「猜你喜歡」背後的真相：剖析 AI 推薦系統的利與弊

才逛不到五分鐘，我的購物車裡就已經躺了三件物品——這全是「AI 推薦」的功勞。我原本只想買一件襯衫，但「你可能也喜歡」引導我多買了一件針織外套和一條圍巾。當你意識到 35% 的亞馬遜（Amazon）營收來自推薦演算法（麥肯錫數據）時，這一切是不是都變得合理了？

演算法如何讀取你的心思

為什麼 AI 推薦總是準確得令人毛骨悚然？它真的能讀心嗎？

事實上，它讀取的不是你的心思，而是你的行為。

AI 主要收集三種訊號。首先是行為訊號：你點擊了什麼、停留了多久、搜尋了什麼，以及最後買了什麼。僅在一次瀏覽中，系統就能收集數十個數據點。其次是產品屬性：顏色、材質、版型、品牌和價格區間。最後是情境資訊：時間、天氣、地點，以及你使用的裝置。

透過結合這三個因素，AI 會計算你喜歡某件特定「物品」的機率。它會找出行為模式相似的人群喜歡什麼——這個過程被稱為「協同過濾」（collaborative filtering）。

近來，隨著對話式 AI 的興起，這項技術更進一步。現在 AI 能理解自然語言提出的問題，例如「週末去咖啡廳吃早午餐該穿什麼？」，並提供符合情境的建議。研究顯示，這種方式帶來的客戶滿意度甚至高於傳統方法。

雖然技術本身令人驚嘆，但真正的問題往往出在其他地方。

購物平台的 AI 推薦越精準，我們買得就越多。這並非巧合，而是刻意設計的結果。

想想推薦演算法的首要成功指標：轉化率——即推薦後導致購買的比例。演算法的目標就是提高這個數字。換句話說，它的優化核心是為了讓你「購買」，而不一定是為了告訴你真正需要什麼。

這個系統內嵌了幾種心理戰術：

過濾泡泡（The Filter Bubble）： AI 會持續顯示你已經喜歡的風格。雖然感覺舒適，但這可能導致你的風格停滯不前，減少嘗試新事物的機會。

營造急迫感： 像是「24 小時限時優惠」、「目前有 3 人正在瀏覽」或「庫存緊張」等訊息會迫使你快速做出決定。原本如果有時間思考就會放棄的物品，往往會因為這種急迫感而進入你的購物車。

被動數據收集： 系統會收集各種數據，從你盯著某件物品看幾秒到你滑動的速度。這些數據會回流到演算法中，創造出一個越來越「難以抗拒」的「動態」內容。

這本身並非壞事。好的推薦能幫你發現新品牌或找到真正需要的物品。然而，了解這個系統如何運作與對其盲目跟從之間，存在著巨大的差異。

當你了解其中的機制後，就能建立屬於自己的過濾器。

購物平台的 AI 知道你「買了」什麼，但它不知道你「擁有」什麼。它不知道某件單品你穿過幾次、你是否已經有類似的東西，或者這件新物品是否真的能與你現有的衣服搭配。

這就是你的數位「衣櫃」數據發揮過濾作用的地方。

看到推薦時，打開你的數位「衣櫃」並問自己：「我的『衣櫃』裡是否已經有類似的針織衫了？」、「如果我買了這個，我能用現有的衣服搭出至少 3 種不同的『穿搭』嗎？」、「我這個『類別』的衣服是不是已經夠多了？」

要回答這些問題，你需要關於自己衣櫥的實際數據。如果只靠記憶，很容易掉入「我覺得我好像沒有類似衣服」的陷阱中。

雖然平台 AI 的設計是為了讓你「買」，但你的「衣櫃」數據是為了幫你「判斷是否真的需要」。當你將這兩者結合使用時，終於能實現有意識且獨立的消費。

但每次都手動執行太麻煩了，你需要更系統化的方法。

你不需要對每個推薦都進行深度分析。試試看這個 5 秒檢查法：

「48 小時後，我還會想著這件衣服嗎？」

衝動購物的特徵就是一種「現在就要」的急迫感。透過給自己 48 小時的冷靜期，你真正需要的東西會留在腦海中，而衝動則會自然消退。

再多加一個步驟會更有效：「這件物品能與我『衣櫃』裡現有的至少 3 件單品搭配嗎？」 只有通過這項測試的物品才能保留在購買清單中。如果你想不出至少 3 套「穿搭」，那件單品很可能會被孤立在衣櫥角落，從未被穿起。

只要這兩個步驟——48 小時冷靜期和 3 套穿搭測試——就能過濾掉絕大多數不必要的開支。

AI 推薦是一個強大的工具，但工具只對知道如何使用它的人有用。當你了解演算法的運作方式，並利用自己的「衣櫃」數據作為過濾器時，AI 就不再是讓你「買更多」的推手，而會成為幫助你「買更好」的幫手。

問：我應該完全忽略 AI 推薦嗎？
答：不需要。AI 推薦對於探索新事物很有幫助。然而，養成將這些推薦與你的「衣櫃」數據進行對比的習慣很重要，以此來決定你是否「真的需要它」。

問：如何逃出過濾泡泡？
答：偶爾刻意搜尋平常偏好以外的風格，或者參考朋友的「穿搭」尋找靈感。使用 Acloset 的「AI 造型」功能來獲取新的搭配建議，也是嘗試新風格的好方法。

問：我可以在 Acloset 中過濾 AI 推薦嗎？
答：由於 Acloset 是根據你已擁有的「衣櫃」推薦「穿搭」，其建議核心在於單品與現有衣物的搭配程度。這與大多數購物平台以購買為導向的推薦有本質上的不同。

參考文獻與來源：

由 Acloset Magazine 團隊發佈。