每 30 天 235 萬筆 AI 對話：品牌如何看見搜尋之後的真正購買決策？

品牌原本看得到搜尋點擊，現在可能只看到交易結果

傳統數位行銷習慣把消費者旅程拆成曝光、搜尋、點擊、進站、加入購物車與成交。品牌透過 GA4、廣告平台和電商後台觀察流量來源，即使歸因並不完美，至少還有可記錄的網站訪客與廣告互動。然而，當消費者把研究問題交給 ChatGPT 或 Gemini，重要的比較和評估可能在品牌網站之外完成。

一個人想買一台空氣清淨機，以前可能先搜尋品牌、閱讀幾篇評測、點開商品頁，再決定去哪個平台下單。現在他可以先問 AI「家裡有寵物、十坪臥室、預算 10,000 元，哪些機種適合？」接著追問濾網價格、噪音與保固，最後到實體賣場購買。品牌可能完全沒看到這段討論，只看到某個週末商品銷量增加。

這是一個示意情境，不是本次調查中已觀察到的個人紀錄。它指出行銷數據可能出現的新盲區：消費者的考慮名單與比較條件，未必會留下品牌網站的造訪足跡。若只分析網站點擊量，就可能低估某些外部研究接觸點；如果把所有沒看見的成交都歸因給 AI，又會高估其影響。

MFour 的公告因此引人注意。這家公司宣稱可以在取得參與者同意的前提下，連結 AI 對話、網頁瀏覽、App 使用、地點資料、收據、問卷與消費者資料，試圖讓研究從「看一段對話」延伸到「看這個人之後做了什麼」。這項能力仍是供應商對自己資料產品的描述，並不等於其採樣品質、覆蓋率與因果推論已經獲得獨立確認。

先搞清楚 235 萬筆到底是什麼，避免把規模誤當代表性

依 MFour 11 月 3 日發布的消息，235 萬指其在每 30 天內收集的不同 AI 對話，1,010 萬是這些對話內的消費者訊息量。前者是對話數，後者是訊息數，兩者都不是直接等於獨立用戶數，更不是「235 萬人完成購物」。若媒體直接把它寫成 235 萬名購物者的採購行為，就改變了原始數據的分母。

MFour 說明其資料來自美國第一方消費者樣本庫，參與者選擇同意分享行為資料，並可獲得相應報酬。公司也描述擁有超過 1,400 萬人的消費者 panel。但 panel 規模、在某段時間實際提供 AI 對話的參與者、每名參與者產生的對話數，以及能夠串連購買紀錄的有效樣本數，是不同概念。沒有完整方法學，就不能把所有數字混在一起。

尤其是使用 AI 的高頻族群，可能在 30 天產生遠多於低頻用戶的對話。如果直接用對話數量計算某品牌被提及比例，高頻使用者的偏好可能被放大。研究者應要求至少提供去重方式、每人對話分布、樣本加權、地區與年齡結構、平台覆蓋範圍，以及無法串連交易的比例。這些問題並非斷言 MFour 的資料有誤，而是評估任何大型行為資料產品時必須核對的基本條件。

MFour 同時納入 ChatGPT 與 Gemini 的對話資料，但市場上的 AI 使用情境仍可能分散在其他 App、企業帳號、瀏覽器內建助理或不願分享資料的族群。研究能觀察的範圍不等於全市場。因此，「兩個主要平台的部分同意樣本」與「所有 AI 搜尋消費決策」必須清楚區分。

消費者真正的決策過程，可能藏在一連串追問裡

AI 搜尋與一般搜尋關鍵字的一個顯著差別，是問題更容易在同一個對話裡逐步變化。使用者可能先問有哪些品牌，再改成比較兩個型號；接著問維修成本、使用限制，最後確認是否值得購買。若研究者只統計品牌被提及次數，很可能錯過消費者從廣泛探索轉向具體決策的過程。

可以將這條路徑分成不同的研究任務：需求探索、品牌發現、功能比較、風險排除、價格條件與最後確認。這個分類不是 MFour 公布的官方產品分類，而是品牌可以自行建立的分析框架。它有助於回答幾個問題：品牌是在最早的候選清單中出現，還是在後續比較被刪除？消費者在意的是價格、功能、信任還是售後？品牌資訊是否足夠清楚，讓 AI 回答使用者真正擔心的細節？

