B2B 行銷的 AI 突圍

普及率已經沒有討論價值了

當一件事的採用率到 95%，它就不再是競爭優勢，而是門檻。你的同業也在用同一批模型、同一批提示詞，甚至同一家代理商。

所以今天的題目不是「要不要用 AI」，而是「為什麼同樣用 AI，有六成的人拿不到成效」。這個問題的答案不在模型，在流程。

調查基礎：1,015 位 B2B 行銷人，2025 年 6 月 24 日至 8 月 14 日調查（Content Marketing Institute）

但這個數字很容易被誤讀

很多人看到 67% 就得出結論：那我們把業務裁掉，全部改成線上自助。這是錯的，而且 Gartner 自己在兩個月後就補了另一份數據。

買家想要的不是「都不要有人」，是「不要在我做功課的時候有人」。當他真的要下決定，他還是需要有人幫他把 AI 給的答案驗過一遍。

這 17% 還不是你的

這 17% 是「與所有潛在供應商接觸」的總和。買家平均會評估四到五家，所以攤到單一家供應商身上，大約只剩 4% 的時間。

換句話說，你的業務再會講，能講的時間也只有百分之四。剩下的 96%，決定權在你不在場的那些會議、那些搜尋、那些對話裡。

數字變小，其實是機會變大

從 69% 提前到 61%，換算成時間大約是六到七週。買家比以前更早願意接觸供應商，因為 AI 讓他們更快形成初步判斷。

所以真正的結論不是「買家愈來愈不理人」，而是「你的內容必須在更早的時間點就被找到」。晚了六週，你連被比較的資格都沒有。

AI 變成了新的通路守門員

過去二十年，B2B 行銷的守門員換過三次：先是產業媒體的記者，再來是 Google 的排序，然後是社群平臺的演算法。現在換成大型語言模型。

差別在於，前三個守門員都會給你一個位置讓你自己講話。這一個不會。它讀完所有人的資料，然後用自己的話講一遍，順便決定要不要提到你。

把成長拆開來看，故事就不同了

資通與視聽產品加上電子零組件，兩者合計成長 52.9%。而傳統產業貨品，到六月才剛連續四個月正成長。

如果你不在 AI 硬體供應鏈上，這波成長跟你關係不大。你面對的仍然是老問題：詢盤變少、客戶比價、業務人力補不上。這正是要靠行銷方法變化來補的地方。

資料來源：財政部統計處（2026-07-09）

兩個看似矛盾的數字，其實同時成立

一邊是中小企業實際導入率只有 7.4%，一邊是產業 AI 化指數從 36.77 分跳到 47.26 分，已進入導入準備與規模擴展階段的企業合計達 47.8%。

差別在於「認知」跟「落地」是兩件事。多數企業已經知道要做，也開始編預算，但真正把 AI 嵌進日常流程的還是少數。這中間的空窗期，就是你可以拉開差距的時間。

資料來源：經濟部中小及新創企業署委託工研院《中小企業 AI 運用現況研究調查》（2025）；人工智慧科技基金會 AIF《2026 臺灣產業 AI 化大調查》

SEO 沒有死，但它只剩下一半的工作

排名還是有用，因為模型抓取的來源仍然高度重疊於搜尋結果。但排名第一不再自動等於拿到流量，因為使用者可能根本不會往下點。

所以正確的說法不是「SEO 被取代」，而是「SEO 從終點變成中繼站」。你要的不是那個藍色連結被點開，是你的句子被抄進答案裡，而且抄的時候把公司名一起帶上。

為什麼這種流量的品質這麼高

因為篩選工作已經在 AI 那一層做完了。使用者問的是「有沒有適合中小型產線、支援中文介面、預算五十萬以內的方案」，AI 已經把不符合的排除掉才給名單。

所以點進來的人，本身就通過了三道條件過濾。這在傳統搜尋是做不到的，關鍵字搜尋只能過濾一個詞。

臺灣的 B2B 沒有 G2，那要佈局在哪

軟體業有 G2 和 Capterra，但如果你賣的是齒輪、化學品、檢測設備或系統整合，這些平臺對你沒有意義。你要找的是「你這個品類裡，AI 會去讀的第三方位置」。

