当 AI 开始「调用」设计师：这家美妆品牌用 GEA 解开 80 个 SKU 的上新难题

每到季度上新节点，运营团队的第一反应都是「加人」。

这家美妆品牌上一季度就是这么过来的——招了 6 个外包，加班加点赶工，最后有近三成的详情页被销售部门打回重做，理由是「和上一个 SKU 看着太像」。

根本原因不在执行，在于判断：每个 SKU 上线前都要做一次判断——这次讲成分党在意的「不被当成被营销的人」，还是讲初次尝试者关心的「周围人在用什么」；天猫主图和小红书封面分别压哪条卖点；价位段不同，卖点排序也得跟着换。这些判断一旦变成批量任务，靠人脑就会开始出错，靠模板又根本覆盖不了变量。

问题不是效率低，是判断无法批量化。更深的问题是：这些判断积累不下来。

设计团队每次上新都在重复已经做过的判断，新人来了还要重新学一遍。上一季度摸索出来的「这类价位 SKU 的主图应该压功效而不是成分」，没有地方记录，下次还是靠老人口传。

更严重的是，好的判断和差的判断，结果上几乎看不出区别——都上线了，都有销售，但到底是哪条卖点在起作用、哪类用户被真正打动了，没有一套系统在跟踪和积累。

不是再多一个Agent，而是让AI调用人

市面上常见的工具大致分两类：传统自动化模板把判断交给结构，通用大模型能给你一个合格版本。但详情页的核心变量不是参数、不是单一正确答案，而是「这家品牌的目标用户在意什么」——这是一个没有标准答案的问题。

此外，团队也尝试引入通用大模型来减负：运营先整理 SKU 资料、写 brief，丢给 AI 生成商详初稿；设计师拿到 AI 产出，重新判断卖点是否匹配人群、品牌调性是否统一，手动调整、反复改稿；电商负责人最后验收。AI 只负责 “写内容”，所有关键判断、用户洞察、卖点取舍、历史经验调取全部压在人身上。

这家品牌开始用 GEA 重塑这一业务流程，把原本分散在人和流程中的判断、生成与反馈重新组织起来。

第一步：建模用户认知，为创意方向提供真实判断依据

SWM（主观世界模型）先建模终端消费者的认知偏好和信任锚点。不再需要运营手动整理用户洞察写进 brief。「成分党」表面说只看成分，但认知层真正在意的可能是「不被当成被营销的人」；「初次尝试者」说想找平价替代，行为层却在观察周围人用什么。SWM 把这些表达之下的动机层次建模清楚，主动输出用户锚点，交给人来核验校准，而不是等待人输入全部洞察。

第二步：发散多条方向，把判断交给人

CRM（发散推理模型）在这个用户锚点上发散出多条可能方向——而不是只给一个合格答案。每条方向基于品牌上下文和用户洞察展开具体方案，供设计师比较、选择和迭代，最后收敛到最匹配的那个版本。

设计师不再是给 AI 写 prompt、修改 AI 初稿，而是在 Agent 给出的多条路径里做选择、微调创意方向。设计师 A/B 哪个方向更准、品牌调性是否一致、是否和竞品形成区隔。人的每一次选择、否决、修改意见，都会被 Agent 捕获，存入上下文系统。这就是 “AI 用人”：Agent 负责穷举可能性、拉齐历史信息；人输出高阶审美与品牌判断，人的决策本身就是系统训练最重要的输入。

设计师拿到的不再是「模板填空任务」，而是「方向决策任务」——A/B 哪个方向更准、品牌调性是否一致、是否和竞品形成区隔。设计师把精力集中到真正需要创意判断的地方。

第三步：把结果写回，让下一批 SKU 站在这一批的积累上

这一轮的判断结论和上线后的 A/B 测试数据写回 Context System。下一次再上新 80 个 SKU 时，GEA 不是从零开始，而是站在上一轮的判断和效果上再往前走——哪条方向在这个价位段转化更好、哪类卖点组合对这个人群信任度更高。

通用模型可以生成一个看起来可用的版本，但它并不天然理解这家品牌的目标用户、既有判断与历史反馈。大多数 AI 工具是人用 AI：人输入指令，AI 一次性输出内容，过程中人的决策无法沉淀。 GEA Agentic 体系的差异在于：Agent 持续承接信息处理、方案推演，用人的创意判断来迭代系统本身。每一次上新，系统都在吸收品牌独有的决策经验。

系统上线后，商详页返工率从 29% 下降至 7%；单 SKU 商详产出人力投入下降 42%，不再需要临时大批量招聘外包；上新周期缩短 35%，团队不用为季度上新集中加班，新设计师上手周期从 2 个月缩短至 3 周，不再依赖资深员工口传经验。

该品牌正在将这套能力延伸到促销节点决策场景——在大促前，对不同促销策略（折扣力度、捆绑搭配、赠品选择）做消费者接受度的信号测试，把「靠感觉出方案」变成「靠信号选方案」。

每上一次新品，系统就更了解这个品牌的目标用户，未来，品牌对消费者的认知就不再依赖任何具体的人，而是变成企业可积累、可复用的认知资产。这是属于这家美妆品牌的“专有智能”。