從自動補貨到代理式購物：臺灣線上白米訂閱的自動化、消費者控制與 AI 準備度之混合內容分析

一、研究背景與目的

白米屬於低涉入、重複消耗、需要搬運且具有存量風險的家庭用品，適合週期配送，也適合觀察自動化如何重新分配消費者與平台的決策權。既有行銷與人機互動研究指出，AI 可以支援機械式、分析式與互動式任務；但當演算法不只推薦，還能調量、下單或付款時，便利與自主權不再是可分開處理的議題。自動化若缺少解釋、上限與退出設計，可能把補貨摩擦轉化為誤購、囤積或取消摩擦。

原始版本以文獻與命題為主，無法回答市場上究竟有哪些控制已被公開揭露。本次修訂加入可重現的網路資料蒐集與編碼，把論證分成兩層：第一層描述 8 個公開方案的可觀察設計；第二層以短文本解釋業者如何建構便利、個人化與信任。研究不把網頁文字當成消費者行為，也不推論自動扣款造成留存或流失，而是建立一個可被後續問卷、訪談或交易資料研究檢驗的市場基線。

二、研究問題

三、研究方法

3.1 研究設計與樣本

本研究採收斂式混合內容分析：量化結果提供市場設計的分布，質性主題用於解釋其意義。2026 年 7 月 10 日以無登入的一般網頁搜尋引擎執行八組繁體中文搜尋式，包括「台灣 白米 訂閱 月配 定期配送」、「米 定期購 定期配送 台灣 白米」及「米 定期定額 扣款 每月 配送 白米」等。納入條件為：頁面可公開存取、服務配送至臺灣、方案包含白米、至少兩次配送，且頁面足以辨識週期或總次數。售完但保留完整條款的頁面納入並標記；單次購買、重複頁面、非米商品與明確過時活動排除。作者所屬品牌的服務亦排除，以降低自我評估利益衝突。最終樣本為 8 個服務。

3.2 量化編碼

分析單位是一個獨立週期方案。付款模式分為一次預付、每期人工付款及系統自動扣款。消費者控制以六項顯性揭露建立未經外部驗證的透明度指標：數量／內容控制（Q）、配送時點控制（T）、跳過／暫停（S）、取消條件（C）、自助取消（U）及扣款前提醒（N）。控制揭露分數為 Q＋T＋S＋C＋U＋N，範圍 0–6。0 只表示擷取頁面沒有明確文字，不代表客服或線下實際不提供。價格以公開總價除以總重量換算；跨服務中位數採每個服務最低公開方案，以免多方案業者被重複加權。

3.3 少量質性文本分析

質性子樣本以最大差異與資訊豐富度目的性選取 S01、S04、S05、S07 四案，涵蓋一次預付、固定自動扣款、自動續訂、規則式用量試算與彈性暫停等差異。分析採語意層次編碼：先摘錄與便利、委派、個人化及退出直接相關的短語，再形成初始碼與主題。此部分用於補充解釋，不宣稱資料飽和，也不把行銷文案視為消費者的真實經驗。

3.4 統計與可重現性

因 n=8，僅報次數、百分比、中位數與範圍，不進行顯著性檢定。專案資料包保存搜尋式、納入排除規則、8 筆服務層級 CSV、編碼手冊、質性編碼表與只依賴 Python 標準函式庫的分析程式。所有比例皆可由原始資料重新產生。

四、量化內容分析結果

4.1 付款、期限與價格

8 案中有 4 案為一次預付、3 案為系統自動扣款、1 案為每期人工付款；6 案在擷取日顯示可購買，2 案顯示售完。只有 1 案明確揭露固定期滿後自動續訂，另有 2 案無法由頁面判定續訂型態。在可換算價格的 7 案中，各服務最低公開方案的每公斤中位數為 NT$153.33；所有可辨識方案範圍為 NT$129.63–200.00。這些數字描述公開標價，不含品質、米種、產地溢價或促銷效果，不能解讀為價格競爭力排名。

