我最近一次让 AI 帮我做市场调研时，它很快生成了一张完整的表。行业、客户、门槛、复购、价格竞争、资源匹配度几乎样样俱全。
但看完之后，我反而有点迷茫。信息变多了，不代表问题变清楚了。
这让我意识到：
真正有用的调研，不是给我结论，而是告诉我下一步该验证什么。
在学习 AI 的过程中，我先让它帮我分析几个制造业零件方向：
脚轮、小家电零件、医疗器械零件、电动工具零件、储能和光伏逆变器相关零部件。
AI 输出的表格很完整，涵盖客户类型、主要供应商、价格区间、复购可能性、材料和工艺特点。第一次看到，我几乎被它的“完整性”吸引，以为自己已经理解了市场。
但仔细看后，我发现问题依旧：
信息量大，却没有告诉我哪些是我需要验证的重点。一个方向可能有客户，一个零件可能有复购，但到底哪些适合进一步研究，哪些只是表面现象？这时我意识到，AI 输出越完整，越容易让人误以为已经理解了市场，但实际上我仍然需要自己判断。
于是，我把问题缩小到一个具体零件：一次性吻合器里的不锈钢推片/连接片。
我不急着让 AI 判断“值不值得做”，而是先做一张“陌生产品入门卡”：
它是什么？ 用在哪里？ 起什么作用？ 涉及哪些材料和工艺？ 谁可能采购？ 客户最关心什么？ 哪些信息必须现实验证？ 我能先做哪些低成本实验？
看到脚轮，当然能想到家具厂、物流设备厂、工具箱厂；看到电动工具零件，当然能想到电动工具厂；看到家电零件，也能想到家电厂。
但这些只是第一层信息，AI 可以很快列出。真正有价值的是第二层：
客户是自己生产还是外购？ 采购的是标准件还是定制件？ 现有供应商是否稳定？ 客户为什么愿意换供应商？ 新供应商进入需要样品、认证、账期还是价格优势？ 采购决策权在老板、采购部、工程部，还是现有一级供应商？
这些问题，才决定一个方向是否值得进一步研究。
从这些经历里，我总结出一套简单可复用的 AI 市场调研方法：
- 定对象
明确研究目标：行业、客户、产品还是供应机会。 对象不清楚，AI 很容易把小问题变成大报告。 - 拆字段
按客户类型、应用场景、材料、工艺、价格、竞争、复购、风险、待验证信息等拆开。 拆的越清楚，输出越可操作。 - 标待验证
对价格、客户采购习惯、供应商数量、利润、模具费用、交期、质量等标记“待验证”，并用低成本方式验证。 AI 输出再完整，也不能直接当作可靠结论。
不再追求一开始就得到完整报告，而是希望 AI 帮我明确：
我该查什么、问什么、验证什么。
信息变多了，不代表我理解了市场。真正的价值，是知道下一步该验证什么，并据此行动。
但写到这里，我又发现了另一个问题。
如果我希望 AI 帮我找到下一步验证动作，那前提是：我一开始就要把问题问对。
如果我问的是“这个行业有没有机会”，AI 就会给我行业规模、趋势、客户和市场空间。
如果我问的是“这个零件我能不能接触、能不能理解、能不能验证”，AI 给我的内容就会完全不一样。
同样是调研，问题的边界不同，答案的方向也会不同。
这也是我后来越来越重视 Prompt 的原因。
以前我以为 Prompt 只是让 AI 回答得更完整。
现在我发现，Prompt 更重要的作用，是让 AI 不要把我的问题带偏。
它不是简单的提问技巧，而是在帮我先想清楚：
我到底是在研究行业，还是产品？是在找资料，还是找验证动作？是在看市场有没有机会，还是看这个机会和我有没有关系？
所以，市场调研之后，我开始把注意力转向另一个问题：
如果一个问题本身还很模糊，我应该怎样写 Prompt，才能让 AI 帮我把它压缩到可验证的范围？
下一篇，我想记录一次更具体的练习。
我会用一个医疗器械零件作为例子，看看一个模糊的问题，如何通过 Prompt 一步步变小，直到它变成一个可以查样品、问工厂、找客户确认的具体问题。