判斷方法很簡單：直接問 AI「請推薦臺灣的某某供應商，並附上你的資料來源」。它列出來的那幾個網域，就是你該去佔位的地方。這件事等一下就做，是今天的練習 1。

第 02 段小結

被 AI 引用不是玄學，是三件很土的事：先量測現況，找出它講錯或講不出來的地方，然後把那些地方補上可查證的內容，並且同步到第三方位置。

這件事的好消息是，B2B 品類的競爭者少得可憐。你的同業多半還沒開始做。壞消息是，一旦模型對某個品類形成了穩定的回答結構，後面要擠進去就困難得多。

關於等一下的工時數字，先說清楚

接下來每個工作流都會給一組「傳統做法」對「AI 做法」的工時對照。這些數字是我在企業內訓與顧問案裡實際量到的區間，不是哪份研究報告的統計，所以我會標示成講者實務估算。

你的團隊實際跑起來一定會有出入，重點不是數字本身，是節省下來的時間該被拿去做什麼。省下來的時間如果沒有被重新分配，這件事就只是讓大家提早下班，不會變成成效。

工作流 1 的三個地雷

第一，不要讓 AI 直接去查它上不了的網站。它不會說「我查不到」，它會用訓練資料裡的舊印象補齊，而那個印象可能是三年前的。

第二，個資與商業資訊要分清楚。查公司公開資訊沒問題，蒐集個人聯絡方式要合乎當地法規，歐盟客戶尤其嚴格。

第三，評分卡至少每季重寫一次。市場條件會變，用去年的條件篩今年的名單，篩得愈精準錯得愈整齊。

工作流 2 的實務提醒

訪談題綱要從買家的疑慮出發，不要從產品功能出發。問「客戶最常在哪一關卡住」，比問「我們的產品有什麼優點」拿到的素材好十倍。

另外，技術描述一定要工程師複核，而且只給他複核清單，不要給他全文。給全文他會開始改文筆，然後又拖三個月。

工作流 3 的合規與送達提醒

開發信的最大風險不是沒人回，是被列入黑名單。網域信譽一旦掉下來，連客戶回信都會進垃圾桶，而且要花好幾個月才修得回來。

實務上要守三件事：用獨立的開發用網域、每天寄送量緩步爬升不要一次衝量、退信率超過 3% 就立刻停手檢查名單品質。歐盟與加拿大的客戶另外有各自的規範，出口團隊要先確認。

工作流 4 的資料界線

詢盤內容可能含有客戶的產品規劃資訊，這在很多產業屬於保密範圍。使用公用版的 AI 工具，等於把客戶的資訊送出公司。

實務上的處理方式是：先做去識別化再送出，或改用有企業資料保護條款的方案。這件事要在導入前就跟法務或老闆講清楚，不要等出事才處理。這也是第 04 段治理那一節的重點之一。

工作流 5 最容易被忽略的一件事

展會的真正資產不是名片，是「當天講了什麼」。名片可以掃描，對話沒有記錄下來就永遠消失了。

很多公司花兩百萬參展，卻不肯花十分鐘設計一張固定欄位的記錄表。結果是展後三個月，沒有人記得那位很有興趣的德國客戶到底問了什麼規格。

這個數字很紅，但也被誤讀了

第一，它算的是「有沒有可量測的損益影響」，不是「有沒有用」。很多導入確實省了工時，只是沒有被換算成損益數字，所以在這份研究裡被歸為零。

第二，這份研究的樣本與方法後來受到不少質疑。我把它放進來，不是要嚇你，是因為它另外一個發現更值得看：企業檯面上的失敗，跟員工檯面下的成功，是同時發生的。

影子 AI 是訊號，不是敵人

員工偷偷用 AI，代表兩件事同時成立：一，他們判斷這個工具真的有用，願意自己想辦法；二，公司給的工具或流程沒有跟上。

所以正確的反應不是發一封禁止使用的公告，是去問：他們拿它做什麼？把那些用途攤在檯面上，選出真正有價值的收編成正式流程，同時把資料紅線畫清楚。禁令只會讓風險從你看得到的地方，移到你看不到的地方。

卡住的地方不是模型，是三個很無聊的東西

第一，沒有基準線。導入前沒有量過原本要花多久，導入後就永遠證明不了有沒有變快。

第二，知識沒有集中。每個人每次都要重新跟 AI 交代一次公司背景、產品線、語氣規範，等於每次都從零開始。

第三，成果沒有回收。某個同事調出一個很好用的提示詞，用完就留在他自己的對話紀錄裡，團隊其他人不知道。這三件事都不需要買新工具，只需要有人負責。

先換掉衡量方式，不然改了流程也看不出來

如果你的行銷報表只有流量、粉絲數與名片數，那麼今天講的所有事情，做完之後在報表上都不會有反應。因為 AI 導流的量本來就小，而候選名單的形成根本不會出現在流量報表裡。

衡量方式沒換，改革就會在第二個月的檢討會議上被砍掉。這是最常見的死法。