秒發報價的故事：我們怎麼用 AI 把報價 45 分鐘縮成 3 分鐘

我們的第一版報價系統，把客戶嚇跑了。

那是 2024 年某個禮拜三晚上，我熬夜把一個 Excel 公式宏寫到凌晨三點，隔天早上信心滿滿寄給一位金屬加工廠老闆。對方回信只有一句話：「你這份太快了，我懷疑你沒看清楚我的需求。」三分鐘的報價在他眼裡反而比 45 分鐘更不可信——這個反饋當下讓我傻住，但現在回頭看，那是整個產品最重要的轉捩點。

這篇是恆遠數位行銷自家產品「秒發報價」的 founder 視角故事，不是行銷文案。從我們自己接案被改規格氣到失眠、用 Excel 寄信硬撐、到把 GPT-4 跟 Claude 兩個引擎接起來，把單份報價的人力時間從 45 分鐘壓到 3 分鐘——中間踩了哪些坑、哪些功能是被客戶罵出來的、哪些功能是我們自以為很酷但根本沒人用的，這篇全部寫出來。如果你正在思考要不要做AI 報價系統、或正在被報價流程綁架的 B2B 老闆，這是一份完整的產品演化筆記。

為什麼要寫得這麼透明？因為我自己當初想找這種文章卻找不到。Martal 在 2026 年 B2B 銷售統計裡有一個讓我印象深刻的數字：5 分鐘內回覆詢價的成交率，是 30 分鐘後才回的 21 倍。但市場平均回覆時間是 42 小時。中間這個落差，就是秒發報價想填的洞。

起點：我們自己接案被改規格改到崩潰

恆遠數位行銷的本業是客製化網站和系統開發。2023 年第三季，我們同時接了 7 個案子，平均每週要處理 12-15 份報價詢問。聽起來不多吧？問題不是數量，是規格永遠在變。

客戶第一次來，講「我想做一個訂單系統」。我們花 30 分鐘問需求、再花 45 分鐘整理 Excel 報價單寄出去。客戶看到金額後說「啊我可能還要加一個 LINE 通知」。重新報。三天後說「對了，我們有兩個倉庫，要分倉管理」。再重新報。再過五天，「啊老闆說預算只有一半」。整份打掉，重做精簡版。

這不是個案，這是 B2B 報價的常態。PTT soho 板上一篇 2018 年的老文至今還在被新人轉發——「客戶說『先報個概念價』，結果你照他講的報，他又說太貴；你不報，他覺得你不專業。」八年過去了，痛點一模一樣。

我那段時間每週六晚上做的事，不是陪家人，是補當週的報價單。算過一次：一份完整的客製化開發報價，從聽需求到寄出，平均要 50 分鐘。一週 12 份就是 10 個小時，等於整整一個工作天就在「為了拿到工作而工作」。

第一版：Excel 模板 + 寄信，慢但能跑

MVP 不是「做最少功能」，是「做能驗證假設的最少東西」。我們的第一版完全沒有 AI、沒有後端、沒有資料庫，就是一個 Excel 模板加 Outlook 範本信。

做法很土：把過去三年所有報價單的項目整理成一張總表，分網站開發、系統開發、SEO 優化、廣告投放四大類，每個項目固定單價區間。客戶來詢問時，我複製模板，刪掉用不到的列、調整數量，存 PDF 寄出去。一份從 50 分鐘壓到大約 20 分鐘。

問題在第二週就浮出來。Excel 沒有版本控制：客戶反問「你上次寄的版本不是 8 萬嗎？怎麼變 9 萬？」我打開信箱翻了 15 分鐘才找到舊檔，發現是因為我那次忘了加上系統測試費。Excel 也沒有客戶資料：每次都要重新打公司全名、統編、聯絡人。一份報價單裡 30% 時間花在「貼資料」這種無腦作業。

