先纠正一个错误：别再列功能清单
AI 产品做功能对比表基本没意义，因为功能趋同的速度以周计——你这个月上的功能，对手下个月就有，大家底层调的都是那几家模型。真正要比的是三样看不见的东西：输出质量的稳定性、单位经济模型、数据飞轮转没转起来。功能清单决定用户试不试你，这三样决定用户留不留、你赚不赚钱。竞品分析的重心必须从「它有什么」挪到「它凭什么活得好」。
六个维度
我用的框架是六个问题。一，定位与人群：它服务谁、主打什么场景，和你抢的是不是同一批人的同一份预算。二，模型来源：自研还是调 API，调的是 GPT、Claude 还是国产模型——这决定它的能力上限和成本底线，纯套壳产品两头都被模型厂商锁死。三，体验链路：上手要几步、输出要不要大量人工修改、出错有没有兜底和溯源。Perplexity 打传统搜索，赢的不是「也能搜」，是答案带引用、可直接采信。四，单位经济：定价怎么定，token 成本占售价几成，免费额度烧不烧得起。五，数据飞轮：用户的使用数据能不能回流改进产品，Cursor 迭代快，很大程度靠海量真实编程场景的反馈在喂。六，增长与留存：靠什么获客，社区口碑如何，留存曲线是平的还是雪崩。
信息从哪来
公开渠道之外有几个野路子。定价页和套餐设计直接暴露成本结构和目标客户；招聘 JD 暴露技术栈和下一步方向——一家应用公司在招「推理优化工程师」，说明它打算自建模型降成本；即刻、X、Reddit 上的用户吐槽是最真实的产品评测，比官网案例库诚实十倍；融资信息帮你判断它还能烧多久。最笨也最管用的一招：自己掏钱订阅，连续用两周，拿同一组测试任务在几个竞品上跑，记录输出质量和稳定性。同样是「生成营销文案」，跑二十条就能看出谁家的提示词工程真下了功夫，谁家只是裸调 API。
警惕两类非常规竞品
做 AI 竞品分析，视野里必须放两类传统分析里没有的对手。一是大模型平台本身：ChatGPT、豆包每升级一次，一批套壳工具就被顺手做掉，分析任何竞品时都要问「它的核心功能，模型厂商下个版本会不会自带」。二是用户的现状：很多场景里你最大的竞品不是别的 AI 产品，是「用户现在手动干」或者「招个实习生干」。输给现状的 AI 产品，远多于输给同行的。
输出物是判断，不是报告
竞品分析的产出不该是八十页 PPT，而是几个可执行的判断：哪个维度我们不打——避开平台射程；哪个维度必须赢——比如垂直场景的输出质量；成本结构允许我们怎么定价。报告写得再漂亮，落不到这三个判断上都是白做。