先把結論放前面：在我每天盯著台灣電商站流量的觀察裡，真正該焦慮的訊號不是「排名掉了」，而是「入口換了」。過去我們把 Google 當成流量水龍頭，排名夠前水就會流進來；現在越來越多消費者根本不看那排藍色連結，直接問 AI，AI 一段話回答完，順便點名幾個品牌——如果那幾個品牌裡沒有你，你排第幾都不重要了。這件事的優化名字叫 GEO（生成引擎優化）與 AEO（答案引擎優化），這篇我用數據媒體的角度，把它從觀念到執行一次講清楚。
我在後台看到的位移：排名沒動，流量卻在漏
這半年我在 ECPRO 對照不同品類的站，遇到最多的一種求救是這樣：關鍵字排名沒退、頁面速度也正常，但自然流量像被誰偷偷關小水龍頭一樣，一個月一個月往下。拆開來看，會發現流失集中在特定查詢類型——那些「怎麼挑」「A 跟 B 哪個好」「有沒有推薦」的資訊型、比較型問題，掉得最兇；反而是明確要買某個特定商品的交易型查詢，幾乎沒受影響。
原因不難懂。資訊型問題正是 AI 最擅長一次回答完的題型。Google 自己的 AI 摘要會在搜尋結果最上方直接生成一段話，把好幾個網站濃縮成幾句；ChatGPT、Perplexity、Gemini 這類工具則讓使用者連 Google 都不開，直接問、直接得到整理好的答案。兩者的共同結果是：漏斗最上面那層「點擊」被壓縮掉了，這就是大家在講的零點擊。以我手上看到的級距，資訊型流量一年縮個兩三成的品類並不少見，這不是個案，是搜尋行為整體在位移。
我想先破除一個誤會：AI 搜尋不是要來取代 SEO，而是疊在 SEO 上面的一層。你原本的搜尋優化一點都不能丟，但如果只做到「被搜尋引擎收錄」卻沒做到「被 AI 引用」，等於只拿了半張門票。所以我現在幫品牌看流量結構時，都會多問一句：假設消費者是問 AI 而不是問 Google，你們家會不會出現在答案裡？很多品牌的回答是「不知道」——這個「不知道」本身，就是最該處理的警訊。
SEO、AEO、GEO 到底差在哪
名詞先對齊，不然討論會一直打結。傳統 SEO 優化的目標是把頁面排名往前推，終點是「拿到點擊」，它在意關鍵字、外部連結、頁面速度、標題結構這些訊號。AEO 在意的不是你排第幾，而是你有沒有把某個問題答得夠直接、夠完整，讓引擎願意直接把你這段拿去當答案，語音助理、精選摘要、FAQ 區塊都是它的戰場。GEO 又更進一步，優化對象是「生成式 AI 合成出來的那段回答」——當 AI 在拼湊答案時，會不會把你的品牌、你的觀點、你的數據放進去。
我常用一句話幫品牌記：SEO 搶的是排名，AEO 搶的是被引用當答案，GEO 搶的是在 AI 的回答裡有名字。三者不互斥，底層很多工是共用的——好的結構、清楚的內容、可信的來源，對三種優化都有效。差別在於做 GEO 與 AEO 時，你腦中要多放一個讀者：那個會來抓你內容、拆解你內容、再重組成一段話的 AI。下面這張表把三者的差異攤開比較。
| 面向 | SEO | AEO | GEO |
|---|---|---|---|
| 優化對象 | 搜尋結果排名 | 被引用的答案來源 | 生成式 AI 的回答內容 |
| 成功長相 | 排在前面 | 被拿去當答案 | 品牌出現在 AI 回答裡 |
| 核心訊號 | 關鍵字、連結、速度 | 問答清晰度、直接性 | 實體清晰度、可信度、可摘要性 |
| 主要戰場 | 搜尋結果頁 | 精選摘要、FAQ、語音 | AI 摘要、對話式工具 |
| 衡量方式 | 排名、點擊、曝光 | 是否進摘要 | 被提及率、AI 來源流量 |
被 AI 引用的內容，通常有這幾種體質
我拆過不少「有被 AI 引用」跟「完全被無視」的頁面，歸納起來，會被拿去用的內容大多共享幾個特徵。整理成一份體質清單：
- 層次分明：一個明確問題，底下一段直接回答，需要展開就用條列或表格。那種一段講到底、重點藏在第八行的長文，AI 很難精準擷取，也就懶得用。
- 答案前置：能不能在段落前一兩句就抓到「這段在回答什麼」很關鍵。我建議每個小主題都用「先給答案、再給理由」的順序，把結論放最前面。
