MessageHero 是 Super 8 的主力產品之一，過去主要提供商家在不同社群渠道使用訊息推播與自動回覆功能。
隨著生成式 AI 技術成熟，團隊在訪談用戶使用體驗的過程中，我們發現商家開始期待更多，他們不只是想「發訊息」，而是希望 AI 能「幫他們成交」，於是我們開始思考：「能否讓 AI 不只是回答問題，而是主動幫品牌完成銷售？」
這個想法催生了 Sales Agent 模組 —— 能理解上下文、根據需求推薦商品、並引導成交的智能銷售助理。
◈ 由痛點推導，訂立假設與目標
商家在使用 MessageHero 時，雖然能推播訊息，但大多仍停留在單向溝通。根據業務提供的顧客回饋，我們整理出三個痛點：
電導購方式局限，數據表現下滑
商家雖能推播訊息，但缺乏與顧客互動與引導購買的能力
常需針對個別產品人工編輯內容，商家期待更多自動化
推播開啟率逐年下滑，難以有效導購
因此團隊提出假設並訂立目標：
若能設計一個具對話能力的 Sales Agent，可提升顧客互動率與轉單率，將 MessageHero 從「客服工具」升級為「銷售轉換平台」。
01
提升商家營收表現
讓 AI 能在對話中推薦商品，並且回答銷售問題並引導購買
02
簡單上手，易於調整
能根據品牌調性與資料，簡易生成最吻合品牌的 Agent
03
提高平台留存率與使用時長
當 AI 真正能帶來轉單，商家就會更依賴 MessageHero
◈ 研究與洞察｜了解現況且找出關鍵點
從訪談中，歸納出核心問題
為了確認 AI 導購是否能成為商家願意採用的新銷售模式，希望能先了解商家對這項新功能的接受度與真實想法。我們採用 質性訪談 的方式，與 5 位實際經營電商品牌的客戶討論他們目前的銷售流程與使用行為。
洞察 1
商家不想「訓練 AI」
許多 AI 工具需要撰寫 prompt 或建立知識庫。但多數商家並沒有時間學習這些操作。
需避免讓使用者直接操作 AI 模型，而是改為表單式設定。
洞察 2
對話需要直接導購
多數顧客在聊天時會問：有沒有推薦的商品？哪個比較適合？
如果 AI 只回覆文字，顧客仍需要自己搜尋商品。
在對話中呈現 商品卡片，讓顧客能快速查看資訊並購買。
從競品中觀察 — AI 導購產品的三種典型模式
在設計 Sales Agent 之前，我們嘗試分析了市場上多種 AI commerce solution。研究顯示，目前 AI commerce 工具主要分為三種類型，然而這些產品通常只專注於單一能力，同時也發現 AI 導購的成功高度依賴 product feed 結構化資料。
01
對話銷售
代表產品
・Klarna - Shopping Lens
・AccuFlow.ai
特徵
・AI 在聊天中推薦商品
・常支援圖片辨識
・目標是 縮短購買路徑
限制
・需要結構化商品資料
・對 Product feed 依賴高
02
智能客服
代表產品
・Intercom Fin
・Zendesk AI
特徵
・AI 主要處理 FAQ
・知識庫驅動
・問題解決效率高
限制
・缺乏導購能力
・對銷售轉換幫助有限
03
預測性推薦
代表產品
・SAP CX toolkit
・Amazon Personalize
特徵
・AI 根據行為推薦商品
・偏向推薦系統
・個人化推薦強
限制
・較缺乏深層客戶管理行為
・CRM 聊天場景應用少
洞察設計機會與切入口
綜合訪談與競品分析後，我整理出一個設計原則：AI 導購的關鍵不是「更聰明」，而是「更可控」，並定義出設計挑戰，這個 HMW 成為後續產品定位與設計策略的起點。
how might we?