一個更嚴謹的研究方法，會把問題原文、AI 回答、後續追問和可觀察行為分開標記。使用者提到品牌，不代表 AI 有推薦；AI 提供品牌，不代表消費者接受；消費者說「我想買」，也不代表已經成交。這些都是不同程度的意圖訊號，不能合併成所謂的 AI 轉換率。

品牌研究還要注意反向關係。消費者可能已經在店裡看到一件商品，才回家問 AI 評價；也可能已決定購買，只是請 AI 核對規格。此時 AI 出現在成交之前，未必是促成購買的原因。若缺乏前後路徑、對照樣本與其他媒體資料，單純時間先後不能證明因果。

新的行銷指標，應從「AI 提及」走向「可驗證的商業影響」

當品牌開始追蹤 AI 搜尋，最容易採用的指標是「品牌被提及多少次」。這是一個可觀察的早期訊號，卻不足以成為管理層的最終 KPI。某品牌可能在大量比較中被提及，但總是作為價格太高或評價不佳的反例；另一品牌出現次數少，卻在高意圖需求中被優先推薦。兩者的商業價值顯然不同。

比較完整的框架可以分成五層。第一是覆蓋：與產品相關的需求題目中，有多少類型能得到正確品牌資訊。第二是考慮：品牌是否進入推薦與比較候選。第三是內容正確性：價格、規格、保固與使用限制是否有誤。第四是意圖推進：在後續追問中品牌仍被保留的比例。第五是商業結果：與成交、毛利或實際詢問之間有多少可辨識且合理的關聯。

在第五層，品牌尤其要處理增量（Incrementality）問題。假設某位消費者本來就會買同一個品牌，AI 只是最後一個被諮詢的工具，將整筆訂單歸功於 AI 會膨脹行銷成效。比較理想的是建立實驗組與對照組，或利用具備可比性的區域、期間及受眾分析，觀察特定資訊改善是否帶來額外轉換。但這些方法都有假設，執行前應清楚揭露。

此外，品牌應把直接歸因、輔助貢獻與品牌提升分開。有可追蹤的推薦連結或活動代碼，可能形成較直接的交易關聯；有對話內容但沒有購買資料，最多只能說明考慮與認知；有購買資料卻不具備實驗控制，則要避免誇大因果。儀表板畫得再完整，也不能消除研究設計上的限制。

對話與購買資料串連，也帶來更大的隱私責任

MFour 描述的資料產品將 AI 對話和人口資訊、網站瀏覽、App、GPS 驗證門市造訪、收據與問卷等訊號連結。對研究者而言，這讓行為分析更豐富；對資料當事人而言，也意味著不同生活情境可以被拼接。即使供應商說參與者已選擇同意，品牌仍應理解同意範圍、處理目的、保留期限與再利用限制。

AI 對話可能包含比一般搜尋關鍵字更敏感的資訊。使用者可能在購物討論中順帶提及健康、家庭或財務條件，而這些內容不一定適合被廣告主直接取得。企業採購此類資料時，應評估是否真的需要對話原文，是否可使用匿名化或聚合後的主題資料，以及能否只取得足以回答研究問題的最小必要資訊。

最重要的是，匿名化並非只把姓名刪掉。當對話、位置、購買時間及其他詳細紀錄被連結，個體被重新辨認的風險可能增加。品牌需要請供應商說明資料收集與退出機制、識別碼管理、存取權限、資料最小化與刪除政策，同時依實際服務市場檢視適用的隱私法規。這些是採購與治理問題，不能只由行銷部門以「有同意」三個字結案。

如果企業只有想了解「消費者在問哪些產品問題」，其實不一定需要購買可回溯到個人的完整對話資料。以聚合趨勢、同意的焦點訪談、匿名化客服問題、站內搜尋與公開的 AI 回答測試，往往可以先取得有用線索。研究方法應與問題相稱，並非資料越個人化就必然越有價值。

為什麼 AI 搜尋優化不能只追求讓品牌被模型說出口

現在許多企業開始討論 GEO（Generative Engine Optimization），也就是改善品牌資訊在生成式搜尋與回答環境中的可被理解性與引用機會。這與傳統 SEO 有交集，卻不是簡單把標題改成問答形式。AI 可能彙整多個來源，品牌自己的內容、第三方評測、用戶評論、價格與產品供應資料都有可能影響答案。

品牌應先建立內容事實層，再建立可讀的解釋層。事實層包括產品規格、版本、價格、服務地區、保固、退費與更新日期；解釋層回答不同客群的使用情境、適合與不適合的條件，以及選型時需要注意的問題。當內容只寫「品質最好、業界領先」，AI 與消費者都難以用它做出有根據的比較。