- 可獨立摘要：一句話如果本身就濃縮完整、抽出來也看得懂，AI 就敢整段拿去用；反過來，高度依賴前後文才成立的句子，被抽出來就殘缺，AI 不敢碰。
- 有數據有出處：AI 合成答案時偏好看起來有根據的內容。你寫「效果很好」對它沒意義，你寫「多數使用者的回饋大約兩到四週會有感，實際因人而異」就有分量得多。
- 實體清楚：AI 得先搞懂「你是誰」——品牌名、賣什麼、由誰經營、專業背景，這部分後面會單獨談。
把這五點反過來看，也就解釋了為什麼那麼多內容做得很認真卻始終不被引用：不是不夠努力，而是寫給人「讀起來爽」跟寫給機器「抓得下來」是兩種功夫，後者需要刻意經營結構。
結構化資料與 FAQ：投報率最高的第一步
如果只能先做一件事，我會毫不猶豫選「把內容結構化」，因為它同時討好搜尋引擎跟 AI，幾乎沒有副作用。結構化資料（也就是 Schema 標記）是給機器看的隱形標籤，你在頁面背後用 Product、FAQPage、Review、Article 這類標記，等於直接告訴機器：這是商品、這是價格、這是評分、這是常見問題。AI 解讀時就不必猜，照著標籤理解。電商站最該優先上的，是商品（含價格、庫存、評分）、FAQ、以及評論這三種。
FAQ 之所以特別好用，是因為 AI 搜尋的本質就是問答。當你的頁面本身就是一問一答，跟 AI 的運作方式天生同頻。使用者問「這個保固多久」，你頁面剛好有一題「保固期是多久」底下一段清楚回答，AI 幾乎是直接搬走。我幫品牌做商品頁跟內容時，都硬性要求配一組真實、具體的 FAQ，問題要從客服後台實際被問過的撈出來，而不是那種「我們產品好不好？很好！」的自問自答廢題。
清單跟表格的價值則在於「好切塊」。AI 回答「有哪些選項」「怎麼比較」這類問題時最愛用條列跟表格，因為資訊已經幫它分好格了。你把三款商品差異寫成一段散文，AI 得自己拆；你做成一張比較表，AI 直接照搬。所以只要內容牽涉步驟、比較、規格、清單，我都建議優先用表格或編號列表呈現。順帶一提，ECPRO 站內在看一個站的體質時，也是把技術、流量、信任這些拆成結構化欄位在比對，道理是相通的——結構化的資料，人跟機器都好用。
讓 AI 正確認識你：實體、llms.txt 與全網一致
這一段是很多人略過、但我認為越來越關鍵的部分：AI 不只要找得到你，還要能「正確認識你」。如果它對你的品牌認知是錯的、模糊的，甚至跟別人搞混，那你被引用再多也是在幫別人打廣告。
先講 llms.txt。它是放在網站根目錄的一個純文字檔，概念類似 robots.txt，用意是主動告訴 AI：這個站是誰、主要內容在哪、哪些頁面最重要、可以怎麼引用我。它還在發展中，不是每個 AI 都會讀，但我的判斷是——這是低成本、往前站一步的動作，做一份純文字檔的成本極低，方向又是對的，該做就做，只是別期待它單靠自己帶來多少流量。
再來是實體資訊的清晰度。AI 理解世界，是靠「實體」跟「實體之間的關係」在運作的。對電商來說，你要幫 AI 穩穩建立幾件事：你的品牌是什麼、屬於哪個品類、有哪些代表商品、跟哪些主題相關、由誰經營、專業背景如何。做法上，官網的關於頁要把品牌定位跟故事寫清楚，商品頁的名稱與描述要跨頁一致、不要每頁講法都不同，作者資訊要具名、要有可信度。這些看起來基本，卻正是 AI 判斷「你可不可信、值不值得引用」的依據，也呼應了 Google 一直強調的 E-E-A-T（經驗、專業、權威、信任）。
最後一個常被忽略的細節：全網一致性。AI 抓的是整個網路對你的描述，如果你的品牌在官網、在各通路、在第三方站點的名稱、類別、描述互相打架，AI 對你的認知就會糊掉。我看過不少品牌，光是同一款商品在自家官網跟通路上就有三種寫法——這種內部矛盾，等於自己在替 AI 製造混淆。
一份可以照著跑的清單：該做與該停
觀念講完，落到執行面，我幫品牌做 AI 內容優化時，通常從這幾件「該做」的事著手：
- 把重要頁面改寫成「問題—直接答案—展開說明」的結構，結論前置，讓人跟 AI 都能在前兩句抓到重點。
- 補齊結構化標記：商品、FAQ、評論、文章該上的 Schema 全上，讓機器不用猜。
