AI Skill 變開放標準後，決定品牌勝負的是第一方數據

AI Skill 變成全平台共用的開放標準後，能力被快速商品化。真正分得出高下的，是餵給這些工具的第一方資料。

一份技能檔，全平台都讀得懂

2025 年 12 月 18 日，Anthropic 把 Agent Skills 變成開放標準。表面上這只是一則技術新聞，但接下來幾天發生的事很值得零售品牌主注意：微軟把它接進 VS Code，OpenAI 也在 ChatGPT 與 Codex 跟上（VentureBeat 報導）。短短幾個月內，陸續有數十個來自不同公司的工具，都能讀同一份叫 SKILL.md 的檔案。

一份你寫好的工作技能，今天在 Claude 用、明天搬去 ChatGPT 一樣能跑。對品牌來說，這代表一件事：把專業流程「教」給 AI 的門檻，正在快速趨近於零。

問題也跟著浮現。當每個品牌都裝得起同一批 AI 工具、用同一套技能，差異要從哪裡長出來？同一段時間，Gartner 在 2025 年 6 月預測：到 2027 年底，超過四成的 agentic AI 專案會被取消，原因是成本失控、商業價值不清、風險控管不足。Gartner 點出，多數專案是被熱潮帶著走、把力氣花在錯的地方。當「怎麼做」變成人人可複製，勝負就悄悄移到了「拿什麼做」。

為什麼我們在意這個落差

我們團隊最近跟幾個品牌的行銷主管聊到 AI Skill，浮現的畫面幾乎一致：大家都在問「該裝哪幾個技能、SKILL.md 怎麼寫、哪個平台最好用」，卻很少有人停下來問一句「餵給這些技能的資料，到底是不是品牌自己的」。

這個落差在零售現場其實很實際。工具選型可以晚一點決定，但資料能不能被 AI 讀懂，會先決定後面每一步有沒有意義。工具會越來越像、越來越便宜，能拉開距離的東西反而常被晾在一邊，這是我們有點擔心的地方。

AI 普及之後，品牌的差異藏在哪一層

把「AI 時代品牌靠什麼贏」拆開來看，會落在三個高度不同的層次。越上面的越容易取得，也越難構成差異；越下面的越難複製，也越值錢。

能力層正在被商品化。開放標準讓技能跨平台流通，模型能力的差距也在縮小，這一層誰都追得上。流程層稍微撐久一點，但只要有人把好用的 SKILL.md 公開分享，同業很快就跟上，差異一樣會被磨平。

真正留得住的是最底下那層。一個品牌十年累積的會員消費紀錄、跨通路的行為軌跡、線上線下打通的單一身分，這些不會因為對手裝了同一套技能就被抵銷。AI 越強，越會放大它讀到的資料的價值，而那份資料是不是乾淨、完整、屬於你自己，決定了同樣一套工具在不同品牌手上跑出來的結果差多少。

三件正在發生的事，指向同一個結論

能力正在被快速商品化

Agent Skills 開放標準的擴散速度，是「能力不再是差異」的直接證據。從 Anthropic 在 2025 年 10 月先於 Claude 推出，到 12 月把規格開放、競爭對手很快跟進、數月內就有數十個工具共用同一套格式（The New Stack 的整理），這條路走得比多數人預期快。

技能設計上有個關鍵特性叫漸進式載入：AI 平常只讀技能的簡介，判斷相關才載入完整流程與腳本，所以一個組織可以掛上大量技能而不塞爆 AI 的記憶。「把專業裝進 AI」這件事，已經被做成可以大量複製、跨平台搬移的標準動作。當一件事變成標準動作，它就很難再是某個品牌的獨門優勢。

大家擠在同一個熱潮裡，多數做不出價值

Gartner 那則四成專案會被取消的預測，還點出一個現象叫「agent washing」：很多廠商把舊的聊天機器人、RPA 工具重新包裝成 agentic AI，實際上並沒有真正的自主能力。Gartner 估計全球只有約 130 家廠商提供貨真價實的 agentic AI 產品。

熱潮之下，工具滿地都是，真正能跑出商業價值的卻是少數。Gartner 的建議很直接：只在「能帶來清楚價值或 ROI」的地方用 agentic AI，從需要決策、有固定流程可自動化的環節開始，把資源花在真正解得開的痛點上。這也說明了，光是裝了 AI、寫了一堆技能，並不會自動變成競爭力。

