消費者不再下關鍵字，他們直接問 AI
先講行為面。過去二十年的購物決策流程大家很熟：打開 Google，輸入「除濕機 推薦 PTT」，開十個分頁，比價、看開箱、看評價，最後在 momo 或 PChome 下單。這個流程的每一個環節，都有一套成熟的行銷方法對應——SEO 卡自然排名、購物廣告卡版位、部落客業配卡評價。
現在這個流程正在被壓縮成一句話：「幫我找 CP 值最高的除濕機，預算一萬。」使用者把問題丟給 ChatGPT、Claude 或 Gemini，AI 直接給出兩三個選項，附上理由，有時候還附購買連結。使用者不再自己開十個分頁，因為 AI 已經替他開過了。Google 自己也在往這個方向走，AI Overview 和 AI Mode 就是把答案直接生成在搜尋結果最上面，傳統的十條藍色連結被往下擠。
這個轉變的本質是：做判斷的人從消費者變成了模型。以前你的商品頁是給人看的，寫得動人、圖片拍得漂亮就有機會成交；現在你的商品資料要先過模型這一關，模型讀不到、讀不懂，你連被消費者看到的機會都沒有。
我直說：這不是未來式，是進行式。台灣的量目前還不像美國那麼誇張，但曲線方向非常明確。等到所有品牌都感覺到流量掉了才開始動作，先卡位的品牌已經佔住 AI 回答裡的位置了。這跟當年 SEO 的故事一模一樣——早進場的人吃到十年紅利，晚進場的人花十倍成本追。
AI 憑什麼推薦一個商品？
要讓 AI 推薦你，先要理解 AI 是怎麼決定推薦誰的。模型回答購物問題時，資料來源大致三種：
第一種是訓練資料裡的記憶。模型在訓練時讀過的網頁內容會留下印象，但這些資料有截止日期，價格和庫存早就過時，模型自己也知道，所以購物類問題它通常不會只靠記憶回答。
第二種是即時搜尋抓網頁。AI 助理接了搜尋工具，回答前先去抓幾個網頁進來讀。這時候你的商品頁能不能被抓到、抓到之後機器讀不讀得懂，直接決定你有沒有入場資格。
第三種是透過工具直接查結構化資料庫。這是最新也最精準的一路：AI 透過 MCP（Model Context Protocol）之類的協定，直接對一個商品資料庫下查詢，拿回來的是乾淨的結構化欄位——品名、價格、通路、連結——而不是一坨要自己解析的網頁。查得到就答得準，答得準就敢附連結。
把這三條路看完，結論很簡單：AI 讀不到你，就不可能推薦你。不是 AI 討厭你的品牌，而是它的資料源裡根本沒有你。商品頁全靠 JavaScript 渲染、robots.txt 把 AI 爬蟲全部擋掉、頁面上沒有任何結構化資料——這三件事只要中一件，你在 AI 眼中的存在感就大打折扣；三件全中，你就是不存在。
但我也要把另一面講清楚，這是這篇文章的誠實紅線：AI 讀得到你，不代表 AI 一定推薦你。推薦是模型自行判斷的結果，它會綜合價格、評價、資料完整度和它自己的權重，沒有任何人能控制。我們能控制的只有「可讀、可查、可引用」這三件事，把入場券拿到手，剩下的交給商品力。任何跟你保證「接了就會被 ChatGPT 推薦」的服務，都是話術。
Google 時代 vs AI 時代：曝光基礎建設對照
Google 時代的整套基礎建設大家都熟，AI 時代每一項都有對應的動作，底層邏輯其實沒變：把商品資料用機器讀得懂的格式，主動交到判斷者手上。差別只在判斷者換人了。
| 環節 | Google 時代 | AI 時代 |
|---|---|---|
| 曝光位置 | 搜尋結果頁、購物分頁 | AI 助理的回答本身、AI 搜尋的引用來源 |
| 提交商品資料 | Google Merchant Center 上傳 feed | 接商品資料橋、開 MCP 端點或公開 API |
| 機器可讀格式 | schema.org 結構化資料、sitemap | schema.org Product 依然是核心，再加 llms.txt |
| 要伺候的爬蟲 | Googlebot | GPTBot、ClaudeBot、PerplexityBot、Google-Extended 等 |
| 成效量測 | Search Console、GA | AI 能見度追蹤、導流歸因（工具生態還在早期） |
| 能承諾什麼 | 收錄可驗證，排名沒人能保證 | 可讀可查可驗證，被不被引用由模型判斷 |
看最後一列。Google 時代做 SEO 的人都知道，正派的顧問只會承諾「讓 Google 正確收錄你」，不會承諾排名；AI 時代一樣，正派的做法是承諾「讓 AI 讀得到你＋效果可量測」，不會承諾推薦。判斷標準沒變，換個時代還是適用。
台灣商家現在就能做的五件事
一、先把基本可爬性做好
講個不客氣的觀察：大部分台灣品牌連 Googlebot 都伺候不好，就先別談 AI 了。我看過太多品牌官網，商品名稱和價格全靠前端 JavaScript 吐出來，關掉 JS 整頁空白；也看過 CDN 防護開太兇，把正常爬蟲全當攻擊擋掉。先檢查三件事：商品頁在不執行 JS 的情況下讀不讀得到品名和價格、robots.txt 有沒有誤擋、伺服器回應速度撐不撐得住爬蟲。這些是 2010 年代的功課，現在補還來得及。
