AI 替消費者挑商品時，是如何比較品牌的？

AI 替消費者挑商品，品牌要過三關

若從品牌經營者的角度拆解 AI 購物，可以把商品進入推薦清單的過程理解為三個環節。

第一關，是被找到。商品資訊能否出現在 AI 可使用的搜尋索引、商品資料源或其他外部資訊管道中？

第二關，是能被比較。商品價格、規格、適用情境與使用者需求是否對得上？模型能不能判斷差異？

第三關，才是被選中。當多個商品都符合條件時，模型為什麼優先推薦其中一個品牌？

這是分析框架，並非固定流程：不同系統可能先搜尋、先提出候選品牌，或直接從商品目錄中排序。

第一關：商品存在，不代表 AI 找得到

Chen 與 Koudas 的研究除了蒐集一般回答，也透過 API 重播相同問題，觀察模型實際發出的搜尋查詢及取得的來源。在這組重播實驗裡，ChatGPT 模型引用的 22,315 個網址，全部都出現在其自身搜尋工具回傳的結果中。對這組實驗的網頁引用而言，檢索是必要的前置環節。

研究進一步發現，在同一網站的頁面之間，搜尋檢索結果可以解釋約 32% 的引用量差異；研究所測量的頁面特徵，合計只能解釋 2.8%。這並不表示內容品質不重要，而是內容往往必須先符合模型搜尋時使用的語義與查詢，才有機會被後續選用。

AI 的搜尋不一定等於傳統搜尋引擎的搜尋。研究發現，模型會自行改寫使用者的問題，拆成不同查詢，再重新選擇來源。這組 ChatGPT 搜尋實驗檢索到的頁面，有 97% 沒有出現在對照 Google 搜尋的前 50 筆結果中。因此，傳統 SEO 表現優良，不代表在 AI 搜尋裡必然具有同等優勢。

商品資訊的入口也不只有網頁。搜尋服務商 Exa 的 Exa 3.0 可供 AI 應用檢索網路資訊；資料入口與用途詳見 Exa 3.0 解析。

Google 在 2026 年 1 月發表 Universal Commerce Protocol（UCP）時，宣布擴充 Merchant Center 的商品資料屬性，讓零售商除了提交傳統商品規格，還能提供常見問題答案、相容配件及替代商品資訊。

Agentic Commerce Protocol（ACP）的 2026 年 4 月 17 日變更紀錄也描述了當時尚未發布的 Feed API，定義商家向代理人提供商品目錄的方式；實際接入仍須依平台當時的規定確認。

不同 AI 不一定讀取相同資料。品牌除了確認網頁可被索引，也要考慮商品資料能否被各個應用理解。

官網、商品 Feed 與電商平台的價格和規格若相互矛盾，可能增加比較的不確定性。資料源與結帳流程的準備方式，可延伸閱讀 你的網站準備好讓 AI 代理人下單了嗎？。

第二關：AI 比較的不是形容詞，而是能不能對上需求

回到除濕機的例子。消費者提出四個條件：小坪數、安靜、省電、5,000 元以內。

假設品牌 A 的商品頁主打「極致靜音、智慧節能、打造舒適生活」，品牌 B 則清楚標示適用坪數、運轉噪音、能源效率等級與實際售價。對人類消費者來說，品牌 A 的文案可能更有吸引力。但對需要逐項核對條件的 AI 而言，品牌 B 提供了更明確、可以比較的資訊。

模型遇到不完整資料，可能繼續搜尋、說明不確定性，也可能錯誤推測。當商品缺少可驗證資訊時，AI 很難可靠地證明它符合消費者需求。

以「省電」為例，能源效率等級可以幫助比較，但若要估算每月電費，還需要考慮耗電量、使用時數與電價；單靠「節能設計」四個字，無法完成有意義的計算。

Chen 與 Koudas 的研究發現，在控制網站差異後，頁面標題與使用者提問的語義匹配度每提高一個標準差，引用量平均高出 14.1%；內文中最相關段落的匹配度每提高一個標準差，引用量則平均高出 15.5%。這些是關聯，不能直接推論因果。

相反地，FAQ 區塊、結構化資料、摘要框與頁面速度等常見 GEO 建議，在跨網站比較時看起來與引用量正相關，但改成同一網站內的頁面比較後，沒有呈現穩健的顯著效果。研究者將這種差異歸因於辛普森悖論：大型或本來就容易被引用的網站，往往也更常採用這些做法，因此跨網站觀察容易把網站本身的優勢誤認為某項頁面技巧的效果。

需要區分的是，這項結果衡量的是 AI 引用量，不代表結構化資料對商品識別、Merchant Center 或其他搜尋功能沒有價值。

對電商品牌而言，比起為了 GEO 不斷增加 FAQ，更值得優先處理的是商品資訊本身。例如，與其反覆強調除濕機「安靜又節能」，不如直接說明它適合幾坪的房間、在什麼模式下測得多少分貝、耗電數據如何取得，以及哪些使用情況可能不適合。

