亚马逊 SaaS 集体「AI 注水」：绝大多数并没有训练模型

几乎所有面向亚马逊卖家的 SaaS 产品都把「AI」写在落地页上，但绝大多数产品并没有真正训练任何模型。这是一位统计学博士背景的作者发表在 Hacker News 上的观察，他将这种现象称为「AI 注水」，并指出这是一个用词问题，而非诚信问题。

三层「AI」的真实含义

作者把市面上自称 AI 的 SaaS 实际做的事分成三层：

• 规则系统：例如「ACoS 超过 30% 持续七天则降价 10%」，本质是手工编写的确定性逻辑，与 AI 无关。
• 传统机器学习：用历史数据训练统计模型完成销量预测、需求预测、异常检测等任务。这需要真实的 ML 团队、数据集和持续迭代，市面上能做到的 SaaS 很少。
• 调用大模型 API：用 GPT、Claude、Gemini 等模型的接口，配合提示词、RAG、工具调用完成任务。SaaS 本身并不训练模型，只是在调用别人训练好的模型。

作者直言，市面上绝大多数「AI 驱动」的亚马逊 SaaS 实际属于第一类或第三类，真正的模型训练在中小型 SaaS 中极为罕见。

「已训练」一词的滥用

文章的核心警示集中在「trained on your data / trained on Amazon data」这类宣传语上。作者解释，在严谨的技术语境中，「训练」意味着 SaaS 拿一个基础模型（如 Llama、Mistral 或可微调的闭源变体）用自己的数据集跑额外训练，改变模型权重。这个过程昂贵、需要专业能力，产出的是持久化的模型产物。

而营销语境中的「训练」通常指：

• 写了详细的系统提示词，基础模型未做任何修改；
• 搭建了检索系统，在查询时把相关历史数据塞进上下文（RAG）；
• 设置了用户反馈机制，把评分作为后续 few-shot 示例。

这些都是「即时提示 + 检索」的工程组合，不是训练。提示词系统不会带来持久能力提升，而真正的模型训练会产生难以快速复制的壁垒。

为什么这件事重要

作者认为用词混乱会给买家带来三类实际困扰：

• 买家无法横向比较产品：规则引擎加 GPT 外壳的「AI」和真正的领域预测模型在宣传页上看起来一样。
• 价格信号失真：真正有模型训练能力的团队成本远高于调用 API，定价应当不同。
• 行业信任被透支：当所有人都在用最高级的词描述最普通的实现，「AI」一词就失去了信号价值。

对读者的启示

对于评估 SaaS 的买家，作者建议：与其被「我们的 AI 经过训练」这类话术打动，不如直接问三个问题——你们训练的是什么模型？训练数据从哪来？模型权重是你们自己的还是别人的？答案通常会立刻暴露产品的真实技术形态。

文章最后强调，调用 LLM API 并非劣等方案，工程上往往也是正确选择；问题不在于产品用了什么技术，而在于宣传语言与技术现实之间的落差。