二、每個商品頁放 schema.org Product 結構化資料
在商品頁嵌入 JSON-LD 格式的 Product 標記，把 name、price、availability、brand、gtin 這些欄位填好。這件事 Google 時代就該做（做了才有豐富摘要），AI 時代價值更高——AI 爬蟲抓到頁面後，結構化欄位是它最省力、最不會誤讀的資料，等於你直接把答案餵到它嘴邊。多數開店平台有內建或外掛可以開，成本極低。
三、放 llms.txt，並確認沒有誤擋 AI 爬蟲
llms.txt 是放在網站根目錄、專門寫給 AI 看的站點導覽，告訴模型你的網站有什麼、重點頁面在哪。接著打開你的 robots.txt 和 CDN 設定，檢查 GPTBot、ClaudeBot、PerplexityBot、Google-Extended 這些 AI 爬蟲是不是被擋了——很多站用的防護服務預設就把 AI 爬蟲全封，站主自己完全不知道。要不要開放給 AI 是商業決策，媒體擋 AI 有其道理；但你是賣商品的，被 AI 讀到是曝光，不是損失。
四、讓價格與庫存保持新鮮
AI 引用過時價格，比完全不引用更糟。消費者被 AI 帶到你的商品頁，發現價格對不上、商品缺貨，對品牌的信任直接歸零，而且他會回頭覺得是 AI 不可靠，下次 AI 可能就不引用你了。價格異動要即時反映在頁面和結構化資料上，下架商品要正確回 404 或標示無庫存。
五、接上一座已經蓋好的橋
前四件是自家網站的功課，第五件是借力。自己架 MCP 伺服器、自己開 API 給開發者、自己去跟各家 AI 生態對接，對絕大多數中小品牌來說不現實——工程成本高，而且單一品牌的資料庫對 AI 的吸引力有限。比較務實的做法是把商品資料接上第三方資料橋，讓橋去處理跟 AI 世界的介接。這就是我們做 AI 商品橋的原因。
AI 商品橋是什麼：我們把橋先蓋好了
ECPRO 推出的 AI 商品橋品牌接入，做的事情一句話講完：把台灣商家的商品，變成 AI 讀得懂、查得到、可引用的資料。這座橋有三端，分別接向三種會替你帶來曝光的對象。
第一端：AI 助理
我們開了公開的 MCP 端點（https://ecpro.tw/mcp），任何支援 MCP 的 AI 助理都能直接查詢我們的商品資料庫。使用者問 AI「幫我找最便宜的某台氣炸鍋」，AI 不用瞎猜也不用抓十個網頁，直接下查詢、拿到各通路即時報價、回答並附上購買連結。你的商品在庫裡，就在 AI 的可查範圍裡。
第二端：AI 搜尋引擎
庫裡每一個商品都有獨立頁面，內建 schema.org Product 結構化資料，對各家 AI 爬蟲全面開放，這些頁面同時就是我們的 台灣商品比價 頻道。AI 搜尋引擎在即時抓網頁回答問題時，抓到的是機器友善、欄位乾淨的商品頁，引用門檻比一般電商頁低得多。
第三端：開發者
我們提供公開 API，開發者要做比價工具、選品助手、導購機器人，都可以直接取用商品資料。每多一個接上 API 的應用，你的商品就多一個曝光場景，這是單一品牌自己做不到的網路效應。
目前的規模：5.8 萬筆商品報價、590 家品牌官網、momo／PChome／品牌官網三通路，價格持續更新。基本收錄是免費的——因為庫越完整，這座橋對 AI 的價值越高，這是雙贏不是慈善。進階服務走詳談：全品項即時同步、AI 能見度報告（你的商品在 AI 查詢中被查到的狀況）、導流歸因（從 AI 端點過來的點擊追蹤）、商品資料健檢（結構化資料與可爬性體檢）。
接入流程
到 品牌接入頁 留下品牌官網網址就能起步，我們的引擎會處理收錄；有商品 feed（品名、價格、網址、庫存）更好，同步的即時性和欄位完整度都會高一截。不用改網站、不用寫程式，這是我們刻意設計的低門檻。
最後，把不做的承諾說清楚
寫到這裡我要再講一次，因為這件事關乎行業信用：沒有任何人能保證你的商品被 AI 推薦。推薦由模型自行判斷，它綜合價格競爭力、評價、資料完整度和模型自己的偏好，任何一端都不受單一服務商控制。AI 商品橋能承諾的是兩件事：讓 AI 讀得到你、讓效果可以量測。這兩件事是入場券，不是保證書。
但入場券很重要。二十年前沒有人能保證你 Google 排第一，今天也沒有人能保證 AI 引用你——可是不入場的人，連被模型判斷的資格都沒有。搜尋流量往 AI 移動的趨勢不會回頭，你的商品資料要嘛留在只有人類讀得懂的網頁裡慢慢變透明，要嘛變成 AI 世界裡查得到的資產。我的建議很直接：先把免費的收錄接起來，把自家網站的四件功課做完，然後用數據觀察 AI 端過來的流量怎麼長。這是成本最低的卡位方式。