Shopify Q2 財報解碼：75% 的 AI 訂單來自冷門類別，台灣小眾品牌翻身的入場券是結構化商品資料

前陣子幫一個台灣做戶外用品的品牌看官網，我點進他們的主力商品頁，想找「這件外套防水係數多少」。

找不到。

規格不是沒有，是躺在一張去背圖裡。設計精美、排版整齊、字體還特別挑過。人眼看三秒就懂，機器看一萬次也讀不到一個字。

我當下跟他們行銷說了一句話：「你這頁對 Google 來說是及格的，對 AI 來說是空白的。」

Shopify 在 2026 年 8 月 5 日公布的第二季財報，把這件事講得比我更清楚。

先講數字，順便更正一個很多人會抄錯的地方

Shopify 這季 GMV（平台商品交易總額）1,156 億美元，年增 32%，官方新聞稿寫得很明白。法說會上總裁 Harley Finkelstein 口語講的是「1,160 億」，四捨五入而已。

其他幾個數字一起看：

★ 營收 35.8 億美元，年增 34%
★ 營業利益 4.88 億美元，年增 68%
★ 自由現金流 6.54 億美元，利潤率 18%
★ 這是連續第五季 GMV 成長超過 30%

我特別提一下「1,156 億」這個數字，是因為我在整理這場法說會的 AI 摘要時，摘要工具把它寫成「116 億」，營收「3.6 億」。整整差了三個數量級。

這件事本身就很諷刺。

一個專門做資訊萃取的 AI 工具，讀一份講「結構化資料有多重要」的財報，自己先把數字讀錯。

如果你問我，這正好是全文的註腳：機器讀你的東西，從來不像你以為的那麼可靠。

真正該圈起來的那個數字：75%

財報電話會議上，Harley 講了一個數字，前後講了三次，我認為這是整場最值得台灣電商圈起來的一句：

Shopify 說，第二季由 AI 帶來的訂單裡，有 75% 來自「前 100 大商品類別之外」。

慢慢讀一次。

不是前 100 大類別「貢獻」了 75%。是前 100 大類別以外，貢獻了 75%。

在傳統搜尋的世界裡，這個數字很難出現。你去打「防水外套」，排在前面的通常是搜尋量最大、外連最多、預算最兇的那幾家。長尾的小品牌，卡在第三頁。

你知道為什麼 AI 搜尋不一樣嗎？

因為排序邏輯換了。

我知道有人會說，Google 早就不只是關鍵字比對了，這沒錯。但差別在輸出的形狀：搜尋引擎給你的是「一份排序過的清單」，你得自己一頁一頁點進去篩。AI agent 則是直接拿你的條件，一次去比對一整組商品屬性，然後只給你答案。

Harley 舉的例子非常好用。一個媽媽問 AI：「幫我找一台能在轎車後座並排塞三張的兒童安全座椅。」

傳統搜尋看到的是關鍵字：「安全座椅」。然後給你銷量排行榜。

AI agent 看到的是三個條件：寬度尺寸、車型、要三張並排。它會去比對商品的實際寬度數字、比對車款內裝寬度、算三張塞不塞得下，然後挑出真的能用的那一台。

那台不一定是銷量第一名。它只要是「規格對的那一台」。

其他真實例子也一樣：「不會泛白的友善珊瑚礁防曬」「適合法鬥的狗胸背帶」「適合小套房的站立式書桌」。每一個都是一組條件，不是一個關鍵字。

左邊是關鍵字，右邊是條件。差別不在誰比較聰明，在於誰手上有可以比對的欄位。

Harley 自己還講了一個故事。他要幫十歲女兒找一支「沒有螢幕的手機」，五年前他用 Google 搜，出來的是大賣場塞給他的一堆不相干商品。這次他直接問 AI，被帶到一個叫 Tin Can 的產品，一家 Shopify 上的小商家做的兒童無螢幕市話機。

