電商行銷人最需要的十大 AI Skill：從一次性 prompt 到整隊都會用的流程
幾乎每個品牌都買了 AI 工具，多數人卻停在每週一重打 prompt 的原地。差距不在工具，而在你有沒有把 AI 變成可重複跑、可交接、結果穩定的 skill。這篇整理電商與行銷人最該優先建立的十大 AI skill，涵蓋廣告、EDM、簡訊、GA4 與 LINE OA，並用 MIT、McKinsey、Gartner 等研究說清楚一件事：skill 真正跑得動的前提，是底下乾淨的第一方資料與人的判斷。
工具大家都有了，差距開始出現在另一個地方：你有沒有把 AI 變成可以重複跑、可以交接、結果穩定的流程。這篇整理電商與行銷人最該優先建立的十個 AI skill，涵蓋廣告、EDM、簡訊、GA4 與 LINE OA，並談清楚一件事：skill 跑得動的前提，是底下的第一方資料與人的判斷。
週一早上那個重複的動作
每個禮拜一早上，行銷團隊都在做同一件事。打開 ChatGPT，翻出上次存在記事本裡的那段 prompt，貼上去，改幾個字，等它吐出這週的廣告文案或電子報主旨。換一個人來做，產出的品質就飄掉一截。換一個任務，又要從頭把規則講一遍。
過去一年多，幾乎每個品牌都買了 AI 工具，也都試過了。但試過之後，多數人停在原地。MIT 的 NANDA 研究在 2025 年的《The GenAI Divide》報告裡給了一個讓人不太舒服的數字：95% 的組織從生成式 AI 上拿到的回報幾乎是零，這裡的零指的是還沒轉化成可衡量的損益，真正跨過那道鴻溝、把投入變成看得見價值的只有 5%。MarTech 的觀察則是另一面，行銷組織導入 AI 的比例這兩年確實在爬升，問題不是「有沒有用」，而是「用了之後有沒有變強」。
這道鴻溝的成因，不在工具好不好，而在你有沒有把 AI 從「一次性的問答」變成「可以重複跑的流程」。這幾個月被討論得最多的一個詞，叫 AI skill。它是把一個重複任務的做法、規則、輸出格式寫下來，讓 AI 每一次都照同一套方式跑，不必每次重講。這篇文章想做兩件事：把十個電商行銷人最該優先建立的 skill 講清楚，以及把一個更底層的問題攤開來說，那就是 skill 真正跑得動的前提是什麼。
怎麼從「存 prompt」走到「養 skill」的
以我個人的轉變來分享這趟 AI 之旅。有很長一段時間，我把好用的 prompt 存在記事本，分門別類，自以為很有效率。直到某次同事接手我的工作，我才發現問題：那些 prompt 只有我自己看得懂前後脈絡，別人貼上去跑出來的東西，方向常常是歪的。
後來我改用 skill 的方式做事。同一個分析任務，我不再只給一句指令，而是把「要讀哪些欄位、用什麼框架、輸出成什麼格式、哪些話不能說」全部寫進一份固定的說明裡。差別出現得很快：我不用再從頭交代一次，同事拿去也跑得出八成像的結果。那種「同一件事不必再講第二遍」的踏實感，是我第一次覺得 AI 真的在幫我省事，而不是多一個要照看的玩具。
什麼是 AI skill，它和「問 ChatGPT」差在哪
先把定義講白。一次性的 prompt，是你當下想到什麼就問什麼，問完即丟。skill 則是把一個會重複發生的任務，連同它的做法和規矩一起打包起來，讓 AI 每次都按同一套標準執行。
Anthropic 在 2025 年 10 月正式提出 Agent Skills 時，用的描述很精準：skill 是「整理好的一組說明、腳本與資源，讓 AI 在特定任務上表現得更好」。它的比喻也很貼切，與其口頭交代一個新人「幫我做個廣告健檢」，不如直接把公司寫好的健檢流程交給他，照著做，產出自然穩定。一次性 prompt 就是那句口頭交代，skill 則是那份寫下來的流程文件。
這個差別放到行銷團隊裡，影響比想像中大。
| 比較項 | 一次性 prompt | AI skill |
|---|---|---|
| 結果穩定度 | 每次都飄，看當下怎麼問 | 每次照同一套規則，產出一致 |
| 能不能重複 | 要重打、重貼、重講脈絡 | 設定一次，之後直接呼叫 |
| 能不能交接 | 只有作者懂前後文 | 寫成文件，誰拿去都能用 |
