评论中反复出现 ATS 过滤、幽灵职位、自动拒信、长时间无反馈。用户想知道问题出在简历、岗位、平台还是招聘流程。
WhatToSell Market Pain Report真实样本试点公开脱敏版
AI 简历工具还有机会，但不要从“自动海投”切入
基于近半年公开技术社区评论样本，用户真正反复抱怨的不是“不会写简历”，而是 ATS 黑箱、虚假职位、AI 申请洪水、隐私风险和求职流程失控。更稳的产品入口是可信反馈、岗位匹配解释和求职漏斗诊断。
Data Snapshot
近半年评论样本概览
采集后过滤掉月度招聘帖和个人自荐简历，保留围绕 AI、简历、ATS、求职申请和招聘流程的讨论。
263清洗后评论样本
43%负向情绪评论占比
100涉及 ATS / 自动筛选
66出现付费、价格或商业化信号
Executive Verdict
机会在“反混乱”，不是“更多 AI 内容”
用户已经不缺 AI 生成文本，缺的是可信解释、可验证信号和流程控制。
招聘者担心候选人用 AI 批量生成简历和回答，导致筛选成本上升。纯“自动海投”会加剧这个矛盾。
用户愿意为减少无效投递、解释 ATS 匹配、优化申请策略付费，但对订阅制简历扫描器和夸大承诺非常警惕。
Signal Distribution
主题信号分布
一条评论可命中多个主题，因此各项合计超过样本总数。
Pain Map
痛点地图与产品启发
公开版仅展示聚合后的典型表现，不贴原文和用户链接。
| 痛点 | 典型表现 | 强度 | 付费可能 | 产品启发 |
|---|---|---|---|---|
| ATS 黑箱 | 候选人不知道简历为什么被过滤，招聘者也不完全信任筛选结果。 | 高 | 高 | 做“岗位匹配解释器”，输出可读的缺口、证据和修改优先级。 |
| 幽灵职位与无效投递 | 用户担心职位不存在、岗位长期重发、投递后只有自动拒信。 | 高 | 中高 | 做申请漏斗追踪，识别低质量岗位和无效渠道。 |
| AI 海投导致信任塌陷 | 招聘方收到大量相似简历，求职者又被迫用 AI 优化以“说同一种语言”。 | 高 | 中 | 强调高质量少量申请，而非批量自动投递。 |
| 隐私与履历数据 | 用户上传简历时担心个人信息、职业经历和求职状态被滥用。 | 中高 | 中 | 本地处理、BYOK、数据删除承诺可以成为差异化卖点。 |
| 泛生成器价值感低 | 简历/求职信生成已经普通，用户更关心是否真实、是否匹配、是否能带来面试。 | 中 | 中 | 从生成转向审核、解释、验证和流程管理。 |
Opportunity Map
建议测试的 3 个入口
优先做能快速验证付费的轻产品，不要先做复杂招聘平台。
求职漏斗诊断
49-199 元 / 次
用户导入投递记录，分析回复率、渠道质量、岗位匹配、简历版本和下一步策略。
验证难度低
推荐度高
ATS 匹配解释器
免费试用 + 99 元深度版
不是只给分数，而是解释 JD 与简历的证据链、缺口、可改项和不能硬编的边界。
验证难度中
推荐度高
高信号候选人档案
B2B / 招聘者试点
帮助招聘方区分 AI 包装和可验证能力，聚合项目、开源、作品、推荐和面试问题。
验证难度高
推荐度中高
Do Not Start Here
不建议作为第一版的方向
这些方向不是完全不能做，而是冷启动阶段胜率低、信任风险高。
自动海投机器人
短期有噱头，但会加剧招聘方反感，平台封禁、账号风险和用户信任问题都很重。
泛简历 / 求职信生成器
同质化严重，用户已经能用通用大模型完成初稿，很难形成溢价。
只给 ATS 分数
用户不信任黑箱分数。没有解释、证据和修改边界，分数越精确越容易被质疑。
高价订阅扫描器
求职者处于压力期，对持续订阅敏感。一次性诊断或按结果阶段付费更容易试水。
Methodology
采集与分析方法
内部保留原始样本，公开页只展示聚合结果。
数据源：Hacker News Algolia 公开搜索 API，采集 2026-01-16 至 2026-07-16 的公开评论。
清洗规则：关键词检索后去重，过滤月度招聘帖和个人自荐简历，保留包含 resume、CV、ATS、job application、recruiter、hiring 等相关语义的评论。
分类方法：按 ATS 筛选、招聘流程、金钱信号、信任风险、自动申请、简历定制、隐私担忧、求职信生成等主题做规则分类；正式版可接入人工复核和 LLM 二次标注。
样本限制：该样本偏技术从业者和英文讨论，适合验证“AI 求职工具”的早期机会，不代表全部求职人群。
下一步可以把这类报告做成专题页
报告负责引流，内部数据表负责复盘。等某个行业带来私聊，再把该行业的数据源和评分规则做深。