訊號在流失，自己的資料變成少數可靠的地基

第三件事發生在資料這一端。Google 在 2025 年 4 月決定維持 Chrome 既有的第三方 Cookie 選擇機制，不再推出新的獨立提示。這比較像轉彎，路口的方向其實已經變了。Safari 和 Firefox 早已預設封鎖第三方 Cookie，再加上廣告攔截與各種隱私設定，行為訊號的品質持續下滑，這個趨勢不需要任何單一政策事件就會發生。

品牌的反應也很一致。Salesforce《State of Marketing》調查顯示，多數行銷團隊已把第一方資料列為主要資料來源，卻仍有相當比例對自己整合會員資料的能力不滿意。大家都知道該靠自己的資料，卻多半還沒整理乾淨。道理不難理解：在 AI 與 agentic 廣告的時代，機器學習模型需要確定性的會員身分、乾淨的回饋訊號與可被治理的資料來源，而這些只有第一方資料給得出來。

三件事指向同一個結論。能力會被攤平、熱潮會淘汰多數玩家、外部訊號會繼續流失，剩下能讓品牌站穩的，是自己手上那份資料。

技能負責「怎麼做」，資料決定「拿什麼做」

把表面現象往下追，AI Skill 的運作原理其實很單純。它是把一段專業流程封裝成可重複呼叫的模組，讓 AI 每次都照同一套規則執行，不必每次重新交代。它解決的是「同一件事怎麼做得穩定、做得一致」。

但這也劃出了它的邊界。一套技能寫得再好，它規範的是「做法」，而做法可以被學、被抄、被公開分享。真正餵進這套流程、決定產出長什麼樣的，是資料。同一個「會員回購預測」技能，餵進歸戶乾淨、跨通路完整的會員資料，跟餵進殘缺、對不起來的資料，跑出來的名單品質天差地遠。

這就是為什麼當每家品牌都能裝上同一套技能時，分高下的不會是技能本身。一個再聰明的 AI agent，如果讀到的會員資料是破碎的，給出的答案與行動也會跟著破碎。技能是「怎麼做」，資料是「拿什麼做」，而唯一不能被一鍵下載複製的，是你自己長年累積、整理乾淨的第一方資料。

想讓 AI 真的有用，先把資料底座顧好

要讓 AI 與各種技能在品牌端跑出價值，前提是一份 AI 讀得懂的會員資料。這份資料要做到幾件事：把官網、App、門市 POS 的會員行為歸到同一個身分底下，把分散在各系統的消費紀錄串成一條完整軌跡，再整理成廣告平台與 AI 工具可以直接調用的格式。

這正是顧客數據平台（CDMP）在處理的事。以 91APP 服務的零售品牌來說，常見的起點是 OMO 歸戶：把一個人在線上瀏覽、在門市結帳、用 App 領券的行為，整併成單一會員輪廓，讓「這個人是誰、買過什麼、接下來可能想要什麼」對得起來。在這份乾淨的資料之上，才談得上有意義的會員分群，例如依購買意圖把會員分層，或產出一份高購買意願的名單供廣告投放與個人化溝通使用。

值得強調的是，這裡的順序不能顛倒。要先有一份整理好的第一方資料，AI 與技能才有東西可發揮。資料底座沒顧好就急著裝技能，等於把昂貴的引擎裝在沒有油的車上。

先把資料整理好，再談裝哪些技能

對台灣零售品牌來說，在追逐 AI 工具之前，有幾件更該先做的事。以下建議刻意排在「裝技能」之前，因為它們決定了技能裝上去之後有沒有用。

1. 先盤點會員資料的歸戶率：打開後台確認線上與線下的消費對不對得起來，同一個人在官網、App、門市是不是被算成同一個會員（預期效果：先看清楚資料的破洞在哪；建議週期：第一個月做一次完整盤點）。
2. 建立單一會員身分：透過顧客數據平台（CDMP）把分散在各通路的會員資料歸到同一個 ID 底下，這是後面所有分析與 AI 應用的地基（預期效果：再行銷名單與個人化溝通的精準度提升；建議週期：列為這一季的優先專案）。
3. 把技能用在重複、可標準化的環節：月報整理、客服回覆、廣告投放 SOP 這類每次做法一致的工作，最適合交給 AI Skill；需要獨家市場判斷的決策則留給人（預期效果：把團隊時間從重複勞動釋出；建議週期：先挑一個流程試跑兩週再擴大）。
4. 先挑一個有乾淨資料撐腰的場景試跑：例如用 VIP 回購名單做個人化溝通，讓 AI 讀的是品牌的第一方會員資料，把它列為第一批寫進 SKILL.md 的對象（預期效果：用對手複製不來的資料跑出第一個成果；建議週期：選定後兩週內驗收）。
5. 設好資料治理規則：明確規範誰能存取哪些會員資料、資料品質如何維持一致，避免在錯誤或破碎的資料上做優化（預期效果：降低用錯資料的風險；建議週期：在擴大 AI 應用前先定好）。

