AI Agent 定價會自動完成查價、比較與規則判斷，再由收益經理審核建議、自行更新 OTA 售價。它減少的是逐一比價和整理資料的工作，不是把定價權交給系統。本文拆解三層架構、六個核心指標、決策矩陣與三道安全閥，並說明什麼樣的飯店適合導入、導入前要準備什麼，以及人跟 AI 之間的定價權怎麼分。
你拿到的永遠是昨天的市場，而競品今天下午就會再改一次。
飯店定價是一場每天都在發生的即時賽局。競品隨時可能調價，住房率每小時都在變動，而你能反應的時間窗口往往只有幾個小時。多數飯店的流程卻還停在原地：每天早上打開 OTA 後台，一家一家手動查價。
如果飯店沒有專職收益經理，這項工作通常會落在總經理、營運主管或房務主管身上，時間一樣要花。商務飯店的收益經理每天早上至少要花一到兩個小時完成這套流程：登入各大 OTA 平台查看競品報價、打開自家 PMS 確認當日與未來七天的住房率、比對昨天的數字判斷該不該調、決定調哪個房型調多少，最後再回到 OTA 後台逐一更新售價。等這一輪做完，已經是上午十點。
問題不只是耗時。下面四件事，讓人工定價越來越撐不住：
先說資訊時差。一天只能查一到兩次，早上十點競品把週末房價拉高一成，你最快要等下午再查一次才會發現；如果忙到沒查，就會拖到隔天早上。這中間錯過的，可能是追漲的時機，也可能是該防守卻沒防守的窗口。
第二個是判斷不一致。同樣是住房率六成、競品微漲，資深經理可能選擇跟漲，換一個人值班就決定觀望。沒有一套寫下來的判斷框架，定價決策沒辦法被追蹤、被學習、被傳承。
第三個是指標盲區。多數人的日常決策只看住房率：高就不動，低就降價。但住房率衝到九成，每間房的收益也可能比七成的時候低，下一段會算給你看。
最後是人力錯置。收益經理最該做的事是制定策略、看市場趨勢、規劃長期定價架構，但每天的精力大量消耗在「登入、查價、比對、更新」這四個動作上。
AI Agent 在這條流程裡負責「查」和「比」，把「判」與「動」留給人。要理解它怎麼提出建議，得先釐清多數飯店容易忽略的指標盲區：為什麼住房率高，不見得代表你賺到了。
看錯指標，比不看指標更危險。
RevPAR（Revenue Per Available Room，每間可售房收益）是衡量飯店營運表現的核心指標，計算方式是平均房價（ADR）乘以住房率，反映所有準備好要賣的房間平均每間創造多少產值。不先把這個指標講清楚，後面的定價邏輯會看不懂。
住房率只回答一件事：房間有沒有賣出去。它不告訴你賣了多少錢。
舉個例子。一間 100 房的商務飯店，兩種經營情境：
情境 B 的住房率比 A 低了 20 個百分點，但 RevPAR 卻高出 18%。如果你只看住房率，會覺得 A 贏了；但以每間房的實際收益來說，B 才是更好的經營結果。
只看住房率，你會一直想降價衝量，卻沒看到價格那一端掉得比量漲得更多。
RevPAR ＝ 平均房價 × 住房率。拿上面情境 B 驗算：NT$3,800 乘以 70%，就是 NT$2,660。公式不難，難的是要讓它能回答「如果我現在調價，RevPAR 會怎麼變」。
傳統做法是在 Excel 裡手動試算：住房率假設拉高或拉低、房價調幾百元，看 RevPAR 怎麼變。但 Excel 不會自動帶入競品同時改價的資訊，也無法預測調價後的住房率。後面的 AI Agent 分析層處理第一件事；第二件事仍要由人依場外資訊判斷。系統只能按目前住房率試算 RevPAR，不會預測價格彈性。
