一家社区书店的选品会上，主理人摊开三张表：一张是同类书在几个渠道的口碑，一张是自家半年的动销，一张是下个月想做的主题。三张表放在一起，能看出哪些书值得试、哪些该退，但「进几本」这个数字，谁也给不了。AI 在书店里的位置大概就是这样：把信息铺开、把重复的活干掉，把判断留给人。
信息面和判断力，是两件事
选品常被说成「眼光」，拆开看是两半：一半是信息，这本书讲什么、同类书卖得怎么样、读者评价集中在哪；另一半是取舍，在这个社区、这个面积、这笔预算下，进三本还是十本。前一半可以外包，后一半不行，因为它依赖只有主理人掌握的条件。
这条分界线也解释了为什么很多书店用了工具却没效果：把工具当成了决策者，期待它给出「进什么书」，得到的是全国畅销榜的复制品，和自家店没关系。把店铺定位、客群、面积写进提示词，输出的东西才会贴着你的店，而不是贴着平均市场。
三个环节，工具各给什么
| 环节 | 数据能给什么 | 经验才给什么 |
|---|---|---|
| 选品 | 同类书口碑汇总、主题书单、按标签分组、动销与缺货记录 | 这家店该进几本、哪本书值得押、和隔壁店的差异在哪 |
| 陈列 | 按主题、季节、人群给出几种分组方案 | 走道怎么留、哪面墙做重点位、店员补货的动线 |
| 活动 | 流程框架、宣传文案初稿、报名表问题设计 | 请谁来、聊什么、现场氛围、和常客的关系 |
| 库存 | 滞销清单、周转天数、补货时点 | 压多少资金、哪些书宁可断货也不压 |
| 会员 | 阅读偏好标签、购买间隔、邀请名单 | 谁是真正的老读者、谁的偏好已经变了 |
中间一列是可比较的事实，右边一列是无法外包的取舍。表格往下读能看出一个规律：越靠近钱和人的决定，越往右偏。
活动的好坏，差在策划不在文案
读书会、签售、主题展的方案框架和宣传文案，工具几分钟能出一版，措辞通常比人写得整齐。但活动真正决定成败的几件事，它插不上手：请谁来、聊什么、场地怎么摆、冷场了怎么接。这些依赖主理人的关系网和对本地读者的了解。
可用的分工是：人定主题和嘉宾，工具把流程、物料清单、报名表问题、宣传渠道的排期做出来。做完之后人再过一遍，删掉那些放在任何一场活动都成立的句子——这类句子是模板痕迹最重的地方。
库存周转看账，不看感觉
周转天数等于平均库存除以日均销量，公式简单，难点在样本。一家社区书店单本月销三本和五本的差别，很可能只是随机波动，据此判断「这本书好卖」会误导补货。样本小的时候，把统计周期拉长到季度、把同类书合并看，比盯单品更可靠。
滞销清单是这套数据里最有用的产出。压货的成本不只是货款，还有货架位置和现金流；有些书断货可以接受，压着不动才是问题。这个取舍工具给不了，因为它不知道你的账期和现金状况。
读者档案能记什么，不该记什么
购买记录、参加过的活动、偏好的类型、对价格的敏感度，这些可以记，用来做邀请和推荐。不宜记的是与经营无关的个人信息，也不宜把推荐做得太准——读者在书店里想要的是碰见一本没想到的书，推荐如果每次都精准命中已有偏好，书架就失去了发现的功能。
推荐的分寸可以这样把握：给理由，不给结论。「这本和你上次买的那本同一个译者」比「为你推荐」更像人话。做到这一步，把书、作者、主题连成关系网比单纯按标签匹配更自然。
数据之外，还有一层偏差
工具给出的同类书口碑，来源是它能抓到的评价，而写评价的人和走进你店里的人未必是同一群。畅销榜反映的是全国口径的销量，和一条街上的需求差得远。按榜单选品，最后得到的是一个缩小版的电商货架。数据本身的偏向会顺着结论传下来，这一点在样本越小的生意里越明显。
主理人手里那几件替不了的事
第一件是押注。一家店的气质由它敢进什么、敢不卖什么决定，这个决定没有数据支撑，只有判断和承担。第二件是关系：常客为什么来、附近学校的老师喜欢什么、哪个作者愿意来，这些在聊天里，不在表里。
第三件是解释。读者问「为什么你们家没有某某畅销书」，回答需要立场，模型给不出立场。第四件是钱：进多少、退多少、活动预算是多少，错了要自己扛。工具可以把这些决定的前置信息备得更充分，但按下确认的那一下，始终是人。
还有一层现实约束：书店的数据量小、系统杂，收银、库存、会员可能各在一个软件里，导出和对齐本身就要花时间，一次能读进去的篇幅也有上限。工具能省的是整理的时间，省不掉建数据的时间。
速查：书店用 AI 的四条
- 选品让它铺信息，进几本自己定
- 活动让它出流程和物料，主题与嘉宾自己定
- 滞销清单按季度看，别用单月样本下结论
- 推荐给理由，不做精准投放式的推送
