商品知識的累積決定購物代理的成本

一家零售商若要讓人工智慧回答「這兩款吸塵器的濾網能否共用」，可以每次都讓模型讀取商品頁、使用說明書、品牌官網及評論，再自行判斷答案；也可以先把機型、配件規格與相容關係整理成經過驗證的商品資料，讓後續每一個類似問題直接取得這些資訊。前者把成本留在每次詢問，後者把成本提前到商品資料建立與維護。兩種架構都可以使用人工智慧，但隨著顧客重複提出相似問題，企業所需支付的費用可能大不相同。

2026年Amazon Science發表一項電商商品搜尋研究，提供了具體的技術線索。研究團隊先用大型語言模型把商品描述轉成依品類組織的結構化屬性圖譜，搜尋時再利用這些屬性比較候選商品。實驗中，這種方法相較直接處理原始文字，每項候選商品所用的token減少57%，平均精確度也有所改善。這是研究中的特定搜尋任務，不是整個Amazon購物代理的實際成本降幅；然而，它展示了一種很有經濟意義的可能性：曾經花錢整理的商品知識，可以在未來反覆替代昂貴的資訊處理。

商品資訊過去常被視為電子商務的附屬工作，商品上架時填寫名稱、價格、照片及規格，主要目的是讓網站能夠展示及搜尋。當模型開始回答選購、相容性與使用情境的問題，資料整理不再只服務貨架，而會決定每次查詢需要多少運算、外部搜尋與錯誤處理。商品知識於是成為能夠累積、折舊及反覆使用的營運資產。

將查詢支出移到商品的生命週期

11月13日，Reuters披露Amazon曾規劃名為World Product Graph的商品資料計畫，涵蓋全球販售的產品，甚至包括Amazon自身沒有供應的商品。構想是結合品牌提供的資訊與其他商家網站資料，讓購物者不必離開Amazon尋找商品關係與規格。內部文件也認為，改善商品資料有望降低購物助手的運算成本。Amazon回應，這是一份已過時的構想文件，不一定反映當前計畫，且文件內的使用量已過時；計畫是否推出及時間均未確認。因此，應將World Product Graph視為被揭露的策略構想，而不是已經營運或已經實現節省的產品。

不過，這個構想並非毫無現實基礎。Amazon在2025年11月的官方介紹已經指出，當時稱為Rufus、2026年更名為Alexa for Shopping的購物助手，運用Amazon Bedrock即時路由，在Claude Sonnet、Amazon Nova及客製模型等工具之間依任務選擇。它同時使用商品目錄、評論、顧客問答和網路資訊，並擴展商品屬性與偏好知識圖譜。由此可知，資料、模型與任務分流本來就是這項服務的共同投入。問題是需要更強的模型來重新判讀每個商品頁，還是能以可靠的資料讓較便宜的模型完成相同任務。

商品的知識需要被拆成不同更新速度的資產。品牌、型號、尺寸、材質與配件相容性，通常比售價及庫存穩定，適合預先建立及驗證；某個零售商今天是否有貨、明天能否送達、會員能取得何種優惠，則必須靠較頻繁更新或即時查詢。顧客說自己住在沒有電梯的公寓，要求一台能自行搬上樓的洗衣機，又需要模型理解個人的限制。把所有資訊存進一個資料庫，並不能消除最後這種判斷，也不能保證庫存狀態永遠正確。有效率的架構會把可重用的知識與必須重新判斷的事實分開。

這項投資的報酬可以用每年成本的比較來理解。設某一品類的資料建置與持續維護需要固定及更新費用，使用圖譜之後，每次查詢可減少輸入文字、模型運算和人工查證的成本。只要累積節省超過建立與維護的支出，這批資料便有直接的營運報酬。反之，低頻、短生命週期且規格快速改變的產品，可能在資料整理尚未回收成本之前就下架。商品資料的經濟壽命，因而是評估人工智慧投入時的重要變數。

例如，長年銷售的濾水設備、家電耗材與汽車零件，往往有大量重複出現的適配問題，建立相容關係可同時服務搜尋、客服與售後。一次性流行服飾的款式及庫存變動快速，詳細建置所有關係可用來回收投資的期間可能較短，但尺寸表與版型資料仍可透過共同結構重複使用。兩者的經濟比較應根據資料可沿用多久、能服務多少問題、錯誤所造成的退貨與售後成本，以及維護是否可由品牌直接完成，而不是只看品類有多少SKU。