這五件事沒有一件需要先買最新的 AI 工具，但每一件都決定了未來工具裝上去能不能用。

拿什麼做，才是你真正的選擇

當裝技能的門檻趨近於零，品牌之間的工具差距會比過去更快縮小，大家手裡握著的能力越來越接近。那一刻能拉開距離的，不是誰的技能寫得漂亮，而是誰餵得起一份乾淨、完整、屬於自己的會員資料。

台灣零售品牌其實有先天的好牌。長年經營官網與門市累積下來的會員紀錄、線上線下打通的消費軌跡，正是別人一鍵下載不走的東西。AI 與技能會繼續變強、變便宜、變得人人都有，而你十年累積的這份資料，會在每一次 AI 變強時跟著更值錢。怎麼做大家都學得會，拿什麼做，才是你真正能握在手裡的選擇。

品牌最常問的 AI Skill 與第一方數據問題

Q1：AI Skill 到底是什麼？ AI Skill（也叫 Agent Skill）是一份寫給 AI 的標準化工作說明書，把特定的專業知識與流程打包成一個資料夾，核心是一份叫 SKILL.md 的檔案。AI 在遇到相關任務時自動載入，不必每次重新交代背景。2025 年底它成為跨平台開放標準後，同一份技能可以在 Claude、ChatGPT、Gemini 等不同工具上使用。想完整理解可參考我們先前的〈Agent AI Skill 是什麼〉一文。

Q2：AI Skill 跟第一方資料有什麼關係？ 技能負責「怎麼做」，第一方資料決定「拿什麼做」。一套技能規範 AI 執行任務的步驟，但真正餵進去、決定產出品質的是資料。同一套會員分析技能，餵乾淨完整的第一方資料和餵殘缺的資料，結果天差地遠。技能可以被複製，整理乾淨的第一方資料不行。

Q3：第一方資料指的是什麼？跟第三方 Cookie 差在哪？ 第一方資料是品牌透過自己的官網、App、門市直接收集到的會員資料，包含消費紀錄、瀏覽行為、會員等級、門市結帳等。它由品牌自己擁有、反映真實的購買意圖。第三方 Cookie 則是靠外部追蹤拼湊出來的推測資料，隨著瀏覽器封鎖與隱私規範，品質持續下滑。

Q4：預算有限的中小品牌也要做這件事嗎？ 要，而且越早越好。整理第一方資料不需要先買最貴的 AI 工具，可以從盤點會員歸戶率、建立單一會員身分做起。這些基礎工作的成本相對可控，卻決定了未來任何 AI 應用有沒有發揮空間。資料是會隨時間累積增值的資產，越早盤點，越早知道缺口在哪，後續導入 AI 時也比較不會從零開始。

Q5：把資料整理好大概要多久才看得到效果？ 資料歸戶與單一會員身分的建立通常以季為單位推進，初期先做盤點與整併。效果會分階段出現：先是再行銷名單與個人化溝通變準，接著會員分群與回購預測的品質提升。這不是一次性專案，而是持續維護的資料底座。

Q6：AI Skill 這麼多，品牌該從哪裡開始裝？ 從重複、可標準化、且你有資料支撐的環節開始，例如月報整理、固定格式的客服回覆、廣告投放的標準流程。避免一開始就把技能用在需要獨家市場判斷的決策上。更重要的是，先確認餵給技能的是品牌自己的第一方資料，否則裝再多技能也只是在公開資料上跟同業做一樣的事。

延伸閱讀

1. Agent AI Skill 是什麼？行銷人從 Prompt 到 Skill 的轉變
2. 電商行銷人值得裝的 AI Skills 盤點
3. 拆解 AI 神話：MCP、RAG 與行銷自動化裡，人的價值在哪
4. GML 2026 全解讀：Google 把廣告交給 agent 的一年
5. Meta 廣告成效不好？別再照抄 AI問答給的資訊，根本問題要看這 3 層

想了解如何把品牌的第一方會員資料整理成 AI 用得上的資料底座，歡迎與 91APP 團隊聊聊。