| 品牌一致性 | 語氣、格式人人不同 | 內建品牌規範，整隊統一 |
| 誰能用 | 會寫 prompt 的人 | 全團隊，包含新人 |
行銷人該練的能力也跟著換了。Anthropic 另一篇談 context engineering 的文章講得直接：用 AI 做事，重點正在從「找到對的字句」轉向「餵給它對的脈絡」。換句話說，會不會寫漂亮咒語不再是關鍵，能不能把對的資料、品牌規範、歷史紀錄餵進去，才是。這一點，我們之前在談「當每個品牌都用得到 AI，最後拉開差距的是什麼」時也提過，工具拉平了基本產能，差異就往上游移動，移到誰更會定義問題、誰更會餵脈絡、誰更會下判斷。
McKinsey 在 2026 年談 agentic AI 重塑行銷工作流的研究裡，給了一個值得注意的落差：將近 90% 的行銷長都在測試 AI，但能把它做成端到端、產出可衡量價值的工作流的，不到 10%。這 80 個百分點的差距，不會只靠 prompt 或 skill 補起來，裡面還有資料、流程、組織和衡量機制的問題。但要把 AI 從零星試用推向穩定的工作流，skill 是其中最具體的一步。
十大 AI skill：電商行銷人該優先建立的清單
以下這份清單，是本文為台灣電商行銷情境整理的分類，不是哪個機構的公認標準。我把它依行銷人實際的工作分成四組：獲客與廣告、會員溝通、數據判讀、客服營運。每一個 skill 都附上「餵什麼進去、拿什麼出來」，以及一個你會在日常遇到的場景。先說明一件事：這十個 skill 不是各自獨立的系統，它們底層共用同一套會員資料、標籤與成效回饋，把資料養好，等於同時餵養好幾個 skill。
獲客與廣告
Skill 1：受眾分群與投放建議。 餵進去的是會員名單與購買紀錄，拿出來的是「哪一群人真的會買、該優先投誰」。多數品牌投廣告還是靠興趣標籤和年齡層猜，但真正該問的是：哪一個受眾標籤，背後對應的實際購買率，比大盤高？這個 skill 的核心，是用實際買過的資料回算每個受眾的相對價值，把預算往真正帶單的人身上挪。舉個常見場景，一檔新品要投廣告，行銷人手上有十幾個可選的受眾包，過去只能憑感覺挑三四個試水溫，跑了一週才知道哪個有效。有了這個 skill，你可以先用歷史購買資料把這十幾個受眾排序，一開始就把預算壓在勝率高的那幾包，少燒一週的學習成本。它能跑得準不準，完全取決於你的第一方資料乾不乾淨。
Skill 2：廣告文案與素材的批量生成與 A/B 命題。 餵一個賣點進去，拿回多個版本的文案、標題，外加一份自動列好的對照組。素材跑久了一定會疲乏，同一組創意看太多次，點擊率和好感都會掉，這時候快速產出多版本、有系統地測，比埋頭想一句神文案有用得多。但這個 skill 的價值不在「生得快」，而在「測得有章法」。它會幫你把該測的變數一條條列出來，這次只改主標、下次只改開頭情境，讓每一次測試都能歸因到單一變數，而不是一次改五個地方、最後不知道是哪個生效。對素材常常見紅就停、見綠就放大的團隊，這套紀律比多生一百張圖更有用。
Skill 3：廣告成效診斷與預算重分配。 餵投放報表進去，拿回「哪些組合在燒錢卻沒回收、預算該往哪搬」。Epsilon 的資料顯示，把資料策略做好的客戶，廣告投資報酬率可以做到兩倍、獲客成本降到一半（此為 Epsilon 自家客戶數據，屬方向性參考，非產業普遍基準）。差距往往不在出價技巧，而在你有沒有一套固定流程，定期把表現差的組合揪出來、把錢挪到對的地方。實務上最容易發生的，是某個受眾或版位早就在虧錢，但因為沒人定期盤，預算一路燒到月底才被發現。這個 skill 把「每週盤一次、標出該砍該加的組合」變成固定動作，等於幫行銷人裝了一個會自己舉手的預算警報器。
會員溝通：EDM、簡訊、LINE OA
Skill 4：EDM 主旨行分眾與內容生成。 餵分群後的名單進去，拿回「不同人看到不同主旨」。電子報開信率低，問題常常出在沒分群就群發，主旨寫得再用力也救不回來。把名單照會員狀態分開、再針對性地寫主旨，才是開信率的根本解。skill 能做的，是讓這件原本很費工的事，變成設定一次就能反覆跑的流程：剛註冊還沒買的人收到的是教育型主旨，買過幾次的熟客收到的是新品或回購提醒，沉睡很久的人收到的是喚醒誘因。同一封活動信，三種人看到三種開頭，這在過去要手動切名單、各寫一版，現在交給 skill 一次產出。