第三關：當規格相同，品牌名本身就在加減分

即使兩個商品都符合需求，AI 仍然必須決定推薦順序。很多人會直覺認為，只要把價格、評分、效能與規格整理好，AI 就能像傳統比價工具一樣，依照客觀條件給出結果。但模型並不是一個完全沒有背景知識的評分器。

Chen 與 Koudas 的研究設計了 60 組比較題目，每組包含五個商品描述及第三方資訊摘錄，分別控制品牌名稱與發布者名稱是否顯示，共取得 1,920 筆回答。這組測試透過 API 使用 GPT-5.4 nano 與 Gemini 3.1 Flash Lite，並未啟用搜尋；不能直接等同消費者介面的實際推薦。

結果顯示，相較於相同問題重複詢問所產生的自然波動，揭露品牌名稱造成的推薦前三名比例變動，在 ChatGPT 模型中達到 2.1 倍，在 Gemini 模型中則達到 3.3 倍。相較之下，揭露第三方資訊發布者名稱的影響，分別只有 1.3 倍與 1.6 倍。這表示在控制實驗裡，模型對品牌身分的反應，比對來源發布者身分的反應更明顯。

研究者另外進行一組實驗，把品牌名稱隨機分配給固定的商品描述，並明確告訴模型：這些名稱是隨機指派的，不包含任何品質資訊。即使如此，同一份商品描述搭配某個品牌名稱時，有 80% 的機率進入 ChatGPT 模型推薦前三名；換成另一個名稱後，只剩 39%。

品牌印象不只出現在最終排序，也會進入搜尋過程。研究者先關閉搜尋功能，測量模型本身知道哪些品牌，再觀察開啟搜尋後的查詢行為。當品牌原本就出現在模型的候選認知中，ChatGPT 模型有 67% 的情況會將該品牌名稱寫進搜尋查詢；對原本不在候選認知中的品牌，比例只有 11%。

此外，ChatGPT 模型主動提及、而使用者沒有指名的品牌中，有 46% 未獲得其顯示引用頁面的直接支持。這不等於模型完全沒有依據，但至少說明，品牌推薦不一定能從回答附上的來源完整追溯。

AI 既會根據搜尋結果認識品牌，也會帶著對品牌的既有認識去搜尋。

品牌長期累積的市場定位、產品類別印象與聲譽，可能已經成為模型選擇搜尋方向與推薦順序時的背景資訊。新產品即使改變了市場定位，也不保證模型會同步更新它對品牌的印象。

大品牌的優勢有多大？小品牌還有機會嗎？

2026 年 6 月首次提交、10 月修訂的另一篇預印本研究〈Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems〉，提供了另一個觀察角度。

研究者 Xi Chu 與 Yupeng Hou 以保養品為主要測試類別，建立包含一個真實知名品牌與九個虛構品牌的商品清單，交給 GPT-4o-mini、Claude Sonnet 與 Gemini 3 Flash 進行推薦。當十個商品的價格、評分、評論數及成分規格相同，而品牌名稱與簡短中性描述不同時，670 次有效單一推薦測試中，模型每次都選擇真實知名品牌。研究者稱這種現象為「條件式壟斷」（Conditional Monopoly）。

但這個優勢有一個重要前提：商品之間缺乏足夠的區別訊號。當虛構品牌在產品條件上取得優勢時，推薦結果很快發生改變。

研究者透過不同級距的實驗結果插值估算，當新品牌的評分高出約 0.075 顆星、評論數達到原來的 1.6 倍，或價格低約 7.3% 時，便可能達到約 50% 的勝率門檻。這些數字不是所有商品類別都適用的商業公式，而是特定實驗設計下的估計值。不同模型對評分、價格與評論的反應也存在差異。

在 14,395 次有效測試的變異數分析中，評分、價格與評論數等商品參數，解釋了推薦結果約 82.4% 的差異；商品在清單中的位置解釋 6.5%，品牌身分則解釋 1.2%。

當商品條件幾乎完全相同時，模型需要其他依據打破平手，品牌熟悉度便可能成為關鍵；但當產品之間存在明確差異時，評分、價格與其他商品條件的影響就會明顯增加。

新品牌不一定需要先成為最知名的品牌，才有機會被推薦。它需要的是讓差異真正存在，而且能被 AI 理解與驗證。虛構品牌與真正的新創品牌並不完全相同。真實市場還涉及售後服務、信任、通路、退換貨、商品可得性與價格變動，這些都不會被上述控制實驗完整涵蓋。

小眾品牌真正需要的，可能是第三方證據

Chen 與 Koudas 的研究同時觀察兩種市場：一個是具有大型知名品牌的美國家用網路服務市場，另一個則是專業 B2B 軟體市場。在後者，模型對許多小型供應商的既有認知相對有限。

研究發現，當引用的第三方頁面提及某家供應商時，ChatGPT 模型在回答中提到該供應商的勝算約為未提及時的 39.7 倍；大型消費品牌市場則約為 4.2 倍。這裡衡量的是勝算比，而不是推薦機率提高 39.7 倍；研究也不能單憑這項觀察證明第三方提及造成了推薦增加。

