做了十幾年電商顧問，我看過太多老闆把「導入 AI 推薦」當成萬靈丹。系統一接上、轉換率短期確實會動一下，可是過半年再看，回購率沒起色、客單價原地踏步，老闆一臉困惑：「我都用最新的演算法了，怎麼還是這樣？」我的回答通常讓對方愣住——你買的是一台精準的計算機，但你的客人要的是一個懂他的店員。
在台灣，購物從來不只是交易。它是巷口買菜時老闆多塞的一把蔥，是百貨專櫃小姐記得你上次挑的色號，是一種人際連結。而現在大多數電商平台的推薦引擎，本質上是一台只認效率的機器：你看了 A、它推 A 的同類；你買了 B、它把 B 的補貨提醒塞滿你的版面。這種我稱之為「演算法冷漠」（Algorithmic Coldness）的狀態，正在悄悄消耗台灣品牌最寶貴的資產——人情味。
演算法冷漠：台灣電商正在付出的隱形代價
先講清楚，我不是反對推薦演算法。協同過濾、矩陣分解、深度學習排序，這些技術本身沒有錯，它們解決的是「在百萬商品裡找出你最可能點的那幾個」的問題。問題出在我們把「最可能點」當成了唯一目標。
當系統只追求點擊率與當下轉換，它會做出一堆短期正確、長期傷害品牌的事：剛買完冰箱的人被連續推冰箱、母親節送完禮的人整個五月都被推康乃馨、搜尋過一次成人尿布就被貼上標籤跟著三個月。這些在後台報表上可能都「沒問題」，因為單次點擊率沒掉，但客人心裡那句「這家店根本不懂我」已經默默記下了。
台灣市場尤其禁不起這種冷漠。我們的市場小、競爭密、平台選擇多，消費者切換成本極低——一個 momo、一個蝦皮、一個品牌官網，三個 App 並存在手機裡是常態。在這種環境下，留住人的不是「便宜一塊錢」，而是「這裡比較懂我」的感覺。這就是我堅信下一個競爭點的原因：誰能用生成式 AI 把冰冷的推薦，轉成有溫度的「陪伴型導購」，誰就握住了情感忠誠度。
效率與情感的兩難：為什麼台灣特別需要「人情味」
我把這件事拆成挑戰與機會兩面來看，這也是我給客戶做 AI 導入評估時的第一張表。
| 面向 | 傳統效率導向推薦 | 在地人情味導購 |
|---|---|---|
| 核心目標 | 單次點擊率、即時轉換 | 長期信任、回購、品牌好感 |
| 語境理解 | 看標籤與行為，不懂台灣梗與節氣 | 結合在地天氣、節日、語感生成關懷 |
| 互動方式 | 單向推播、催促下單 | 雙向對話、回應疑慮、耐心比較 |
| 失敗成本 | 推錯就被無視，累積反感 | 校準後越用越懂，複利式信任 |
| 適合品項 | 低單價、高頻、決策簡單 | 高單價、需要被說服、情感連結強 |
挑戰：AI 聽不懂台灣話的「語境」
這是最現實的坑。國外現成的大型語言模型，中文能力進步很快，但「台灣語境」仍是它的盲區。你跟它說「最近是不是要做七月普渡的活動」，它可能正經八百地解釋中元節由來，卻不知道你要的是貢品箱組的促銷文案；你想推「轉大人」的轉骨方，它若沒被在地語料調教過，很容易答得不知所云。網路梗、台語諧音、地方節慶（鹽水蜂炮、東港燒王船）、甚至「最近壓力大想吃鹹酥雞」這種情緒語境，都是現成模型容易翻車的地方。
機會：台灣人願意為「被在乎」付情感溢價
反過來說，這正是台灣品牌的機會。我手上有客戶做過很直接的測試：同一款發熱衣，一組用標準推薦語「冬季熱銷，限時 8 折」，另一組用關懷語境（後面會講具體做法），結果後者的點擊率高出三成、加入購物車率明顯拉升。台灣消費者願意為「人情味」與「個人化關懷」多付一點、多買一次，這份情感溢價，恰恰是純效率演算法給不了的。
具體做法一：把在地語境長進推薦語裡
講觀念誰都會，我直接給可落地的做法。所謂「AI 人情味」不是換個可愛的客服頭像，而是讓推薦的每一句話都接上真實情境。
