AI生成的竞品分析报告看似专业，却暗藏数据真实性与分析深度的双重危机。当产品经理仅抛出"帮我做竞品分析"的模糊指令时，AI就像迷茫的实习生般胡乱猜测。本文揭秘五步黄金法则：从目标设定到框架选择，从素材投喂到迭代追问，教你用清晰指令让AI输出真正具备决策价值的分析报告，彻底告别"推测数据"的尴尬局面。
打开对话框，敲下一行字：”帮我做一份竞品分析”。
几秒钟后，AI给你生成了一份报告，标题规整，结构完整，有市场背景、有用户画像、有功能对比、有SWOT分析，最后还附上几条”战略建议”。你看了看感觉……好像还不错，于是复制进文档，准备稍微润色一下交差。
等你真正开始看细节，问题就来了。”2024年月活用户突破8000万”——这个数据哪来的？”在二手电子品类占据绝对优势”——有数据支撑吗？
你回去问AI：”你给的这些数据是真实的吗？”。它回答：”部分数据来自公开信息，部分为基于行业趋势的推测，建议自行核实”。等等，推测的？你盯着这份报告，脑子里一定会冒出一个问题：它给我的这些，到底有多少是真的？
但真的是AI的问题吗？
这就像是今天公司新来的实习生第一天报到，你把他叫过来，说了一句话：”去帮我调研一下竞品，然后你去开会了。
两个小时后，他把一份文档发给你。你打开一看：行业里能找到的十几个产品全列了一遍，每个产品写了两句介绍，最后附了一张功能对比表，维度都是他自己随便想的。他不知道你要支撑什么决策，不知道重点看哪几个产品，不知道结论要给谁看。只能靠猜，猜出来的结果当然和你期望的差十万八千里。
AI就是这个实习生，它上知天文下知地理，知道SWOT是什么、知道用户画像怎么写、知道竞品分析有哪些框架。但它不知道你这次分析的背景，不知道你想用这份报告支撑什么决策，不知道你的产品现在处于什么阶段。
AI不好用？本质上是沟通的问题，你没有定义清楚范围、目标和标准。
很多人做竞品分析的目的，是”出一份报告”，但报告本身不是目的，它背后要支撑的决策才是重要的。
一份真正有价值的竞品分析，必须有这几个东西。
你现在回头看，当你对AI说”帮我做竞品分析”的时候，这几个东西，你给了几个？好像一个都没有，那AI只能自己发挥，结果也可想而知。
基于这段时间反复试错和优化，我总结出了一套可以直接落地的方法，分五个步骤。每一步都不复杂，但每一步都很关键。
这是最重要、也最容易被跳过的一步。在给AI任何指令之前，先问自己：这次分析要支撑什么决策？不是”我想了解竞品”，而是一个具体的、有场景的问题。
模糊版指令：”帮我做一份竞品分析”。
清晰版指令：”我们是一款二手交易平台，目前正在考虑上线担保交易功能。请帮我分析某竞品在这个功能上的现有方案、用户反馈以及优缺点，目的是为我们的功能设计提供参考”
两个指令，AI给出的内容会有天壤之别。前者给你一份泛泛的行业概述，后者给你一份真正可以指导决策的专项分析。
设定目标时可以从三个维度想清楚：这次分析是为了功能迭代、市场切入，还是运营策略调整？分析结论要给谁看？最终要支撑的决策是什么？
很多人把所有相关产品都丢给AI，让它自己判断哪个是竞品。问题是：AI不知道你的产品定位，它无法替你做这个判断。
竞品通常分三个层级：
主要竞品：与你高度重合、直接争夺同一批用户的产品
次要竞品：功能或用户有部分重叠，值得重点关注
潜在竞品：不是直接竞争对手，某些功能或运营方式值得借鉴
这三类竞品，分析深度和关注维度完全不同。核心竞品要全面深挖，参考竞品只需要聚焦某个具体的点。
例如：”请将以下产品按竞品层级进行分析：核心竞品是A产品，与我们直接争夺二手手机用户；参考竞品是B产品，我们想借鉴它的鉴定体系设计。两类竞品的分析深度不同，核心竞品需要全面分析，参考竞品只需要聚焦鉴定流程这一个维度”。
这是大多数人最容易犯的错误：把选框架这件事也交给AI。AI会选，但它选的框架是”通用的”，不是”最适合你这次目的的”。不同的分析目的，对应不同的模型：
你需要根据自己的目的，主动告诉AI用哪个框架，不要让它自由发挥。