4.2 消費者控制與透明度

3 案揭露訂閱期間可調整數量或內容，3 案揭露可指定或調整配送時點，只有 1 案明確揭露跳過或暫停。指定公開頁面未觀察到帳戶內自助取消，也未觀察到每次自動扣款前主動提醒。控制揭露分數中位數為 1/6，範圍 0–4。最高分方案提供內容變更、日期調整、暫停與取消，但仍需透過 LINE、Email 或電話人工處理。

4.3 個人化與 AI 準備度

只有 1 案讓使用者輸入家庭人數、每週煮飯天數與每日餐數，再估算用米量；這是透明的規則式推薦，不等同機器學習。8 案皆未在擷取頁面明確宣稱使用 AI、人工智慧或機器學習。故現況較適合稱為「週期性商務自動化」，而非「AI 代理式購物」。

五、少量質性文本分析

5.1 可逆的便利

S01 以「定期定量或隨叫隨到」並列兩種節奏，又承諾可指定日期。便利不是把決策永久交出，而是讓消費者在固定化與臨時需求間切換。這種設計顯示，對用量會波動的家庭而言，可逆性本身就是服務價值。

5.2 把採買工作交出去

S04 使用「一鍵搞定」，S05 則以「剩下的交給米糧管家」建立委派想像。兩者都把價值從米本身延伸到記憶、計算、付款與搬運等家務負擔。然而，委派語言越強，服務越需要清楚說明誰決定數量、何時扣款，以及如何撤回授權。

5.3 策展式與規則式個人化

S04 的每月選米降低選擇負擔，屬於商家策展；S05 的「用量試算」則把人數、煮飯頻率與餐數轉成建議量，屬於規則式個人化。兩者都可能改善適配，但都不是根據個別消耗紀錄持續學習的 AI。此區分可避免把任何推薦工具都包裝成 AI。

5.4 以退出權建立信任

S07 同時強調「隨時取消」與「跳過當月配送」，以退出與暫停權平衡自動扣款。相較之下，S04 必須聯繫客服取消且期滿自動續訂，S05 則要完成第 4 期後才能取消。這些差異說明自動化不是單一有無變項，而是一組權限配置：扣款可以自動，暫停、取消與復原也應同樣容易。

5.5 混合解釋

量化結果中的低控制揭露分數，與質性文本中的強委派語言形成關鍵張力。市場文案已在邀請家庭「交給服務」，但支援可見性、暫停與撤回的公開說明尚不普遍。這反映未來代理式 AI 應先處理的公開揭露資訊差異。

六、討論

第一，現有白米訂閱的主要創新是交易與配送排程，而非預測模型。自動扣款占 37.5%，但家庭用量輸入僅見於 12.5%，AI 宣稱為 0%。因此，把既有訂閱直接稱為 AI 服務會誇大技術成熟度。

第二，便利的供給快於控制的供給。自動扣款已存在，但跳過／暫停、自助取消與扣款前提醒的公開揭露明顯較少。這與代理式商務的治理要求相衝突：系統若能代表使用者採取行動，就應同時提供權限邊界、理由、通知、撤回與補救。

第三，最務實的 AI 升級不是立即自動購買，而是從透明的規則式用量建議開始。白米消耗受家庭人數、在家用餐頻率、庫存與臨時外食影響；若沒有這些訊號，複雜模型也只會把不確定性藏得更深。市場現況支持分階段路徑：先建資料與控制層，再做建議，最後才考慮經明確授權的代理執行。

七、AI 白米訂閱的服務設計意涵

本研究不建議現階段直接把白米補貨升級為無人監督的 A3。較可信的路徑是先把目前樣本中稀少的跳過、自助取消與扣款前提醒做成標準功能，再導入 A1。只有當建議誤差、覆寫率、囤積率及申訴均能被持續監測，才評估 A2 或 A3。

