你的商品描述,是写给谁看的?

前几天,我和一位做电商的朋友吃饭。

他跟我倒苦水:店里 8 万个 SKU,每个商品挂一套描述。文案团队 6 个人,天天加班,写得怀疑人生。

我问他:这些描述,是写给谁看的?

他愣了一下:写给……顾客啊。

我说,不对。"写给所有顾客",约等于没写给任何一个人看。

想想看。一个健身十年的老手,和一个昨天刚办卡、今天就想放弃的新手,买同一台跑步机。你给他们的介绍,应该一模一样吗?

老手想看电机功率、峰值马力、减震参数。

新手想看:会不会很难坚持?有没有跟练课程?放着不管会不会吃灰?

同一台机器。两种人生。一套文案。

这是很多电商平台的隐痛:页面统一,描述统一,全部用户,共用同一张脸。

写给所有人看的文案,等于没写给任何人看。

个性化,不止是推荐

说到电商个性化,你第一个想到的,大概是"猜你喜欢"。

没错,推荐系统已经用了很多年。它解决的是:给你看什么货。

但还有一个问题,它一直没解决:怎么跟你说这件货。

商品描述是什么?是商品和买家之间那座桥。桥修得对不对,直接影响你敢不敢下单。

那能不能再进一步?同一个商品页面,布局按人群微调,文案按人群重写。

这个思路,叫"多变界面"。什么叫多变界面?就是同一家店,根据不同客群的行为和偏好,长出好几个版本的页面。健身老手看到参数版,减肥新手看到鼓励版。

听起来很美。但一算账,冷汗就下来了。

假设你有 30 万个商品,想服务 5 个客群。那就是 150 万套描述。一个熟练文案,一天写 20 篇,不吃不喝,要写两百多年。

人工,这条路是死的。

从哪开始呢?

2025 年,有一项研究,把这件事认真跑了一遍。结论让我眼前一亮:这件事,生成式 AI 真能干成。

他们是怎么干的?三步。

第一步,摸清顾客是谁。靠两样东西。一个叫 RFM,看你最近一次什么时候买、多久买一次、每次花多少;另一个叫点击流,记录你在店里逛了哪、停在哪、点了什么。这些数据本来就躺在后台,大多数店只是没拿去用。

第二步,把顾客分组。用聚类算法,让机器自己把行为相似的人归成一堆。比如爱比价的、看测评的、冲动下单的,各自归堆。

第三步,把客群特征写进提示词,让 AI 写描述。比如告诉 ChatGPT:"为预算敏感的入门用户,写一段 150 字的跑步机描述,强调性价比。"

生成之后,还没完。要校验:字数对不对?参数有没有编错?还要量一量:给 A 群写的和给 B 群写的,真的不一样吗?

怎么量?用一把叫"余弦相似度"的尺子。什么叫余弦相似度?说人话:两段文字有多像,打个分。越接近 1,越像双胞胎;越接近 0,越是两个世界。

有意思的地方在于,这把尺子原本不是为 AI 造的。AI 生成文本有个特点:变体几乎无限。同一个需求,它每次写出来都不太一样。所以研究者专门做了适配,让它能量出"客群差异"真实带来的变化。

最后,用户点没点、买没买,数据再流回去,描述接着迭代。一个闭环。

实验结果,有点意思

那 AI 到底听不听话?

结果很干脆:只要提示词里写了客群特征,生成出来的描述就显著不同。写和不写,差别巨大。

但也有个小尾巴:26.7% 的案例里,不同客群的描述,差异没能拉开到统计显著的水平。

26.7%,差不多每 4 次里有 1 次,AI 在"和稀泥"。

原因说穿了很简单:描述太短。几句话的篇幅,再鲜明的客群特征也施展不开。而只要描述足够长,客群之间的差异,就能完全拉开。

你看,这跟人一样。你让文案用 30 个字写出"写给谁",他也只能写个大概;给他 300 字,笔锋立刻就出来了。

AI 不是不会写,是你要给它下笔的空间。

对了,还有个细节让我会心一笑:这项专门研究"AI 写商品描述"的研究,自己论文里的一部分文字,也是拿 ChatGPT 润色的。

太真实了。屠龙的人,骑的也是龙。

但是,凡事总有反面

先别急着上马。两件事,必须想清楚。

第一,数据。个性化靠的是用户行为数据。采集、加工、喂给 AI,每一步都在法律射程之内。隐私这根线,碰了就是大事故。

第二,伦理。给不同人看不同内容,边界在哪?强调性价比是贴心,若变成"看人下菜碟"的隐形歧视,那就是翻车现场。而且 AI 生成的内容,总得有人对它负责。

技术能跑多快是一回事,护栏修多牢,是另一回事。

最后,回到那顿饭

饭局最后,我跟朋友说:你那 8 万个商品、6 个文案的愁,靠加人解决不了,得换生产方式。

从"一套文案打天下",到"一个客群一张脸"。

AI 能帮你把一千张脸都写出来。

但决定该露哪张脸的,还是你。

祝你,也早日把这套新生产方式跑起来。