把差评交给 AI 整理很有用，让 AI 凭空模拟 100 个消费者却可能把猜测写成结论。本文用 3 条红线、5 步 VOC 流程和一段可复制的提问模板，教你整理评论、客服与退货原因，再把结论落到商品页、广告和订单实测。
比如，把 500 条评论丢给 AI，让它找出顾客最常抱怨的事。这个动作能省掉很多逐条整理的时间。
再问它“请模拟 100 个美国消费者，投票选出他们最想买的广告卖点”，屏幕上很快会出现百分比、人群和购买理由。
两份结果都很整齐，身份完全不一样。
前一份在整理顾客实际说过的话。后一份由 AI 自己分饰了一百个顾客，再让这一百个人给它自己的想法投票。
结果读起来太像研究，人就很容易忘了，这些“消费者”从没进过你的店，也没买过你的东西。一份表格看着越像研究，团队越可能拿它去买广告和改产品。
The CPG Guys 在 2026 年 8 月 20 日发布了一期节目，嘉宾是 Insights Association CEO Anita Watkins。节目里有一个很扎眼的题目，叫“Simulating Humans”，也就是模拟人类。
Anita 把合成数据的位置讲得很清楚。它适合放在研究前端，用来探索问题、生成假设和模拟场景。真实用户数据和人的判断，一直要在回路里。
这个边界对大公司有用，对样本更少、决策更快的独立站更要紧。
AI 很会“圆”，这正是它在 VOC 里的风险
独立站卖家做 VOC，手里的材料通常很碎。亚马逊和独立站的评论分开放，客服对话在另一个系统，退货原因只有几个简短选项，TikTok 评论又是另一种口气。
AI 擅长把这些碎片收拢起来。它能找重复问题，给原话打标签，分出购买前的顾虑和使用后的不满，还能提醒你某个结论里有反例。
它也特别擅长把缺的部分补圆。
假设材料里只有 3 个人提到安装麻烦，AI 可以把它写成“北美家庭普遍关注安装便利性”。你让它再深入一点，它还能给出年龄、收入、家庭结构和购买概率。
话越来越完整，材料却没有变多。
Anita 在节目里提到一个很准的风险，错误的确定感。合成用户的数据来源、更新时间和代表性如果没讲清楚，整齐的结论只会让决策错得更果断。
第一条红线，没有原话就没有用户结论
把产品介绍、竞品页和市场报告喂给 AI，它可以帮你准备调研问题。这些材料还不能替顾客开口。
一个结论如果要写进商品页、广告脚本或产品路线图，它后面至少要跟着一条可以找回去的用户原话或用户行为。
“顾客担心尺寸”还不够。要能找回那条客服对话，看到他担心的到底是浴缸放不下，还是安装后门打不开。两者都叫尺寸问题，要改的页面内容却不一样。
有了原话，团队才能回到起点重看，也才能发现 AI 把两个问题混在了一起。
第二条红线，别让同一个 AI 既当受访者又当裁判
这是最容易省时间的做法。
先让 AI 模拟三类人群，再让这三类人群评价五条广告，最后请 AI 选出冠军。一套流程跑完，会议也省了，广告似乎马上就能上。
可这个冠军只证明了模型喜欢自己最会写的答案。
AI 可以参与评价，评价材料要来自真实世界。可以看点击、加购、订单、退货，也可以找顾客做短访谈。一条广告用了 AI 仿真人物也没关系，谁为它付钱，仍要回到真实访客。
第三条红线，百分比必须有分母
“63%的消费者更关心便携性”。
这句话看起来很好用，甚至可以直接放进 PPT。先问一句，63%是谁除以谁。
如果分母是 AI 模拟出来的 100 个角色，这个百分比只能代表这一次模型输出，不能代表消费者占比。
真实的 VOC 材料里也别急着计算漂亮的比例。三十条差评可以帮你找到问题，很难替整个市场分配精确百分比。对小卖家来说，先把“有这个问题”找出来，就已经能改页面、改客服回复或准备下一轮广告。
一套五步 VOC 工作流
这套流程不需要专门的市场研究团队。运营、客服和投放一起就能开始。
第一步 拿回最近的用户原话
从最近 90 天的评论、客服对话、退货说明和站内搜索词里取材料。单量少时，先收 30 条。材料多时，按市场、产品和购买前后分开抽。
删掉姓名、电话、邮箱、地址和订单号，给每条材料一个编号。
第二步 让 AI 只做整理
先别问“我的消费者是谁”。让 AI 标出每条原话里的使用场景、购买阻力、期待结果和情绪。
同一类问题里要保留相反意见。有人嫌包装大，也有人因为包装扎实才放心。这类分歧可能指向两个完全不同的购买场景，要单独留下。
第三步 做一张证据表
表格可以这样记，下面两行是格式示例。
| 用户原话编号 | 场景 | 阻力 | 当前证据 | 可改的地方 |
|---|---|---|---|---|
| R017 | 小户型安装 | 担心开门冲突 | 客服对话原话 | 商品页补安装尺寸图 |
| R024 | 收货后组装 | 步骤看不懂 | 差评与退货说明 | 首屏提前展示组装时间 |
这张表要保留原话编号。两周后团队对某个结论有分歧，不用靠记忆吵，点回原文就知道顾客当时怎么说的。
第四步 把结论变成一个可实测的改动
一个问题只改一个主要位置。尺寸焦虑很高，先改商品页的尺寸说明。顾客总在付款前问交期，先把时效放到购买按钮附近。
广告也一样。从原话里找一个高频阻力，写成一组新钩子，用真实点击、加购和订单让它继续往下走。
第五步 每周把新声音放回去
这一步很容易丢。一份 VOC 报告做完以后，团队忙着改页面，后面的评论和退货原因没再进来。三个月后，AI 仍然在反复概括上一轮的顾客。
每周加一批新材料，保留日期、市场和产品。人会变，价格、广告和配送时间也会改变他们的说法。节目里也特别提到，模型要频繁用新的人类数据刷新，否则会慢慢与消费者脱节。
这段提问可以直接复制
把整理好并完成脱敏的 VOC 材料放在提问后面。
你是一名 VOC 研究助理。只分析我提供的材料，不补写用户背景，不模拟额外用户，不自行生成百分比。把每条材料标出使用场景、购买阻力、期待结果和情绪。合并明显重复的问题，保留相反意见和少数反例。每个结论必须列出对应的原话编号。找不到原话时，请写“材料里没有这个结论”。最后输出一张表，包含用户原话编号、场景、阻力、当前证据、可改的页面或运营动作。
这段提问有点笨，它不会一次性给你一份三年品牌战略。它只会帮你把顾客说过的话收好，找到现在最值得改的地方。
对大多数独立站，这已经很值钱。
AI 可以替你读完一千条评论，它替不了那个付过钱、拆过快递，后来又退了货的顾客。
## 参考资料
-
The CPG Guys 第 615 期节目 http://cpgguys.com/anita
拓展阅读：
[Calla Shoes 如何把一个小众脚痛问题卖到92个国家](https://mp.weixin.qq.com/s?__biz=MzcwNDM3ODE1MQ==&mid=2247483912&idx=1&sn=5be70032e9a546dc0775f1ff0bc3be9f&scene=21#wechat_redirect)
[2人独立站卖出10000单，从处理第一条差评开始](https://mp.weixin.qq.com/s?__biz=MzcwNDM3ODE1MQ==&mid=2247483872&idx=1&sn=5a0bc161e0b534e43a46ac780c737aa1&scene=21#wechat_redirect)
