竞品调研中AI的应用并非万能，过度依赖其抓取能力反而会陷入信息浅层的陷阱。本文揭秘从失败案例到成功实践的完整方法论，教你如何通过结构化投喂用户手册、更新日志等核心材料，让AI成为真正高效的分析助手。尤其值得关注的是如何定义分析粒度、锁定输出格式等实操细节，这些经验将彻底改变你的竞品调研效率。
在上一篇《用Skill做产品规划？聊聊我踩过的三个坑》里，我提到过的第二个坑：过度迷信AI对”私有化数据”的抓取能力。
当时做竞品分析，我一开始的想法很丰满——输入竞品名称，AI就能自动去网上抓取他们最近1-2年的升级日志和财务报表，自动给我分析出一份产品路线图和战略变化。
结果呢？它确实给我输出了一篇洋洋洒洒的内容。但仔细一看，基本全是基于网上公开的营销软文、发版通稿、甚至发布会公关稿拼凑出来的。对于产品底层究竟是怎么迭代的，几乎没有任何参考价值。
那篇文章里，我只简单说了结论——”回归外脑定位，把人工整理的竞品日志作为原材料投喂给AI”。
但有伙伴看完之后私信我：具体怎么喂？喂什么？Skill怎么写？能不能展开讲讲？
所以今天这篇文章，就专门把这个话题掰开揉碎了聊。
做竞品调研这件事，产品经理应该都不陌生。
传统的做法，大致是这样一条链路：确定竞品范围 → 收集竞品信息（官网、行业报告、用户评价、用户手册）→ 整理竞品功能清单 → 分析产品路线图 → 输出竞品调研报告
这里面，最耗时的不是”分析”，而是”收集”和”整理”。
你可能要花两三天时间，把北森、薪人薪事、飞书这些竞品的官网翻个遍，把他们的更新日志一条条扒下来，把用户手册里跟自己负责的模块相关的章节截图保存，最后才能开始真正有价值的分析工作。
所以当我第一次尝试用AI做竞品调研的时候，我的期待很简单：能不能把”收集和整理”这件事交给AI，让我直接进入”分析”环节？
事实证明，这个期待本身就没问题。问题出在我对AI能力的误判上。
我当时的做法，现在回想起来，确实有点天真。
我建了一个Skill，输入的内容大概是这样的：
“请分析以下竞品（北森、薪人薪事、飞书人事）最近两年的产品迭代情况，包括：
1. 主要功能更新；
2. 产品战略方向变化；
3. 对我们产品的启示。”
然后我就等着它给我一份”竞品分析报告”。
它确实给了。而且给得很快，格式也很漂亮，有表格、有分类、甚至还有”战略建议”。
但当我逐条去验证的时候，问题就暴露了。
第一，信息来源不可靠。它引用的”北森2025年Q3更新”，实际上是北森公众号的一篇营销推文，标题写着”全新升级”，但内容只是换了个UI皮肤。它却把这个解读成了”北森在重新设计核心交互架构”。
第二，信息严重滞后。它引用的一些”最新动态”，实际上已经是半年前的旧闻了。对于SaaS产品来说，半年的迭代可能已经翻天覆地。
第三，分析全是正确的废话。”建议关注竞品的用户体验优化方向”、”建议加强移动端能力”——这种话，不说我也知道。
说白了，它给我的不是”竞品调研报告”，而是一份”基于公开营销信息的拼凑稿”。
那一刻我才真正理解了一件事：AI不是调研员，它没有腿，跑不了你的市场。
它能做的，是基于你给它的信息或公开信息，进行结构化的分析和推理。但如果你给它的信息本身就是浅层的、片面的、甚至误导性的，那它的分析再漂亮，也不过是”在沙子上建城堡”。
踩完这个坑之后，我换了一个思路。
与其让AI自己去网上”找”信息，不如我自己把信息找好，整理好，然后让AI来帮我”消化”。
这个思路的转变，看似退了一步，实际上是进了一大步。
具体怎么做呢？
第一步，明确我需要什么信息，以及从哪获取。
说实话，做B端SaaS的竞品调研，你真正需要的信息来源其实很有限，但每一个都很实在：
