GemNews

全部文章 · 文章

信息流说 AI 无所不能，它对你这个体量的店铺到底有什么用

作者 Iris (Nghi Chau) · · 11 分钟阅读

分享: WhatsApp · Telegram · X · Facebook · LinkedIn · Email

9月6日，@scheemunai 做了一件大多数 AI 博主从来不做的事。他们花了 24小时，用最新的模型 GPT-6 Astra 去做店主真正要做的活：品牌、文案、定位、转化率分析。结论是：“并不比 Fable 5 好多少，甚至不比 Opus 强多少。”他们还说，信息流里“全是‘让 Astra 做了这个做了那个’，可都是 Blender 3D 和没人玩的 threejs 小游戏”。

这条帖子拿到了 2200多次互动和 249条回复。很多人其实早就默默注意到了同一件事。

如果你的店铺月销售额在 2万到50万美元之间，你大概也感受到了这种落差。每天早上，时间线都在说一个人加一个 agent 就能撑起一门生意。每天下午，你还在手写商品描述，因为 AI 写的版本改起来比重写还费劲。下面就讲这个落差：爆款帖子实际展示了什么，真正好用的工具和只能演示的 demo 差在哪里，以及在改变工作方式之前，怎样判断一个工具站在哪一边。

信息流是 demo 集锦，很少有人晒成绩单

仔细看看本月 Shopify 圈子里最火的几条 AI 帖子，它们有一个共同点。

@TheMattBerman 发帖介绍 Jev 在 40秒内分析了 724条广告，互动量接近 8000次。这个工具还没有公开上线，帖子里说它“将在 @stealads + mcp 上线”。@gregisenberg 讲一个不懂技术的人靠 Grok Bot agent 经营生意，浏览量接近 400万。可例子是一份 newsletter，没有店铺要管的库存、退货和支付通道。

@PrajwalTomar_ 是这些爆款里最诚实的一条，因为它把两面都摆了出来。让 Astra 设计一个 landing page，第一版是“典型的 AI slop。倾斜的手机、鼠尾草绿、诗意标题”。直到喂给它 60万个真实网站、再让它点评自己的作品，结果才变好。惊艳的结果和令人失望的结果，出自同一个模型、同一天。区别在于给了它什么。

这就是要记住的规律。demo 展示输出，却很少展示输入，而真正的功夫都花在输入上。

好用的工具，手里握着你没有的数据

为什么有的 AI 好用、有的不好用？最清楚的解释来自 Shopify 的 CEO，而且说的根本不是营销工具。

@tobi 发帖说，Shopify 的 ML 团队微调了一个 8亿参数的模型（按现在的标准很小），它在一项很窄的任务上赢了一个前沿模型。帖子给出的理由是：“一个很棒的、能自我改进的递归飞轮。”Shopify 手里有这项任务的独家数据，用这些数据训练出来的小模型，打败了没见过这些数据的大模型。

把这个道理套到你信息流里的工具上。Jev 好用，是因为它读过几十万条正在投放的广告。Higgsfield 好用，是因为它见过哪些素材跑赢了。@scheemunai 测了 24小时的那个通用模型，不了解你的客户和利润率，也不知道你过去 12个月的广告数据。它给你一个平均水平的答案，因为它手里只有平均水平。

@mattepstein 从另一个角度转述了同一个观点，引用 Sam Altman 讲 Tobi 早期怎么用 ChatGPT：Tobi 让模型完全接入公司背景，按实际 workflow 训练它，再把多层次的项目交给它。而“这个 app 上的大多数人只给 ChatGPT 四个词、零背景，拿到‘ai slop’还要抱怨”。

@insomnia_vip 描述了电商人说的“完整背景”长什么样：一位前 Meta 员工先给 Claude 喂了 2.34 GB 知识库、42套广告策略、18份投放复盘、27条素材洞察和 31份测试文档，然后才让它产出东西。公式是 20% 人工、60% AI、20% 人工。前 20% 用来加载背景，后 20% 用来逐页核实、删掉水分。

@shannholmberg 给出了任何店铺都能搭的轻量版：一个装满纯文本文件的文件夹。写清楚生意做什么、客户是谁（用客户自己的话）、offer、定位、语气、证据。素材就来自你手头已有的销售通话和客户邮件。没有这个文件夹，每个工具都在瞎猜。有了它，就连让 @scheemunai 失望的那个模型也有东西可依。

