同一份表，我问了 AI 两遍，它给了我两个第一名

——只会写 prompt，和把判断写成算法，差的不是效率，是敢不敢拿它下决定

你大概是这么用 AI 的。

后台导出一张表，粘进对话框，敲一句：帮我分析一下这些差评，找出主要问题。

它回你一大段。

最后还贴心地补一句：建议优先关注质量管控。

你看完觉得，挺有道理的。

然后呢？

然后就没有然后了。这段话你不会拿去开会，更不会拿它去下一张五万块的采购单。

我用了半年多才承认：不是它不行，是我用错了地方。

01｜先承认，我也是从写 prompt 开始的

2022 年 11 月 ChatGPT 上线，我是最早一批把它接进跨境流程的人之一。

那几天朋友圈都在传它写的藏头诗，我在干另一件事：把六百多条竞品差评，一批批粘进去。

之前我让运营总结过，他给了我三行字。我问他读了多少条，他说前面三十几条很仔细，后面差不多都这样——人读到第三十条注意力就没了，这不怪他。

所以我最早的用法，和现在大部分人一样：粘进去，问它，看它怎么说。

只不过我问得比一般人讲究一点。我问的第一个问题不是「帮我分析」，是——「这条评论，如果买之前他就知道这件事，他还会买吗？」

这一句三年了我还在用。它能把一堆看起来差不多的三星差评，切成性质完全不同的两类。

第一类：买之前他就知道，他还是会买。——「凳子不能当梯子踩。」这是没讲清楚，改主图、加一行提示，两天。

第二类：买之前他要是知道，他不会买。——「坐上去中间塌下来。」这是产品本身有问题，改结构，两个月起，还得开模。

分错的代价是不对称的：前者当后者，白花两个月；后者当前者，你会把一个缺陷写成卖点。

那阵子我挺得意的。我以为我找到了用 AI 的正确姿势——问题问得越准，答案就越好。

02｜半年后那次，我把改款会推了

有一次要给一个爆品改款。头天晚上我把差评跑了一遍，第一优先级是「承重」。

第二天早上我想再看一眼。同样的文件，同样的问题，重新问了一遍。

第一优先级变成了「异味」。

中间隔了九个小时，我什么都没改。

我懵了。

不是因为哪个答案错了。是因为我突然不知道该信哪一个——而这意味着，前面半年我拿它下的每一个决定，我都验证不了。

问题不在它不够聪明。是我把不该给它的活给了它。

03｜我在让它同时干两件性质完全不同的活

「这条评论在抱怨什么」——这是语言活。

「这七个问题里，哪个该先改」——这是算术活。

语言活它比人强，而且比人有耐心：读第六百条和读第一条一样认真。

算术活它干不了。因为算术必须每次都一样。

你让它一次把两件事干完，它就会在你看不见的地方，把第二件也用「说话」的方式办了——每生成一次，权重都飘一点。飘一点，第一名就换人了。

这不是模型的缺陷。是我把一件需要确定性的事，交给了一个天生不确定的东西。

04｜同一个问题，两种做法，差在哪

从那以后我改了做法。「归到哪一类」还是交给 AI；「哪一类排第一」拿出来，写成一张表。

表上写死几件事：物流和客服类不进产品问题的分母；一个主题不到多少条就不成立；占比、平均星级、可改性各占多少权重；可改性是「改不动」的，优先级直接归零。

听起来很土。但两种做法的差别是这样的——

第一份东西，你读完点点头。

第二份东西，你可以拿去跟工厂谈价，也可以拿去跟老板要预算。

05｜差距二：它永远不会跟你说「我不知道」

你问它，它一定会答。你粘三十条，它答；你粘八条，它也答，而且答得一样自信。

说一个我身边的例子。

L是个新手，做家居收纳，两个人，从一个 SKU 起家。

她刚开始卖的时候，手里只有 27 条评论。她把这 27 条粘给 AI，问主要问题是什么。

AI 答得很干脆：包装破损是核心问题。

她信了。换了加厚纸箱，单件成本涨了两块三，还压了一个多月的库存周转。

后来单量起来，评论攒到两百多条，她重新看了一遍——包装破损排第九，占比不到 4%。

真正排第一的是「安装说明看不懂」。改一张说明书的事，两天，成本零。

L不笨，她的判断逻辑一点毛病没有。

问题在于，样本只有 27 条的时候，她面对的是一个从来不会说「我不知道」的东西。

现在我的规则里写死一条：样本不够，就输出「数据不足」，不输出结论。