在功能迭代场景中可以告诉他：”请用卡诺模型对竞品的核心功能进行分类，区分出基本型功能、期望型功能和兴奋型功能，重点分析兴奋型功能上的差异，以及这些功能背后对应的用户需求”。
在市场切入场景中可以告诉他：”请用SWOT框架分析竞品目前在二手手机市场的处境，并基于分析结论，指出我们作为新进入者可以切入的机会点”。
这一步是被绝大多数人忽视的，也是提升分析质量最立竿见影的一步 。
AI的知识有截止日期。对于大平台，它掌握的信息可能还算准确；但对于细分市场、中小产品、最新的功能更新，它基本处于”不知道”或”在猜”的状态。解决方案很简单：把原材料喂给它。
你可以提供的素材包括：竞品官网或App的功能截图说明、应用商店的用户评论（直接复制粘贴）、你自己整理的竞品功能清单、行业报告的关键段落、你的产品现有数据。
示例指令：”以下是我从应用商店整理的竞品近期用户评论，共100条，请帮我从中提取用户对担保交易功能的核心反馈，归纳出主要的正面评价和投诉点，并分析背后的用户需求”
把AI当成一个有极强分析能力的分析师，不是一个无所不知的信息库。你提供原材料，它负责加工和提炼
很多人拿到AI的第一次输出，要么直接用，要么直接扔。这两种做法都是浪费。正确的姿势是：把AI的第一次输出当成一份可以不断打磨的草稿，针对性地三连问追问。
一次完整的迭代对话需要经历这个一套流程：
1️⃣ 提供素材 + 框架 + 目标，获得初稿
2️⃣ “第二部分的功能对比维度不够准确，我们最关心的是交易安全感这个方向，请重新聚焦这个维度重写这一部分”
3️⃣ “好，基于这个分析，帮我提炼三条可以直接写进需求文档的产品建议，每条建议要说明对应的用户痛点和预期效果”
经过这样几轮迭代，你会发现最终拿到的报告，和第一次那份”推测数据”的报告，完全不是一个量级
这五步的核心其实是一套通用的AI协作思维：人负责定义边界，AI负责在边界内高质量执行。
用AI做用户调研分析时，同样需要先定义用户群体、给定分析维度、提供访谈原始记录，让AI基于真实内容做分析，而不是凭空推测。不要直接说”帮我分析这批用户访谈”，而是先告诉AI这次访谈的研究目的是什么，目标用户群体的特征是什么，你希望输出的是用户痛点归纳还是需求优先级排序。
用AI写行业研究报告时，同样需要明确报告受众、给定结构框架、提供数据来源。不要说”帮我写一份行业报告”，而是先说清楚报告给谁看、核心要回答什么问题、你手头有哪些可以提供的资料。
两个场景，用的都是同一套逻辑：目标 → 竞品范围 → 框架 → 素材 → 迭代
这套方法不需要会写代码，你只需要在开始之前多花五分钟想清楚这几件事，AI给你的回报会超出预期。
你是一位经验丰富的产品分析师。
分析背景：[简述你的产品和当前面临的决策，如：我们是一款面向中小企业的项目管理工具，正在评估是否进入个人用户市场]
分析目的：[这次分析要支撑什么具体决策，如：判断是否要在下个版本上线AI自动摘要功能，需要了解竞品的现有方案和用户反馈]
竞品范围：[核心竞品：产品名，与我们直接争夺同一批用户，如同类协作工具；参考竞品：产品名，仅聚焦某个维度，如借鉴其AI功能的交互设计]
分析框架：[请使用SWOT / 卡诺模型 / 功能对比表 / 用户体验五要素进行分析，如：请用卡诺模型对竞品AI功能进行分类，重点分析兴奋型功能]
参考素材：[粘贴你提供的截图说明、用户评论、数据等，如：以下是从应用商店整理的近30天用户评论200条，请重点提取对AI功能的反馈]
**输出要求：**结论要具体可落地，数据请注明来源，推测内容请明确标注”推测”，最终给出三条可直接指导产品决策的建议。
欢迎评论区聊聊，我们一起试试这套方法，能不能帮你把AI用得更顺手
本文由 @阿灵顿的像素鱼 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自作者提供
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。