盲目跟风要付出什么代价？

AI 很少什么都产不出来。风险在于它产出看起来说得通的东西，而这种东西要花很大成本才能挑出错。

Shopify 的 CEO 这周给它起了个名字。据 @interesting_aIl 报道，这位 CEO 提醒员工不要把没审过的 AI 邮件和代码直接丢给同事，并把这种偷懒的产出叫作“slop grenades”（垃圾手榴弹），说它会给所有人添活。这是一家有几千名工程师、有审核流程的公司。换成两个人的小店，这颗手榴弹会直接落在正在上线的商品页上，第一个审它的人是顾客。

市场已经在为此定价。@jackorgbuild 正在为 Meta 月投放超过 100万美元的品牌招视频剪辑，职位要求写的是能“做出看起来不像 AI slop 的 AI 视频”。雇主花钱买的是判断力，生成这一步机器早就会了。@vikingmute 提到 Shopify 自己的工程文章：在 AI 协助下用 12周以原生方式重做 Shop app，文中很大篇幅在讲怎样避免 slop、缩短反馈循环。就连用 AI 交付最快的公司，笔墨也多花在质量控制上。

还有一个实验值得关注，恰恰因为它不是 demo。@rtwlz 介绍了一个研究实验室：给 AI agent 真实的小生意，每个都配银行账户、借记卡、邮箱和域名，让它们向真实顾客卖真实商品。帖子没有公布结果。这份沉默比信息流里大多数内容更说明问题。截至本周，还没有公开数据显示无人监管的 agent 能让一家店铺盈利。

从不换打法的赢家

在这一切之外，本月电商讨论里表现最好的账号，根本没用 AI 做广告。

@carlmonkft 公开了整套 TikTok 广告设置：每个地区一个 campaign，每个 campaign 大约十条验证过的素材，广告库几周来几乎没动过，只加了一条新广告，因为再多做就像在生产 AI slop。赢家素材是一点点跑出来的，找到之后就让它们一直跑。

本月转发最多的一句话来自 @madsf88，互动接近 1.6万：“一个女生向朋友圈推荐某样东西，转化率比你全部付费广告预算都高。”

这两条帖子都不反 AI。它们提醒大家工具到底用来干什么。@kdseifu 把 8月 45万美元的营收归功于 Claude、Higgsfield 和 Rapid Ads 这套组合，这门生意和 @carlmonkft 的并没有本质区别。两人都找到了赢家，其中一个用 AI 找得更快。产品本身仍然得值得朋友推荐，这里提到的任何工具都改变不了这一点。

这周就能在自己店里跑的测试

最初的问题是：要不要因为信息流说的东西改变工作方式。答案是：别因为信息流改，要因为你自己跑出的测试改。下面这个测试只花一个下午，不用在现有订阅之外多花一分钱。

  1. 挑一件活，别挑整个 workflow。 重写最畅销商品的描述；给表现最好的广告写五个 hook 变体；起草最常见客服邮件的回复。挑一件产出能和现有版本对比的活。
  1. 先搭背景文件夹。 按 @shannholmberg 的清单来：你卖什么，谁在买（用他们自己的话，找五条真实评价和三封真实客服邮件），你承诺什么，你绝不说什么。这要花一小时，也正是每次令人失望的测试都跳过的一步。
  1. 有文件夹、没文件夹各跑一遍。 同一个模型、同一个 prompt，一次加载你的背景，一次只给四个词。如果两份输出看起来一样，说明工具没在用你的数据，它永远赢不了你现有的东西。如果差别很大，你就找到了价值所在。
  1. 做完最后 20% 之后，用一个数字来评判。 自己走一遍 @insomnia_vip 的收尾：核实事实、删掉水分、修正语气。然后用一个你已经在追踪的指标对比：广告点击率、页面加购率、邮件回复率。别问“看起来好不好”，要问数字有没有动。
  1. 到这一步再改 workflow。 数字动了，就把这件活长期交给 AI，最后由你审核。没动，你损失一个下午，换来的是：下次再看到这个工具的爆款帖，可以直接略过。

本月信息流里没有人在真实店铺上公布过这样的测试。在有人公布之前，你自己的这个下午就是手头最好的数据。

资料来源

在 GemCommunity 讨论

esc