更慘的是，沒人看得到客戶有沒有打開信。我們寄出去就像石沉大海，常常 5 天後才打電話追單，結果對方說「啊我已經選別家了」。RevenueHero 測試 1000 個 B2B 銷售團隊的報告提過一個更殘酷的數據：只有 7% 的公司能在 5 分鐘內回覆詢價，而那些能做到的，成交率比平均高 9 倍。我們 5 天才追單，等於把九成成交機會送給競爭對手。

Excel 版撐了三個月。它不漂亮，但它救了我們的週末，也讓我們確認一件事：報價真正的瓶頸不是「打字」，是「理解需求 + 結構化定價」這兩段認知工作。Excel 只解決了打字，沒解決認知。要做下一版，必須讓機器能讀懂客戶寫的非結構化文字。

轉捩點：當我發現 GPT 真的能讀懂客戶寫的爛中文

2024 年初某個下午，一位餐飲業客戶傳來一段 LINE：「我想做一個那個會員集點的，可以掃 QR 累積點數，然後可以兌換餐點，後台老闆要看得到誰用了多少，最好還能跟我們現在的 POS 接，我們是用『瑞乘』那一套，預算大概 30 萬以內，三個月內要完成。」

我把這段丟給當時剛升級的 GPT-4，加上一個粗糙的 prompt：「請把以下需求整理成功能項目清單，每項估計工程人天和金額。」結果大概 12 秒後，回了一份結構化清單：

{
  "modules": [
    {
      "name": "會員集點系統",
      "tasks": ["QR Code 掃描積分", "點數累積與兌換邏輯"],
      "estimated_days": 8
    },
    {
      "name": "管理後台",
      "tasks": ["會員清單", "點數異動紀錄", "兌換報表"],
      "estimated_days": 5
    },
    {
      "name": "POS 串接（瑞乘）",
      "tasks": ["API 規格確認", "對接與測試"],
      "estimated_days": 6,
      "risk_note": "需確認瑞乘是否有公開 API"
    }
  ],
  "estimated_total": 285000,
  "timeline_weeks": 10
}

我盯著螢幕看了一分鐘。這不完美——POS 串接的天數估得有點樂觀、餐點兌換的折扣邏輯沒拆出來——但「把一段口語化需求變成可報價的結構」這件事，AI 真的做到了。同樣的工作我自己手動做要 25 分鐘，GPT 只花 12 秒。剩下的 24 分 48 秒可以拿來思考真正重要的事：要怎麼跟客戶談需求收斂、技術風險點該不該寫進報價單。

這是整個產品的轉捩點。我們從那天開始，目標不再是「做一套 Excel 加強版」，而是「做一套 AI 能聽懂人話的報價系統」。

順帶一提，McKinsey 在 2026 年 B2B 銷售報告估計生成式 AI 能為銷售與行銷部門帶來 0.8 兆到 1.2 兆美元的生產力提升，而其中最快落地的應用就是「自動回覆 RFP / 提案生成」。我們那天的小實驗，剛好踩在這個趨勢的起跑線上。

第一個 GPT prototype：從 8 小時跳到 30 分鐘的飛躍

驗證假設後，我花了三個週末做出第一個 prototype。技術選型很簡單：Next.js 前端、Node.js + Express 後端、PostgreSQL 存報價單、OpenAI API 跑 GPT-4。整個 stack 接案技術棧的延伸，沒有花俏的東西。

這個 prototype 解決的事很簡單：貼上客戶需求文字 → AI 拆成項目清單 → 你手動微調金額 → 一鍵生成 PDF。沒有客戶管理、沒有版本控制、沒有付款，就一個輸入框配一個生成按鈕。

實際拿來內部用的第一個月，整體報價時間從原本（含找舊檔、整理需求、調項目、排版 PDF）平均 45-60 分鐘，壓到大約 30 分鐘。節省最多的環節不是「打字」，是「拆需求」。原本要花 15-20 分鐘想「這個案子要拆成哪些可估價的單位」，AI 一下子就給你一份草稿，你只需要當編輯不用當作者。

