Tej Pandya 分析印度購物 AI 如何證明在地優勢
在印度做購物 AI,光是換成在地品牌或加上聊天介面,不一定能讓顧客買得更好。Tej Pandya 提出一套評估方法,建議先挑一種明確任務,例如找出尺寸合適、含運費不超預算,而且能送到指定 PIN code 的鞋子,再檢查商品是否有貨、價格和退貨條件是否可靠。測試時也要和顧客原本會用的購物網站、搜尋引擎或全球 AI 助理比較,並算進客服、退款與人工處理的成本。語言、在地商品和配送服務都可能成為優勢,但要用實際成果證明。
在印度做購物 AI,光是換成在地品牌或加上聊天介面,不一定能讓顧客買得更好。Tej Pandya 提出一套評估方法,建議先挑一種明確任務,例如找出尺寸合適、含運費不超預算,而且能送到指定 PIN code 的鞋子,再檢查商品是否有貨、價格和退貨條件是否可靠。測試時也要和顧客原本會用的購物網站、搜尋引擎或全球 AI 助理比較,並算進客服、退款與人工處理的成本。語言、在地商品和配送服務都可能成為優勢,但要用實際成果證明。
網頁搜尋結果常把不重要的內容放在前面,小型模型可能看到一個像答案的線索,就直接作答,不再開啟網頁確認。作者用 12 個問題比較完整網頁文字和只顯示標題、連結及前 200 個字的搜尋結果:完整文字答對 22 題,縮短版答對 20 題。像是問題問團隊方案的每人價格,縮短版先露出個人方案的 $8,模型就答了 $8;正確答案 $12 藏在網頁更下面。 縮短版每題用的 token 較少,但模型更常重新開啟網頁,到了第三輪,提示內容反而比完整文字更長。這次測試只做到三輪,不能直接代表更長的工作流程;不過結果顯示,縮短搜尋結果只有在它保留答案時才有幫助。答案可能藏在下方時,模型得先開啟網頁確認,不能只看前幾個字就作答。
買進比特幣、同時放空期貨,可以賺取兩邊價格的差額,但這種做法今年一度不好賺。Sygnum 預測,2027 年這種交易的平均報酬有機會高過美國國庫券,前提是 CME 比特幣期貨基差和平均資金費率,都得比 3 個月期國庫券殖利率高出 2 個百分點以上。以 11 月初的數字來看,資金費率約 8%、期貨基差為 5.7%,國庫券殖利率則是 4.32%。 Sygnum 也訂下判斷失準的條件:如果平均基差或平均資金費率連續兩季低於國庫券殖利率,就代表這套看法不成立。這提醒投資人,套利收益不是固定的;利率愈高,要打敗國庫券也愈不容易。
AI 助理可能呼叫了不合適的 API,卻收到正常回應,讓儀錶板仍顯示一切正常。OpenSearch Software Foundation 的 Bianca Lewis 說,團隊可以搭配 OpenTelemetry 追蹤 AI 助理呼叫了哪些服務和 API,再加上成本資料,檢視哪一步走偏、哪裡花費較高。這些線索能幫開發者找出答案看似合理、實際上卻不符合使用者要求的原因。她也提到,團隊可用同一套 OpenSearch 技術處理搜尋和觀測,並把轉換平臺的成本納入整體考量。
作者在網站上放了簡單的瀏覽紀錄,想知道大家真的會看哪些頁面。11 天收下 45 筆瀏覽,其中 9 筆被認成機器人;但一個檢查連結的程式假裝成一般 Chrome 瀏覽器,混進了「真人」紀錄。最後仔細看完,只找到 3 筆可能來自陌生人的瀏覽,其中 1 筆從 Google 進站,而且直接到了範本介紹頁。作者因此打算先替網站上已有的 25 個範本頁補上清楚標題和介紹,不再急著做第四個銷售頁。這些紀錄還太少,不能證明太多事,但至少提醒他:先把力氣花在訪客真的走進來的地方。
買軟體時,愈來愈多人會先問 ChatGPT,而不是 Google。作者用 ChatGPT、Perplexity 和 Gemini 搜尋網路,詢問專案管理、小型企業 CRM 和網站製作工具的推薦名單,再記下它們提到哪些品牌、誰排第一,以及引用哪些網站。結果顯示,常被提到不代表最常排第一:HubSpot 在 12 個小型企業 CRM 回答中出現 12 次、排第一 10 次;Pipedrive 也出現 12 次,卻從未排第一。 三個 AI 助理在各類別的領先品牌大致一致,但其他品牌的結果常有落差;它們也常引用評測網站、Reddit 和 YouTube。這次只在一天問了一輪,結果可能隨時間改變,不能當成固定排名。對想讓品牌被推薦的公司來說,出現在這些被引用的網站上,也可能很重要。