模型對知名品牌可能已有印象；對陌生供應商，則可能更依賴搜尋結果建立認知。

因此，第三方評測、產品比較文章、具有實際使用經驗的討論、產業媒體報導，乃至能公開驗證的產品測試，都可能成為小品牌建立 AI 能見度的重要材料。一篇只重複官方文案的合作文章，與一篇具體比較性能、價格、適用情境及缺點的獨立評測，對購買決策的資訊價值並不相同。

當所有品牌都開始優化 AI 推薦，會發生什麼事？

〈Incumbent Advantage〉的第二組實驗探討：如果品牌知道哪些內容更容易影響 AI 推薦，是否就會開始針對模型調整文案？研究者維持商品規格不變，替虛構品牌加入權威背書、社會認同、稀缺性等文案。

其中，強調權威證據的文案影響最明顯。在中等強度的測試中，加入權威型敘述的虛構品牌，整體突破知名品牌優勢的比例達到 73.3%；社會認同型敘述則為 50.7%。相較之下，稀缺性與損失規避型文案的效果明顯較低。

值得警惕的是，研究為了測試上限，使用了虛構的臨床研究與專家背書等不實證據。這不是品牌應該模仿的行銷方法，而是暴露 AI 推薦系統的一項風險：當文案具有看似可信的權威訊號時，模型可能在尚未充分驗證證據的情況下提高其權重。

第三組實驗比較不同數量的虛構品牌採用權威型文案：只有一家採用時，知名品牌的單一推薦比例為 19.8%；九家都採用時則回升至 93.8%。這些測試文案含虛構權威背書。

研究者以類似囚徒困境的競爭結構解釋：每個品牌都有動機優化自己的內容，但如果所有人都採用相同手法，原本的差異化效果便可能消失。這項發現仍侷限於人工建構的保養品比較情境，不能直接推論整個 GEO 市場終將如此。

當商品比較發生在 AI 平台裡，品牌還看得到多少？

Salesforce 在 2026 年 7 月發布的第四版《State of Commerce》報告指出，以 AI 代理式搜尋作為購物旅程第一步的使用情況，年增約 200%。同份報告結合消費者調查及全球電商行為資料，發現 AI 對話導向商家網站的流量，在各個觀測季度的年增幅介於 150% 至 428%。

2025 年 8 月至 2026 年 5 月間，消費者透過品牌自有管道發現商品的比例下降 7%，透過傳統搜尋發現商品的比例下降 15%；透過 AI 助理、社群 AI 等新型管道發現商品的比例則有所增加。

AI 引薦流量成長，不代表它已取代傳統搜尋；新管道可能基期較低，消費者也會跨管道比較。

過去的網站分析，可以看到搜尋曝光、點擊、到站行為、加入購物車與轉換；然而當消費者先在 AI 介面裡完成大部分比較，品牌網站可能只接收到最後一次點擊。在那之前，AI 曾經比較哪些品牌、如何判斷優劣、為什麼把某項商品排除，並不一定會出現在品牌現有的分析工具中。

被 AI 提及，不代表商品資訊有來源支持；被引用，不代表獲得正面推薦；進入推薦前三名，也不代表消費者一定會點擊或購買。這幾個階段之間的差異，正是傳統網站流量數據難以完整說明的部分。

品牌現在該做的三件事

第一，建立一致且可讀取的商品資料。先檢查官網、Merchant Center、電商平台與其他商品資料源上的價格、庫存、規格和商品名稱是否一致。對已具備整合資格的商家，再評估是否需要透過 ACP 等管道提交商品 Feed。這一步主要處理的是資訊可得性與正確性，而非保證推薦排名。

第二，把商品差異轉換成可驗證的比較依據。針對消費者真正會提出的問題，補上具體規格、適用情境、測試條件及限制，而不是單純增加「高品質」、「高效能」、「高 CP 值」等形容詞。

第三，開始定期測量 AI 如何認識自己的品牌。品牌可以建立一組固定的購買問題，分別在不同 AI 平台、不同日期進行測試，記錄品牌是否被提及、推薦位置、引用來源及主要推薦理由。

如果希望進一步識別品牌名稱本身的影響，可以參考控制實驗的方法：準備相同的商品資料，一組保留品牌名稱，另一組遮蔽品牌名稱，再比較模型的排序變化。測試時仍須控制商品順序、提問方式、模型版本與是否啟用搜尋，並重複多次，以免把單次回答的波動誤認為品牌效果。

這樣的測量無法直接取代真實平台的轉換歸因，但至少可以分辨品牌面臨的主要問題：是商品沒有被找到、優勢沒有被辨識，還是模型對品牌存在不準確的既有印象。

當 AI 參與商品篩選，品牌不只要爭取消費者注意，也要理解模型如何使用既有印象與新的商品證據。

當消費者把比較商品的工作交給 AI，品牌究竟能提供什麼理由，讓模型選擇自己，而不是競爭對手？