AI竞品分析:从用户选择出发,避开功能表格陷阱
AI产品经理做竞品:从用户的选择出发,不是从技术出发
给出了从选品到落地的完整SOP,特别是“人工也是竞品”和“按人头定价推导”的案例极具实操参考价值。
AI产品经理做竞品分析最容易掉进的陷阱是什么?被模型参数和功能表格带跑。竞品分析要解决的核心问题不是技术有多先进,而是目标用户在用什么、你的产品和竞品差别在哪、能从竞品失败中学到什么。
前段时间帮一个创业团队做竞品分析,他们是做企业AI助手的。我接到的第一个需求是“分析ChatGPT、Claude、Gemini怎么做的”。
我问回来,“你们的用户是谁?”
“企业用户,主要在法务和财务部门。”
“那为什么要分析ChatGPT?ChatGPT主要面向个人用户。”
“…因为这些是最厉害的模型啊。”
这就是我看到最多的一个误区。
大部分人做分析的时候,很容易被模型或技术指标吸引。但分析的核心,应该是在特定场景下,产品如何为用户创造价值。
01 竞品分析要解决什么问题
我们用第一性原理来分析:为什么要做竞品分析?
有的人说是看对手怎么做的,有的人说是为了找差距。
都对,但还不不够彻底。
我的理解是,竞品分析要解决三个问题:
- 目标用户在用什么:他们现在的解决方案是什么,用的是哪个产品。这个产品怎么解决这个问题的,有什么限制或不足。
- 产品和竞品的差别在哪:不仅仅是功能,还包括使用体验、定价、服务模式,以及用户在用竞品时候的具体感受。
- 从竞品的失败中学到什么:为什么某个竞品没有成功,为什么某个竞品虽然有用户但没做大,为什么某个竞品的用户在流失。
这些问题的答案,往往比功能清单更值钱。
很多竞品分析做了半天,最后就是一个功能表格:我们有A功能,竞品没有,我们有优势。
——这是最没用的废话,因为功能是最容易抄的。
02 AI产品竞品分析的特殊性
AI产品有一些特殊的地方,是与传统的竞品分析有所不同的是:
一个是迭代太快。我做过的传统产品竞品分析,可能三个月或者大版本更新才看一次竞品有什么新变化。但AI产品不一样,某个竞品三天升级一个新功能,一周更新一个新模型,你的分析很容易就过时。所以AI竞品分析需要更高的“刷新频率”。有的时候需要一周看一次,甚至更频繁。
另一个是用户的感知和实际能力有差距。今天发布的GPT 6.2,跑分很漂亮,但用户的反馈特别差。还有一些产品宣传得特别厉害(就不点名了),说能做各种各样的事,用户上手时发现能力有限;而有的产品默默迭代,用户往往能挖掘更多。所以做竞品分析的时候,不能光看宣传和文档,必须自己用、实际测试。
还有一个是竞品可能不是软件产品。比如一个企业用户现在用的是人力或外包服务来处理某个问题,这也是竞品。如果一个AI产品的目标是要替代某个人工流程,那人工本身就是竞品。价格、质量、响应时间、可信度,都要对比。
最后一个是技术指标和业务价值的关联不清楚。一个模型的准确率提升了,这能转化成产品用户愿意付钱的价值吗?未必。所以竞品分析的时候不能只看技术参数。
03 怎么选竞品
首先要搞清楚,竞争的定义是什么。
很多人理解的竞争就是“功能重合”。但真实的竞争往往是“争夺同一类用户的注意力”或者“争夺用户为同一个需求的付费”。
还是那个法务AI助手的案子。
如果我们定义竞品是“做法务AI的产品”,竞品名单会很长;但这个创业团队的直接竞争对手不是所有法务AI,而是那些法务部门会拿来当工作工具的产品——比如说一个更大的通用AI助手,或者是某个软件自带的AI功能,也可能是某个律师事务所的内部工具。
这些看起来好像是不同的竞品,但对用户来说,他们的选择就在这几个之间。
所以选竞品的逻辑是:从用户的选择出发。
• 用户现在怎么解决这个问题?
• 他用的是哪个产品?
• 为什么用这个产品而不是那个?
• 如果我进来,用户会不会放弃现在的方案转向我,或者说他们为什么不会转?