搜尋電子郵件行銷工具時,品牌網站即使排在一般搜尋結果裡,也不一定會出現在 Google 的 AI Overview。作者在美國用英文測試 40 組搜尋,發現每一組都有 AI Overview;其中 31 組引用 YouTube,但 YouTube 只在 4 頁的一般搜尋結果中出現。Reddit 也常被引用,而品牌相關搜尋則都引用了至少一個被搜尋品牌的自家網站。作者建議業者除了寫部落格,也把短影片、Reddit 回覆和最新的價格比較頁納入內容規劃。這只是單一國家、單次測試的結果,作者提醒搜尋結果可能隨時間和使用者而改變。
同一個問題隔天再問,AI 搜尋服務可能會推薦不同品牌,單看一次結果很難知道品牌是否常被看見。Supercite 用 210 個購物問題測試 ChatGPT、Gemini、Google AI Overviews 和 Google AI Mode,結果有 84% 的答案隔天提到不同品牌;引用網頁的重複比例只有 42%。排名第一的品牌隔天仍會出現 90% 的時間,但繼續排第一的只有 63%。作者認為,AI 會依當下讀到的網頁整理答案,因此品牌若出現在更多相關清單上,較不容易因網頁更換而消失。這次只測了兩天,作者也提醒,結果包含服務本身的隨機變動。
網路商店的搜尋框很會找商品名稱和拼錯的字,卻不一定聽得懂「150 英鎊以下」「不要 VTech」這類日常說法。作者在 6 家使用 Doofinder 的 WooCommerce 商店試著搜尋,發現打上價格上限時,6 家都沒有照價格篩選;3 家還把數字當成商品文字來找,而「不要某品牌」也有 2 家把指定品牌排在前面。 作者也用 Queryra 的展示商店測試同類問題,結果比較能照預算和排除品牌來找商品,但有時仍會混進不太相關的品項;這次使用的是 Queryra 自家的 221 件商品目錄,不能直接當成公平的同店比較。整體來看,Doofinder 找商品名稱和拼字錯誤很可靠,也有打字時就顯示結果的搜尋介面;Queryra 則較適合希望搜尋結果直接回應預算、品牌排除或白話需求的商店。
汽車網站把每個車款和年份拆成規格、安全、保養、車主手冊和問題五種子頁,但頁面多不代表內容真的不同。作者抽查 40 款車,清除頁面中的結構資料後發現,安全頁有 28 頁都是 356 字,車主手冊頁有 29 頁都是 321 字,兩種頁面的文字也常高度相似。保養頁連結宣稱提供油液容量,實際抽查的 240 頁卻沒有一頁列出誇脫或公升數。作者也提醒,這次沒有檢查搜尋引擎如何處理這些頁面,因此不能據此判定搜尋結果會受什麼影響。
把筆記全部連成一張大網,看起來很方便,但每篇筆記都互相連結,可能讓搜尋更耗資源,也不容易隨新資料更新。作者的個人知識庫改用分層做法:大量原始資料放進資料庫,整理過的重點筆記才拿來搜尋和建立連結;知識圖譜則只負責少量人物、概念等關係。 掃描發現,零連結筆記很多,但大多是收件匣、對話紀錄或原始資料,本來就不要求全部互相連結;真正需要整理的問題只出現在任務日誌和兩個專案資料夾。雖然系統跑過 1,719 次比較,人工判斷仍停在 31 次,因此目前沒有足夠新證據證明知識圖譜比原本的搜尋方式好,作者便讓它繼續維持關閉。
經營網站的人靠搜尋流量讓讀者找到內容,也需要這些流量維持網站運作。All About Berlin 的作者說,網站經歷多年成長後,流量因 Google AI Overviews 減少了 70% 至 75%;搜尋頁面會先顯示廣告和 AI 生成的答案,原本的網站連結則排在後面。作者表示,收入變少讓他難以繼續寫新指南,也讓讀者更難直接接觸他的內容。他還提到,有些網站經營者已替內容設付費牆,也有人不再更新網站。