根據交通部觀光署 2026 年 2 月公布的統計，2025 年台灣旅宿業整體住客人次達 8,209 萬人次，已超越疫情前水準 [1]。旅館業（含觀光旅館與一般旅館）平均房價為 NT$2,984，但有高達 79% 的旅館房價低於這個平均值 [1]。這個平均是被少數高價飯店拉上去的，不是多數旅館的常態。住房率方面，旅宿業整體在 2023 至 2025 年維持在 45% 至 47% 區間 [1]。
另一份數據來自觀光旅館（定位較高的國際與商務飯店），2025 年平均房價 NT$4,629，住用率 64.2%，RevPAR 年增 7.5% 至 NT$2,970 [2]。
這兩個住房率不是同一個母體。45% 到 47% 是旅宿業整體，觀光旅館也算在裡面；64.2% 則只統計領觀光旅館業執照的業者。如果你是一般旅館或民宿，來源沒有提供可直接套用的同類基準，不能把旅宿業整體數字當成自己的標準。比全體平均更實用的做法，是另外整理同區域、同客群飯店的住房率與房價。
這兩組數據放在一起，有三件事會直接影響你的定價決定：
旅宿業整體住房率連續三年維持在相近區間，只能說整體住房需求沒有明顯把住房率往上推；單靠這組數字，不能推論房間供給正在增加。
近八成旅館房價低於平均值，說明全體平均容易被少數高價飯店拉高。收益經理若拿 NT$2,984 當調價基準，很可能比錯對象；應該改看自己的競品組合，以及這組競品今天相較昨天往哪個方向移動。
這些統計能說明整體市場與觀光旅館的差異，不能直接替單一飯店下調價結論。真正能用來做決定的，是同一批競品的價格變化、自家住房率與訂房速度能不能放在一起看。
AI Agent 定價要做的，是把競品價格、自家住房率與訂房速度放進同一套判斷流程。接下來，我們拆解這個 Agent 的完整架構。
不是黑盒子，每一步都攤開來看。
飯店 AI Agent 定價系統是一套「數據自動進、分析自動跑、決策由人審」的三層架構，把收益經理原本手動執行的查價、比較與判斷流程，拆成數據層、分析層、行動層。看懂這三層怎麼分工，就知道 AI 在這條流程裡管什麼、不管什麼。
數據層負責回答「市場現在長什麼樣」這個問題，由兩張自動更新的資料表組成，不需要人工維護。
第一張是競品房價表。系統透過第三方 API 工具自動擷取房價比價網站上公開顯示的競品房價，資料本身會標示這個價格來自哪家 OTA。讀的是任何人打開網頁都看得到的牌價，不登入 OTA 後台，也不碰競品的內部資料。每家飯店的資料與分析只在自己的環境裡跑，不跨客戶共用。記錄每一個入住日期對應的今日房價、昨日房價、以及漲跌幅。更新頻率可設定為每日兩次（例如早上六點與下午兩點），解決收益經理「下午競品改價要等隔天才知道」的資訊時差問題。
抓價這件事我們在電商做過一輪。如果你想知道五個通路的競品價格怎麼統一比較口徑、人工一輪三小時怎麼變成排程自動跑，那個案子有完整的導入流程與前後對比。
第二張是自家住房數據表。數據來源是飯店的 PMS（房務管理系統），透過 API 串接自動同步。記錄的欄位包括每個入住日的總房數、已訂房數、住房率、ADR、RevPAR、以及過去 24 小時的新增訂房數。
分析層負責回答「現在該不該調價、往哪個方向調」。它讀取數據層的資料，套用知識庫（就是你和顧問一起訂下來的那套定價規則）產出建議。
這層的分析邏輯建立在六個核心指標上：
這六個指標會交叉運算。其中 ARI 不是把競品房價平均一下就好，Agent 會依各競品與你的競爭關係給不同權重。主要競爭對手的權重最高（例如 40%），客群高度重疊的次之（30%），定位偏低的預算型競品權重最低（5%），中間還有兩級，全部加起來是一百。
分析層跑完之後，產出的不是「已幫你調好了」的通知，而是一份結構化的建議報告，收益經理看完之後有三個選擇：接受建議並更新 OTA 後台、手動調整為自己認為更合適的方案、或暫緩不動等明天重新分析。
