ARTICLE · 1092615
我们把一款美区新品交给AI:它是怎么从几千个达人里筛出第一批名单的?
如果让AI帮一款TikTok Shop商品找达人，它到底能做到什么程度？
是输入一句：
“帮我找100个适合的达人。”
然后AI神奇地吐出100个精准名单？
还是最后运营依然要从几千个人里，一个个点开主页重新看？
我们最近用红茄 Crevideo 做了一次真实筛选测试。
先把测试条件说清楚。
这次使用的是红茄当前可访问的一个真实美区店铺商品。商品目前已经下架、库存为0，因此我们没有真正发送邀约，也没有把测试包装成正在投放的新品案例。
我们只是把它当成一次“新品筛选任务”重新交给AI，验证一个问题：
如果今天运营刚拿到这款商品，AI能不能先从上万候选达人中，把需要人工重点查看的范围明显缩小？
所有下面出现的数量，都来自这次实际查询结果，不使用模拟数据。
一、先别急着搜达人：AI第一步应该先看懂商品
本次测试商品是一款ZOYER美区商品：
GameGuard Hand Brace with Thumb Support for Gamers
测试时读取到的真实商品信息为：
市场：美国
售价：11.99美元
类目：Sports & Outdoor > Sports & Outdoor Accessories > Sports Wristbands
商品形态：带拇指支撑的手部/手腕支撑产品
当前状态：Seller Deactivated
当前库存：0
基于商品标题和类目信息，这次测试首先形成的不是“达人名单”，而是一版目标达人假设。
第一类，是游戏及长时间手部操作场景相关达人。
因为商品名称本身明确指向Gamers，如果达人经常出现主机游戏、PC游戏、桌面设备等场景，商品更容易自然进入内容。
第二类，是运动、健身及运动装备类达人。
商品本身位于Sports & Outdoor类目，可以继续寻找有运动护具、训练装备、运动恢复类内容的达人。
第三类，是实用产品测评型达人。
这类达人未必高度垂直于某一种运动，但如果长期拍摄功能型产品、Amazon/TikTok Shop Finds、实用小物，也有进一步确认的价值。
这一步很重要。
因为如果AI一开始只知道：
“给我找体育类达人。”
最后得到的可能依然是一大片非常宽泛的人群。
真正的筛选应该从商品开始：
这个东西适合谁用？什么内容场景能自然展示？什么类型的达人更有理由接这个商品？
然后才进入搜索。
二、第一轮一搜，我们先看到了“至少1万人”
第一次查询，我们只用了一个非常宽的条件：
Creator Category：Sports & Outdoor
结果不是几百个人。
而是：
Matched at least 10,000 creators。
已经触及后台返回数量上限。
换句话说，仅仅告诉系统“我要体育户外达人”，对于运营基本还不够。
这次真实筛选漏斗是这样的：
Sports & Outdoor达人
≥10,000人
↓
增加粉丝、播放、履约和带货基础条件
1,751人
↓
进一步提高活跃与商业合作条件
102人
↓
内容与商品人工复核
继续缩小
这就是我们第一次非常直观地看到：
AI筛达人真正要解决的，不是“有没有达人”，而是如何把一大片可能的人，变成运营真正值得看的候选人。
接下来，我们加入第一轮量化条件：
粉丝：3,000—200,000
平均视频播放：≥1,000
履约率：≥60%
GMV区间：0—25,000美元
带货销量：10—1,000件
类目：Sports & Outdoor
这一次，真实查询结果从至少10,000人缩小到了：
1,751名达人。
这里的思路不是“数据越高越好”。
比如我们没有直接只找几十万粉丝的大达人，也没有要求所有达人都必须拥有很高GMV。
因为对于11.99美元、需要大量测试达人匹配度的商品来说，中小达人本身也是重要候选池。
第一轮真正要做的，是排掉那些连基本合作条件都不满足的人。
三、第二轮再筛：1,751人变成102人
接下来，我们又把条件收紧了一层：
粉丝：5,000—100,000
平均视频播放：≥2,000
履约率：≥70%
GMV：5,000—25,000美元
带货销量：100—1,000件
类目：Sports & Outdoor
这一次，实际命中：
102名达人。
到这里，AI已经完成了一件非常适合机器做的工作：
从一个至少1万人的大池子里，根据团队事先确定的基础标准，把范围缩到了102人。
但这时候能不能直接发邀约？
不能。
因为接下来发生的一件事，恰恰说明为什么AI不能成为最终决策者。
第二轮返回的5名真实样本
单看数据，这5个人全部通过了我们第二轮的量化条件。
粉丝量合适。
有一定视频播放基础。
履约率跨过了门槛。
也有真实带货信号。
但当运营继续进入内容层复核时，问题马上出现了。
四、运营人工一看，又把几个人删掉了
AI完成基础筛选后，我们又去检查了部分候选人的公开内容。
其中一位70K粉丝候选达人，公开可检索内容明显偏向美妆、妆容方向，例如有deer makeup等内容。对于这款面向游戏/运动场景的手腕支撑商品，目前看不到足够强的内容匹配理由。
另一位24K粉丝候选人，公开内容可以检索到lip gloss、hair等美容相关内容，同样不是这次商品最应该优先投入的类型。