Skill 5：個人化商品推薦。 餵每個人的瀏覽與購買紀錄進去，拿回「每個人看到不同選品」，這套推薦可以同時用在電子報、App 推播和 LINE。個人化真正的難點在資料：你手上的會員行為紀錄夠不夠完整、能不能即時更新。一個會去看冷氣的人和一個常買保養品的人，本來就該收到不同的推薦，但前提是系統知道他們各自看過什麼、買過什麼。資料一旦斷裂，推薦就會變成把熱銷榜硬塞給所有人，反而顯得敷衍。這個 skill 的成敗，幾乎完全押在底下那份會員行為資料的完整度上。
Skill 6：簡訊與推播的文案及發送時機。 餵活動目標進去，拿回「避開會被當詐騙的字眼、挑對發送時間」。簡訊這個管道沒有失效，變的是消費者的信任結構，太多詐騙簡訊讓人一看到陌生連結就反射性刪除。skill 在這裡幫兩件事：把容易觸發警覺的字眼換成讓人安心的說法，以及根據每個人的開啟習慣排程，習慣晚上滑手機的人就晚上發，避免清晨打擾。對推播也一樣，與其全站同一個時間轟炸，不如讓 skill 依個人活躍時段分批送，把打開的機率拉高。
Skill 7：LINE OA 分眾推播與圖文選單個人化。 餵會員標籤進去，拿回「不同人打開選單看到不同內容」。發越多、封鎖越多的惡性循環，根源是不分群就群發。一個好的 skill 會先判斷這則訊息該對哪一群人說，再決定要不要送、送什麼。更進一步，連圖文選單都能個人化，常買生鮮的人打開看到的是生鮮分類，愛買 3C 的人看到的是 3C，讓每一次打開 LINE 都更接近他想要的東西，而不是被迫滑過一堆無關的活動。
數據判讀：GA4
Skill 8：GA4 自然語言問數據與異常週報。 用中文直接問「上週哪個流量來源掉最多」，它直接給答案，省下你自己進後台拉報表、設維度的工夫。再進一步，它每週自動掃一遍、把異常標出來主動告訴你。GA4 的後台對很多行銷人來說門檻不低，光是搞懂維度和指標的差別就勸退一票人。這個 skill 把「看數據」的門檻從「會操作 GA4」降到「會用中文問問題」，等於把整個團隊的數據自助能力打開，不必每次都排隊等那一兩個會操作後台的人有空。
Skill 9：轉換漏斗診斷與流失點歸因。 餵漏斗資料進去，拿回「客戶卡在哪一步、為什麼」。購買前的那些微小行為，例如看商品、加購物車、開始結帳，其實比最後的訂單數更能提早告訴你哪裡出問題。skill 把這套診斷固定下來，讓你不必等業績掉了才回頭追原因。舉例來說，加入購物車的人不少、真正結帳的卻很少，這個 skill 會幫你定位斷點落在運費揭露、付款方式還是會員註冊那一關，而不是只丟給你一句「轉換率偏低」。知道破口在哪，後面那些催購、推播的 skill 才知道要對誰、用什麼話術補。
客服與營運
Skill 10：常見問題自動回覆與意圖分群。 餵客服對話進去，一邊自動分流常見問題，一邊把每個人的購買意圖標記累積起來。多數人看這個 skill 只看到省客服人力的那一半，真正值錢的是另一半。每一次「這個有沒有貨」「可以退換嗎」的對話，其實都透露了顧客當下的購買意圖，這個 skill 把這些訊號收集起來、轉成會員標籤，回頭餵養前面那些受眾投放與個人化推薦的 skill。客服從一個成本中心，慢慢變成替整套行銷補充燃料的資料來源。
有了 skill，行銷人的工作流程和團隊會怎麼變
把這十個 skill 一個個建起來，個人和團隊的工作方式都會跟著換軌。
對個人來說，真正省下的，是每次重新把流程在腦中跑一遍的那段時間。 過去每次做廣告診斷、寫分眾電子報，你都得在腦子裡把流程重跑一次，這次該看哪些指標、上次的結論是什麼、品牌規範有哪些，光是把這些重新想清楚就耗掉半天。skill 把這些固定下來之後，你的注意力可以從「怎麼做」移到「結果對不對、要不要照做」。打字快不快，反而是其次。