- 每個重要頁面配一組真實 FAQ，至少五題，問真的有人會問的，答得具體、有數字、有出處。
- 統一品牌與商品的實體資訊：關於頁、商品命名、作者資訊、各通路描述全部對齊。
- 建立 llms.txt，主動把你的網站地圖遞給 AI。
- 投入原創觀點與第一手經驗——你的實測、你的操作經驗、你的產業判斷，這些是 AI 自己生不出來、也最想引用的東西。
相對地，有些老派手法在 AI 時代不只沒用，還會扣分，這份「該停」的清單同樣重要：
- 灌關鍵字：AI 讀的是語意跟脈絡，不是詞頻。硬塞讓句子變得不自然，反而被判定內容品質低。
- 薄內容：一頁只有兩三句、沒有實質資訊、只為佔一個關鍵字而存在的頁面，AI 完全不會理。與其做一百頁薄的，不如做十頁厚的。
- AI 量產同質內容：用 AI 生一堆東拼西湊、沒有第一手資訊的文章，短期頁數變多，長期會被判為低價值，還拖累整站。
- 資訊不一致：品牌名、規格、價格前後矛盾，會直接讓 AI 對你失去信任，而信任一旦崩，引用就沒了。
一個匿名實例：清潔用品品牌的三個月
分享一個去年的匿名案例。有個做居家清潔用品的品牌來找我，症狀跟前面講的一模一樣：官網底子不差，但自然流量在退，尤其「怎麼選、哪種適合」這類教學型查詢帶進來的流量掉得特別明顯。我們拿一組相關問題去主流 AI 工具測，果然——答案裡幾乎看不到他們，被引用的都是幾個內容做得更結構化的競品跟媒體。
我們沒有大改網站，只先做三件事。第一，把既有的三十幾篇教學文全部改寫成「問題—直接答案—展開」的結構，每篇後面補一組真實 FAQ，題目都是從客服後台實際問答撈出來的。第二，把商品頁跟評論補上結構化標記，並統一品牌與商品在各通路的名稱與描述——之前光同一款商品就有三種寫法。第三，建了一份 llms.txt，把品牌定位、核心品類、重要頁面清楚寫明。
大約三個多月後，我們用固定同一組問題去測主流 AI 工具，這個品牌被明確提及或引用的比例，從幾乎是零，變成大約半數問題裡都會出現。同期間，官網來自 AI 工具網域的推薦流量（referral 裡標記為那些 AI 來源的部分），從個位數長到每月數百次的量級。絕對值當然不大，但趨勢很清楚，而且這批流量的轉換意願通常還不錯，因為使用者是被 AI 推薦了才點進來的。我想強調的是，這裡面沒有任何黑科技，就是把內容結構化、把資訊講一致、把第一手經驗放進去——這些本來就該做的事，在 AI 時代只是從加分項變成了入場券。
怎麼量測 AI 帶來的能見度
最後談量測，因為量不到就管不了。AI 流量的衡量確實比傳統 SEO 麻煩，但不是無解，我通常用四種方式一起看：
- 看 referral 來源：在 GA4 這類工具裡，把流量來源出現 AI 工具網域的部分拉出來單獨追蹤，看趨勢有沒有在長。這些通常被歸到 referral，值得單獨拉一個區隔。
- 主動測被引用率：這招我很推薦但很多人沒做——固定準備一組跟你品類相關的問題，每個月拿去問主流 AI 工具，記錄你的品牌有沒有被提及、講得對不對、跟哪些競品一起出現。我把它當成 GEO 版的排名追蹤。
- 看擷取表現：在搜尋後台觀察你的頁面有沒有進到精選摘要、AI 摘要引用的來源這類位置，資料雖不完整，但能給方向。
- 回到生意本身：AI 流量絕對值一開始都不大，別只盯數字，要看它帶進來的使用者品質——停留、加購、轉換。
以我目前看到的多數品牌，AI 帶來的量還不會是主力，但它是一條正在變粗的線，而且進來的人意圖通常比較明確。現在把地基打好，是為了兩三年後那條線變粗時，你已經站在被引用的位置上，而不是那時才開始追。
回到最開頭那道裂縫：在 AI 搜尋時代，「被找到」跟「被引用」之間裂出了一道縫——你可以 SEO 做得很好、排名很前，卻在 AI 的答案裡完全不存在。GEO 跟 AEO 要補的就是這道縫。方法其實不玄：結構清楚、答案明確、可被摘要、有數據有來源，再加上結構化標記、真實 FAQ、清楚的實體資訊，以及最關鍵的第一手經驗。這些本來就是好內容該有的樣子，只是在 AI 時代，它們從加分項變成了入場券。與其焦慮，不如把它當成一次重新把內容做扎實的機會。