外部信任訊號同樣重要。品牌若有正式認證、可檢查的研究資料、具日期的真實案例或清楚的客戶服務流程，應讓資訊容易查證；沒有證據的宣稱則應調整。網站大量新增泛泛的 AI 文章，不一定能提高真正的產品考慮率，反而可能製造重複、矛盾或過期內容。

這也說明 AI 搜尋測量不能與營運資料脫節。如果後台不知道實際成交產品、毛利與客戶類型，就很難判斷 AI 回答帶來的流量是否有價值。行銷、商品、客服、銷售與資料團隊應共享一套可辨識的商品、服務及內容版本，而不是每個部門建立一份互相衝突的統計。

中小企業不必購買百萬筆對話，也可以建立第一版量測

對多數台灣中小企業而言，立即採購大型 AI 對話資料庫不一定符合預算與需求。較可行的第一步，是從真正會影響銷售的 20 個購買問題開始。這些問題可以來自既有客服、業務詢問、站內搜尋與成交前常見疑慮，並依「品牌發現、方案比較、價格、風險、售後」分類。

第二步在主要 AI 工具上依固定方法測試，記錄問題、測試日期、模型或介面、使用地區與語言、引用來源、出現品牌、回答是否正確，以及是否提供可驗證連結。由於生成式回答可能隨時間與情境變動，單次結果只能作觀察，不宜當成長期排名。抽樣頻率與題目必須固定，才能比較前後改變。

第三步回到自有資產修正明確錯誤，例如產品頁缺少關鍵規格、FAQ 混用舊價格、服務條件沒有寫清楚，或第三方引用指向過期頁面。每次修正應記下版本與日期，再觀察相關問題的回答品質，而不是一次更動整個網站，最後無法判斷哪項改善有效。

第四步把可取得的商業資料接回來：網站的 AI 來源訪客、問卷中的資訊來源、業務填單與 CRM 的需求類別、訂單與實際毛利。若無法直接追蹤單筆來源，就用聚合趨勢和對照觀察，不應偷偷收集超出原本同意範圍的個人資料。

這一套流程不會讓品牌看見所有 AI 對話，卻可以先回答更重要的問題：在哪些高價值需求上，品牌資訊不完整、被誤解或缺乏可信證據？哪一類修正與客戶詢問品質相關？哪個指標值得持續投入人力？這些結果通常比一個漂亮的「AI 品牌曝光總分」更能支持決策。

從測量方法回到商業本質：AI 只是決策過程的一段

MFour 公布的規模提供了一個重要訊號：市場研究供應商正在嘗試把 AI 對話納入跨通路消費者旅程，而不再只觀察一般搜尋和廣告點擊。它或許有助品牌更了解人們在何處形成偏好，但目前公開資訊不足以讓外部讀者獨立判斷其樣本代表性、串連誤差與實際歸因精度。

未來值得追蹤的是三件事。第一，供應商是否揭露可檢查的方法學與有效樣本口徑；第二，品牌是否能用不侵犯隱私的方式建立對照實驗；第三，研究結果是否真的改善商品資訊、服務設計與成交，而非只產生更多可供簡報展示的數據。

AI 搜尋沒有取消品牌、價格、產品品質與服務體驗對購物決策的影響。它改變了消費者取得與比較資訊的介面。品牌如果只問「我的名字有沒有被 AI 提到」，容易追逐短期數字；若進一步理解「誰在什麼情境下考慮我的產品、為何信任或放棄、最後是否採取行動」，才能把新資訊入口轉為真正可管理的商業能力。

把對話串到交易時，最容易出錯的三種推論

第一種是選擇偏差。願意加入研究 panel、同意分享 AI 對話的人，可能比一般消費者更習慣使用數位工具，也可能有不同的收入、年齡或購物行為。即使樣本量極大，若參與者不是隨機選出，仍不能單靠資料量消除這些偏差。研究者需要了解樣本來源、加權方式及與目標市場的差異，並對未涵蓋人群做清楚說明。

第二種是時間偏差。有人在 AI 對話前就已經決定購買，另一個人可能在對話後三個月才成交。若研究者隨意選擇很短的觀察期間，會漏掉長決策週期商品；若期間過長，又會混入更多促銷、朋友推薦與市場變化。不同商品類別應使用不同的研究窗口，並事先定義規則，避免事後挑選對品牌最有利的期間。