他說：「我本來永遠不會找到它。」

這就像從「在百貨一樓搶櫃位」，變成「走進一間會先問你要什麼的選物店」。

以前你要曝光，得先贏過品類裡最大的那幾家，搶下最好的位置。現在你只要是「那個需求最精準的答案」，店員就會把你從倉庫裡拿出來。

冷門，第一次不是劣勢。

但入場券不是免費的，而且大部分台灣品牌沒買

看到這裡先別開心。這波紅利有一個很硬的前提。

Shopify 在法說會上說，透過自家 Catalog（結構化商品目錄）供給 AI 的搜尋，轉換率是用爬蟲抓取資料的 2 倍。差別在於資料是「整理好餵給機器」，還是「讓機器自己去頁面上猜」。

差兩倍。

（老實說，Shopify 沒有公布這個對照怎麼控制變因，所以別把它當成嚴謹的實驗結果。但方向性我認為是可信的。）

這個數字為什麼重要？因為它把「AI 搜尋要不要做」從玄學變成工程題。你的商品規格、材質、適用情境、尺寸，有沒有寫成機器讀得懂的欄位？

有，你在賽道上。沒有，你連報名表都沒填。

Shopify 講的是「整理好的資料比較好賣」。而 Adobe 從完全另一頭切進來，量的是「大家的資料到底整理得怎麼樣」。這份獨立數據，結論更難看：

Adobe 的數據顯示，2026 年第一季美國零售網站的 AI 來源流量年增 393%。但零售網站的商品頁，機器可讀性只有 66 分，是所有頁面類型裡最低的一種。

把這兩件事疊在一起看，你會發現一個很尷尬的畫面。

AI 把買家直送到商品頁（Shopify 說約 50% 的 AI 導流 session 直接落在商品頁，是傳統搜尋的 2.5 倍）。

而商品頁，正好是你全站整理得最差、機器最讀不懂的那一頁。

流量來了，門是關的。

同一瓶產品、同一組規格。差別只在於資料是躺在圖片裡，還是站在欄位上。

台灣的狀況，說實話更嚴重

我在雨傘產業待了七年，這件事我太有感了。

雨傘就是標準的「前 100 大類別之外」商品。而一把傘真正的賣點是什麼？抗 UV 係數、傘骨支數、防風等級、開收方式、收折長度、重量克數。

這些規格在台灣品牌的官網上長什麼樣子？

一張很漂亮的長圖。

字體是特別挑的，圖示是設計師畫的，排版是對齊的。人看了會想買。機器看了，是一張 JPG。

再往下看，情況更複雜一點。台灣品牌通常同時經營三種通路，而三種通路的資料困境不一樣：

► momo、蝦皮這類平台：欄位是平台給的，你只能填它開的格子。格子不夠細，你的差異化就塞不進去，只好塞進圖片和標題裡。

► 自架官網：欄位完全自由，結果反而更慘。因為沒人規定你要填，所以大家都不填，全部丟給視覺設計處理。

► LINE 官方帳號客服：這才是台灣最大的黑洞。買家想知道規格就直接問客服，客服口頭回答完就結束了。那些真正有價值的商品知識，一天累積幾百則，全部躺在對話紀錄裡，沒有一個字進到商品資料庫。

台灣賣家其實一點都不缺商品知識。缺的是把知識從人腦跟圖片裡，搬到欄位裡。

而現在，台灣正好有一整批「小而專」的品牌卡在這個位置：機能襪、寵物用品、露營裝備、手沖咖啡器具、登山杖、寶寶副食品工具。如果你問我，這幾類是 AI 搜尋最容易發揮的地方，因為它們的購買決策本來就是「一堆條件」而不是「一個品牌」。這是我的判斷，財報沒有這樣寫。