竞品官网的更新日志
——这是最直接的迭代信号。哪个模块在持续更新、更新频率如何、最近加了什么新功能，一目了然。需要登录才能看到的部分，我手动截图保存
竞品的用户手册
——这是最被低估的竞品信息源。手册里写了什么功能、操作流程是什么、支持哪些配置项——这等于竞品把自己的”产品说明书”直接递到了你手上。手册里没提到的功能，至少说明不是他们的重点
竞品的财务报表
——这个不是每次分析都需要，但当你想判断竞品的战略重心时，财报数据（营收增速、研发投入占比）是一个很好的辅助参考
你可能会问：行业报告呢？竞品的招聘信息呢？公众号推送呢？
我的经验是：这些信息看起来很”丰富”，但对产品经理的实际决策帮助有限。行业报告通常是宏观视角，落到具体模块的对比上粒度不够；招聘信息能看出方向但验证成本太高；公众号推送里营销噪音太多，过滤的精力不如直接去看更新日志。
与其贪多求全，不如把有限的精力集中在三个最实在的信息源上。
第二步，定义分析粒度——不要试图“全面分析”，要“精准打击”。
这是我踩的第二个坑。
一开始，我每次做竞品调研都想”全面了解”一个竞品——从考勤到排班到薪酬到绩效，恨不得把对方的产品翻个底朝天。
我给Skill喂了竞品A四个模块的用户手册，加起来快100页，然后让它”全面分析”。
结果就是：信息量太大，AI的分析变得又浅又泛，什么都提到了，但什么都没说透。
后来我换了一个策略：每次只聚焦一个模块或一个专项能力。
比如这次只分析”智能排班”这个专项能力，下次只看”国际化”做得怎么样。
这样做的好处是：信息更聚焦，AI的分析深度明显提升，而且产出的结论可以直接对接到我负责的具体模块上，不用再二次加工。
第三步，把信息“喂”给Skill——但不是简单丢进去就完事。
这一步很关键。你要告诉Skill的不只是”这些是什么材料”，更要告诉它”这些材料分别有多可信，以及我希望你怎么用它们”。
我的竞品分析Skill里，有一段很核心的指令：
“分析要求：以我方PRD为锚点，逐条对比两家竞品用户手册中的对应功能。不要给我’竞品在持续创新’这种正确的废话，我要的是’竞品A支持了XX种规则，竞品B只支持XX种，我们目前支持XX种’这种具体到功能点的差异。重点关注’你有我没有’或’实现方式根本不同’的核心差异点。”
你看，这段指令的本质，不是在告诉AI”做什么”，而是在告诉它”怎么判断”。
这又回到了我之前反复强调的那个观点：你给AI的不应该只是任务说明，更应该是你的判断标准。
第四步，定义输出结构——而且要”锁死”格式。
光有信息和分析方向还不够，你还得告诉它，你希望最终看到什么样的输出。
这一点我踩过坑。一开始我没定义输出格式，Skill每次给我的报告结构都不一样——有时候先讲功能，有时候先讲战略，有时候表格和文字混着来。我每次看完都得自己重新整理一遍，反而增加了工作量。
后来我在Skill里”锁死”了一套输出结构，要求它必须全部用Markdown表格呈现，而且必须按固定顺序输出六个板块：
为什么要”锁死”格式？两个原因。
第一，降低你的二次加工成本。你拿到报告之后，不需要再重新排版、重新归类，直接就能用。尤其是全表格输出，复制到PPT或者飞书文档里，几乎不用调整。
第二，让Skill的分析更结构化。当你要求它必须按”路线图→资源投入→战略洞察→自身启示→功能盘点→差异化对比”这个顺序输出时，它实际上是在被强制执行一个分析框架——先看时间线，再看资源分配，再推断战略，最后落到自己的行动上。这个框架本身就是一种分析质量的保障。
拿我最近做的一次竞品调研来说。
当时我要分析两个竞品在”智能排班”这个专项能力上的情况。我准备的材料其实很简单：
