> ## Content Index
> Fetch the complete content index at: https://growthhackers.tw/llms.txt
> Use this file to discover other available public pages before exploring further.

# AI 購物助理該解的三種任務：「沒有人早上起床想跟零售商聊天」
- URL: https://growthhackers.tw/blog/retailer-ai-assistant-jobs-to-be-done/
- Published: 2026-08-17T14:43:49.000Z
- Updated: 2026-08-17T14:43:49.000Z
- Description: 前 Amazon Rufus 負責人 Mukesh Jain 說，沒有人早上起床想跟零售商聊天。消費者雇用 AI 購物助理的其實是三種完全不同的任務，而多數零售商把它們塞進同一個聊天框，再用一個必然漂亮的指標說服自己成功了。
- Author: Lewis wang
- Tags: AI購物助理, agentic commerce, 電商經營, AI趨勢, 數據分析

**先給結論。** 如果你正在評估要不要做站內 AI 購物助理，消費者雇用它的其實是三種完全不同的任務：

★ **重複購買**：不要對話，要減少步驟。這裡放聊天框是負優化。 ★ **研究比較**：AI 助理確實能加速決策，這是好的應用場景。 ★ **複雜限制**：這才是 AI 購物助理真正的新價值，也是你的篩選器過去接不住的需求。

而多數零售商正在犯的錯，是把三種任務塞進同一個聊天框，然後用一個必然漂亮的指標說服自己成功了。以下拆給你看。

2005 年，Clayton Christensen 跑去速食店做田野調查，想搞懂一件小事：麥當勞的奶昔，到底被消費者「雇用」來做什麼用的？

答案不是當甜點吃。是讓早上通勤的人撐到中午不會餓。

這個框架叫 Jobs to be Done（待完成的工作，簡稱 JTBD），能紅這麼多年，是因為企業太容易掉進同一個坑：拚命改良產品，卻從來沒問過這個產品當初是被請來幹什麼的。

切入重點，現在整個零售業正在集體掉進這個坑，而且掉得非常整齊。

打開任何一家零售商的 App，你都會看到一個 AI 助理。它們會幫你找商品、比較選項、推薦食譜。連名字都取得一樣活潑：Olive、Sparky、Milo。[Retail Media Breakfast Club](https://www.youtube.com/watch?v=kTq%5FD97y2HE&ref=growthhackers.tw) 的主持人 Kiri Masters 在這集裡講了一句話，我覺得很到位：這些數位小僕人長得越來越像，像到大家已經忘記消費者當初是雇用它們來做什麼的。

這集的核心素材，來自科技記者 Jason Del Rey 在他自己的獨立電子報 [《The Aisle》](https://www.readtheaisle.com/p/amazon-rufus-interview-mukesh-jain-alexa-ai-shopping?ref=growthhackers.tw) 上對 Mukesh Jain 的訪談。

這個人的履歷值得看一下。他在 Walmart 待了近五年，管過線上生鮮的產品，後來帶搜尋與個人化。接著在 Amazon 待了八年，做出 Product Graph（商品圖譜，把亂七八糟的商品描述和外盒照片，整理成機器查得動的屬性資料），後期主導 Amazon 購物助理 Rufus 的科學、工程與產品。他去年離開，現在自己創業做 SignalAI。

換句話說，這是一個親手把零售 AI 助理蓋出來的人。而他講的話，跟業界現在正在慶祝的東西不太一樣。

（補一個查證：Rufus 這個名字其實已經退場了，2026 年 5 月 13 日 Amazon 把它併進 Alexa+，改叫 Alexa for Shopping，來源我在 [20 則廣告變 2 則那篇](https://growthhackers.tw/blog/ai-shopping-assistant-ad-inventory-economics/) 查過。這集沿用舊稱，以下我跟著叫 Rufus。）

## 一、購物不是一種任務，是三種

Jain 把 JTBD 套到購物行為上，拆出三種完全不同的任務。這個拆法不是 Christensen 本人做的，是 Jain 的應用，但我認為這是整集最有價值的一段。