选竞品还有个维度是不同的竞争阶段,分析维度也不一样。初创的时候,你的直接竞品可能是用户的旧方案或者人工流程;而产品成熟以后,竞品变成了其他更成熟的产品,甚至是跨界的。
04 如何分析竞品
我一般的流程是这样:
第一步,确定分析维度
不是所有维度都值得分析,要根据你的用户和竞争阶段来选。
还是这个法务AI的例子:
如果用户是“大企业的法务部经理”,那最关键的维度可能是“能不能和我们现有的法务管理系统集成”“生成的文件格式对不对”“生成速度快不快”。
如果用户是“小律师事务所的律师”,关键维度变成了“准确度怎么样”“定价是多少”“有没有离线版本”“隐私怎么保证”。
同样的产品,在不同用户眼里的关键维度完全不同。所以分析维度一定要从用户需求出发。
第二步,深度体验竞品
不是看官网说明,看评测文章,而是自己用。
用的时候要经历完整的流程。从注册开始,到完成一个真实任务,经历中间的所有步骤,包括定价页面、支付、试用限制、错误处理、客服交互。
比如我用一个竞品来生成一份合同条款分析。我会记录:花了多长时间注册,有没有卡壳,第一个问题问出来多快,结果准不准,生成的格式对不对,有没有继续优化的空间,用完以后怎么保存,成本是多少。
一个用户用这个产品的完整体验,就藏在这个过程里。
第三步,找真实用户聊
不是访谈竞品的官方人员,而是和竞品的真实用户。
问他们为什么选择这个产品而不是那个,用起来最满意的是什么,最不满意的是什么,会不会考虑换到其他产品。这些问题的答案能告诉你,竞品的真实价值在哪,痛点在哪。
有时候,一个竞品看起来很先进,功能很全,但用户说“我们就是为了省钱,其他功能我们都不用”。这个信息非常有用,因为它告诉你竞品真正的竞争优势。
第四步,得出结论
不是“我们比他们多了哪三个功能”,而是“在目标用户心中,我们应该怎么定位才能赢”。
有时候结论是“竞品的定价策略有漏洞,我们可以通过更灵活的定价抢用户”;有时候是“竞品的用户体验太差,我们做得好一点就能形成差异”;有时候是“竞品虽然功能全,但学习成本太高,用户需要的是简单易用的产品”。
这些结论才是能指导产品决策的东西。
05 一个实际的案例
又回到这个法务AI的案子(主要是太典型了哈哈哈)。
我先是列了二十多个竞品,从ChatGPT到各个法务软件内置的AI,到某些AI法律顾问平台。
但定义用户以后,我发现主要竞争对手其实就三个:
- 一个是Microsoft Copilot for Microsoft 365,法务部门用Word的时候就能用,而且能和他们的系统深度集成。
- 一个是某个垂直法务平台的AI助手,已经有五万多用户,定价是按照文件数量计费,一个月一百块左右。
- 一个是人工。相当一部分企业法务部门现在还是靠人力写文件和条款分析。
我花了两个星期,分别深度体验了这三个竞品(或者说这三种解决方案),结论是:
- Microsoft Copilot的优势是集成度深、成本低(套餐里自带)、信任度高(来自微软)。劣势是不理解法务特定场景,生成的东西要人工改很多。
- 垂直平台的优势是专业、可靠、有垂直社区。劣势是定价按使用量,用不起的小事务所用不了,价格上限也不透明。
- 人工的优势是准确、理解背景、能协商。劣势是慢、贵、招人困难。
基于这个分析,这个创业团队的定位就清楚了:做给中型企业法务部和中型律师事务所的AI工具,定价按人头而不是按用量,提供行业培训和最佳实践库,确保即开即用。
这个定位直接导出了产品的三个核心建设方向:
- 提高在这两个用户群体的可信度(通过Case study和行业认证)
- 降低学习成本(通过预制模板和场景库)
- 提高定价透明度(按人头固定价,没有惊喜)。
这些都不是通过“看功能列表”能得出来的。而是通过理解竞品、理解用户、理解用户为什么会或不会选择竞品,才能推导出来的。
06 注意踩中陷阱
我见过的最常见的陷阱就是功能对标。两个产品功能列表一摆,然后说“我们多了这个,他们多了那个”。然后呢?然后什么都没有了——因为用户不是按功能表格选择产品的。
第二个陷阱是只看大头。只分析最大的竞品,忽视了一些小而专的竞品。但往往是这些小而专的竞品,在某个细分用户群里做得最深。
第三个陷阱是分析停在表面。看了官网,看了评测,然后就完事了;没有自己用过,没有和用户聊过。这样的分析基本上就是“听说”。
最后一个陷阱是用过去的分析做现在的决策。AI产品迭代太快,三个月前的竞品分析可能已经过时了。分析的结论要定期更新。
本文由 @阿宝 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Unsplash,基于CC0协议
更进一步:量化金融体系
看懂新闻只是起点——沿量化金融路径,把它变成能交付的工程能力