就这些。没有行业报告，没有招聘信息，没有公众号推送。
把这些材料喂给Skill之后，大概几分钟，它给了我一份结构化的对比分析报告。
它给我输出的结果：
有几个发现，确实是我之前没有意识到的：
发现一：两家竞品走的是完全不同的技术路线。
竞品A已经从”规则驱动”进化到了”数据驱动”——他们引入了业务预测模块，能根据历史客流、订单数据预测未来的人力需求，然后自动生成排班表。说白了，他们的排班已经不只是”排班”了，而是WFM（劳动力管理）的一部分。
竞品B则一直在深耕”规则引擎”——循环模板、智能对班、打卡自动匹配，全都是基于规则逻辑的自动化。他们最新一期甚至专门攻克了”大小周””跨自然周N休W”这类本土化极强的倒班场景。
这个差异背后，其实是两家公司目标客群的不同：竞品A主攻大型连锁和制造业大客，这些客户对人力成本极度敏感，需要预测型排班；竞品B深耕中腰部制造和互联网企业，这些客户的核心痛点是”排班规则太复杂，手工排太慢”。
发现二：竞品A在“复杂用工场景”上的覆盖度远超我们。
他们的用户手册里详细描述了”多维度排班”——脱离单一的”按人排班”，支持按职位、按任务维度挂载班次并填入人员，能处理门店一人多岗、车间多条产线按任务调度的场景。还有”划线排班”——在时间轴上直接拖拽生成碎班次，精确到15分钟。
这意味着他们能处理”一人多岗””门店碎班”这类我们目前还不太支持的场景。如果我们的客户群体未来向连锁门店拓展，这个差距会变成一个硬伤。
发现三：竞品B在“本土化规则”上做得比竞品A更细。
比如”大小周”这个场景——第一周上5天，第二周上6天，循环往复。竞品A的循环排班只支持按周或按天的基础循环，但竞品B专门做了”多周循环”模板，能精确处理”第一周小周、第二周大周”这种国内互联网企业极度高频的排法。
这个发现让我重新思考了我们的优先级——我们之前把”业务预测”作为排班模块的下一个重点方向，但看完这个分析之后，我觉得可能应该先把本土化规则引擎夯实。毕竟我们的客群里，互联网和制造业客户占大头，”大小周”是实打实的高频刚需。
发现四：从更新日志能看出两家竞品的资源投入节奏完全不同。
竞品A在2023年下半年到2024年初密集上线了业务预测、划线排班、工时标准等功能，之后迭代节奏明显放缓，进入了”打磨期”。竞品B则是从2024年底开始，跨越三个版本稳步推进智能排班，每个版本解决一类具体问题（循环模板→智能对班→复杂倒班）。
这说明竞品A已经在排班模块上完成了”从0到1″的能力建设，正在向”从1到N”的精细化演进；而竞品B还处于能力补齐阶段，但节奏很稳，每个版本都有明确的交付目标。
这四个发现，每一个都是可以直接转化为产品决策的输入。尤其是第三个发现——竞品B在本土化规则上的深耕，如果我不做这次系统性的对比，很可能不会意识到”大小周”这个看似不起眼的功能，实际上是中腰部客户选择排班工具时的一个关键决策因素。
第一，AI做竞品调研，本质是“增强你的对比能力”，而不是“替代你的调研工作”
调研这件事，核心价值从来不在”整理信息”，而在”判断信息”。哪些差异重要，哪些只是实现方式不同，哪些变化意味着战略转向，哪些只是常规迭代——这些判断，AI无法替你做。
但它可以帮你做一件事：把你可能要花两天才能逐条对比完的PRD和用户手册，在几分钟内消化完，然后告诉你”这里有3个值得你关注的差异”。
你只需要去验证这3个差异，而不是从头到尾重新看一遍。
第二，聚焦比全面更重要
不要试图一次分析一个竞品的所有模块。信息量太大，AI的分析会变得又浅又泛。
我的做法是：每次只聚焦一个模块（如考勤）或一个专项能力（如智能排班、国际化）。信息更聚焦，分析更深，结论更直接。