★ **任務一：重複購買。** 你知道自己要什麼。你要一瓶 8 oz 的亨氏番茄醬。你打字、你看到、你認出來、你結帳。這裡的對話完全是多餘的。

★ **任務二：研究比較。** 你想看評價、想比較不同選項、想知道市場上到底有哪些東西。這件事本來很花時間，AI 助理確實能讓它變快很多。這是好的應用場景。

★ **任務三：複雜限制。** 你要幫八歲的姪子挑禮物。他喜歡太空和樂高，而且他大概已經有了市面上所有的太空樂高，你的預算在一百美元以內。開始吧。

![三種購物任務對照：重複購買、研究比較、複雜限制](https://growthhackers.tw/content/images/2026/08/rajtbd-inline-three-jobs-v1.png)

三種購物任務的步驟數與對話需求完全不同。只有最右邊的「複雜限制」真的需要對話。

第三種才是真正的新東西。你知道為什麼嗎？因為在 AI 助理出現之前，這種需求對零售商來說是**完全隱形的**。你的站內搜尋框接不住它，你的左側篩選器也接不住它。消費者根本沒有辦法把這串條件輸入到任何地方，所以你從來不知道有人想買這個。

（順帶一提，站內搜尋這件事本身正在被重做。Shopify 直接用 C++ 自己寫了商品搜尋引擎，我在 [這篇](https://growthhackers.tw/blog/shopify-catalog-product-search-engine/) 拆過他們的理由。）

把這三種任務攤開來看台灣，問題就很清楚了。

台灣電商的站內搜尋，很大一部分流量是任務一。母嬰的尿布奶粉、保健食品的固定補充、寵物飼料、日用消耗品，這些品類的顧客進站時目標明確到不需要任何人跟他講話。你在這種流量上蓋一個會主動彈出來問「請問您想找什麼類型的商品呢」的對話框，那不是升級，那是在原本三步的流程裡多插兩步。

Jain 在訪談裡被問到「消費者到底想從這些工具得到什麼」，他的回答是先講他們**不想要**什麼（以下引言均經 podcast 轉述，原文訪談在付費牆內）：

> 「沒有人早上起床是想跟零售商聊天的。如果一個答案本來一句話就能解決，結果花了五句，那不是好的互動。」  
>  
> 「他們要的是，在『我需要某個東西』到『它已經在路上』之間，工序越少越好。」

這句話值得台灣的電商老闆抄在便利貼上。

我自己在傳產跑工廠業務的那幾年，對這件事的體感特別深。老客戶下單從來不需要我推薦，他打電話來只講型號跟數量，我多問一句他還覺得我煩。要問一輪需求的是新客戶，或者是那種「我想做個東西但我還不知道要什麼」的客戶。同一個業務員，兩種完全不同的模式。你不會因為換了個更會聊天的業務，就讓老客戶下單下得更爽。

用個更好懂的類比：你走進 7-11 買一瓶礦泉水，店員熱情地問你想找什麼風味、什麼水源、氣泡還是無氣泡，你只會覺得這人今天怪怪的。但你走進西裝店，你**需要**那個會問你問題的人。同一套服務動作，放在不同任務上，一個是干擾，一個是價值。

Walmart 的 EVP Daniel Danker 講過一個數字（[Modern Retail](https://www.modernretail.co/technology/what-went-wrong-with-chatgpts-instant-checkout/?ref=growthhackers.tw) 報導，我在 [Shopify Agentic Storefronts 那篇](https://growthhackers.tw/blog/shopify-agentic-storefronts-guide/) 引用過）：直接在聊天機器人裡賣的品項，轉換率比需要點出去完成購買的**低三倍**。

這不代表補貨型需求不值得做。我在 [AI 代理購物那篇](https://growthhackers.tw/blog/ai-agentic-shopping-retailers-data-infrastructure/) 整理過，消費者對「讓 AI 幫我處理補貨」的意願其實非常高。差別在於：他想交出去的是**流程**，不是**對話**。他要的是「自動幫我補」，不是「陪我聊要補什麼」。

## 二、你正在慶祝的那個數字，證明不了任何事

好，現在講這篇文章真正想講的那件事。

過去一年，零售商 AI 助理的成績單非常漂亮。Walmart 公開的 Sparky 數據是這樣的（[Digital Commerce 360](https://www.digitalcommerce360.com/2026/05/22/walmart-sparky-agent-ai-sales-supply-chain/?ref=growthhackers.tw) 整理）：

★ 大約**一半**的 Walmart App 使用者已經用過它 ★ 單季週活躍使用者成長超過 **100%** ★ 購買件數翻了**四倍** ★ 使用 Sparky 的顧客，**平均訂單金額比沒用的高 35%**