最有效、門檻也最低的，是把「外部訊號」餵進生成式 AI 的提示裡。我帶團隊做一個美食電商時，做法是這樣：系統先抓使用者所在縣市的即時天氣、當週節氣、近期在地活動，再把這些當作生成推薦語的條件。於是當偵測到台北今晚轉濕冷，推薦語就不是「這件發熱衣折扣中」，而是「最近濕冷得讓人不想出門，記得添件保暖。這款發熱衣評價不錯，穿了暖暖過冬，要不要試試？」——同樣一件商品，後者就是有溫度。
再往下做，可以結合節慶與生命情境。中秋前對有家庭標籤的客人推「今年中秋要不要試試這款不那麼甜的蛋黃酥，長輩比較吃得下」；考季前對學生族群推「拚學測這陣子辛苦了，這款護眼檯燈很多家長回購」。重點不在商品本身，而在那句把客人放進去的話。
具體做法二：從「推播」升級成「陪伴型導購」
第二個我很愛談的，是互動模式的升級。傳統機器人在你逛高單價商品時，最常做的事是跳出「現在下單再折 500」——這恰恰是最該避免的時機。一個猶豫要不要花三萬買吸塵器的人，被催促只會更想逃。
陪伴型導購反過來：在客人停留在高單價頁面、來回比較時，AI 主動但不打擾地介入，問的是「在挑這台的時候，最在意的是吸力、續航，還是清理方便？」然後針對他的疑慮，給出像專家朋友那樣的理性比較，甚至誠實說「如果你家坪數不大，其實上一代就夠用，省下的錢買濾網更划算」。這種敢替客人省錢、敢說真話的耐心，才是建立信任的關鍵。客人這次不一定買，但下次想到這個品類，會先回來找你。
如果你想先盤點自家網站的導購體質夠不夠格做這件事，可以參考我整理的電商體質檢測，先看清楚現況再決定要不要投資 AI。
具體做法三：建立情感反饋與倫理校準的迴路
AI 會說人話只是起點，會不會「說錯話」才是長期風險。語氣太油、誤判情境、在喪禮相關搜尋後推喜慶商品——任何一次冒犯，傷害都遠大於十次成功推薦帶來的好感。
所以一定要建校準迴路。具體做法是持續蒐集客人對每次 AI 互動的反應訊號：對話有沒有被秒關、推薦語有沒有被檢舉或負評、客服轉接率有沒有上升。把這些負面情感數據回灌，定期校準模型的語氣與邊界，並且明確設定「禁推情境」——例如偵測到健康、喪葬、債務等敏感語境時，AI 一律收斂語氣、不主動促購。這套迴路不能省，它是你的 AI 從「會講話」進化到「會做人」的必經之路。關於這些技術名詞的白話解釋，我也放在電商名詞庫裡，團隊溝通時很好用。
常見錯誤：我看過老闆們踩過的三個雷
最後講三個我反覆看到、幾乎可以預測的錯誤，避開它們，你的 AI 導入就成功一半。
- 錯把工具當策略。很多人以為買了某套 AI 推薦 SaaS 就等於有了人情味。工具只是引擎，沒有在地語料、沒有品牌語氣設定、沒有校準迴路，再貴的工具也只會生出更精緻的冷漠。
- 追指標追到走火入魔。只盯點擊率與當下轉換，會讓 AI 越來越敢騷擾、越來越愛催單，短期數字漂亮、長期把客人趕跑。我建議至少並列追蹤「七日內回訪率」與「互動後客服負評」這兩個慢指標。
- 把客人當資料、不當人。無止盡蒐集行為、貼滿標籤、跨站追蹤——這在台灣《個資法》趨嚴、消費者隱私意識抬頭的此刻，是法律與品牌的雙重風險。蒐集要最小化、用途要透明，相關的服務與隱私條款務必寫清楚、做得到。
結語：AI 的最終進化，是學會「做人」
講到底，台灣電商在 AI 上的競爭，終點不是更快的計算速度，而是更懂人的溫度。當所有平台都用得起同一套演算法，技術本身就不再是差異化；真正稀缺的，是那份把客人當人看的在地人情味。誰能把技術的效率，跟文化的溫度結合起來，誰就能在這片小而擠的市場裡，贏得最難被搶走的東西——情感忠誠度。如果你想看更多我對台灣電商趨勢的觀察，歡迎逛逛我的專欄。