原 BigCommerce 上线 AI 商品数据富化：Feedonomics 与 Catalog Enrichment 让商品能被 AI 读懂
9 月 29 日，Commerce（原 BigCommerce）发布两项 AI 商品数据富化能力。
它要解决的问题很具体：当消费者让 ChatGPT、Gemini 或 Copilot 推荐商品时，如果你的商品数据机器读不懂，再低的价格也不会被推荐出来。
Commerce（Nasdaq: CMRC）在 9 月 29 日的公告中称，公司推出 Feedonomics Enrichment 与 BigCommerce Catalog Enrichment。两项能力都从商家已有的商品信息出发，自动生成标题、描述、卖点、FAQ 与 SEO 元数据，并产出生成式 AI 用来理解商品的结构化事实与问答字段。Feedonomics Enrichment 目前仅支持英文，多语言能力稍后推出。
按官方口径，Feedonomics Enrichment 覆盖 Google、Meta、Amazon、eBay 等广告与渠道，以及 Gemini、ChatGPT、Copilot 等智能体入口；BigCommerce Catalog Enrichment 把类似能力内置到 BigCommerce 控制面板，商家选品、输入品牌资料、生成、复核后一键应用。
Commerce 是母公司 Commerce.com 的对外品牌名。据投资者关系公告显示，公司 2025 年把 BigCommerce、Feedonomics 与 Makeswift 收进同一母品牌，股票代码从 BIGC 改为 CMRC；9 月 10 日又宣布重组，目标年化削减约 6000 万至 8000 万美元运营成本。一边省钱，一边押注商品数据与智能体商务。
一、它到底生成什么
按官方公告的拆解，生成的内容分三层。
第一层给人看：标题、描述、卖点，把商家已有的 SEO 工作自动化。
第二层给机器匹配：材质、尺寸、适配机型、目标年龄这类属性被当作字段保留，而不是埋在散文里。可匹配事实，比描述措辞更可靠。
第三层给 AI 回答：问答与片段，用来预先准备这件商品给谁用、为什么吻合某个问题的答案，让对话式体验可以直接引用。
据 Stellagent 分析，这三层在 AI 平台自己的规范里已经出现。Google 在 2026 年 5 月给 Merchant Center 增加了 6 个可选对话属性；OpenAI 的商品 feed 规范把材质、尺寸、评论数列为可选字段，却明确说原始评论条目与问答列表不属于当前的发现契约。同一套给 AI 的问答，到不同目的地未必都被接受。
二、接入方式与覆盖范围
两项产品的分发路径不同。
Feedonomics Enrichment 面向在多渠道分发商品数据的企业与多品牌商家，提供自管理与托管服务两种模式，可通过原生自助集成配置和运行富化流程。
BigCommerce Catalog Enrichment 则是原生的：商家在控制面板里选中商品、提供品牌输入，用 AI 生成标题、描述、卖点、FAQ、SEO 元数据与结构化字段，复核后一次性应用到整个目录，不必导出到外部工具再导回。
两项产品都附带质量评分卡，评估准确性、一致性与品牌一致性，对需要人工介入的地方给出可解释的问题清单。Feedonomics 还增加了分析能力，用于观察富化后的商品信息在自然流量与付费媒体上的表现。
三、为什么现在做
Commerce 给出的理由很直接：AI 只能推荐它读得懂的东西。
据 Distribution Strategy Group 报道，Commerce 产品高级副总裁 Sharon Gee 表示，AI 智能体回答商品问题的能力，取决于商家的数据允许到什么程度，更好的数据是更好智能体体验的基础。
背后是一个正在扩大的落差。传统目录是写给人浏览网页的，不是给 AI 智能体解析的。当发现行为越来越多地发生在答案引擎与助手界面里，商品数据就从一项运营要求，变成了能不能被发现的决定因素。
据官方公告称，这两项富化能力构成其智能体商务解决方案的基石。Gee 进一步称，商家在智能体时代要答对四件事：能被智能体发现、把智能体用起来经营生意、在对话内完成转化、基于开放标准构建以免被锁定。
四、未披露的部分与两类风险
官方没有披露这两项能力的定价，也没有公布任何性能数字。
据 Stellagent 指出，Feedonomics Enrichment 目前仅支持英文，价格与效果数据均未公开。对中小卖家来说，能不能用、划不划算，仍要以试用和报价为准。
让模型批量改写商品描述，会同时放大两类风险。一类是事实风险：模型可能把不存在的参数写进标题，而平台对虚假描述的处理通常很重，AEO 收益还没等到，链接先出问题。
另一类是内容风险：当所有 SKU 都经过同一套提示词改写，话术会同质化，原本差异化的卖点反而被抹平。更稳妥的做法是先小批量跑，人工抽检后再放量，并把生成的字段与原始数据分开存档。
五、卖家能立刻做什么
不必等工具到手。
商家可以先把藏在图片里的规格转成文字，把散落在详情页的技术参数拆成可匹配的字段。据 Stellagent 建议，客服咨询历史本身就是现成的问答素材，整理出高频问题与标准答案，就能补齐 AI 最需要的第三层内容。
Feedonomics 这类工具的价值，是把这套手工活规模化。它不会让一个本就卖不动的商品变得好卖，只是确保商品在被 AI 检索时不被漏掉。
有一点值得留意：把商品数据管线交给第三方，意味着商品事实、定价与库存的表述也跟着一起走。当同一套数据同时流向 Google、Amazon、eBay 与多个智能体入口，谁在用哪一版数据、品牌方还能不能控制，需要事先问清。
AI 选品时代真正的门槛，可能不是预算，而是你的商品数据够不够干净。当智能体开始替消费者做第一轮筛选，被读不懂的商品，还有多少机会出现在答案里？
参考资料
- Commerce 官方新闻稿：《Commerce Introduces Data Enrichment for BigCommerce and Feedonomics to Power Agentic Commerce》
- GlobeNewswire：《Commerce Introduces Data Enrichment for BigCommerce and Feedonomics to Power Agentic Commerce》
- Distribution Strategy Group：《Commerce Expands AI Product Data Tools as It Sharpens B2B Strategy》
- Stellagent：《Commerce (Formerly BigCommerce) Launches AI Product Data Enrichment》
- Commerce 投资者关系：《Commerce Announces Strategic Operating Plan to Accelerate Profitability and Free Cash Flow Generation》