第三種是跨裝置與跨通路的識別偏差。同一個人可能在手機上問 AI、用電腦比較價格、最後在門市以另一種支付方式購買。研究業者若宣稱能串連這些行為，品牌應了解識別依據與未成功匹配的比例。不能因為資料商使用「確定性」或「完整旅程」等字眼，就忽略掉缺失值與錯誤串連的可能。

可以如何設計具體的 AI 搜尋成效實驗

若品牌想知道改善產品資訊是否有效，可以先選一組高意圖問題，例如選型、保固和售後比較，再挑出相關但未立即修改的問題作對照。實驗前保留現有 AI 回答快照、官方頁面版本與網站搜尋表現；接著只修正清楚可確認的資訊缺口，觀察後續相同問題在不同日期、裝置與介面上的回答變化。

這個設計不能保證模型會即時更新，也不能把自然波動完全排除，所以分析時要記錄查詢日期、模型版本、位置及回答差異。若觀察到品牌被引用次數增加，還需要再看引用是否正確、是否帶來具相關性的造訪或詢問。若只增加曝光卻沒有實際業務成效，應先檢查商品訴求、購買障礙及網站承接，而不只是增加內容量。

對 B2B 服務與企業培訓而言，成交週期可能更長，可以把「符合條件的詢問」、「需求與服務匹配」、「後續提案」及「實際成交」設成連續階段。來源若來自客戶自述，應保留「自述來源」標記，避免把它當成技術追蹤的精確結果。這種方法雖然不如全市場對話資料龐大，卻更能直接回答營運團隊想知道的問題。

董事會應該問的不是資料量，而是決策有沒有改變

大型行為資料產品很容易在簡報上展示驚人的數字，例如每月數百萬筆對話、上千萬則訊息或數十億個行為訊號。但如果分析最後只能回答「多少人談過我們」，企業仍然不知道該調整商品、內容、價格還是廣告。真正值得付費的研究，應能提出可執行的假設、清楚的證據限制，以及下一次如何驗證改善。

因此，品牌決策會議可要求三種產出。第一是消費者在購買流程中遇到的具體疑慮與其證據來源；第二是品牌能改變的因素，例如資訊清晰度、產品組合與售後承諾；第三是可被驗證的下一步，包括預期指標、對照方法和成本。如果供應商只能提供大量關鍵字雲或品牌提及排行榜，而無法說明抽樣與歸因邏輯，便應降低對其商業結論的信心。

研究也應給反證留位置。若修正官網資訊後，AI 回答仍未改善，可能因為平台尚未重新取得內容，或影響來源其實在第三方。若 AI 提及率提升但成交不動，也可能反映價格、供應與信任障礙。這些都是有價值的發現，不應在報告中被當成「失敗數字」而隱藏。

常見問題

235 萬筆 AI 對話代表 235 萬名購物者嗎？

不代表。MFour 公告的是每 30 天的不同對話數，另有 1,010 萬則消費者訊息；對話數、用戶數與成交數是不同統計單位。

AI 品牌提及率可以當作投資報酬率嗎？

不可以直接等同。提及率是上游曝光或考慮訊號，ROI 需要對照實際收入、增量效果、成本與毛利。

品牌需要取得消費者 AI 對話原文嗎？

不一定。許多研究問題可用聚合、匿名化或自有資料解答。若處理個人對話，需清楚界定同意、用途、資料最小化與存取權限。

資料來源與說明

1. MFour，MFour Adds Google Gemini to Its AI Conversation Data，2026／11／03。2.35 百萬對話、10.1 百萬訊息、資料來源與產品功能均來自業者聲明，尚未獨立核實其完整樣本與歸因成效。
2. PR Newswire，MFour 原始新聞稿，2026／11／03。作為發布內容交叉核對，與 MFour 為同一消息來源，並非獨立研究。
3. BCG，How Retailers Can Win With AI Shopping Agents in 2026，2026／10。補充品牌在代理式購物的成效與增量要求，研究對象與 MFour 資料並不相同。

資料查核截止：2026 年 11 月 5 日。本文所提追蹤指標及研究方法為編輯建議，非 MFour 對外保證的實測成果；個人資料處理應依適用法規與契約審查。

圖片資訊

封面為本專題製作的 AI 生成概念插畫，不是新聞現場實拍。

延伸閱讀

探索更多企業 AI 知識與實務 · Renee Kuo 的專題文章