前面我寫過一篇談不同品類受 AI 衝擊的節奏，那篇的結論是「你的品類決定你現在該做什麼」。這一季的數字讓我要補一個更重要的變數：

品類大小已經不是門檻了，資料顆粒度才是。

順便打臉一個講了兩年的說法：「SEO 已死」

這場法說會還有一組數字，被幾乎所有財經媒體跳過，但我覺得對行銷人最有用。

Shopify 說，傳統搜尋帶來的 session 在過去兩年成長了 1.3 倍，目前仍占所有商店前台 session 的三分之一左右。

一家把 AI 商務講到最滿、股價因為 AI 敘事大漲的公司，在自己的財報電話會議上，親口說傳統搜尋還在成長、還占三分之一。

這是用自家損益表背書的反證。

Harley 的原話大意是：AI 是搜尋的「互補」，不是「替代」。

所以那個「SEO 已死、趕快全部轉去做 GEO」的說法，可以收一收了。

正確的理解是：你多了一個新的入口，舊的入口沒關。而且好消息是，兩個入口要你做的功課高度重疊。把商品規格寫成結構化欄位，Google 的 rich result 會受惠，AI 的 agent 也讀得到。

一份工，兩邊收。

如果你想看更完整的 AI 搜尋流量全景數據，我之前整理過一份跨平台的盤點，可以搭配著看。

一個旁證：AI 工具會隨著你的成熟度換工作

財報裡還有一段講 Sidekick（Shopify 內建的 AI 商務助理）的數據。用量成長很兇：日活躍商家年增 3.6 倍、每日使用次數年增 4.8 倍，第二季近 3,400 萬次對話。

（這兩個倍數我回頭核對過官方投資人簡報。市面上的自動逐字稿把 3.6 倍聽成「36 倍」、4.8 倍聽成「48 倍」，差了十倍。看到誇張數字先查原始出處，這是基本功。）

但用量不是重點。真正有意思的是同一個工具，被拿去做完全不同的事：

► 開店前 30 天的新商家，約 50% 的對話在問「怎麼設定店面、怎麼調版型」
► 經營五年以上的商家，這類問題掉到 8%，而「分析與報表」爬升到 40% 以上

同一個工具、同一個商家，五年後被拿去做的事幾乎完全相反。

Shopify 給了一句很精準的總結：「同一個產品，不同的工作。」

這句話值得台灣的行銷主管抄下來。

我看過太多團隊導入 AI 工具的失敗，不是工具爛，是階段錯配。你的團隊還在為「內容產不出來」痛苦，你卻買了一套要有乾淨數據才跑得動的分析型 AI。或者反過來，團隊已經有成熟的數據流，你還在讓他們用 AI 寫貼文。

工具沒問題。你派的工作不對。

而這件事跟前面是同一個道理：分析型的 AI 之所以要等到後期才發揮得出來，是因為它得先有乾淨的資料可以讀。 對內是報表欄位，對外是商品欄位。沒有整理過的資料，AI 兩邊都幫不上忙。

誠實的那一段：這件事沒有你想的那麼急

寫到這裡，我得踩一下煞車，不然這篇會變成 Shopify 的新聞稿。

第一，AI 的絕對量還很小。 Harley 自己在會議上就講了兩次「相對於我們龐大的 GMV，agentic 的量還很小」。

第三方估的更保守，而且彼此打架。Practical Ecommerce 整理的多份報告顯示，AI 導流佔電商流量的比重，各家算出來從不到 0.2% 到接近 1% 都有。數字差很大，共識只有一個：現在還很小。

第二，成長率正在正常化。 對照上一季的財報，Q1 講的是 AI 訂單年增近 13 倍。這一季是 3 倍。3 倍當然還是很猛，但曲線的形狀已經從「爆炸」變成「快速成長」了。

第三，Shopify 是有立場的。 它賣的就是這套基礎設施，所有數字都對它有利。我引用它的數字，但你我都該記得它不是中立的第三方。

所以結論是什麼？

不是「再不做就死」。是現在做，成本最低。

流量還沒真正湧進來的時候整理商品資料，你有時間慢慢來、可以錯、可以分批。等到佔比從 1% 變成 15%，你就是在營收壓力下邊流血邊補。

這年頭就是資料、資料、資料。

你這週可以做的五件事

不用等預算、不用等系統改版，這五件從今天就能開始：

► 1. 先做「規格搶救」
挑你營收前 20 名的商品，把躺在去背圖、詳情長圖裡的規格，一個一個打成文字，填進商品欄位。尺寸要有數字和單位，材質要有成分比例，適用情境要寫成完整句子。這件事很土，但這是報名費。

