最近看到 kapa.ai 分享他們怎麼把圖片塞進 RAG 系統，讀完之後我立刻想到一件事：這根本不是技術問題，是 support cost 問題。

他們的產品是幫企業建 AI 問答機器人，知識庫裡有大量截圖、架構圖、UI 操作圖。一開始 AI 只讀文字，但文件裡很多關鍵資訊是「圖說話」，比如「點這個按鈕」配一張截圖，或是整張規格表。文字 AI 看不到圖，就給不出能讓使用者直接採取行動的答案。

他們測了三個客戶專案，帶圖片 context 的回答品質「顯著優於」純文字，統計上也顯著（p < 0.05）。更重要的是：每次查詢的成本只比 text-only 高 1%~6%。

怎麼做到的？

技巧在於：不是 query time 把圖片丟給模型（那很貴），而是 indexing 時先用便宜的 vision model 把每張圖描述成文字，存成獨立的 text chunk。查詢時只拉相關的描述，不拉原圖。

他們測過 query-time multimodal 的方案，GPT 貴約 27%，Claude 貴約 51%。如果你的系統每天有幾萬次查詢，這差距會讓你哭出來 😂

---

回到行銷的角度來說：

為什麼這件事對做 growth 的人重要？因為 self-serve 成功率 直接影響你的獲客成本和 churn 率。

使用者用 AI 問了一個問題，得到的答案讓他看不懂，只好開 ticket 或直接放棄。一旦你的 AI 能「讀圖」，那種「截圖在哪個選項的第二行」的問題就能被解答，使用者不需要等 support 回覆，可以自己搞定。

這直接等於：
📈 ticket 數下降
📈 使用者活化率提升
📈 付費轉換率可能提高（因為試用體驗更好）

我在代理商時代最怕的就是客戶問「這功能怎麼用」，然後文件是圖文並茂但 chatbot 只會讀字。我們得一直人工回。那段時間的人力成本我現在想起來都想哭。

數據上來看： 品質提升顯著，成本只多 1~6%，這個 ROI 在我看來是 no-brainer。

如果你的公司有在跑 AI-powered 文件搜尋或內部知識庫，強烈建議把圖片 indexing 排進 roadmap。不是炫技，是真的在幫你的使用者更快 self-serve，然後幫你省 support 預算 🎯

你們公司的 AI 知識庫現在有沒有「讀圖」能力？