但 30 分鐘還不夠。我們真正想做的是「客戶 LINE 訊息進來，3 分鐘出一份完整的、客戶看了會點頭的報價單」。要做到這一點，光靠 GPT-4 拆項目不夠，還需要解決三個更難的問題：怎麼讓 AI 學會「我們公司的定價邏輯」、怎麼處理客戶會反覆改規格、怎麼讓報價單看起來「夠專業但不會太機器」。這些問題逼出了下一個版本最重要的設計——多層級報價。

Excel 版 vs GPT Prototype 版的時間拆解

多層級報價架構誕生：保守、合理、激進三檔給客戶選

客戶最會做的一件事是砍價。但你正面降價，他下次還會繼續砍。PTT WomenTalk 與 Salary 板的接案討論串裡有一個老梗：「報 100 萬的，砍到 70 萬；報 150 萬的，反而砍到 100 萬。」這不是行情問題，是錨定效應問題。

我們在第三版做了一個關鍵設計：每份報價自動產生三個方案——保守版（核心功能）、合理版（推薦）、激進版（含未來擴充）。客戶從「要不要做」的選擇，變成「要選哪一個方案」的選擇。

這不是我們發明的——SaaS 訂閱頁早就在用「Basic / Pro / Enterprise」三欄陳列。我們只是把這個概念搬到客製化專案。但魔鬼在實作細節：AI 不只要拆需求，還要判斷「哪些是核心、哪些是 nice-to-have、哪些是未來才會用到」。這需要一份比較複雜的 prompt。

多層級報價的核心 prompt template（簡化版）

SYSTEM_PROMPT = """
你是一位資深的客製化軟體開發顧問。
任務：根據客戶的非結構化需求，產出三層級報價結構。

層級定義：
- conservative（保守版）：只做客戶明確點名 + 業務必需的功能。MVP 思維。
- recommended（合理版）：保守版 + 提升使用體驗的補強功能（搜尋、權限、報表）。建議方案。
- aggressive（激進版）：合理版 + 半年內可能會用到的擴充模組（API 開放、第三方整合、行動版）。

每個項目必須包含：
- name：功能名稱
- core_or_optional：核心 / 加值 / 擴充
- estimated_days：預估人天
- risk_note：技術風險（若有）
- assumed_scope：你做的範圍假設（用條列說明，方便客戶反駁）

輸出格式：嚴格 JSON，三個 key (conservative / recommended / aggressive)。
若客戶需求不清，先列出 3-5 個澄清問題，不要硬塞數字。
"""

USER_INPUT = customer_message  # 客戶 LINE 或 Email 原文

這份 prompt 看起來簡單，但我們調了三個月。最關鍵的一個改動是「若需求不清，要主動列澄清問題」。原本 AI 會硬塞數字，給出一份看似合理但底層全是猜測的報價，反而更危險。改成「先反問」之後，產品的成交率反而上升——因為客戶感覺到我們有在思考，不是隨便丟一個數字。

一份報價從輸入到送出的完整流程

為什麼用 GPT-4 + Claude 雙引擎？踩了一年才搞懂的事

外面文章很愛吹「我們用最新的 AI」，但很少寫為什麼。我們用 GPT-4 加 Claude 兩個模型不是為了行銷話術，是被踩坑踩出來的決定。

GPT-4 的強項是「拆解結構」。給它一段亂七八糟的需求，它能很快變成項目清單。Claude 的強項是「判斷合理性」——同樣是一個「會員系統」項目估 8 人天，Claude 會去比對「上次類似專案花幾天、行業平均多少」然後告訴你「8 天偏低，建議調到 10-12」。

如果只用 GPT-4，產出速度快但定價有時偏激進；只用 Claude，定價穩但拆項目慢、結構鬆散。我們在 2024 下半年做了大概兩個月的 A/B 測試：

雙引擎慢了 9-23 秒，但業務每份要手動調整的次數從 4.2 次掉到 1.3 次，光這一點每天就省下大約 1.5 小時。Mordor Intelligence 的 CPQ 市場報告預估 2026-2031 年 CPQ 市場會以 15.74% 年複合成長率擴張到 75.5 億美元，背後就是這種「慢一點但更準」的模型組合在推動企業真的願意把報價交給機器。