這個設計是刻意的。AI 在這裡是分析師，不是決策者。它負責把數據整理好、把邏輯跑一遍、把推理過程攤開來，但最後按下「調價」按鈕的，永遠是人。
為什麼不讓 AI 直接自動調價？因為定價決策有很多 AI 看不到的因素。飯店可能正在跟某個企業客戶談長期合約、可能下週有一場還沒公布的展覽會帶來爆量需求、可能收益經理知道某個競品正在裝修所以它的降價不代表市場趨勢。這些「場外資訊」是人的判斷優勢，AI Agent 的設計不應該取代它，而是讓人把精力從低價值的「查」和「比」，轉移到高價值的「判」和「決」。
定價不是猜，是一套可重複驗證的邏輯。
回到剛才的第二層。AI Agent 的定價判斷建立在一張二維決策矩陣上：Y 軸是住房率區間（高需求／穩定／低需求），X 軸是競品定價方向（降價／持平／漲價），兩軸交叉決定基礎行動。基礎行動出來之後，再被兩個維度修正。訂房速度如果異常加快就升一個積極度，停滯就降一個積極度；距入住天數越短，行動越果斷。
Agent 不會憑空生出一個房價。導入時會先把售價切成幾個固定等級，從地板價排到天花板價，兩個數字都由飯店決定。Agent 只能建議升一級或降一級，提不出表外的數字，所以不會叫你跌破底線。價格等級按入住日期套用，系統輸入不含訪客身分或瀏覽行為。
有三種情況會跳過矩陣，直接走對應處置：
第一道是單一低價對手跳水時不要跟（恐慌性拋售偵測）。只有定位偏低的預算型競品大幅降價（跌幅超過兩成）、主力競品沒跟進時，Agent 判定這是那一家自己的庫存問題，不是市場需求下滑，建議維持原價、觀察 48 小時。
第二道是市場轉熱、只有你賣不動時先查原因（需求異常警示）。你的住房率低於四成、競品均價反而漲超過一成，意思是市場有需求，但你的房間沒人訂。這時 Agent 不會建議降價，而是提示「請確認 OTA 通路、房源照片與評價是否異常」。問題可能不在價格。
第三道是按目前住房率試算後，收益下跌就攔下來（RevPAR 保護機制）。任何調價建議如果讓試算 RevPAR 下跌超過一成五，Agent 會攔下建議，改提含早餐的包裝方案：價格不動，但客人拿到的東西變多。這是固定住房率下的情境試算，不是需求預測。
答案是小幅調漲，但不是一次衝到最高價。
人工判斷的直覺反應：住房率才五成，不算特別好，不敢漲。但 Agent 同時看到兩個你可能漏掉的訊號：競品加權均價大漲超過一成，而且過去 24 小時的訂房速度是平常的三倍。矩陣判定住房率落在穩定區、競品在漲，基礎行動是小幅調漲。再加上 Pickup Ratio 異常加速的修正，建議的積極度再往上一階。
答案是不跟進，先觀察主要競品是否一起降。
這是最考驗判斷力的情境。表面上看到競品降價，直覺是跟進。但 Agent 拆開來看：大幅降價的只有一家預算型旅店，主力競品幾乎沒動，加權市場均價整體只跌了不到兩個百分點。恐慌性拋售偵測觸發，Agent 判定是個別庫存問題，建議不跟、繼續觀察。這種判斷靠直覺很容易跟錯，結果就是自己砍自己的價格。
答案是降一個價格等級，或維持價格改成含早餐方案。
距入住只剩兩天，住房率三成出頭，訂房速度停滯。這是最後防守期。空房不賣出去，明天就是零收益。Agent 建議降一個價格等級，或是啟動含早包裝（價格不動，提高吸引力）。但地板價是硬的，不管情況多緊急都不會建議跌破底線，免得傷到飯店長期的定價形象。
三個情境的共同特點是：每一次建議都附上完整的推理過程。收益經理看到的不只是「建議漲價」三個字，而是住房率落在哪個區間、競品漲了多少、訂房速度是平常的幾倍、建議調到哪個等級，以及按目前住房率試算的 RevPAR 變化。收益經理可以逐項檢查建議是否合理，定價決策也能留下可追蹤的紀錄。