八、限制與可信度

• 樣本小且非機率抽樣：8 案是搜尋式辨識出的探索性市場盤點，不能估計所有臺灣業者的母體比例。
• 網頁揭露不等於實際服務：未揭露可能是網站資訊不足，而非客服不提供；本研究衡量的是公開透明度。
• 單一時間截面：價格、售完狀態與條款可能變動，結果只代表 2026 年 7 月 10 日。
• 單一編碼者：目前未做編碼者間信度。正式投稿前應由第二位獨立編碼者盲編 8 案，報告一致率或 Krippendorff's alpha，並保存分歧協議。
• 質性範圍有限：四案分析只解釋公開文案，不代表消費者理解、信任或使用經驗，也不宣稱主題飽和。
• 利益衝突：作者經營與白米訂閱相關之商業網站；作者所屬服務已排除於樣本，研究未接受外部資助。
• 生成式 AI 揭露：本研究由生成式 AI（OpenAI Codex）輔助候選搜尋、資料整理、分析程式、語言起草與網站製作；AI 不列為作者。周秉漢負責研究設計、來源核對、公開版本與後續更正。

可信度主要來自可追溯而非權威宣稱：每筆資料保留服務識別碼、原始網址、擷取日、操作定義與證據摘要；統計由可重跑程式產生；未觀察到的資訊標為未揭露；不使用顯著性檢定，也不把描述性差異寫成因果效果。

九、結論

臺灣公開白米週期配送服務已具備部分付款與物流自動化，但尚未普遍具備代理式 AI 所需的資料輸入、解釋、暫停、自助撤回與扣款前通知。8 案中沒有明確 AI 宣稱，控制揭露分數中位數僅 1/6。質性文本則顯示，業者已用「一鍵」、「管家」與「期待」等語言邀請消費者委派採買工作；要讓這種委派可信，服務必須把退出權做得和進入訂閱同樣清楚。

這項研究的貢獻不是證明 AI 能提升銷售，而是建立一個可查核的市場基線與升級順序：先完善控制與資料治理，再測試規則式建議，最後才評估有界限的代理執行。後續研究應結合消費者訪談、任務測試與匿名交易資料，檢驗控制設計是否真的降低囤積、誤扣與退訂。

參考文獻

1. Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
2. Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49, 30–50. https://doi.org/10.1007/s11747-020-00749-9
3. Krippendorff, K. (2018). Content Analysis: An Introduction to Its Methodology (4th ed.). SAGE.
4. Neuendorf, K. A. (2017). The Content Analysis Guidebook (2nd ed.). SAGE.
5. NIST. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). https://doi.org/10.6028/NIST.AI.600-1
6. OECD. (2022). Dark commercial patterns. OECD Digital Economy Papers, No. 336. https://doi.org/10.1787/44f5e846-en
7. Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and artificial intelligence: An experiential perspective. Journal of Marketing, 85(1), 131–151. https://doi.org/10.1177/0022242920953847
8. Castelo, N., Bos, M. W., & Lehmann, D. R. (2019). Task-dependent algorithm aversion. Journal of Marketing Research, 56(5), 809–825. https://doi.org/10.1177/0022243719851788
9. S01：尚水農產｜好家庭特惠方案（擷取日期：2026-07-10）。
10. S02：台灣全農國際｜日本米定期宅配（擷取日期：2026-07-10）。
11. S03：SOGOplus｜池上大地有機香米週期配（擷取日期：2026-07-10）。
12. S04：掌生穀粒｜米食訂閱計畫（擷取日期：2026-07-10）。
13. S05：池上多力米｜米糧管家定期訂閱（擷取日期：2026-07-10）。
14. S06：自閉兒家庭關懷協會｜星願米加糙米定期配（擷取日期：2026-07-10）。
15. S07：勝美市集｜6農×6味米食訂閱提案（擷取日期：2026-07-10）。
16. S08：新南田董米｜小穀東半年期固定配送（擷取日期：2026-07-10）。

附錄：樣本、搜尋與資料包

完整資料包已隨 Zenodo DOI 紀錄 公開，包含 services.csv、codebook.csv、qualitative-coding.csv、analyze.py 與自動產生的分析結果。網站修訂版本標記為 1.2；既有 Zenodo 資料包仍保留原版本標記，正式期刊投稿前仍建議增加第二位獨立編碼者複核。