还有一位49K粉丝候选达人，本身是French Bulldog宠物内容账号，公开资料显示其定位明显偏“Frenchie content + Dog Finds”，过往公开商业内容也主要围绕宠物及家居好物。虽然他的带货能力可能没有问题，但与本次商品缺少直接场景匹配，因此也不会因为GMV达标就进入首批重点名单。
这一步非常关键。
因为它暴露出一个很真实的问题：
数据筛选通过，不等于商品匹配通过。
如果我们只按照：
粉丝够不够、
GMV够不够、
履约率高不高，
那么这几位达人都可以留下。
但运营最终需要回答的其实是：
我为什么要把这款商品发给他？
如果这句话说不清楚，就应该继续往后排。
这也是为什么红茄的筛选逻辑不能只停在数据库条件。
第二轮真正应该继续看的，是：
**内容：**达人最近到底在拍什么？
**活跃：**近期是否仍然持续更新和带货？
**带货：**有没有真实商品合作信号？
**受众：**他的内容受众是否与商品目标人群接近？
**历史联系：**团队是不是已经联系过他？
**店铺合作数据：**以前有没有回复、申样、发布甚至出单？
最后两项尤其重要。
本次测试有一个必须明确说明的限制：
当前这次筛选预览返回了真实候选数量和5个样本，但没有把完整102人列表及历史联系排重明细返回给我们。因此，我们没有把“已联系达人已全部排除”写成一个已经验证完成的事实。
如果这里为了文章好看，硬写：
“最终AI精准筛出27名达人，其中排除历史联系8人……”
那就是编数据。
我们宁愿不写。
五、所以，这次测试真正得到的“第一批名单”是什么？
严格来说，这次我们得到的不是一张“AI已经替运营选好、可以直接发送”的最终名单。
而是一张：
已经经过第一轮数据压缩、等待内容和历史合作信息进一步确认的优先候选池。
这反而更符合真实达人运营。
AI不是替运营拍板：
“这个人一定适合。”
它更适合完成前面大量重复工作：
从上万达人里先筛；
检查基础数据；
按照条件排除明显不合适的人；
把一大片候选人缩到运营可以重点判断的范围。
然后，再结合达人画像、内容、历史联系和店铺合作数据继续排序。
运营最终决定：
谁进入第一批邀约；
谁需要再看主页；
谁虽然数据好但商品不匹配；
谁过去已经联系过；
谁值得特殊处理。
AI减少的是“每个人都重新打开主页从零看一遍”，而不是取消运营判断。
这也是这次真实测试里最有价值的结论。
仅靠Sports & Outdoor类目，我们面对的是至少1万名达人。
加入第一层条件后，还有1,751人。
再收紧到更符合当前测试策略的条件，剩102人。
而到了102人之后，人工依然能很快发现其中存在内容明显不匹配的候选人。
所以真正高效的达人筛选，并不是：
AI一次性告诉你最终答案。
而是：
AI先把“大海捞针”变成“小范围重点判断”，运营再处理真正需要人来判断的部分。
六、红茄在这次测试里到底做了什么？
这次不是让ChatGPT凭空推荐几个TikTok账号。
实际搜索和筛选的数据能力来自红茄 Crevideo。
AI负责理解任务：
这是什么商品？
希望找什么达人？
第一轮要排掉什么？
第二轮应该提高哪些条件？
红茄则提供真实的TikTok Shop商品信息、达人数据以及搜索和筛选能力。
接下来，如果继续进入实际业务流程，还应该进一步叠加：
历史联系排重；
达人近期内容；
已有合作状态；
店铺过去的回复、申样、发布和订单表现。
然后再由AI重新形成合作优先级，交给运营确认。
普通AI可以告诉你：
“筛达人应该看粉丝、内容、GMV和履约。”
但当AI能够调用红茄以后，它才可以进一步参与：
“那就按这些要求真实找一遍。”
当然，最终要不要发邀约，依然由运营判断。
一条可以直接复制的AI筛达人指令
根据当前商品信息，先分析商品品类、价格、核心卖点、目标消费者和适合的内容场景，生成目标达人画像。
在美国TikTok Shop达人中寻找候选达人，先根据粉丝量、近期视频播放、履约情况和带货表现完成第一轮筛选；再重点结合达人近期内容、商品匹配、受众、历史联系和本店历史合作数据进行第二轮判断。
排除已经联系过、正在合作以及内容明显不匹配的达人。不要只按照粉丝量或GMV排序。
最终按合作优先级输出第一批候选名单，每位达人说明：为什么适合这款商品、主要数据依据、可能的风险点，以及仍需要运营人工确认的事项。
在我确认名单之前，不执行邀约发送。
这次测试没有给我们一个“AI比人工快多少倍”的漂亮数字。
也没有得出“AI选出来的人一定会回复”的结论。
但它验证了一件更实际的事情：
当候选达人从上万人缩到1,751人，再缩到102人以后，运营终于不必从第一万个账号开始，一个个重新打开主页。
真正值得自动化的，恰恰就是这部分大量、重复、机械，却又每天都必须做的筛选工作。
最终决定谁值得合作，仍然应该有人做。
只是人不应该把时间浪费在从零开始翻完所有人。
文章里跑的只是一次具体任务。
真正放到商家自己的店铺里，达人画像、筛选条件和优先级都会因为商品、价格、人群和历史合作数据而发生变化。
所以，比照搬一套“万能筛选条件”更有价值的，是直接拿自己的商品跑一次：
这款产品到底适合什么达人？ 现有候选名单里谁应该先联系？ 哪些达人其实可以直接排除？ 哪些历史达人值得重新激活？
红茄可以让 AI 结合真实商品、达人和历史合作数据完成这套筛选，再由运营做最终确认。
如果你也有一款正在推的 TikTok Shop 商品，扫描下方二维码，可以直接拿你的商品来试。
扫码，把商品交给 AI 跑一次，看看第一批优先达人会是谁。