當 AI 把分析細到這個粒度，收益經理的角色就從執行者變成審核者。這是兩個不同的工作。省下來的時間，可以真正投入在長期定價策略、要經營哪些通路、企業客戶這些高價值工作上。
這裡要分開一件事。這套系統是你一家自己在用：看的是公開牌價，算的是你自己的房價區間，不是幾家飯店約好一起調。單方面依公開資訊判斷要不要調價，和幾家業者約定一起調價、或互換還沒公開的價格，在法律上是兩件事；判準是有沒有合意，不是有沒有人在最後按按鈕。有疑慮就問法務，不要拿系統建議當依據。
這個價格怎麼來的，你要自己說得出來。
工具到位之前，流程要先到位。
AI Agent 定價的導入門檻不在技術，而在飯店自己有沒有準備好三個前提條件。我們在其他產業導入 AI Agent 時，卡關最常發生在同樣這三個地方。
你的數據能不能被機器讀取？ Agent 需要兩張表：競品房價與自家住房數據。競品端由系統自動從房價比價網站擷取公開房價，飯店不用操心；自家端需要 PMS 能輸出結構化數據，API 串接最理想，初期用 CSV 每日上傳也可以跑。如果你的 PMS 連匯出報表都要手動截圖，這件事要先解決。
你有沒有定義好價格的天花板與地板？ AI 的所有建議都必須落在你設定的價格區間內。沒有這個邊界，Agent 無從運作。這不是技術問題，是經營決策。你願意最低賣多少、最高敢賣多少，這兩個數字收益經理和總經理要先對齊。
你的團隊願不願意依數據說明決定？ 導入初期最常卡住的情況，是總經理覆蓋 AI 建議時沒有留下理由，系統因此缺少可以回頭驗證的決策紀錄。差別在有沒有新資訊：你知道競品正在裝修，所以不跟它降價，這是場外資訊；如果只覺得這個價格太低，卻說不出依據，就無法驗證哪個判斷有效。建議用一個月的概念驗證（PoC）期間，先在部分房型或特定日期試跑，確認哪些規則有效再擴大範圍。關於導入時常見的卡點，也可以參考導入 AI Agent 前必知的五大風險。
如果你不確定自己的飯店適不適合、該從哪裡開始，Data-DI 顧問會先盤點定價流程，再使用 AltaBots.ai 設計 Agent 的分析邏輯與知識庫規則。AltaBots.ai 是執行流程的平台，Data-DI 負責顧問服務與導入。
每一間空房到了入住日都會歸零。今天沒賣出去的房間，明天不會回來。2023 至 2025 年，台灣旅宿業整體住房率都在五成以下。越晚發現競品改價或訂房速度異常，可採取的做法就越少。
AI Agent 不會取代你的判斷。它會先整理目前取得的數據、按既定規則提出理由，再把活動、團體訂房等系統外資訊留給人補上。
每間飯店的競品組合、定價策略、經營節奏都不一樣，套裝工具很難直接搬用，需要根據你的實際情境設計。如果你想了解自己的飯店導入 AI 定價的可行性，Data-DI 提供 30 分鐘免費定價流程診斷，由顧問檢視你目前的定價流程、數據現況與可以先改的地方，不需要事先準備資料，把你的競品清單和目前的定價方式告訴我們就好。
[1] 交通部觀光署。（2026.02）。旅宿住客量突破 8,200 萬人次創紀錄 近 8 成旅館房價低於平均值。經濟日報。
https://money.udn.com/money/story/5648/9345827
[2] 未來流通研究所。（2026.03）。【關鍵排行圖解】台灣「觀光旅館營運實況」年度數據總覽。
https://www.mirai.com.tw/2026-overview-of-taiwan-tourist-hotel-operating-metrics-diagram/