關於環境變數和 API 金鑰的安全管理（這是接 OpenAI 跟 Anthropic API 的基本功），我們在 別讓 Claude Code 看到你的 .env：四道防線完整守住敏感檔案 寫過完整方法，有興趣的開發者可以延伸閱讀。

第一個付費客戶：金屬加工廠老闆的兩通電話

產品做出來，下一個問題是「誰會付錢用」。我們的第一個付費客戶是一家南部的金屬加工廠，老闆姓陳。這個故事有完整一篇案例文章：金屬加工廠的報價地獄怎麼破？傳產 AI 報價系統落地實戰，但我想從 founder 的視角補幾個沒寫進去的細節。

陳老闆第一通電話打來時，我以為他要罵我們。他在試用第三天打來，劈頭就說「你這套東西不對」。我心臟漏一拍，問他怎麼了。他說「我們的鋼材是按公斤算的，不是按件，你們系統都用件計價，這報出去客戶會笑我」。

這是非常具體、非常傳產的需求。當下我心裡其實有點崩潰——我們架構是按「項目」設計的，要改成「按重量、體積、規格組合」計算，等於整個資料模型要動。但我做了一件事：當下答應他兩週內補上「自訂計價單位」功能。

兩週是緊的，技術同事為了這個熬了三個夜。但兩週後我們真的把功能上線，他第二通電話打來，語氣變了：「這個可以。我加買一個帳號給我兒子用。」

後來他變成我們最忠實的推薦者，介紹了 6 家同業給我們。回頭看，那兩週的痛是值得的——第一個付費客戶的具體需求，往往會逼你做出比想像中更通用的功能。「自訂計價單位」後來變成所有製造業客戶都會用的核心功能。

產品 vs 接案的張力：一邊養公司一邊磨產品

恆遠數位行銷的本業是接案，但我們同時在做秒發報價這個 SaaS 產品。這兩件事在資源分配上會撕裂團隊，這是創業圈很少有人講的真話。

接案的好處是現金流穩、看得見錢。客戶簽約 30 萬，三個月做完，錢進來。產品的好處是規模化、長期複利。但問題是產品前一年幾乎沒有營收——我們第一年訂閱收入只佔總營收的 4%。如果你完全切到產品，公司現金流會死；如果你完全切回接案，產品永遠長不大。

我們的解法是「30/70 規則」：資深開發者 30% 工時做產品、70% 工時做接案；初階開發者反過來。這不完美——產品開發節奏會被接案 deadline 打斷——但它讓我們能撐到產品自負盈虧的那一天。關於企業 AI 導入的長期戰略思維，可以參考 2026 企業 AI 導入完整指南：流程、成本、案例一次看。

另一個額外的好處是：接案讓我們持續吸收真實客戶痛點。秒發報價有 30% 以上的功能想法來自接案客戶的抱怨。如果完全切到產品，我們會關起門來自己想需求，那是 SaaS 死亡最常見的原因。

誠實寫一段：那些我們搞砸過的坑

前面講起來都很順，但這裡要寫三個我們真的搞砸過的事。

坑一：客戶覺得 AI 報價「太快」反而不信任

開頭那位老闆說「太快了，我懷疑你沒看清楚我的需求」，不是個案。產品上線前三個月，我們發現一個反直覺的現象——客戶收到 3 分鐘生成的報價單，成交率比預期低 10%。問了幾位才知道，他們潛意識覺得「貴的東西要慢慢報才顯得專業」。

解法是兩個：第一，UI 上加上一個「AI 分析中」的進度條，刻意讓畫面跑 30 秒（即使後端 5 秒就好了）；第二，在報價單第一頁加上一段「需求理解摘要」，把 AI 從客戶訊息裡抽出來的關鍵點列出來，讓客戶看到「我有讀懂你」。這兩招上線後，成交率回升了 8%。