商品資料不是商品庫存

Google的Shopping Graph說明了為什麼一家公司不必擁有商品，就能建立有經濟價值的商品知識。Google在2026年1月的NRF演說表示，資料庫包含超過500億筆商品刊登資訊，其中每小時更新超過20億筆。這是刊登資訊筆數，不是500億件不同商品；同一產品可能由多個商家提供，價格、供應情況及運送條件不同。Google透過商家在Merchant Center提供的資料及網頁結構化資訊，建立可搜尋及比較的商品資訊。其優勢源於多來源資料的整合與持續更新，而非購買並保管每一件實物。

Google也明確指出，網頁與商家資料饋送可能因更新時間不同而產生不一致，例如商品已售罄，但資料饋送尚未更新。這個限制決定商品資訊的經營成本不會隨資料量增加而完全消失：系統仍須辨識同一商品、處理不同賣家的資料、判斷哪個來源更新、解決矛盾，並在交易前確認售價與存貨。圖譜可以省下反覆解讀靜態描述的費用，卻必須另外支付資訊時效與可信度的維護成本。

Amazon若將商品知識擴展到自己沒有販售的品類，可以用現有顧客需求分攤資料的固定投資，又不必為每項商品支付採購及持有庫存的成本。但跨商家資料愈完整，維護工作也愈複雜：缺貨或改款可能發生在外部網站，資訊更新的控制權不在Amazon手中，資料抓取與再利用也可能涉及授權問題。資料的規模只有在來源足夠可靠、更新機制有效且實際被大量使用時，才會轉換成更低的每次查詢成本。

品牌在其中不是被動的資料供應商。若正確、結構化的資料能使產品更容易被準確找到，並減少錯誤推薦及退貨，品牌有誘因直接提供規格、相容性、適用條件及更新通知。平台取得的資料品質提高後，可降低處理成本，增加服務覆蓋的問題數與商品類型，進一步吸引更多品牌投入資料維護。這條循環可以降低整體交易成本，也會改變誰負責支付商品資訊的生產費用。若資料輸入只符合單一平台的專有格式，品牌可能為服務不同購物代理付出多套轉換成本；平台的節省便可能部分建立在供應商額外的資料支出上。

GS1提供了一種不同的制度選擇。Verified by GS1允許交易方核對GTIN及其背後的公司或基本產品資料；GS1 Digital Link則以標準化的識別方式，將同一項商品連接到不同線上資訊來源，例如產品說明、召回、追溯資訊。它不等同Google Shopping Graph或Amazon的完整選購知識，也不代替每一家平台自己的資料核證。它的經濟意義在於企業可以把商品的基本身分建立在跨系統共用的規則上，不需要每個零售商從頭辨識同一個商品。

共用標準可能降低單一平台的專屬資料優勢，但會減少整個產業的重複成本，使中小零售商也能取得可靠的商品識別。平台若希望維持競爭差異，便須投入更深的關係知識、使用情境、即時價格、服務能力及資料品質管理，而不是依靠無法移轉的商品識別格式。這是商品資料資產值得重視的一項分歧：投資於共用知識，可能擴大市場可用的資料；投資於專有知識，則可能增加平台自身的控制力。兩者的維護成本與獲利方式不相同。

昂貴的問題不一定要用昂貴的模型回答

要知道知識圖譜是否真的降低零售人工智慧的成本，不能只追蹤token數或模型單價。資料圖譜的建立也可能使用模型，還須負擔資料取得、儲存、關係核證、修訂、商家串接與錯誤追蹤費用。模型所用的文字變少，若卻需要額外執行大量外部搜尋，總成本可能沒有下降。反過來，商品資料的準確率提升，即使每次查詢的運算節省有限，也可能透過減少不相容商品、取消與退貨，為零售商創造更高的收益。

較合理的驗證應以同一類顧客問題為單位：比較直接讀取原始商品文字與使用結構化資料，在相同準確度要求下的平均推理成本、查詢時間、錯誤與未回答比例；同時將資料建置維護費用分攤至實際使用量。規格穩定的商品與庫存變化快速的商品應分開測試。Amazon Science的搜尋研究已提供一種可重現的測試方向，但它不等於World Product Graph的完整商業成果，尤其不能據此直接計算Amazon的年度節省金額。

大型零售商投資購物代理，真正需要管理的資本不只有運算設備與模型服務，也包括哪些知識值得提前生產、多久需要更新，以及誰能反覆使用這些知識。最好的商品資料不必消除全部推理，而應讓已經解決過的規格、身分與相容問題不必一再付費解決，使昂貴模型集中處理真正需要情境判斷的部分。當零售業開始為每一次人工智慧回答支付成本，能將一次性的商品資訊處理轉成可跨交易反覆利用的知識，便是一種有實際資本報酬的經營能力。