AI 個人化定價不要先問「能不能多賺一點」，要先問顧客會不會覺得自己被暗中估價。對台灣 SME 來說，較安全的做法不是讓模型直接替每個人改價格，而是先分清楚四條線：公開標價、分眾優惠、客製報價、測試建議。只要價格或優惠和個人瀏覽、購買紀錄、會員標籤、地點或裝置資料有關，就要同步檢查告知、同意、拒絕行銷、廣告表示與人工覆核。
為什麼 AI 個人化定價現在變成行銷風險
個人化價格不是普通促銷。普通促銷通常是「全站滿額折」「會員日 9 折」「舊客回購券」這類可以對外說清楚的規則；AI 個人化定價則可能依照某個人的資料、行為或推估支付意願，給出不同價格或不同優惠。
美國 FTC 在 2026 年 8 月公開徵求個人化定價執法政策聲明意見，將個人化定價描述為企業使用個人資料，依其認為個別消費者願意支付的金額設定價格。FTC 同時提醒，如果企業沒有告訴消費者其個人資料如何被用來設定價格，可能涉及不公平或欺罔問題。這是美國法制脈絡，但對台灣 SME 的啟示很直接：價格不能只看轉換率，還要看顧客是否知道規則、資料是否能被這樣使用，以及廣告承諾是否一致。FTC personalized pricing statement
在台灣，價格與優惠如果呈現在商品頁、廣告、社群貼文、LINE 訊息、銷售簡報或客服對話中，也可能影響交易決定。公平交易法第二十一條明列，事業不得對足以影響交易決定的事項為虛偽不實或引人錯誤表示，並把價格列為相關事項之一。這不代表所有分眾優惠都不能做，而是不能讓同一套價格規則在不同接觸點講得不一致。公平交易法
先守 4 條價格線，再談 AI 自動化
台灣 SME 最常出問題的，不是複雜的即時競價模型，而是把「公開價、優惠價、客製報價、測試價」混在同一個 AI 規則裡。下面這張表可以先幫團隊分線。
| 價格線 | 可以怎麼用 AI | 上線前要守住什麼 |
|---|---|---|
| 公開標價 | 檢查官網、廣告、菜單、POS、型錄是否一致 | 不要讓廣告價、結帳價、客服口徑互相打架 |
| 分眾優惠 | 依會員狀態、回購週期或活動來源建議優惠 | 說清楚資格、期限、排除條件與是否可併用 |
| 客製報價 | 整理需求、成本變因、過去案例，產出報價草稿 | 由真人確認範圍、例外、有效期與付款條件 |
| 測試建議 | 比較 A/B 測試、區域活動或不同包裝方案 | 保留測試紀錄，不要把測試價包裝成永久承諾 |
第一條線：公開標價不能被模型悄悄改掉
如果顧客在社群看到 980 元，點進官網變成 1,080 元，結帳時又多一個看不懂的費用，問題不只是轉換率下降，而是信任受損。AI 可以用來抓價格斷點，例如掃描商品頁、廣告素材、EDM、LINE 訊息和客服話術，找出同品項不同價格或條件缺漏。
但公開標價不適合讓 AI 直接依照個人資料即時變動。小團隊至少要做到：每個公開價格都有來源欄位、異動時間、適用範圍、核准者，以及同步到哪些通路。這些欄位比「AI 幫我找最高可接受價格」更重要。
第二條線：分眾優惠要講得出資格，不要像暗中差別待遇
分眾優惠本身很常見，例如新客券、生日禮、回購券、沉睡會員喚回、VIP 會員權益。問題在於 AI 很容易把資料越用越細：瀏覽過高價商品的人折扣少一點、曾經加購的人門檻高一點、凌晨下單的人看到不同優惠。這些規則如果沒有對內紀錄、對外說明和人工審核，就很容易從「貼近情境」變成「顧客覺得被算計」。
台灣個人資料保護法第八條要求蒐集個人資料時明確告知蒐集者、目的、個資類別、利用期間地區對象方式、權利與不提供的影響；第二十條也要求非公務機關利用個資應在蒐集特定目的必要範圍內，並在當事人拒絕行銷時停止利用其個資行銷。若分眾優惠用到會員、瀏覽、購買、互動或地點資料，就不能只把它當成文案優化。個人資料保護法
第三條線：客製報價可以 AI 草擬，但不能 AI 直接承諾
