Jungle Scout 发布 AI Solutions 与 Amazon MCP：亚马逊数据直连 Claude、ChatGPT、Gemini
Jungle Scout 发布了两款产品，把亚马逊市场数据接进了主流 AI 工具。
一款叫 Ask Cobalt，是在 Cobalt 平台内部直接问答的界面；一款叫 Jungle Scout MCP，把同一套数据接进 Claude、ChatGPT、Gemini Enterprise 和 Microsoft Copilot。
发布会后有个数字值得放在最前面：Jungle Scout 称，使用其 Cobalt 情报平台的客户，历史上平均实现 28% 的年营收增长。
选品数据的门槛，正在从「有没有数据」变成「数据在哪个人手里能被调用」。
一、两款产品各解决什么
据官方新闻稿（9 月 10 日于芝加哥发布，随后出现在 9 月 16 日的行业工具盘点中），Jungle Scout AI Solutions 由两款产品组成。
Ask Cobalt 是内建在 Cobalt 平台里的问答界面。用户可以直接问自己品牌的表现、类目趋势或竞争位次，答案基于其自有业绩数据和业务上下文生成，不用离开原有工具。
Jungle Scout MCP 则把同一套数据搬到团队已经在用的 AI 工具里：Claude、ChatGPT、Gemini Enterprise、Microsoft Copilot，同时也兼容企业内部自建的 AI 环境。MCP 全称 Model Context Protocol，即模型上下文协议，作用是让 AI 平台连上一个被授权的数据源，取回相关信息再据此作答。
两款产品共用一套底层数据。据官方披露：11 年以上的专有亚马逊市场数据，追踪超过 6 亿件商品，覆盖亚马逊约 18% 的商品交易总额（GMV），接入 4 万多个活跃卖家账号；这些数据此前服务过超 100 万个品牌、代理商和零售商。
产品逻辑围绕一个三步循环：Assess（评估我在哪儿）、Diagnose（诊断为什么变）、Act（行动做什么）。两款产品合计支持 15 个以上的用例，覆盖全部三个阶段。
CEO Jay Lovelace 的说法是，每个亚马逊卖家和品牌产生的数据都超过他们能处理的数量，这套方案要把「需要你去解读的数据」变成「能立刻执行的意见」。
二、MCP 的价值，在「口径」两个字上
MCP 这件事的实际价值，要把通用大模型的能力边界说清楚才看得懂。
通用 AI 能写文案、能归纳、能整理你喂给它的资料。但它不知道某个竞品的份额为什么在涨，不知道哪几个价格带在跑量，不知道哪些关键词的归属发生了转移，也不知道新品从哪里进了场。这些问题的答案不在模型的训练数据里。
MCP 补的正是这一段。它把模型接到一个具体的、可查询的市场上，让它用真实数据回答。
Jungle Scout 官方举的例子很具体。问「玩具类目里最大的空白机会是什么」，返回的结果里有市场规模、价格带增速、竞品格局和具体的产品建议；问某个美妆品牌在面部保湿赛道的表现，返回的是它的份额变化、与竞品的份额此消彼长、以及价位迁移的归因。
对做选品的团队来说，这意味着过去要走「导出报表—清洗—做表—汇报」这条链路的问题，现在可以在对话里问出来。
但风险也长在同一处。
三、同一天，一整排 AI 工具上线
把时间轴摊开，Jungle Scout 不是孤例。9 月中旬这几天，一批面向电商和零售的 AI 工具密集落地。
Shipt 在 9 月 9 日推出 AI 购物助手 Ask Shipt（母公司为 Target）。用户可以在 Shipt App 和官网里描述需求、上传食谱，甚至上传一张菜品照片，助手识别食材后直接生成购物车，也支持「五口之家、35 美元以内的工作日晚餐」这类预算型指令。同一天，Instacart 推出了自己的 AI 生鲜助手 Clementine。
RankRabbit AI 发布 Reputation AI，做多平台口碑监测：实时监控评论、用情感分析标记负面趋势、生成回复草稿供人工审核后发布。这是其品牌可见度套件的第 4 款产品，前三款是 Search AI、Listing AI 和 Social AI。
SurveyMonkey 发布 AI Analysis Suite，用户可以用对话方式查询问卷和表单结果，系统自动把开放式文本回答识别归类成关键主题；同批还上线了能自动生成品牌化主题的问卷创建工具。