對團隊來說，改變更結構性。 第一是版本一致，不再每個人手上一套自己的 prompt，產出品質飄來飄去。第二是新人即戰力，skill 本身就是一份可執行的標準作業流程，新人不必先摸索三個月才上手。第三是主管的角色變了，從逐字改稿變成定標準、管流程，把心力放在判斷上而非執行上。
這個轉變，呼應了一個更大的框架。前面提到的那篇 martech 文章主張，行銷該停止無止盡地做 AI 測試，轉向衡量實際價值，它建議把 AI 投資分成三種：守住既有效率、擴大現有成果、開創新的玩法。十大 skill 正好可以照這個順序鋪：先用 GA4 問數據、EDM 分眾這類 skill 守住效率，再用受眾投放、個人化推薦擴大成果，最後才談更進階的自動化。一次想吃下全部，通常就是停在測試、做不出成效的開始。
值得提醒的是，這條路不是越自動越好。HBR 在 2025 年底引用的一份調查指出，只有 6% 的企業願意讓 AI agent 在高度自動化下處理核心流程，其餘九成多都把最後的判斷和把關留給人。HBR 另一篇文章甚至直接說，AI 時代的公司需要的是「管理 AI agent 的人」，文中一位負責管理 AI 客服的主管描述他的一天，是「資料、資料、還是資料」，一早到晚都在看儀表板、看每個 agent 表現得好不好。這正是行銷人新的工作樣貌：去調度、去監看、去判斷 AI 的產出可不可信。位置變了，人並沒有消失。
最後一個問題：有了 skill，你該怎麼跟顧問和廠商 CS 合作
把十大 skill 都建起來之後，會浮現一個更現實的問題：人的價值跑到哪裡去了？答案是，往上游移動了。
當重複執行交給 skill，你的電商顧問、你合作的 MarTech 廠商 CS，工作重點就從「幫你跑報表、做設定」轉成三件 AI 暫時做不了的事：定義對的問題、確保資料乾淨到能用、判斷該不該照 AI 的建議走。
而這三件事裡，最容易被低估、卻最致命的是第二件，資料。前面十個 skill 有一個共同的天花板：受眾投放要靠乾淨的購買資料，個人化推薦要靠完整的行為紀錄，分眾推播要靠歸戶過的會員標籤。資料一旦是破碎的，再厲害的 skill 跑出來的也只是更快的垃圾。
這背後是有數字撐著的。Gartner 在 2024 年預測，至少 30% 的生成式 AI 專案會在概念驗證後就被放棄，原因包含資料品質太差、風險控管不足、成本失控與商業價值不清，其中資料品質被列在最前面。它在 2025 年初講得更白：缺乏 AI 可用的資料，會讓六成的 AI 專案被迫中止，而當時有 63% 的組織坦承自己沒有、或不確定有沒有為 AI 準備好資料的能力。到了 2025 年中，Gartner 對更前沿的 agentic AI 預測，超過四成的專案會在 2027 年底前被取消，理由之一是「多半被流行帶著走、又常常用錯地方」。
這就是顧問和廠商 CS 真正該創造價值的地方。BCG 與 Google 合作的一份基礎研究早在 2020 年就量化過第一方資料的威力：把資料整合做好的品牌，單次行銷互動或廣告投放帶來的增量營收可以高到兩倍，成本效率也好上一點五倍。但同一份研究也戳破現實，九成行銷人都說第一方資料重要，真正能做到完整跨通路體驗的卻只有 1%（此為 2020 年的基礎研究，宜視為長期趨勢佐證）。把這 90% 和 1% 之間的鴻溝補起來，再買一個新工具幫不上忙，得有人把資料底盤鋪好、把方法論帶進現場。
以 91APP CDMP 的服務型態為例，它把這件事拆成兩半：一半是資料的整合與歸戶，把線上線下、不同管道的會員資料串成一份完整視角；另一半是顧問服務，由真人 CS 帶著品牌定義問題、判斷數據背後的意思、決定 skill 跑出來的建議該不該執行。我們把這個角色的進化寫過一篇完整的討論：CS 從產品客服，變成用數據幫客戶找出營收機會的成長顧問。這背後是一個我們一直堅持的立場，全自動化是神話，人機協作才是能真正落地的解法，AI 負責算力，人負責下決策。
在把資料交給 skill 之前，有四件事值得先和顧問或廠商 CS 一起確認清楚：會員的同意管理是否到位、個資的存取權限怎麼控管、資料多久更新一次、以及成效的歸因口徑是否一致。這四點沒對齊，skill 跑得再順，也可能踩到合規或數據失真的風險。