Walmart 還把該季超過兩成的全球電商成長，部分歸功於 Sparky 和相關的 AI 投資。

看到這種數字，任何一個電商老闆的反應都是：我們也要做一個。

但這集 podcast 點出了一個我認為業界嚴重低估的質疑：**這些亮眼的採用數據，可能大部分來自本來就最重度、最高購買意願的那群人。**

停在這裡想三秒鐘。

誰會去點 App 裡那個新出現的 AI 助理按鈕？是那些每週開你的 App 五次、對你的介面熟到會探索新功能、本來就打算買東西的人。

那麼，「使用 Sparky 的顧客 AOV 高 35%」這句話，到底在講什麼？

它可能在講「AI 助理讓人買更多」。它也可能只是在講「**你把最會買的那群客人挑出來，單獨量了一次**」。

這在統計上有個名字，叫選擇偏誤（selection bias）。你沒有做對照，你量的是自我選擇進來的族群。而這種數字的可怕之處在於：**它幾乎不可能不漂亮。** 不管你的 AI 做得好不好，只要使用者是自己選進來的，這個數字都會好看。

這件事我在百貨公司站專櫃的時候就學過一次，只是當年沒有人告訴我它有學名。願意停下來跟我聊、聽我介紹的客人，成交率當然高。但那不是因為我很會講，是因為會停下來的人本來就有意願買。真正難的是那些走過去連頭都沒轉的人，而他們從來不會出現在我的成交紀錄裡。

你的 AI 助理報表，現在就是那本只記得成交、記不得路過的本子。

![選擇偏誤示意：只有自我選擇進來的族群被量到，儀表卻讀出高分](https://growthhackers.tw/content/images/2026/08/rajtbd-inline-selection-bias-v1.png)

選擇偏誤長什麼樣子：左邊那一大群人從來沒進到你的量測裡，儀表卻依然漂亮。

我必須講清楚，證據只支持「這組數字無法區分因果」，不支持「Sparky 沒有效」。Walmart 的成長是真的，Sparky 很可能真的有貢獻。問題是那個 35% 沒辦法告訴你貢獻有多少。

如果你問我，這個坑台灣電商踩得比 Walmart 兇。因為 Walmart 至少有規模能做增量測試，而台灣多數品牌導入 AI 客服或 AI 導購的評估方式，就是看後台那個「有使用 AI 助理的訂單 vs 沒使用的訂單」對照表。上線第一個月，數字漂亮到會議室裡所有人都很滿意。

那批人是誰？是你的熟客。

這件事我之前在 [回購率才是真 PMF](https://growthhackers.tw/blog/ecommerce-retention-real-pmf/) 那篇講過同一個病，只是換了個外衣：營收會騙人。今天換成 AI 助理的儀表板，騙法一模一樣。

如果你想知道這種「越優化越糟」的指標陷阱是怎麼長出來的，我在 [Loop vs Graph 那篇](https://growthhackers.tw/blog/loop-to-graph-ecommerce-kpi/) 用 Goodhart 定律拆過一次。AI 助理的採用率，正在變成下一個被追著跑的假指標。

## 三、那要怎麼量？看第三個月和第六個月

Jain 給了一個我認為非常實用的判準，而且它剛好繞過了選擇偏誤：

> 「我評判這類產品，看的是第三個月、第六個月的回頭客群怎麼表現，不看第一個月。因為每個消費者第一次跟 AI 助理互動的查詢，看起來都像是關鍵字搜尋多加了幾個字。我們身上都背著三十年的搜尋習慣。真正的問題是，那些查詢後來有沒有變得更長、更複雜。」

這個指標很聰明。你不去比較「用的人 vs 沒用的人」（那個比較必然有偏誤），你去看**同一群回頭使用者，行為有沒有隨時間改變**。

以前你看 AI 助理成效，看的是使用率、對話數、有沒有帶到訂單。現在你要看的是：第一個月他打「防曬」，第六個月他打「小孩游泳用、不咬眼睛、大罐一點、預算五百以內」。

如果查詢從關鍵字長成了句子，那是真的有東西發生了。消費者開始相信這個工具接得住複雜的需求，於是把過去藏在腦袋裡、根本沒地方輸入的那些條件丟出來。

![查詢從短關鍵字長成長句複雜條件的變化](https://growthhackers.tw/content/images/2026/08/rajtbd-inline-query-growth-v1.png)

