AI 在选品链路里最有价值的位置是假设生成，而不是结论生成。这条边界说起来像常识，用起来却经常被越过：把模型整理出的评论归类当成需求验证，把生成的卖点当成卖点已经成立，最后在一堆看起来很有说服力的文字上加速跑偏。

能压缩的是反馈，不是需求

在假设生成阶段，AI 的处理能力确实对得上痛点。公开评论是典型的非结构化材料，人工翻几百条只能记住印象最深的几条，而模型可以批量归类，把高频抱怨拎出来，把“容易滑”“穿久了脚疼”“太丑不想穿出门”这类具体表达整理成候选卖点。多语言的产品描述草稿、素材脚本、基于样品图扩展出的场景视觉草图，也属于同一类工作——把方向快速铺开，方便比较。

但有个容易被忽略的区别：AI 整理的是“有人说过了什么”，不是“有多少人愿意付钱”。归类能提高假设的密度，不能提高假设的准确率。

边界之外没有替代品

AI 无法替代打样和实物测试。舒适度、防滑表现、穿久了会不会磨脚，只能靠实物验证。同样无法替代的还有平台规则、产品认证、知识产权核查，以及最关键的——真实付款。

落到动作上，判断标准很简单：AI 的输出应当保持“待验证假设清单”的形态，每一条都能被一次低成本测试推翻。如果一条输出无论如何都无法被证伪，它就不是假设，只是说法。

假设要配得上验证成本

一人公司的资源结构决定验证动作必须轻。公开报道中，一位长期观察一人公司社区的观察者积累了两千多个样本，其中约两成跑通商业闭环。这个比例本身说明，多数尝试不会闭环，测品要设计成失败也不致命。

做法大致是：小批量，只做一到两个最核心的差异点；找一个能快速拿到真实反馈的场景，观察收藏、加购、咨询这类前置信号而非绝对销量；再读评论的语言，分辨“丑，但我想买”“我给我妈买一双”和“太丑了”之间的差别，前者是需求，后者只是态度。

还有一步 AI 帮不上：先算账再打样。类目里有没有给独立卖家留下位置，取决于毛利率、搜索量趋势、头部商品评论集中度、大牌垄断度这类结构条件，具体阈值随平台和类目变化，需要逐条核验。这一步放在打样之前，比任何假设都省钱。

同时别忘了那条最基础的筛选：去掉“丑”这个标签之后还剩什么。剩下的功能、场景或情绪，才决定这门生意能不能成立。