这就像看病——你不会让医生一次性给你做全身检查然后给你一个”总体健康评估”，你会告诉他”我最近胃不舒服”，让他针对性地检查。
竞品调研也一样。你这次关心的是智能排班，那就只喂排班相关的材料，只分析排班相关的差异。下次关心考勤，再单独做一轮。
第三，用户手册是被严重低估的竞品信息源
很多人做竞品分析，第一反应是去看更新日志、看行业报告、看新闻动态。但说实话，竞品的用户手册才是最实在的信息源。
为什么？因为更新日志只告诉你”他们最近做了什么”，行业报告只告诉你”市场大概是什么样”，但用户手册告诉你的是——”他们实际交付了一个什么样的产品”。
手册里写了什么功能、操作流程是什么、支持哪些配置项、边界场景怎么处理——这些信息，是你做功能对比最需要的”原材料”。
而且用户手册有一个天然优势：它的信息密度极高。一份排班模块的用户手册，可能涵盖了循环排班、智能对班、业务预测、多维度排班等十几个功能点的详细说明。你让AI去对比这份手册和你自己的PRD，比让它去网上搜10篇竞品相关的文章，产出质量高出一个量级。
第四，要给Skill“判断标准”，而不只是“任务要求”
我在前面提到过，我的Skill里有一段关于”材料可信度分级”的指令。这个指令的价值，远比”请分析竞品”这五个字大得多。
因为当你告诉它”用户手册是最可靠的证据，更新日志要注意过滤营销话术，财务报表只是辅助参考”的时候，你实际上是在把自己的调研经验传授给它。
这又回到了那个核心观点：Skill的价值，不在于它多会写提示词，而在于你愿不愿意把自己的经验和方法论装进去。
第五，竞品调研Skill可以和其它Skill组合使用
这是我最近在尝试的一件事。
做完竞品分析之后，我会把分析结果直接喂给”需求优先级判断Skill”，让它结合竞品的动态，重新评估我那1000多条需求的优先级。
比如，如果竞品A在智能排班上已经从规则驱动进化到了数据驱动，而且他们的多维度排班和划线排班覆盖了大量我们还不支持的复杂用工场景，那我们排班模块里相关的需求，优先级就应该往上提。
这样一来，竞品调研就不再是一个”做完就放一边”的报告，而是真正融入了产品决策的工作流里。
回头看，竞品调研这件事，AI能帮的其实很有限。
它不能替你去下载竞品的用户手册，不能替你去整理更新日志，也不能替你判断竞品下一步会怎么走。
但它能做一件事：把你准备好的PRD和竞品手册，在几分钟内完成逐条对比，然后告诉你”这里有4个你需要注意的差异，其中第3个可能会改变你的优先级判断”。
前提是，你得先把材料准备好——去官网下载用户手册，整理更新日志，准备好自己模块的PRD。然后告诉Skill：这些材料分别是什么、可信度如何、你希望它怎么用。
说到底，AI终究只是那个帮你消化信息的大脑。而你，才是那个决定要消化什么信息、以及怎么消化的人。
如果你最近也在尝试用AI做竞品调研，不妨问自己一个问题：
你现在给AI的，是随手搜来的营销通稿，还是你自己花时间整理过的用户手册和需求文档？
这两者的差别，往往决定了你拿到的是一份”看起来很专业的报告”，还是一份”真正能影响产品决策的洞察”——比如让你意识到，”大小周”这个看似不起眼的排班规则，可能是中腰部客户选择排班工具时的一个关键决策因素。
本文由人人都是产品经理作者【产品方法论集散地】，微信公众号：【产品方法论集散地】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
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。