一步是搞清楚战场上已经有谁。竞品分析是 AI 最能帮上忙、也最容易把你带沟里的环节。

AI 能帮你做的是结构化梳理:某个品类有哪些主流玩家、各自的核心功能、大致价位带、主打卖点、用户差评里反复出现的共性。让它输出一张对比表:

帮我做一张"便携跑步功率计"的竞品对比表,列出主流的5个产品,每个产品列:厂商、价格区间、核心功能、主打卖点、用户最常抱怨的3个问题。

这张表的骨架、维度、分析角度,AI 给得又快又全,比你自己一家家翻官网高效得多。

但这里有条绝对红线:AI 列出的具体价格、具体型号、具体差评内容,极可能是它编的。它会把"听起来合理"的数字和评价混进真实信息里,而且语气一样自信。它说某产品"售价约 1200 元、用户抱怨续航差",这两条都可能是凭空生成的。

所以正确姿势是:让 AI 给你表的结构和分析框架,具体数据栏你自己去填。或者,你把从电商平台、品牌官网扒来的真实资料喂给它,让它基于你提供的材料做归纳——这时候它做的是整理,不是创造,可信度高得多。差评共性分析尤其适合这么用:你把几十条真实评论粘给它,让它归纳出反复出现的痛点,它在这件事上很强。

竞品分析的真正产出不是那张表本身,而是表背后的差异化机会。当 AI 帮你把所有竞品的差评共性摆出来,你会看到一个反复出现的、所有人都没解决好的问题——那就是你的切入点。让 AI 基于差评共性提一组差异化定位假设:

基于这些产品用户共同抱怨的"佩戴不舒服、数据延迟",帮我提3个可能的差异化定位方向,每个说明它针对哪个痛点。

关于竞品数据为什么必须核、怎么核,详见 /article/aiwf-fact-check/。这条红线我会在这篇里反复强调,因为它是最容易让人栽跟头的地方。

三、需求验证:让 AI 帮你设计低成本测试

竞品分析告诉你"市场长什么样",需求验证告诉你"我的假设对不对"。验证的核心思路是花最小的钱,在做出产品之前,先确认有人真的想要。具体方法论可以先看 /guide/l6-validate/,这里讲 AI 在其中怎么帮忙。

AI 在验证环节能干三件事:

写落地页文案。 你把差异化定位假设告诉它,让它写一个测试用的落地页:一句话价值主张、三个核心卖点、一个行动召唤。然后你挂个表单收邮箱,投点小预算引流,看转化率。文案是验证的载体,AI 帮你快速产出多个版本去 A/B。

设计问卷题。 让 AI 帮你设计访谈或问卷问题。关键提醒它:避免诱导性问题。"你会不会买一个解决佩戴问题的功率计"是烂问题,因为谁都会客气地说会;"你上次因为设备佩戴不舒服而中断训练是什么时候"才是好问题,因为它问的是过去发生的真实行为,而不是未来的意向。让 AI 帮你把意向类问题改写成行为类问题,它做得不错。

分析反馈。 收回来一堆问卷开放回答或访谈记录,让 AI 帮你归纳高频主题、情绪倾向、被反复提到的具体场景。几十上百条文字它几分钟就能理出脉络,省你大量人工编码的时间。

一个完整的示例工作流

把上面三块串起来,以一个具体 idea 走一遍。假设你的想法是"给跑者做的便携跑步功率计"。

1. 竞品表骨架——让 AI 列出该品类对比维度和主流玩家清单,生成空表结构。你拿着这个骨架去电商平台、品牌官网填真实数据。
2. 差评痛点——把你从评论区扒来的真实差评粘给 AI,让它归纳共性。结果:佩戴不适、数据延迟、App 难用,三条反复出现。
3. 差异化定位假设——让 AI 基于这三条痛点,提出定位方向。结果:"主打零延迟实时功率反馈的轻量化跑步功率计"。
4. 一句话价值主张 + 验证问卷——让 AI 把定位假设写成落地页首屏的一句话主张,再设计 5 道行为类问卷题。
5. 你自己核——上线落地页测转化,发问卷收反馈,同时去电商平台亲手核实 2 个竞品的真实价格和真实差评。

整个流程里,AI 负责发散、归纳、起草、提框架;你负责核实、决策、拍板。这个分工别搞反。

你应该看到什么

跑完这套流程,你手里应该攒下四样实打实的东西:一张填好真实数据的竞品对比表;一份从真实评论归纳出的痛点清单;两三个有依据的差异化定位假设;一套可以立刻执行的小成本验证方案(落地页 + 问卷)。

如果你跑完只拿到一堆 AI 生成的、没经你核实的"数据",那等于没做调研——你只是让 AI 给你讲了个听起来很专业的故事。

常见误区与排查

症状	真正原因	怎么办
拿 AI 编的销量/价格当决策依据	把 AI 输出当事实,没核实	凡涉及具体数字一律去电商/官网核,见 fact-check
竞品信息说不通、对不上	AI 用的是过时或臆造的数据	只信你亲自查到的,AI 给的当线索
问卷都说"会买"实际没人买	问的是意向不是行为	把意向类问题改成"上次……是什么时候"的行为题
落地页投了钱没人点	价值主张太泛、不痛	回到差评痛点重写主张,针对具体场景
几十个样本就下结论	样本太小,代表性不足	验证看趋势别看绝对数,样本不够别拍板

两个进阶变体

让 AI 做 SWOT。 把你的 idea 和竞品表喂给 AI,让它做一份 SWOT 分析(优势/劣势/机会/威胁)。它在"威胁"和"劣势"这两栏往往比创业者本人更冷静——人容易高估自己的想法,AI 会帮你把没想到的风险点摆上桌。同样,SWOT 里的"机会"是假设不是事实。

用 AI 分析问卷开放回答。 如果你收了上百条开放式回答,让 AI 做主题聚类:把语义相近的归成一类,统计每类出现频次,标出情绪强烈的原话。这能让你从一团乱麻的文字里看出真正的高频诉求,比人工读一遍印象深刻得多。

动手挑战

拿你自己真实想做的那个硬件 idea,做两件事:

1. 让 AI 生成一张该品类的竞品对比表骨架(至少 5 个竞品、5 个对比维度)。
2. 挑表里两个竞品,自己去电商平台核实它们的真实价格和真实差评——看看 AI 填进去的数据(如果它擅自填了)和真实情况差多少。

做完第二步你会对"AI 数据不能信"有切肤体会。这种体会比读十遍红线都管用。

小结

AI 在调研阶段最大的价值,是帮你想得更全、问得更对——它能在十分钟内把你一个人憋一天都想不周全的角度铺开,把杂乱的反馈理出脉络。但它给的所有市场判断、竞品数据、用户评价,本质都是"假设和线索",不是事实。销量、价格、真实评价,必须你自己去电商平台核实。把 AI 编的数据当决策依据,是这个环节最致命的错误。

记住一句话:AI 帮你把问题想清楚,但拍板的人永远是你。

验证完需求、确定要做之后,下一步是把你的定位变成能打动人的文案——继续看 /article/aiwf-copywriting/。