看到搜尋結果裡的 AI 答案後,使用者可能不再點進外部網站。研究人員在美國桌面版搜尋中,隨機對部分使用者隱藏 Google AI Overviews,再比較搜尋行為;結果顯示,顯示 AI Overviews 時,流向外部網站的點選量少了 40%。研究也指出,DataForSEO 追蹤的美國搜尋關鍵字中,超過一半會出現 AI Overviews,一年前約為 6%;而 AI 答案帶給網站的流量只佔網站總流量的 0.3%。
推薦理由:隨機實驗比較有無顯示 AI Overviews 的搜尋行為,呈現搜尋摘要如何影響外部網站點選,可用來理解網站流量變化。
新模型推出後,大家常要等一段時間,才會在搜尋服務裡用到它。Google 在 2026 年 11 月 17 日發布 Gemini 3,並從第一天起讓 Pro 和 Ultra 訂閱者在 Google 搜尋的 AI Mode 使用它;作者說,前幾代模型進入搜尋都晚了幾週。文章也提到 Gemini 3 Pro 在 LMArena 得到 1501 Elo,Gemini 3 Flash 則比 2.5 Flash 快約 2 倍、執行成本低約 60%,這些數字是 Google 提供的。作者認為,模型發布時就接上搜尋服務,讓更多人能直接用到新功能,是這次發布的關鍵變化。
推薦理由:Gemini 3 從發布當天就進入 Google 搜尋的 AI Mode,文章聚焦模型發布與搜尋入口同步,呈現 Google 如何把新模型直接帶到使用者面前。
想知道品牌為什麼會被 AI 助理推薦,可以看看它們回答問題時引用了哪些網站。作者用自家工具 AIVisib,測試 ChatGPT、Gemini、Perplexity 和 Claude 對 24 個買家問題的回答,共收集 287 則,涵蓋英文、法文和阿拉伯文。結果發現,AI 助理常引用 HubSpot、Semrush 等網站;同一品牌在 ChatGPT 的能見度是 3%,在 Gemini 和 Perplexity 都是 4%,在 Claude 則是 0%。英文回答中,品牌出現率為 8%,法文和阿拉伯文都是 0%。這提醒品牌不能只檢查一種 AI 助理或一種語言,也可以先從較具體的問題和 AI 助理常引用的網站著手。
Google 搜尋結果先顯示 AI 摘要後,使用者可能直接看完就離開,網站因此少了外部點選。一項隨機實驗比較看得到與看不到摘要的美國桌面版使用者,發現有摘要的搜尋平均帶來 0.37 次外部網站點選,沒有摘要時則是 0.62 次,約少 40%;這是尚未經同儕審查的工作論文。文章也整理 GEO 做法:維持網站可被搜尋,寫清楚、方便引用的內容,並觀察各平臺引用哪些來源;目前沒有資料證明 llms.txt 等捷徑有用。AI 助理帶來的網站流量仍少,作者建議以實際營收衡量搜尋與 AI 來源的價值。
推薦理由:隨機實驗顯示 Google AI 摘要會減少外部網站點選,文中也整理哪些 GEO 做法有資料支援,以及哪些捷徑尚未見效。
消費者可能先請 AI 比較商品,再決定要不要進商家網站,賣家也因此得思考商品資料和結帳流程能不能讓 AI 看懂、順利操作。作者根據自己經營美國市場跨境電商的經驗,整理 OpenAI 的 Business Agent 和 ChatGPT Wallet:前者可回答商品與配送等問題,後者讓符合條件的使用者確認商家、商品和金額後付款,商家仍負責交易、出貨和售後。作者建議先補齊商品尺寸、價格、庫存與退換貨資訊,檢查網站是否會擋下合法的 AI 操作,並追蹤 AI 帶來的點選和訂單。功能目前仍有限制,商品被看見也不代表會被推薦或帶來成交。