坑二：規格變動沒做好，客戶要求重報又得從頭來

第一版的「修改規格」功能設計得很爛——客戶說要加一個功能，業務必須整份重新生成。原本花 3 分鐘的事，重新生成後變 3 分鐘+5 分鐘核對。我們以為自動化省時間，結果改規格反而變慢。

後來改成「diff 模式」：AI 只生成「相對於上一版的差異」，業務看一個顯示綠色加項、紅色刪減的對比畫面，整份報價的版本歷史也會自動保留。改完後修改一份報價的時間從 8 分鐘降到 90 秒。

坑三：PDF 排版崩了一次，差點丟掉一個 50 萬訂單

我們的 PDF 引擎在某次版本更新後，遇到「項目超過 18 行」就會把表格切到下一頁，但表頭沒跟著切過去。一位客戶下載後看到第二頁只有金額沒有項目名稱，懷疑我們亂報價，氣到想取消合作。

業務當天打電話跑去客戶辦公室解釋，原來是我們前一週改了 CSS 沒測長表格的情境。修完之後，我們在 CI/CD 流程加上「強制測試 5 / 18 / 50 行三種項目數量」的 PDF 自動測試。技術債就是這樣慢慢還的——出包之前你不會知道哪個邊界 case 會炸。

現在的數字：付費用戶、月處理量、平均節省工時

寫文章不放數字就是耍流氓，但放浮誇的數字也是耍流氓。我們把秒發報價在 2026 年初的真實數字攤出來，自己看也好讓你做決策參考也好：

這些數字裡，我自己最看重的是「用戶反映成交率 +18%」。這跟 B2B Highspot 在 2026 年的銷售週期報告 提到的「24 小時內送出提案的成交率比 7 天後送的高 130%」邏輯一致——速度本身就是競爭力。我們不是把產品做得多炫，是把客戶等不及的那段時間消滅掉。

如果你也想做 AI 報價系統，給你的三個務實建議

寫到這裡，你可能在想「那我自己做一套不就好了？」這個問題我每個月會被問三四次。給你三個從踩坑換來的建議：

建議一：先自己手動跑流程一個月，再寫一行程式

我們做秒發報價之前，已經用 Excel 模板跑了三個月。那三個月才是真正的「需求收斂期」——你會知道哪些欄位是必要的、哪些只是 nice-to-have、哪些客戶會反覆改、哪些一次定生死。如果跳過這一步直接寫 code，會做出一個漂亮但沒人用的東西。

建議二：AI 是引擎，不是司機。手動覆核機制不能拿掉

我們所有報價單都有「業務 review 後送出」這一道。AI 拆得再準，碰到罕見產業（比如養殖業、客製化生醫設備）還是會估錯。設計流程時把人放回環節裡，不是退步，是負責。

建議三：版本控制與審計軌跡比你想像的重要

我們在第二年才補上完整的版本控制。後悔當初沒早點做。客戶哪一版看了什麼、哪一版我們自己改過、誰在什麼時候改的——這些紀錄出事時就是救命繩。如果你打算做給金額大的 B2B 用，這個必須一開始就有。關於 AI 導入後的組織與流程設計，AI 導入後才是挑戰的開始：組織變革、員工轉型、持續優化完整指南 寫得比官方報告更實際。

關於秒發報價，最常被問的 6 個問題

結語：秒發報價想替你解決的，是那個週六晚上

回到開頭那句話。我們做秒發報價，是為了把 B2B 老闆的週六晚上還給他。

如果你的工作流程裡有一段「客戶詢問 → 看著 Excel 發呆 → 寄出去之後沉默」的循環，我邀請你試 14 天看看。不用信用卡、不用簽合約、不用業務聯絡你。試完不喜歡就刪帳號，但如果它真的把你的報價時間壓到 3 分鐘，你會想我為什麼不早點試。

這篇是 founder 視角的產品演化筆記，不是行銷文。如果你看完有任何想法、踩過類似坑、或想分享你自己的報價地獄故事，歡迎來信。我們最好的功能想法，從來都不是會議室裡想出來的。