► 2. 用消費者的話，不要用工廠的話
你的規格表寫「210T 高密度尼龍」，買家問 AI 的是「會不會下大雨就滲水」。兩邊都寫。工廠術語給專業買家，白話描述給 AI 比對意圖。

► 3. 把 LINE 客服的問題挖出來變成欄位
導出最近三個月客服對話，統計被問最多的前 20 個問題。這 20 題就是你商品資料缺的 20 個欄位。這是台灣賣家最被低估的一座金礦。

► 4. 用 AI 自己搜自己
打開 ChatGPT、Perplexity、Gemini，用「條件式」的問法搜你的商品類別。像是「幫我找適合台灣潮濕氣候、可機洗的寵物睡墊」。

但不要只是看一看就關掉，那叫體感，不叫檢查。開一張表記四件事：你問的完整句子、它推薦了哪些品牌、你沒被推薦的原因（是規格缺、還是根本沒被收錄）、下次重測日期。固定十題、每月重測一次，你才有得比。

► 5. 挑一個最冷門的商品當實驗品
不要拿主力商品做實驗。挑一個規格最特殊、最小眾的 SKU，把資料寫到極細，然後追蹤三個月。

追什麼要先講定：該商品頁的自然搜尋曝光、AI 來源的 referral session、商品頁轉換率、以及客服被問到規格問題的次數有沒有下降。最後一項最容易被忽略，但它其實是最誠實的指標，資料寫得夠清楚，人就不用來問了。

如果你在 Shopify 上，Shopify 說這些資料會進 Catalog，也能透過 UCP（Universal Commerce Protocol，通用商務協定）被 AI agent 取用，這部分我之前拆解過。實際讀不讀得到，還是要看你欄位填得多完整、以及各家 agent 接了多少，別以為上架就自動完成。如果你在 momo、蝦皮或自架站，一樣要做，只是路徑不同、要多花點力氣。

三個最常被問到的問題

Q：什麼叫「結構化商品資料」？跟我做的 SEO 結構化標記是同一件事嗎？
有重疊，但不一樣。SEO 的結構化標記（Schema markup）是加在網頁上的一層標籤，告訴搜尋引擎「這串數字是價格」。結構化商品資料的範圍更大，指的是你商品本身的屬性有沒有被拆成獨立、可比對的欄位：尺寸、材質、重量、適用情境、相容性。標記是包裝，欄位是內容物。內容物沒有，包裝再漂亮也沒用。

Q：我的規格寫在商品描述的段落裡，這樣算嗎？
比放在圖片裡好非常多，至少機器讀得到字。但比不上獨立欄位。差別在於「可比對性」：AI 要一次比對三十個商品的寬度，欄位可以直接排序，段落裡的文字它得先猜哪個數字是寬度。能拆成欄位就拆。

Q：AI 搜尋會取代 SEO 嗎？我要不要把預算整個搬過去？
不用搬。Shopify 自己說傳統搜尋還在成長、仍占前台 session 三分之一左右，它把 AI 定位成「互補」而不是「替代」。而且兩邊的底層功課高度重疊，資料整理乾淨，兩個入口一起受惠。

最後

Shopify 說自己只佔全球零售不到 1%，還早得很。這句話當然有話術成分。

但 75% 這個數字我認為是真的有訊號。

過去二十年的電商邏輯是「大者恆大」：誰預算多、誰量大、誰排前面。AI 搜尋第一次把「精準」的權重，放到了「規模」前面。

這對台灣的中小品牌是好消息。我們本來就不擅長打規模戰，我們擅長的是把一個很小的需求做到很深。

問題只剩一個：

那些讓你與眾不同的細節，現在還躺在圖片裡，還是已經進到欄位裡了？

差別就在這裡。

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。