檢查網站有沒有寫清楚產品資訊,能不能讓 AI 助理找到資料,獨立 SaaS 團隊的表現比預期好:11 個首頁中有 9 個已寫好專屬的 llms.txt,沒有網站直接套用未修改的範本。不過只有 2 個首頁看得到 FAQ,價格、適合哪些人、和其他產品有什麼不同,仍常常沒有簡單說明。 另有 1 個網站的 robots.txt 擋住了 AI 助理讀取資料的爬蟲;原因是 Cloudflare 預設的規則把 ClaudeBot、GPTBot 等爬蟲列入禁止名單。這次檢查的網站不是隨機挑選,不能代表所有獨立 SaaS 團隊,但提醒網站經營者:寫好 llms.txt 之後,也要檢視 robots.txt 有沒有悄悄擋住爬蟲。
同一個問題每天問 AI 搜尋引擎,答案裡提到的品牌常會不一樣,很難從單次結果看出變化。作者每天用固定提示詞測試五種引擎,發現相鄰兩天的品牌名單中位數重疊率是 0.40,一週後降到 0.33,之後變化較小;ChatGPT 和 Bing AI Mode 的名單相對穩定,Google 的變動較大。研究也發現,某品牌今天沒出現,之後常會再出現,因此追蹤多次回答中的提及比例,比看單次結果更有用。這份資料來自單一市場,作者也提醒,無法分辨變化是搜尋到的網頁、生成時的隨機性,還是系統為不同請求選了不同模型所造成。
搜尋一個產品名稱,結果可能混進同名的人事物,讓它看起來比實際更熱門。Jerry 把 15 種 AI 工具的搜尋字詞改用 Google Trends 主題重測,並和原本結果比較;主題會把不同拼法和語言中被歸到同一個物件的搜尋算在一起。以 ChatGPT 的最高週為基準,Cursor 主題的搜尋熱度只有字詞結果的 8%,因為多數「cursor」搜尋其實是在找滑鼠遊標。這種比較能減少同名詞造成的幹擾,但 Google 怎麼分類看不見,而且每種工具只選一個主題,可能低估分散在多個主題中的產品。
AI 助理查資料時,搜尋結果可能找不到答案,也可能花太久或成本太高。cloro 團隊用公開題目比較四種搜尋 API:多步問題中,cloro 答對 80.2%,高於 Exa 的 64.0%、Brave 的 53.9% 和 Tavily 的 48.4%;不過 Exa 搜尋最快,中位數是 0.74 秒,cloro 則要 7.96 秒。作者指出,多步問題的差距主要來自找不到資料,而不是找到資料後答錯。若重視速度可選 Exa,若在意慢速搜尋的穩定度可看 Brave;這項比較由 cloro 發布,且該公司也參與測試。
推薦理由:這項比較把答題正確率、搜尋速度與費用放在一起,並指出多步問題的差距多半來自找不到資料。
替 AI 助理挑搜尋 API,得看問題型別、回答速度和費用;不同服務的搜尋結果差異很大。作者用 2,182 個問題比較多種 API,發現 Exa 和 Parallel 在短知識題表現接近,Exa 搜尋最快,中位數是 0.74 秒;遇到需要串起多項資訊的問題,Google 搜尋 API 答對的比例較高,cloro 為 80.2%,SerpApi 為 77.4%,Exa 為 64.0%。這些 Google 搜尋 API 一次搜尋約需 8 秒,回傳搜尋結果頁,沒有網頁全文。作者也提醒,這項比較由 cloro 發布,而 cloro 本身有參與其中;Perplexity Search API 和 Linkup 沒有納入準確率測試。
第18個雙11期間,電商平臺的競爭重心從低價促銷轉向AI購物與服務能力,Token、AI產品和服務訂單成為大促清單的新專案。 - 促銷與消費:星圖資料顯示,首輪促銷期間綜合電商平臺累計銷售額為10263億元,年增2.4%,低於去年同期的14.2%;平臺也簡化滿減與湊單玩法。
作者檢查 Upwork Scout 部落格的 107 篇文章後發現,內文連結只指向較早發布的文章,最新文章幾乎沒有內部連結匯入。這篇建置紀錄分析連結結構如何隨時間偏斜,並提出尚未部署的修正計畫。
Databricks 將 Genie 擴充套件為可排程或由事件觸發、能追查缺漏資訊並同時管理多項工作的 AI 助理,使用者可設定哪些動作須先經核准。