換個角度看，skill 越強，顧問和 CS 的價值反而越高，因為他們不再耗在重複勞動上，可以把時間花在最需要人腦的判斷和資料治理上。這是一種合作關係的升級，不是替代。
台灣品牌的起手式：先別急著買新工具
如果你看完想動手，我的建議是反過來做，先別急著再買一個 AI 工具。
| 行動 | 做法 | 預期效果 | 建議週期 |
|---|---|---|---|
| 盤點重複工作 | 列出團隊每週重複三次以上的任務，這些就是 skill 化的第一批候選 | 找出最划算的切入點，不亂槍打鳥 | 第一週 |
| 從資料最乾淨的地方下手 | 挑一個你資料最完整的任務先做，例如 EDM 分眾或漏斗診斷 | 先嚐到一次成功，建立團隊信心 | 第一個月 |
| 建立組織共用版本 | 把跑得好的 skill 變成全團隊共用，而不是停在個人手上 | 消除版本飄移，新人直接能用 | 第二個月 |
| 補資料底盤再追自動化 | 先確認第一方資料歸戶、貼標到位，再往更自動的方向推 | 避免成為那六成停在概念驗證的專案 | 持續 |
順序很重要。Gartner 的一份調查顯示，超過四分之一的行銷組織對生成式 AI 還停在有限採用或完全沒用，而已經用起來的，多半集中在創意產製這類最容易上手的地方。這恰好說明，從最有把握的一個 skill 開始，是最務實的做法。
回到週一早上那個動作
文章開頭那個畫面，週一早上翻記事本、貼 prompt、改幾個字，其實是這一整波 AI 焦慮的縮影：工具買了一堆，動作卻還是手工的。
skill 要解決的就是這件事。它讓你已經會做的事，變成 AI 每次都能照著做、整隊都能接手的流程。台灣品牌真正缺的，往往不是資料的量，多數品牌其實累積了夠多的會員資料，缺的是把這些散落各處的資料歸戶、整理成 skill 跑得動的樣子，以及一個願意把資料底盤鋪好的合作夥伴。把這兩件事補上，那個重複的週一早上，就會變成你只需要看結果、下判斷的早上。
品牌最常問的 AI skill 問題
Q1：AI skill 到底是什麼？跟我平常問 ChatGPT 有什麼不同？ A1：一次性的 prompt 是你當下想到什麼問什麼，問完即丟，每次結果都飄。AI skill 是把一個會重複發生的任務，連同做法、規則、輸出格式一起打包，讓 AI 每次都照同一套標準跑。差別就像「口頭交代新人」和「把寫好的流程文件交給新人」，後者產出穩定、而且誰拿去都能用。
Q2：建立 AI skill 一定要懂寫程式或請工程師嗎？ A2：不一定。skill 的核心是把任務的做法和規則用文字寫清楚，這件事行銷人自己最懂。技術門檻較高的部分通常在資料的串接與整合，這才是顧問或 MarTech 廠商該幫你補的。重點在於你能不能把一個任務的標準說清楚，至於會不會寫程式，是其次。
Q3：我們是小團隊，預算有限，也適合做 AI skill 嗎？ A3：小團隊反而更該做。人少、每個人身兼多職的時候，把重複工作 skill 化、讓新人能直接接手，省下的時間最有感。建議從一個你資料最乾淨、最常重複的任務開始，例如電子報分眾，先做出一個成功案例再擴大。
Q4：建好 AI skill 多久能看到成效？ A4：取決於你從哪裡切入。如果挑的是資料完整、流程明確的任務，第一個月內就能感受到產出變穩、省時。但若涉及受眾投放、個人化推薦這類重度依賴資料品質的 skill，得先把第一方資料整理到位，這個前置通常需要更長的時間，急不得。
Q5：為什麼很多人說導入 AI 後沒看到效果？ A5：研究數據其實點出了答案。Gartner 指出，AI 專案失敗的原因裡，資料品質太差被列在最前面。多數人把 AI 想成買個工具就會自動變強，但 AI 跑的是你餵給它的資料，資料是破碎的，產出就是更快的垃圾。先補資料底盤，再追 skill 和自動化，順序錯了就容易停在試點。
Q6：AI skill 會不會讓行銷人或 CS 被取代？ A6：方向相反，價值會往上游移動。當重複執行交給 skill，人的工作從「執行任務」變成「定義問題、確保資料乾淨、判斷 AI 產出可不可信」。調查顯示只有極少數企業敢讓 AI 全自動跑核心流程，絕大多數仍把最後的判斷留給人。skill 越強，懂判斷、懂資料的人反而越值錢。