我花了两个晚上，让我们自建的亚马逊内容流水线（内部代号 aplus-builder）连续分析了一批女装产品的销售潜力。一共 5 款：法式网纱连衣裙、荷叶边雪纺伴娘礼服、运动套装、蝴蝶结粉裙、派对校服裙，后来又追加了花卉裙和连帽卫衣。
AI 给每款打了一个百分制的「销售潜力分」，最高的 77 分，最低的 68 分。听起来平平无奇对吧？但真正让我意外的不是那几个「能做」的分数，而是 AI 给出来的另外两句话——一句是「红海，建议过冬再押注」，一句是「68 分，低于我们的动手线」。
我本来以为 AI 选品是帮我找爆款。实测下来发现，它最值钱的能力是劝我别做。
那一晚，AI 像个泼冷水的买手
先还原一下真实过程。aplus-builder 接了一整套分析管线：先用外部检索把产品的竞品格局摸一遍，再叠加平台侧的品类常识，最后输出一个销售潜力评分，附带能不能做、怎么做（场景图、详情页）的建议。
两天里几个真实判断是这样的：
- 运动套装，77 分——当晚最高分。可以做，直接出详情页。
- 荷叶边蝴蝶结粉裙，74 分——可做，但要用指定模特换装来做场景图，产品图的服装细节必须保留。
- 派对校服连衣裙，70 分——边缘可做。
- 粉色花卉裙——AI 直接判了红海，建议「测款过冬，2 到 5 月再押注」。注意，它不是说不能做，是说现在不是时候。
- 连帽卫衣，68 分——低于动手线，劝退。
一天之内被劝退两回，我反而觉得这套系统开始靠谱了。为什么？因为劝退比推荐难得多。推荐错了，你可以怪运气；劝退错了，你损失的是「本可以」——那是永远无法证伪的机会成本。AI 愿意承担这个责任，说明它的判断不是和稀泥。
真正值钱的不是分数，是拆解
第二天我们又跑了一款复古格子连衣裙，这次 AI 的分析让我看到了「算赔率」和「凭感觉」的差距到底在哪：
- 竞品价格带被摸出来是 $9.99 到 $50.49——宽得吓人，说明这个类目里从清仓货到品牌货都在抢同一批搜索流量；
- 服装类目佣金率是 17%，不是很多人直觉以为的 15%——两个百分点，在薄利的女装里可能就是生死线；
- FBA 标准尺寸的履约成本大概 $3.22 到 $3.77；
- 最关键的：格子元素正处在秋季和返校季的销售峰值上——季节窗口是朋友。
这些信息单拎出任何一条，一个有经验的买手都知道。难的是让一个人同时盯着全部维度还不漏项。AI 干的就是这件事：它不生产神秘直觉，它只是把老师傅脑子里的隐性知识，摊平成一张可以逐行检查的表格。
所以我对 AI 选品的理解变了：它的价值不是预测，是定价。 预测是告诉你哪个会赢；定价是告诉你赔率是多少、风险在哪、现在进场划不划算。前者是玄学，后者是算术。
测款这件事，正在经历三次进化
把这两天的经历往上拔一层，我发现测款决策其实走过三个阶段：
1.0 赌手感。 凭经验觉得「这个能火」，小批量试，卖不动就归咎于运气。样本小、反馈慢、归因靠玄学，但它是绝大多数小卖家的默认模式——因为启动成本最低。
2.0 看榜单。 等别人验证过再跟进，追热点、抄爆款。问题是：你能看到榜单的时候，往往已经是下半场，你冲进去接的可能是最后一棒。
3.0 算赔率。 AI 把拥挤度、季节窗口、成本结构全部显性化，在下单之前就把风险摊开。它不保证你赢，但保证你不会在信息不全的情况下输。
这里有个反直觉的点：AI 选品并没有消除不确定性，它只是把后悔成本前置了。以前你下完单、压了货，三个月后才发现当初那个「好像有点红海」的直觉是对的——但钱已经变成库存了。现在 AI 逼你在下单前就把这句话说出来。人做决策有个毛病：赢了归功于自己，输了归咎于运气。算赔率之所以反人性，就是因为它不给你事后甩锅的机会。
一个可以带走的框架：AI 测款三问
如果你也想让 AI 帮你做选品判断，别问它「这个能不能火」——它答不上来，答上来也是骗你。换成这三个问题：
一问拥挤度：这个价格带里有多少同质化竞品？ 你是进去分蛋糕，还是进去抢蛋糕？价格带宽到 $9.99 到 $50.49 的类目，通常意味着两头都在绞杀。
二问时间窗：品类离销售峰值还有多远？ 季节是朋友还是敌人？格子裙在 9 月进场是顺风局，花卉裙在 9 月进场是逆风局——同一个产品，换个时间窗口，赔率完全不同。AI 说「过冬再押注」不是废话，它是在做时间套利。
三问成本结构：佣金、物流、退货把毛利吃掉多少？ 17% 和 15% 的佣金差，在算赔率的时候不是小数点，是生死线。先把这些数字加总，再谈利润率。
至于分数，我自己的参考线是：75 分以上值得做，70 到 74 谨慎做（控制首单量），70 以下别做或者等窗口。 68 分的卫衣不是没有机会，是机会不值得现在用现金去验证。
最后留一个问题给你：你信 AI 的眼光，还是信自己的手感？我的答案两天的实测之后变成了——让 AI 算赔率，用手感做决策。它俩不打架：一个负责把风险摊开，一个负责在风险之内下注。