推薦理由:Genie 把資料問答延伸為可持續執行的工作,文中也區分正式推出與預覽功能,並說明 91% 基準測試適用於既有 Databricks 部署的條件。
文章指出,Google 搜尋加入 AI 摘要與對話功能後,使用者更難直接找到網站,搜尋流量與廣告變現也因此面臨壓力。 - 商業影響:Google 商務長 Philipp Schindler 在財報電話會議中表示,AI 搜尋的變現較低;Alphabet 股價隨後單日下跌近四分之一,市值減少約 5,000 億美元。
Perplexity Comet 免費開放後,具備跨平臺支援與 Chrome 擴充功能相容性,成為作者認為最值得研究與閱讀工作者考慮換用的 AI 瀏覽器。
AI 購物代理會代替顧客搜尋、比較並挑選商品,讓商品探索從店面轉向代理程式,也改變電商的產品資料、系統整合與顧客歸屬。 - 產品資料:商品目錄需要提供一致且結構化的屬性,例如容量、庫存、配送時間與退貨期限,讓代理程式能依顧客條件篩選商品。
VOYGR 使用 VOYGR Enrich API 檢查 400 個美國地點,標記 93 家商家歇業;其中 23 家經查證確實歇業,但在 Google Maps 上仍顯示營業或查無商家。
Marissa Mayer 在 Google 擔任首頁守門人,並於 2002 年創立 Associate Product Manager(APM)計畫,培養產品管理人才。
Erlin 追蹤 500+ 個品牌在 ChatGPT、Perplexity、Gemini 與 Claude 中的曝光,發現品牌出現在越多種來源型別,平均 AI 曝光率越高:只有自有網站一種來源的品牌為 18%,出現在 5 種以上來源型別的品牌則為 78%,相差 4.3 倍。
Search Engine Land 引用 Similarweb 的資料分析指出,受調查網站的自然流量在兩年比較中下滑,電子郵件造訪則在 2026 年 1 至 8 月高於去年同期;作者據此建議分散流量來源,並把搜尋曝光連結至電子郵件訂閱與回訪經營。
Google 宣佈自 2027 年初起,K-12 Google Workspace for Education 帳戶中的 AI 工具將預設關閉,但搜尋功能也會一併關閉;雖然 Google 後來表示學校可單獨啟用搜尋,搜尋仍無法排除 AI Overviews 等 AI 功能。
Fractl 的 Quiet Click 研究顯示,搜尋者研究重要議題時,論壇與社群討論最常被受訪者評為可信,也最常獲得點選。 - 信任度:在 1,007 名美國成年人的調查中,論壇與社群討論為 21%,新聞網站為 18%,AI 搜尋摘要與官方品牌網站各為 17%。
Monitoring Room 的美國期中選舉預測市場頁面,上週收到 116 人次來自 ChatGPT 的網站流量,前一週為 7 人次,成為該網站最大單一流量來源。
AI 搜尋工具 透過大型語言模型與檢索結合,能在秒內產生流暢答案,但往往因模型只最佳化可讀性而產生幻覺。 - 工作流程:輸入問題 → 轉成搜尋查詢 → 取得網頁片段 → 作為上下文交給 LLM → 生成答案。
Stack Overflow 回應社群對其即將消亡的討論,指出 AI 正改變開發者取得知識的方式,而平臺上的知識仍支援 AI 生態系統,並將戰略重心轉向企業市場。
summary_zh: 美國 Pew Research Center 報告指出,越來越多成年人認為 AI 對個人和社會的影響為負面,導致對 AI 的討厭情緒升高。
Dan Luu 在其部落格中警示 LLM 生成的基準測試易被操縱,並以 FRE(Regex Engine)為例說明。 - 基準操縱:LLM 可在毫秒內調整程式碼,使 SPECint、SPECfp 等測試顯示高效能,但實際效能不增。
summary_zh: 本文剖析 LLM 外在幻覺的成因與評估指標,強調訓練資料與微調的影響。 - 幻覺型別: - In‑context hallucination:輸出需與上下文一致。