最重的一块来自 Raspberry AI。它在 9 月 16 日把时尚产品全生命周期统一进一个 agentic 工作流：从趋势洞察、情绪板、面料选择、设计迭代、技术图，到模特上身可视化、lookbook、批发提案、campaign 素材和电商页素材，全部从一个 prompt 出发，团队全程参与评审和把控。
客户名单里有 SKIMS、ALO、Savage X Fenty 新加入，此前已有 Oscar de la Renta、Walmart、TJX、Columbia、Claire's、Steve Madden、Tapestry（Kate Spade）、rag & bone、Lilly Pulitzer、Delsey Paris 等。
公司给出的效果数据是：上市速度提升 2 至 5 倍，样品成本降低 60%，拍摄成本降低 80%，生产成本降低 75%。它还估算，服装行业每年有 40% 的库存卖不掉。2026 年 5 月，Raspberry AI 入选首届 CFDA x OpenAI Innovation Hub 的六家公司之一。
四、风险：AI 说得越顺，越要校验口径
Jungle Scout 自己在 FAQ 里划了一条线：MCP 负责调取数据，AI 平台负责对话、分析和起草；结论依托真实平台数据，而不是大模型的通用常识。
这句话反过来读，就是使用者的责任清单。
第一是口径校验。份额、增速、价格带这些指标，不同工具的定义并不一致。是 GMV 口径还是销量口径，是全类目还是子类目，是滚动 12 个月还是自然年——AI 不会主动跟你确认，它会直接给一个看起来完整的答案。把 MCP 接进工作流之前，先确认它取的是哪套定义。
第二是授权与权限。MCP 访问的是 Cobalt 数据，而 Cobalt 是订阅制企业平台——官方明确 MCP 不能替代 Cobalt，且访问需要相应订阅和数据权限。团队里谁能问、能问到哪一层，需要提前设边界。
第三是别把归因当结论。AI 会告诉你份额在动，也会给出可能的驱动因素，但「竞品降价导致我份额下滑」是一个假说，不是证据。它需要被验证，而不是被直接写进季度复盘。
五、卖家接下来该做什么
对亚马逊卖家来说，有三件事变得比过去更值得投入。
选品数据要能被调用，而不是只被存储。数据放在仪表盘里只能被少数人看见，接进 AI 工作流之后，运营、广告、产品、管理层都能自己问。这本身不会让数据变准，但会让决策变快——而快，是选品这门生意里少数真实的优势。
把「提问能力」当成团队技能来练。同一套数据，会问的人能问出可执行的结论，不会问的人只能得到一堆描述。Jungle Scout 把用例按评估、诊断、行动三段拆开，其实就是在教提问的框架。
警惕「数据看起来更权威了」的错觉。当答案从仪表盘搬到一个会说话的界面里，它读起来更像结论，也更难被质疑。AI 工具的普及不会减少误判，只会让误判传播得更快。
真正值得观察的指标，是明年这个时候，有多少团队的回答流程从「我去拉个数」变成了「我问一下」，以及他们中间有多少人还保留着复核那一步。
数据直连之后，你更信任 AI 给的第一版答案，还是更怀疑它？这个习惯，可能比工具本身更能决定结果。
六、参考资料
- Jungle Scout 官方新闻稿（EIN Presswire）：《Jungle Scout Launches AI Solutions, Putting Amazon Insights Just a Question Away》
- Jungle Scout 官网：《Amazon Insight at the Speed of a Question》
- Practical Ecommerce：《New Ecommerce Tools: September 16, 2026》
- Unite.AI：《Raspberry AI Expands Platform Into Unified Agentic Fashion Workflow》
- Morningstar / PR Newswire：《Raspberry AI Transforms How Fashion Brands Go From Concept To Commerce With Launch Of New Agentic Platform》
- Shipt 官方新闻稿（PR Newswire）：《Meet Ask Shipt: Shipt's New AI Shopping Assistant》
- Superintelligence News：《Shipt launches AI shopping assistant Ask Shipt》