用 AI 做竞品分析：别堆功能表，先比较用户、场景和取舍
AI 能快速整理竞品资料，但功能表不等于洞察。本文讲清如何定义决策问题、选择样本、区分证据与推断，并把竞品发现转成可验证的产品动作。
做竞品分析最容易出现一种“看起来很努力”的结果：几十页截图、一张塞满勾叉的功能表，再加一句“对方功能更全”。材料很多，团队却仍然不知道下一步该学什么、该避开什么。
AI 能快速整理官网、帮助文档、公开评价和试用记录，也能帮你建立比较维度。但如果一开始没有明确问题，它只会更快地产出一份信息堆。真正有用的竞品分析，不是替产品排座次，而是解释：不同产品为谁解决什么问题，为什么做出不同取舍，这些证据对我们的决策意味着什么。
先有决策问题，再有竞品名单；先有证据，再有判断。AI 应该缩短整理时间，而不是替你制造确定感。
第一步：把“研究竞品”改写成决策问题
“分析一下 A、B、C”范围太大。先写清这次分析要支持什么决定，例如是否进入某个细分人群、是否重做新手引导、套餐该怎样分层，或者客户为什么在两个方案之间犹豫。一个合格的问题应包含对象、场景和预期动作。
| 模糊任务 | 可执行的问题 |
|---|---|
| 看看同行有什么功能 | 三款工具如何帮助首次使用者在十分钟内完成核心任务？ |
| 比较价格 | 小团队从免费版升级时，真正触发付费的限制是什么？ |
| 研究用户口碑 | 用户放弃续费前反复提到哪些任务阻碍？ |
可以让 AI 充当“问题编辑器”：给它业务背景、目标用户和当前争议，请它提出五个可验证的研究问题，再逐个追问“这个问题的答案会改变什么决定”。如果答案不会改变任何动作，就先删掉。
第二步：按用户任务选样本，不按名气凑名单
竞品不只有“长得像”的直接对手。用户可能用表格、人工服务、内部流程，甚至选择什么都不做。建议把样本分成直接竞品、替代方案和参照产品三类。直接竞品帮助理解市场共识，替代方案揭示真实习惯，参照产品则提供某个交互或商业模式的灵感。
- 控制数量：一次深度研究 3 至 5 个样本通常够用。
- 固定版本：记录地区、套餐、设备和观察日期，避免把不同条件混在一起。
- 亲自走流程：公开介绍不能替代注册、使用、失败和求助的实际体验。
第三步：建立证据表，让 AI 不越过事实边界
把每条记录拆成“来源、原始事实、你的观察、可能解释、置信度”。官网说明可以证明产品承诺了什么，却不能证明用户一定满意；一条差评能提供线索，却不能代表多数人。对于时效性强的信息，要保留链接和日期。
把资料交给 AI 时，明确要求它只根据提供内容工作，并在每个结论后标注证据编号。若证据不足，就输出“未知”和待验证问题。涉及付费数据库、客户资料或内部策略时，应先确认使用权限并做脱敏，不能为了方便整包上传。
第四步：别只比功能，要比较整段体验
功能表适合确认“有没有”，却解释不了“好不好用”。更稳妥的框架是沿用户旅程比较：用户如何发现产品、如何理解价值、第一次成功需要几步、遇到错误怎样恢复、多人协作如何发生、升级和退出成本是什么。
| 维度 | 重点观察 | 不要草率得出的结论 |
|---|---|---|
| 定位 | 首页承诺、目标角色、主要场景 | 文案相似就等于用户相同 |
| 上手 | 首次成功路径、默认值、空状态 | 步骤少就一定体验好 |
| 能力 | 核心任务深度、边界与失败处理 | 功能数量多就更强 |
| 商业 | 套餐边界、升级触发点、迁移成本 | 标价低就总成本低 |
第五步：把发现写成“证据—解释—动作”
最终报告不必复述全部资料。每个关键发现用三段表达：我们看到了什么证据；它可能说明什么用户需求或产品取舍；接下来要验证或执行什么。比如“两个样本都在首次导入前提供示例数据”是证据，“用户可能害怕空白页”是解释，“用五名新用户测试示例数据是否缩短首次成功时间”才是动作。
AI 可以帮助寻找跨样本模式、生成反例和压缩表达，但优先级仍需结合你的战略、资源和真实用户研究。不要照搬对手：某项设计可能来自它的技术债、客群或盈利模式，离开上下文就失去意义。
专门做一次“反偏见复核”
竞品分析很容易被预设立场带偏。团队若一开始就相信某个对手更强，后续往往只收集支持这个判断的截图；若分析是为了证明自己的方案正确，也会下意识忽略不利证据。AI 同样会顺着问题的措辞组织答案，所以要主动安排一次反向审阅。
把关键结论逐条交给 AI，要求它扮演持不同意见的研究员：指出证据是否只来自官方宣传，是否把少数用户评价当成普遍现象，是否混淆相关与因果，并提出至少一种合理的替代解释。例如，某产品把高级功能藏得很深，既可能是体验差，也可能是它有意让新用户先完成最小任务。
- 找反例：什么样的用户或场景不符合当前结论？
- 换基准：如果比较的是任务完成质量，而非步骤数量，结论会不会变化？
- 查缺口：哪些判断只依据截图，没有实际试用或用户证据？
- 设失效条件：出现什么新信息时，我们应撤回这条结论？
最后安排一次短评审，让产品、设计、销售、客服等不同角色分别检查。销售可能看见购买阻力，客服更熟悉长期使用中的故障，设计关注操作路径，研发能判断某个表面差异背后的成本。不要让 AI 把这些分歧过早“总结成一致”，把有价值的冲突和待验证问题明确保留下来。
建立可更新的竞品档案，而不是一次性 PPT
市场信息会变化，静态报告很快过期。把证据表保留为可追踪的数据源，设置负责人、观察日期和复查频率。价格、套餐、核心流程和重大定位变化可以定期更新；零散的小改动则不必每天追逐。每次更新只记录“发生了什么、影响哪条旧判断、是否需要新动作”，避免重新生成几十页材料。
可以让 AI 比较两个时间点的资料并生成变更摘要，但输入必须来自同一地区、同一套餐和可比版本。若页面内容无法确认时间，就标注不确定性。长期积累后，真正有价值的不是谁多了一个按钮，而是对手持续把资源投向哪些用户任务，以及哪些选择反复被验证或撤回。
一份可复用的提示词结构
- 背景：我们的用户、产品阶段和待决定事项。
- 材料：编号后的公开资料与亲自试用记录。
- 规则：事实、推断分开；不补写未知信息；结论标注证据。
- 输出：三个关键差异、每项置信度、反例、待验证问题和建议动作。
- 复核：要求 AI 找出最薄弱的结论，以及哪些新证据可能推翻它。
发布前检查
- 研究问题是否对应真实决定？
- 样本是否包含替代方案，而不只是知名品牌？
- 每个关键判断能否回到来源和观察日期？
- 是否把功能数量误当成用户价值？
- 建议是否写成可验证的小动作，而不是“全面学习对手”？
竞品分析的价值不在于证明谁赢了，而在于让团队看见市场里的不同选择。AI 能把搜集和归类做得更快；你的责任，是把问题问准、证据守住，并把结论变成下一次更聪明的验证。
本文为读懂 AI 原创内容，基于通用产品研究方法整理。使用 AI 处理业务资料时，请遵守所在组织的数据与保密要求。
