劉宇 · Tianwen SEO Research 研究筆記本
AI 聊天機器人勸退了 57.5% 的買家：外貿人要知道什麼
買家在聯絡你之前，已經先去問了 AI。那一輪問答可能讓他下單，也可能讓他直接放棄。你不在場，但你的資訊在場——寫得清不清楚，結果完全不同。
先帶走這幾個判斷
- Semrush 2026-09-07 調查了 2,338 名美國消費者，57.5% 的 AI 使用者被聊天機器人勸退過購買。
- 同一份調查裡，65% 的 AI 使用者已經用聊天機器人取代了部分產品搜尋。
- 這不是「AI 反商業」，而是使用者把 AI 當成排除工具：值不值得、有沒有坑、有沒有更便宜的替代。
- 我方 252 條社群媒體痛點裡，AI 相關占 108 條，說明連同業都在焦慮這輪變化，但多數人還沒動手補證據。
- 能改變 AI 判斷的，不是話術，是你放在公開資訊源裡的可核驗事實。
權威網站最近測到了什麼？
Semrush 在 2026-09-07 發了《AI chatbots talked 57.5% of AI users out of buying》。他們調查了 2,338 名美國消費者，得到兩個關鍵數字：57.5% 的 AI 使用者曾被聊天機器人勸退過購買，65% 的 AI 使用者已經用聊天機器人取代了一部分產品搜尋。
這兩個數字要放在一起讀。第一句容易被理解成「AI 是銷售的敵人」，第二句才是重點——超過一半的使用者把搜尋這一步交給了 AI。也就是說，很多採購在打開你的網站之前，已經先在聊天框裡把你篩過一遍了。他沒來，不代表你沒被看到，只代表你沒通過那一輪。
Semrush 在 2026-06-15 還有一篇關於 AI 情感分析的文章，講的是怎麼判斷 AI 在回答裡對你的品牌是正面、中性還是負面。把這兩篇合起來看，脈絡很清楚：AI 已經在替買家做初篩，而且篩的結果可以被測量。品牌詞方面，Ahrefs 2026-10-01 測到 83% 的品牌搜尋會出現 AI Overview，連找「你」的人都會先讀到一段總結。
這個 57.5% 到底在說什麼？
我先說一個反直覺的判斷：AI 勸退買家，多數時候不是說你的產品壞，而是替買家想清楚了。比如「這個價位的雷射切割機，精度到不了標稱值」「同款在另一個平台便宜三成」「這個認證在歐盟不一定認」。這些話如果是對的，那它幫買家省了錢，也幫你省了一個注定要扯皮的訂單。
真正的問題在另一種情況：AI 用不完整或過時的資訊，把你的產品說差了。比如官網參數三年沒更新，AI 就按舊參數比價；比如你的公司介紹散在五個平台，AI 拼出一個錯誤的公司形象。這種勸退是原本可以避免的，因為它不是判斷問題，是供貨問題——你沒給 AI 足夠的料。
所以我的結論是：AI 時代的銷售不是「說服 AI」，而是「確保 AI 手裡有你最新、最準、最具體的資料」。這件事和投放、展會不衝突，它是在客戶做功課的那一層提前把門打開。可先看AI 推薦是怎麼形成的建立基本認識。
外貿網站最容易被勸退的四個點
| 勸退點 | AI 會怎麼用 | 自查方法 |
|---|---|---|
| 品牌資訊不一致 | 拼出錯誤公司形象，或直接說「資訊不足」 | 在三個平台搜自己公司名，對比說法是否一致 |
| 缺少可核驗證據 | 拿不出檢測、認證、案例，被同類比下去 | 官網首頁能否一屏內找到認證與檢測報告 |
| 參數沒有條件說明 | 按標稱上限比價，得出你不划算的結論 | 每個關鍵參數旁邊有沒有適用條件 |
| 價格與最小訂購量不透明 | 直接推薦更「好談」的供應商 | 詢價前能否看到起訂量與報價邏輯 |