真正該追的訊號：同一群回頭使用者的查詢，從兩個字長成一整串條件。

如果第六個月大家還在打兩個字的關鍵字，那你花錢蓋的就是一個比較貴的搜尋框。

而且這件事對台灣電商有個額外的好處：**那些變長的查詢本身就是資產**。中元普渡要整箱採購但要避開特定廠牌、彌月禮盒要控在多少預算內又不能太甜、幫長輩挑保健食品要避開某個成分，這些條件過去你的篩選器接不住，所以你的後台從來沒有這筆資料。現在它們會變成文字進到你的系統裡。這是任務三真正的價值，而它需要你有在記錄查詢內容才拿得到。

坦白說，我在台灣看到的多數導入案，後台連查詢逐字內容都沒有留存。那就等於把最值錢的東西倒掉了。

## 四、通用 AI 購物代理人 vs 零售商自有助理，誰會贏？

接下來是更難的問題：贏家會是 ChatGPT、Gemini 這種通用助理，還是零售商自己的助理？

Jain 的判斷相當持平。通用助理的優勢是習慣，每天已經有數億人在用它們，而且它們能**跨零售商比較**，能從整個市場推薦商品，這是嵌在單一家店裡的 agent 結構上做不到的事。零售商的優勢是它握有交易、資料和錢包，這些資產不小。

他的結論是兩者可能長期共存，就像搜尋引擎跟零售商共存那樣：探索在一個地方發生，交易在另一個地方發生。

但這集裡最誠實的一段，是主持人公開推翻自己。

他之前一直主張零售商自建聊天機器人是在蓋「數位鬼城」，贏家會是那些能接進消費者原本就在用的平台的人。然後 2025 年 8 月，Rufus 推出了持久記憶（persistent memory）。他去問它「你覺得我在現實生活中是什麼樣的人」，Rufus 第一次承認它知道他打匹克球、養貓、喜歡買貴的日本露營用品（他當時把這段寫成了一篇 [Rufus Remembers Me](https://retailmediabreakfastclub.com/rufus-remembers-me/?ref=growthhackers.tw)）。

他一度認為 Amazon 證明他錯了，因為他以為護城河就是記憶。

結果 Kantar 的研究把他的修正又修正了一次。

Kantar 的 AI-Enabled Commerce Pulse 第一波調查，樣本是 2,000 名美國消費者、一般人口樣本、一年做四波。[官方公布的數據](https://www.kantar.com/north-america/inspiration/retail/kantars-ai-study-insights-from-trial-to-routine-in-60-seconds?ref=growthhackers.tw)裡，我覺得最關鍵的是這個：**41% 的 AI 購物者已經在用 AI 跨零售商比價**。請注意分母是「AI 購物者」，不是全體消費者。另外 75% 的消費者用過 AI 購物工具，96% 的現有 AI 購物者打算在未來半年維持或增加使用，44% 覺得真的省到錢。

主持人另外引述了一個數字：58% 的消費者想要能跨零售商運作的 AI 工具。這個數字我在 Kantar 公開頁面上查不到，所以請當成「主持人引述的 Kantar 數據」看待，不要當成官方公布數字引用。

Kantar 自己的解讀是：零售商專屬助理在既有使用者裡滿意度比較高，但通用平台可能更有優勢，因為商品與價格比較才是效用的主要來源。

換句話說，決定性的變數不是記憶，是**廣度**。而廣度剛好是單一家店結構上做不到的事。

更值得玩味的是，Jain 這個親手把 Rufus 蓋出來的人也承認：從「搜尋框」進化到「真正的助理」這一步，目前還沒有人真正做到，包括 Amazon 自己。

所以現在的聊天機器人形式，還不是 AI 購物的最終形態。連 Amazon 都還沒破解，這對台灣的品牌來說其實是好消息，代表窗口還開著。

## 五、如果你正在考慮導入，我會這樣做

► **第一：先分流，不要蓋一個萬用聊天框。** 把你的品類和流量攤開，算一下任務一（重複購買）佔多少。這部分的目標是**減少步驟**：一鍵重購、訂閱制、自動補貨、上次買過直接帶入購物車。這裡不要放對話。

