

为什么亚马逊卖家和代理机构在AI上失败:25个健康、0个问题

我的AI报告了25个健康代理和0个问题。其中一个整晚什么都没做。
现在是2026年9月23日凌晨4:30,我的审查机器人发布了它的晨间检查。它花了三秒钟。25个任务已检查,25个健康,0个问题。
这25个中有一个是我最依赖的代理。每晚凌晨1:00,它会从我关注的YouTube频道拉取新视频,阅读转录文本,为我写一份摘要,并把它变成一档供我早晨收听的短播客。我就是这样跟上AI的,因为一本关于AI的书在印刷出来时就已经过时了。
那天早上没有播客。
代理按时启动了。它启动了慢步骤,下载转录文本,把它推到后台,然后结束了它的回合。在无人值守的运行中,结束回合就结束了程序。凌晨1:10,它干净地退出了。退出代码为零。摘要文件里只有一行占位符,说它还在生成中。
我的审查机器人检查了两件事:运行是否干净退出,以及日志中是否包含我让它查找的任何错误。两项检查都通过了,所以它报告为健康。
机器人没有错。它测量的正是我让它测量的东西。
我让它测量的是错误的东西。
构建代理是容易的部分
我以前认为AI的难点在于构建代理。把提示词写对,连接工具,看着它第一次运行。
那部分花了一个下午。难的是之后的一切。
我不是唯一学到这一点的人。在IBM于2025年2月至4月间对33个国家的2000名CEO进行的CEO研究中,只有25%的人表示他们的AI举措带来了预期的回报。只有16%在公司范围内进行了扩展。(IBM)
模型很少是原因。亚马逊卖家和代理机构拥有与其他人相同的模型。他们通常缺少的是把代理视为运营的一部分,而不是你安装后就忘记的软件的人。
Mina Elias经营一家亚马逊代理机构,他说他在自己的业务中构建了超过158个AI代理。在一段关于为什么大多数公司错误实施AI的视频中,他列出了九个错误。读它们感觉就像在读我自己构建代理的第一年。以下是每一个在亚马逊上的表现。
在你构建之前
1. 在梳理工作之前就自动化。 “用AI做PPC”不是一个计划。计划从时间和金钱实际流向哪里开始。对于卖家来说,那可能是每周的搜索词审查、补货计算或回答买家消息。对于代理机构来说,是每个客户经理每周为每个客户花费的时间,按任务细分。先梳理它,然后自动化花费最多时间、金钱或产能的步骤,而不是那个能做出最佳演示的步骤。
2. 自动化一个破碎的流程。 如果你的每周客户报告是十四个没人看的标签页,那么一个智能体就会为你每个客户更快地产出十四个没人看的标签页。AI会放大你交给它的一切,包括错误。先修正流程:砍掉无关步骤,确定客户真正需要看到什么,并明确谁对结果负责。然后再自动化。
3. 交给了错误的人。 本能反应是把AI交给团队里技术最强的人。开发者一天内就能把智能体接入Amazon Ads API。但他们无法告诉你,新品SKU上偏高的ACoS是问题还是计划之内。Elias的观点是,AI要由运营者引入业务,也就是懂销售、广告、库存和履约的人,再辅以技术支持。你最优秀的PPC经理来设计出价智能体,胜过你最好的工程师去猜。
构建期间
4. 轻信演示。 智能体在测试中只处理一个ASIN时运行良好。然后它要面对300个SKU、父子变体、捆绑商品、混在FBA中的FBM listing,以及一半目录正在进行的促销。Elias每次只向一个客户推出他的质量控制智能体,让策略师每天报告缺陷,他说大约花了两周它才不再出错。对代理机构来说,这意味着先从一个客户开始,而不是整个业务组合。对卖家来说,先从一个产品线开始。
5. 低估了数据。 如果你的商品成本存在某人笔记本电脑的电子表格里,广告支出在Ads控制台里,费用在结算报告里,库存在第三方物流那里,智能体就无法推理利润。可靠运行的智能体从一个数据已经关联并核验过的地方读取数据。Elias构建了他所谓的客户数据管家,专门在任何其他智能体接触数据之前完成这件事。在写第一条提示词之前,先规划好数据流。
6. 让一切完全自主。 完全自主听起来很棒,直到某个周五晚上智能体暂停了你最好的广告活动。根据错误答案的代价来决定人在哪里保留在回路中。让智能体起草否定关键词;由人来批准头部卖家的出价调整。让它填写付款表单;由人来点击提交。从100%人工投入降到5%仍然是巨大的胜利。不必降到0%。
上线之后
7. 构建了没人用的东西。 智能体可以运行得完美无缺,却仍然失败,因为它给周围的人制造了更多工作。Elias描述了他团队构建的一个Slack频道,用来总结每次销售电话,结果让他的销售经理被数百条通知淹没。他还描述了那些报告30天无人回应的智能体。一个代理机构如果把每个账户警报都灌进同一个频道,就等于构建了同样的东西。围绕接收者实际的工作方式来设计输出,就像你安排一个新队友那样。
8. 忽视真实成本。 订阅和token只是可见的部分。其余是失败的运行、重复的工作、有人花在审查输出上的时间、有人花在修复智能体上的时间,以及最糟糕的一项:错误答案的代价。一次糟糕的竞价调整,或一次导致商品被下架的listing编辑,其损失可能超过智能体一年能省下的钱。要把这些全部算进去,否则智能体的成本最终可能比人工完成这项工作还高。
9. 衡量活动量,而不是价值。 “处理了10,000个搜索词”是活动量。TACoS下降了吗?贡献毛利上升了吗?每位客户经理能否在不影响工作质量的情况下服务更多客户?那才是价值。我的审查机器人衡量的是活动量:这次运行完成了吗?它从未问过唯一重要的问题:有没有播客?
而在所有这九个问题之下,还潜伏着Elias称之为“一次性搞定”的陷阱:把AI当成一个可以完成的项目。亚马逊会改变费用、报告和Seller Central界面。你的目录会变。你的客户会变。一个在3月还正确的智能体,到6月可能已经悄悄出错了。
像管理新员工一样管理它
把这一切串起来的经验法则:像对待新员工一样构建和管理智能体,而不是像对待脚本。
没有人会雇一位新客户经理,看着他正确工作两天,然后从此不再检查他的工作。你会先给他一个客户,而不是十个。你检查他产出了什么,而不是他是否到场。起初你每天给反馈,然后每周给。你知道一个错误会带来什么代价,并在代价高昂的环节前设置审查步骤。
在宣布任何智能体完成之前,要问五个问题:
- 这个智能体应该推动哪个业务指标,我如何看到它发生变化?
- 我在自动化之前先修复流程了吗?
- 谁对这个智能体的结果负责,他们是运营者,而不仅仅是构建者吗?
- 根据错误答案的代价,人工在哪个环节审批?
- 我如何通过检查它的输出而不是退出代码,来判断它出故障了?
第5个问题是我吃了苦头才学到的。自2026年10月13日起,我的YouTube流水线在宣布一次运行完成之前会检查每一项输出:摘要、剧集、订阅源。“它运行了”不再等同于“它成功了”。
数据环节是大多数亚马逊业务最先卡住的地方,因为数字分散在五个地方。这正是我们构建Seller Labs MCP服务器要解决的问题:Claude从一个地方读取你的订单、广告、费用、库存和利润,而不是五个地方。
构建这个智能体花了我一个下午。管理它才是真正的工作。
一个报告健康的智能体,并不等同于一个完成了工作的智能体。