很多人不习惯，觉得工具就该总能给个答案。但一份报告上多一行「数据不足」，和多一行编出来的数字，代价差着一个季度。

一个诚实的「我不知道」，是很贵的东西。

06｜差距三：它给你的是句子，不是动作

建议优先关注质量管控。

可以考虑优化主图呈现。

适当调整投放节奏。

每一句都对。每一句读完，你还是不知道明天该干什么。

这不怪它，它就是被训练成这样说话的。

所以我给自己的产出列了一张禁用词表：建议关注、可以考虑、适当调整、酌情、进一步优化——一个都不许出现。

任何一份分析，最后只能落到三个词之一——做、不做、缺数据。

「不做」也是结论，而且经常是最值钱的那一个。我们现在体检一条 Listing 查十二项，最后进改动清单的常常只有两三项，剩下九项写的都是同一句话：这个不用改。

那句话替你省下一次会议、一轮改版、两周观察期。

07｜差距四：你连自己上次问了什么，都复不出来

这一节我想讲个人。

老周做宠物用品，年销几百万，团队五个人。

他是我见过 prompt 写得最长的人。一条指令能写两千多字——角色、背景、输出格式、语气要求，交代得清清楚楚。

他让 AI 每周一出一份「本周优化建议」，雷打不动跑了半年。

有次吃饭我问他：这半年，AI 帮你改对了哪一件事？

他想了很久，说：好像……每周都挺有道理的。

然后又补了一句：但每周说的都不太一样。

这就是问题所在。

老周不是没执行力。恰恰相反，他执行力太好了——AI 每周指一个方向，他每周就换一个方向。半年跑了二十几个方向，一个都没跑完。

而且他没法回头查。他不知道 AI 当时是基于哪几条算的、剔掉了什么、权重怎么给的，甚至不确定自己当时粘的是哪一版表。

写成规则之后，这件事变成：同一份输入跑两次，产出逐字节一样。

这不是技术洁癖。一年下来，你手里会攒下二十几条确定的因果：这个改了，涨了；那个改了，没动。

而不是一句「我感觉主图挺重要的」。

08｜差距五：最贵的那一课——它不会提醒你「现在别做」

有一次一个爆款，ACoS 全店最低，转化率排在类目前列。运营做了份表，申请推广预算翻倍。

六周后算账，那次加预算让我少赚了大概两个月的利润。

钱不是在广告上亏的。是那批货提前一个月卖完了。

补货到仓要六十天，中间断了三十几天。等新货上架，那个主词的自然位已经从第七掉到四十开外。

我们又花了两个月，才把它推回去。

这个决定的每一步都是对的。错的是时机。

同样的事，我在别人身上又看过一次。

老陈做户外，全店三个 SKU，一个爆款撑住七成的量。

八月他问 AI：这个词表现这么好，要不要加预算？

AI 说要，还给了一整套加预算的节奏。他照做了。

十月，那个爆款断货二十六天。

十一月货回来，他又去问 AI：怎么把排名推回去？AI 又给了他一堆建议，一样很有道理。

后来他跟我说了一句话，我记到现在——「它回答我的每一个问题都答得很好。问题是我到十一月，才想起来该问它库存。」

你把广告报表粘给 AI，它永远不会提醒你这件事——因为你没把库存表给它。

而你不知道该给。

这才是最要命的地方：它只能回答你问的问题。你没想到要问的，它不会替你想到。

规则可以。因为规则是你在头脑清醒的时候写下来的，它会在你着急的时候拦住你。

所以现在，我做任何加预算的决定之前，先过两个问题：货够卖到到货那天吗？这条 Listing 修好了吗？

有一个答案是「不」，这轮就不加。

09｜后来，老周把那套两千字的 prompt 删了

他现在每周一还是跑一次，跑出来的东西变了。

不再是一整页「本周优化建议」，是一张只有三行的表：这周改哪一项、上一项改完的结果是什么、哪些项这轮明确不改。

他跟我说，最大的变化不是数据涨了多少。

是他终于知道自己上个月干了什么。

只用 prompt 的人，每天都在得到答案。

把判断写成规则的人，得到的答案更少，但每一条都能存下来、能被验证、能交给下一个人接手。

一年之后，前者手里是一堆聊天记录，后者手里是一套越用越准的判断标准。

AI 给跨境带来的变化是真的。但它给的不是答案——是把一个判断做扎实的成本降下来了。以前这要一个十年老运营，现在要一个下午，加几条写死的规矩。

至于那些一直凭手感做的决定，它们不会因为你用了 AI 就变准。

只会变快。