► **第二：把 AI 助理的力氣集中在任務二和任務三。** 尤其是任務三。禮盒、送禮、預算限制、成分排除、規格搭配，這些是你的篩選器接不住、而消費者真的在腦袋裡糾結的東西。台灣的送禮文化本身就是任務三的大礦。

► **第三：後台一定要留查詢逐字內容。** 這是整篇文章最便宜、報酬最高的一件事。就算你今年不做 AI 助理，先把站內搜尋的原始查詢字串留下來，你就會開始看見那些過去隱形的需求。

► **第四：把成效指標從「使用 vs 未使用」換掉。** 改成追蹤同一群回頭使用者在第一、第三、第六個月的查詢長度與條件複雜度。如果做得到，再加一組沒有被曝光到 AI 助理的對照組來看增量。

► **第五：接受你可能兩邊都要下注。** 一邊把商品資料結構化到通用 AI 讀得懂（那是廣度戰場的入場券），一邊守住你的結帳、會員與履約優勢。這件事跟你的品類有關，我在 [agentic commerce 品類分水嶺](https://growthhackers.tw/blog/agentic-commerce-category-divide/) 那篇是橫著切（規格可比較的品類 vs 買氛圍的品類），這篇是直著切（同一個人，一週內可能三種任務都做過）。兩個切法建議一起看。

補一個誠實的對照。我在 [20 則廣告變 2 則](https://growthhackers.tw/blog/ai-shopping-assistant-ad-inventory-economics/) 那篇講過一個度假屋冰箱燒掉、要在週五前送到的案例，那篇的結論是零售商靠履約能力贏下了那張訂單。這篇問的是另一個層次的問題：那段釐清需求的對話，該不該由零售商的助理來接？兩篇的結論方向不同，因為問的問題不同，一起看會比較完整。

如果這週只能做一件事：**先確認你的站內搜尋和 AI 助理，有沒有留存原始查詢字串。** 沒有這筆資料，上面其他四條都不用談。

## 常見問題

**Q：站內 AI 購物助理到底該不該做？** A：該做，但不該用它服務全部流量。先算出你的重複購買佔比，那塊用「減少步驟」的方案處理；把 AI 助理放在研究比較與複雜限制這兩種任務上。

**Q：怎麼判斷我的 AI 助理是真有效，還是只是熟客在用？** A：不要比較「使用者 vs 非使用者」的 AOV，那個比較天生有選擇偏誤。改看同一群回頭使用者在第三、第六個月的查詢有沒有變長變複雜；有能力的話再設一組未曝光對照組測增量。

**Q：ChatGPT 這類通用 AI 會不會直接把零售商的助理吃掉？** A：Kantar 的資料顯示比價與比較是消費者認為最有用的功能，而這件事單一零售商做不到，所以通用平台在「探索」這一段有結構性優勢。零售商握有交易、結帳與會員資產，在「成交」這一段有優勢。Jain 的判斷是兩者長期共存。

**Q：消費者是不是其實不喜歡 AI 購物？** A：資料是反過來的。Kantar 顯示 75% 的消費者用過 AI 購物工具，96% 的現有 AI 購物者打算維持或增加使用。他們排斥的是沒有效率的對話，不是 AI。

**Q：現在做會不會太早？** A：Jain 自己說從搜尋框到真正的助理這一步還沒有人做到，包括 Amazon。窗口還開著，但入場券是結構化的商品資料和留存下來的查詢資料，這兩件事現在就可以開始做。

## 參考來源

- Retail Media Breakfast Club（主持人 Kiri Masters），[「Nobody Wakes Up Wanting To Chat With A Retailer」](https://www.youtube.com/watch?v=kTq%5FD97y2HE&ref=growthhackers.tw)，2026-08-13
- Jason Del Rey，[《The Aisle》對 Mukesh Jain 的訪談](https://www.readtheaisle.com/p/amazon-rufus-interview-mukesh-jain-alexa-ai-shopping?ref=growthhackers.tw)（原文為付費內容，本文引言經 podcast 轉述）
- Kantar，[AI-Enabled Commerce Pulse 第一波調查](https://www.kantar.com/north-america/inspiration/retail/kantars-ai-study-insights-from-trial-to-routine-in-60-seconds?ref=growthhackers.tw)
- Kiri Masters，[Rufus Remembers Me](https://retailmediabreakfastclub.com/rufus-remembers-me/?ref=growthhackers.tw)，2025-08-25

**協作聲明與免責**

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 `[來源名稱](URL)` 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。