B2B 顧問、裝修、教育訓練、客製禮品、活動統籌、醫美以外的一般服務業，常常沒有固定公開價。AI 很適合整理需求，將專案規模、交期、交付範圍、加購項目與風險條件列成報價草稿。
但客製報價的關鍵是責任，不是速度。若 AI 依照顧客公司規模、職稱、預算暗示、瀏覽紀錄或過去詢價紀錄自動調價，團隊至少要回答三個問題：這些資料當初是否告知會用於報價？價格差異是否能用成本、範圍、時程或風險說清楚？客服或業務是否能在被問到時一致回答？答不出來，就先不要自動化。
第四條線：測試建議要留下紀錄，不要變成說不清的雙標
小規模價格測試、優惠包裝測試或不同渠道活動可以做，但要能回頭說明：測的是哪個假設、期間多久、受眾怎麼分、哪些人不能被納入、看到不同價格時怎麼處理客服問題。這些紀錄是未來調整策略的依據，也是在發生爭議時還原決策的安全網。
AI 可以協助整理測試報表，例如比對不同方案的毛利、轉換、退訂、客服抱怨和退款比例。它不應該單獨決定「這個人看起來願意付更多，所以給他更高價」。這種規則即使短期提高客單價，也可能讓品牌之後更難解釋價格公平性。
適合誰，不適合誰
這套檢查比較適合已經有會員資料、電商訂單、LINE 或 CRM 標籤、不同方案報價，並且正在考慮用 AI 做優惠推薦、價格測試或報價輔助的台灣 SME。特別是客單價高、回購週期長、方案條件多、客服詢問多的產業，會更需要先把價格線畫清楚。
如果你現在連公開價格、優惠期限、加購條件、退換貨規則或報價有效期都還沒整理好，就不適合先做 AI 個人化定價。這時候 AI 最該做的是幫你盤點價格不一致，而不是替顧客估算願付價格。
上線前 7 個檢查問題
- 這個價格差異是因為成本、範圍、會員權益，還是因為個人資料推估？
- 顧客是否能在頁面、活動規則或客服對話中理解優惠資格？
- 蒐集個資時是否告知會用於行銷、優惠或價格相關判斷？
- 拒絕行銷或取消訂閱的人，是否會被排除在相關價格訊息外？
- 廣告價、商品頁、結帳頁、客服回覆與收據是否一致？
- AI 建議是否需要人工核准，誰負責保存核准紀錄？
- 如果顧客問「為什麼我看到的價格不同」，團隊能否用一句話說清楚？
資料更新與來源
本文於 2026 年 10 月 8 日整理。國際脈絡主要參考 FTC 於 2026 年 8 月發布的個人化定價政策聲明徵詢資料；台灣在地風險則參考個人資料保護法、公平交易法第二十一條，以及公平交易委員會對第二十一條案件的處理原則。不同產業可能另有金融、醫療、電信、旅宿、票券或訂閱制規範，正式上線前仍應由法務、會計或合規顧問依實際流程確認。FTC、個資法、公平交易法、公平會第二十一條處理原則
結論：先把價格講清楚，再讓 AI 幫你變聰明
AI 個人化定價最危險的地方，不是模型算錯，而是團隊以為「顧客看不到規則」就沒有風險。對台灣 SME 來說，穩健順序是先統一公開價格，再整理分眾優惠，再把客製報價交給真人核准，最後才做小規模測試。當你能清楚說明資料來源、價格理由、優惠資格與拒絕方式，AI 才是行銷效率工具，而不是品牌信任的未爆彈。
FAQ
AI 個人化定價和動態定價一樣嗎？
不完全一樣。動態定價可能依供需、時間或庫存變動；AI 個人化定價通常更接近依個人資料或行為推估不同價格或優惠，資料使用與告知風險更高。
台灣 SME 可以做會員分眾優惠嗎？
可以，但要說清楚資格、期限、使用條件與資料用途。若用會員資料做行銷，還要保留拒絕行銷與停止利用的流程。
AI 可以直接幫業務報價嗎？
不建議直接讓 AI 對外承諾價格。比較安全的是讓 AI 整理需求、成本和過去案例，產出草稿，再由真人確認範圍、有效期和付款條件。
價格測試需要告訴顧客嗎？
至少要避免廣告、商品頁、結帳頁和客服口徑互相矛盾。若測試牽涉個人資料推估或不同人看到不同價格，應先做合規與信任風險評估。
這篇是在說 AI 個人化定價不能做嗎？
不是。重點是先分清公開價、分眾優惠、客製報價和測試建議，並確保資料用途、價格理由、人工覆核和拒絕行銷流程都能說清楚。