這四點裡，成本最低、效果最直接的是第一個。AI 判斷一個實體時，很依賴公開資訊的一致性。你的官網、目錄頁、社群媒體簡介如果對「主營什麼、在哪、服務哪些市場」各說一套，模型只能猜，猜錯就會反映在回答裡。修法我寫在AI 把品牌資訊說錯怎麼修。
第二個點被低估得最厲害。外貿工廠普遍有 ISO、CE、檢測報告，卻把它們藏在「關於我們」的第三屏，或者只放一個 PDF 下載。AI 讀不到，等於沒有。把認證編號和適用範圍寫成一段可讀的文字，成本幾乎為零，收益直接。
我們抓到的痛點資料
我做過一輪社群媒體痛點收集，Reddit 加小紅書共 252 條。分檔下來，AI 相關 108 條、沒有流量 38 條、詢價問題 18 條、踩坑經歷 14 條。AI 相關接近一半，但內容多是焦慮和猜測，真正動手補資訊源的很少。完整記錄在實測研究與方法記錄。
這個分布說明一件事：市場上「知道有變化」的人已經很多，但「照著做」的人很少。對外貿企業來說，這反而是一個契機——AI 的初篩能力已經上線，多數同行的資料還停留在五年前。你只要把參數更新、把認證寫清、把起訂量說明白，就能在一輪 AI 對照裡占據優勢。
另一個參照是我們 500 條中文查詢的 AIO 覆蓋實測，整體觸發率 80.9%。也就是說，使用者搜採購相關問題時，大概率會先看到一段 AI 總結。你在那段總結裡有沒有位置，取決於你公開資訊裡有沒有可引用的句子。可對照AI 引用就緒清單逐項檢查。
怎麼讓 AI 少說你的壞話？
先把身分和參數統一
公司名、主營品類、所在地、主要市場、核心認證，這五項在官網、目錄、社群媒體、B2B 平台上必須一字不差地對應。先做這一步，因為它是所有其他資訊的地基。可參照服務交付物清單理解什麼算「身分資料」。
再把證據寫成能讀的段落
認證不要只放圖片和 PDF，配一句文字：什麼認證、編號、涵蓋哪些產品、有效期限到什麼時候。檢測報告同理，寫清測試項目和結論。AI 需要的是句子，不是附件。這類做法和結構化資料配合，效果更穩。
最後補上「不適用」的說明
主動寫清你的產品不適合什麼情境。這看起來像在勸退客戶，實際是在減少錯誤訂單，也讓 AI 在對比時知道你的邊界，不容易得出「性價比差」的結論。詢價品質往往就是這樣提上去的，可結合流量漲詢價降怎麼排查一起看。
低成本落地清單
三步，不花錢，一週內能跑完第一遍。
- 搜自己公司名，記錄各平台說法：官網、目錄、社群媒體各截一張圖，標出不一致的地方。
- 把認證和檢測寫成文字段：放在產品頁和首頁各一處，包含編號與適用範圍。
- 給三個主力產品補起訂量和交期區間：寫清常規與客製，寫清旺季順延規則。
這三步不需要任何新工具，但它會改變 AI 在初篩時拿到的原料。想看清 B2B 長鏈路裡內容該怎麼配合，可以讀長銷售週期下的內容與線索。
老闆最常追問的幾個問題
57.5% 被勸退，是不是說 AI 不適合做外貿行銷？
不是。這個數字說的是使用者在決策前會用 AI 做一輪排除。你的資訊如果參與不了這輪排除，就等於缺席，而不是被討厭。
AI 說我們產品不好，能改過來嗎？
通常不是「改口」，而是補資訊源。AI 的負面判斷多來自資訊缺口或舊資訊，先把官網、目錄、社群媒體的身分和參數統一，再觀察回答變化。
我們沒有第三方評測，怎麼辦？
自己寫清可核驗的事實也算證據。認證編號、檢測報告、產線照片、真實交期記錄，這些都能被引用，成本也不高。
要不要專門做一頁「闢謠」內容？
可以，但別寫成抱怨。用一頁正面講清規格、適用情境和常見誤解，比逐條反駁更有效，也更容易被摘取。