◈ 產品定位
經過前期訪談與市場分析，在設計 Sales Agent 前我們先重新思考 CRM 在銷售流程中的角色，而從規劃出來的定位可以發現 Sales Agent 不只是體驗層面的改進，而是能直接對營收模型產生影響。
商業價值評估
我們也分析了不同面向的影響，並決定出優先聚焦的設計方向，這些判斷直接影響了後續的設計策略。
藉由商業與研究考量，制定出設計策略
整合使用者訪談與競品分析後，我們意識到多數 AI 工具停留在「被動服務」階段，難以真正幫助商家完成轉換。因此基於產品與商業雙重考量，我們歸納出三個設計策略，作為後續設計的核心原則。
策略1
可視化設定
多數 AI 工具需要撰寫 prompt，但對商家來說門檻太高，所以需定義基礎設定，讓商家只需要幾步驟即可測試並啟用。
策略 2
模組化欄位設計
考量擴充性，Sales Agent 需能支援不同產業（電商、美業、旅遊等），因此我們需建立一套可通用的欄位架構。
策略 3
卡片化導購
將商品資訊設計為卡片形式，直接嵌入對話中，讓 AI 導購更接近真人銷售，即點即購，縮短從對話到轉換的距離
◈ 設計迭代｜POC 驗證與設計調整
在初步完成 Sales Agent 後，我們透過電商品牌進行 POC 測試，觀察 AI 在真實對話情境中的表現。透過實際使用與回饋，我們發現幾個關鍵問題：
商家需要「可控的推薦機制」
測試問題
・電商常多舉行活動，商家希望能指定「主推商品」，個別活動有不同的商品推薦順序
・AI 自動推薦可能與行銷策略衝突
設計判斷
情境符合多數電商場景，且AI 若不可控，將大幅度降低商家採用意願
設計調整
設計商品推薦機制，支援多組推薦商品，並能調整各自的排序，讓 AI 能在指定時間按照順序推薦
缺乏數據回饋，難以判斷成效
測試問題
・商家需要得知 AI 是否真的帶來轉換
・行銷與客服需要互動數據與轉單指標，呈現報告與主管進行回報
設計判斷
沒有數據就沒有信任，且用戶能根據數據資料再進行更深度的操作（如貼標籤、打包客戶群），能更加深產品黏著度
設計調整
規劃 Agent 數據儀表板（互動 / CTR / 轉單），調查用戶在意的商業數據並呈現，讓 AI 行為能夠與商業指標連結
◈ 設計成果｜商品導購率提升，並有效縮短用戶決策時間！
用戶在導入商品卡片推薦後，我們以商品點擊 / 導購行為作為指標觀察，
發現透過 Sales Agent 的導購體驗與推薦機制優化，成功的讓商品導購率提升 15–20%，並有效縮短使用者從詢問到購買的決策時間！
Ｃ端 - 對話式導購體驗
在對話中直接推薦商品
讓顧客無需離開聊天即可完成選擇
當顧客在對話中詢問商品時，AI 能即時理解需求，
並以卡片形式呈現推薦商品，包含圖片、價格與 CTA。
顧客不需要跳轉至外部頁面，即可在聊天中完成瀏覽與選擇，
有效縮短從詢問到購買的決策路徑。
設計亮點
多輪對話
能記憶對話內容，主動引導用戶補齊資訊
反思機制
在回應問題後，藉由延伸提問收斂客戶需求
合併對話
讓互動更貼近真實，同時降低 AI 點數消耗
多模態能力
提供多元的互動方式理解與回應
後台 - 商品結構化與模組化
整合 EC 平台商品資訊，支援 Excel 產品目錄導入，
快速匯入商品資料 讓 AI 能理解並推薦商品
支援透過 Excel 或 EC 平台匯入商品資料，並轉換為結構化欄位（標題、價格、圖片等）。
讓 AI 能基於商品資訊進行準確推薦，同時降低商家導入成本。
後台 - AI 可控推薦機制
自定義商品卡片推薦排序，強化主打品曝光度及導購率
商家可指定主推商品 ，確保 AI 推薦符合行銷策略
在促銷或新品活動期間，商家可設定優先推薦商品，讓 AI 在回應顧客時優先展示指定商品。
避免 AI 完全自動推薦造成與品牌策略不一致，提升商家對 AI 導購的信任與可控性。
後台 - 成效回饋與優化循環
追蹤 AI 導購成效，將對話與轉單數據連結
進階成效追蹤 (支援 UTM ) ，建立目標客戶群與貼標再行銷
透過 UTM 與事件追蹤，商家可檢視 AI 推薦後的點擊、互動與轉換數據。
讓 AI 導購不再是黑箱，而是可被分析與優化的銷售管道。
◈ 學習與後續優化思考
未來優化方向
持續增強 Agent 能力，打造可持續優化的 AI 導購系統
從個人化推薦到多 Agent 協作，建立完整銷售循環
在 POC 測試與初步上線後，我們也進一步思考 Sales Agent 的延伸可能性，並以商業目標與產品體驗作為指標，持續規劃後續優化
學習與反思
從電商導購走向可擴展的銷售系統：產品設計上需考量更多擴展性與彈性
