DATA 03 / SEARCH & GEO
品牌有被 AI 看見嗎？先把引用、推薦與導流分開量測
量測信心與實際可見度是兩回事。從有範圍的問題集開始。
搜尋自己的品牌，看到 AI 回答裡出現一次公司名稱，很容易把它解讀成 GEO 成功。但品牌被提到、被引用為來源、被列入推薦，以及使用者因此到站，是四個不同事件。若把它們混成一個分數，團隊很難知道下一步應改善內容、量測，還是網站承接。
查看圖表數據與單位
| 項目 | 數值 |
|---|---|
| 很有信心 | 12 |
| 有些信心 | 24 |
| 中立 | 21 |
| 不太有信心 | 17 |
| 尚未建立量測 | 26 |
以下為 AO2 的企業應用解讀與實作建議。
ADDITIONAL EVIDENCE / AHREFS · 2026.10.23
補充研究：AI 能見度，先分清「被讀到」與「被引用」
Ahrefs 的網站紀錄研究發現，有效 llms.txt 檔案中有 97% 在觀察月份沒有收到請求。另一份回答研究則觀察到 14.4% 的回答含 fan-out，也就是 AI 延伸出的查詢。這兩個比例問的事情不同，不能互相比高低。
查看補充圖數據與單位
| 項目 | 比例 |
|---|---|
| 沒有收到該檔案請求 | 97% |
| 有收到該檔案請求 | 3% |
fan-out 是什麼？先用一個問題看懂
fan-out（延伸查詢），可以想成 AI 為了回答一個問題，先把問題改寫或拆成幾個相關查詢，分別找資料，再整理成回答。它不一定只拿你輸入的那一句話去搜尋。
例子：工廠想導入企業 AI 知識庫
你問：「我們工廠適合怎樣的 AI 知識庫？」
AI 可能延伸查：「工廠知識庫如何管文件版本」、「企業 AI 如何限制不同部門的存取權限」、「知識庫與既有系統整合要準備什麼」。
再整理：把版本、權限與整合的資料放在一起，回答你的選擇問題。這是 AO2 編寫的示意，不是實際截取的模型查詢紀錄；每次是否延伸、延伸幾題與查什麼，都可能不同。
為什麼這對企業內容重要？
讀者問的是一個大問題，系統找的可能是幾個更具體的小問題。網站若只有「我們很專業」，便缺少可核對的條件；把用途、型號差異、限制、相容性與證據寫清楚，才有內容能支援這些子問題。這是內容規劃方向，不保證會被檢索、引用或帶來流量。
圖上的 14.4% 和平均 1.6 次，怎麼讀？
- 14.4%：分母是全部研究回答
- Ahrefs 在 6,660 萬筆回答中，觀察到 14.4% 含 fan-out 查詢。它不是網站被 AI 引用的機率，也不是 14.4% 的使用者點進網站。
- 平均約 1.6 次：分母只看有 fan-out 的回答
- 研究在這一組回答中，平均觀察到約 1.6 筆延伸查詢；不是每次提問都固定搜尋 1.6 次。
- 剩下 85.6%：不能直接說完全沒有搜尋
- 這只是「未觀察到 fan-out」的補數。Ahrefs 已更正原文，提醒讀者不要把 fan-out 的紀錄當成全部搜尋活動。
容易誤解的三件事
延伸查詢不等於引用：找到候選資料後，未必會把你的頁面列為來源。引用不等於點擊：出現在回答裡，也不代表使用者會進站。至於為了涵蓋子問題而大量製作重複頁面，則可能增加維護與資訊不一致的負擔；應先把真正不同的條件與證據整理好。
名詞依據：Google Search Central｜AI 搜尋功能如何運作 說明可針對子題與資料來源發出相關查詢；此說明針對 Google 的功能。數據與更正：Ahrefs｜ChatGPT 延伸查詢研究（2026-10-12），屬另一平台與特定樣本。Google 的機制說明不能直接證明 ChatGPT 的實際行為。例子與企業做法為 AO2 整理；查核：2026-10-23。
查看補充圖數據與單位
| 項目 | 比例 |
|---|---|
| 含 fan-out 查詢 | 14.4% |
| 未觀察到 fan-out 查詢 | 85.6% |
和原有研究的共通點
原文提醒要把提及、引用與到站分開，這兩份研究又往前補了一層：準備了檔案、發生檢索、出現在答案裡，是不同的事件。把前一步完成，當成後一步必然發生，會讓 GEO 報表看起來很漂亮，卻無法解釋實際變化。
差異在哪裡，為什麼不能直接比較？
llms.txt 的分母是有有效檔案的網站；fan-out 的分母是回答。原文 NP Digital 的 12% 則是行銷人員對量測的信心，既不是網站比例，也不是引用率。這些數字應各自呈現，不能串成一條轉換漏斗。尤其沒有觀察到 fan-out，不等於模型完全沒有透過其他方式檢索。
| 資料 | 量到什麼 | 不能推論什麼 |
|---|---|---|
| Ahrefs｜13.7 萬個網站的 llms.txt 請求觀察 2026-06-15 | 137,210 個在 2026/05 有流量的 Ahrefs Web Analytics 網域；檢查有效 llms.txt 及其請求紀錄。97% 的分母是約 3.8 萬個具有有效檔案的網域。 | 樣本偏向使用 Ahrefs、較重視技術與 SEO 的網站。沒有請求不等於整站沒有 AI 流量，也不代表檔案未來永遠沒有用途。 |
| Ahrefs｜ChatGPT 延伸查詢研究 2026-10-12 | 2026/08–09 的 6,660 萬筆免費、未登入 ChatGPT 回答與約 1,500 萬筆 fan-out 查詢；研究觀察的是特定模型與環境。 | 原文 2026/10 更正：14.4% 是「含 fan-out 查詢」的回答比例，不能把未觀察到 fan-out 當成完全未搜尋。回答數、查詢數及 site: 熱門站點子集的分母不同。 |
回到企業，可以怎麼做？
AO2 建議從固定問題集開始，分開記錄答案提及、可見引用、到站與後續詢問；伺服器紀錄則另看抓取。若要測試 llms.txt，先留下測試前後的請求紀錄與維護成本，避免把新增一個檔案當作 GEO 成效。對 fan-out 的內容準備，則先補產品用途、型號差異、相容條件及證據段落；這是實作方向，不保證平台會選用。
一定要加 llms.txt 才能被 AI 引用嗎？
這份研究不能支持這個說法。它只觀察檔案是否被請求，沒有證明加檔案會提高引用。先把可索引內容、來源與產品條件整理好，再依自己的紀錄評估額外檔案是否值得維護。
以上實作方式與比喻為 AO2 的解讀及建議，並非研究量測的客戶成效。查核：2026-10-23。
RESEARCH UPDATE / 2026.10.23
品牌搜尋也出現 AI 摘要：別只檢查泛用問題
前面的量測討論，也要涵蓋品牌搜尋：使用者把公司名、產品名或品牌加上問題一起搜尋。Ahrefs 的美國桌機資料中，這類查詢出現 AI 摘要的月平均比例，從 7 月 61.3% 到 9 月 73.3%。這量到的是搜尋畫面，不是訪客是否相信答案。
查看這張圖的數據與單位
| 項目 | 數值 |
|---|---|
| 2026 年 7 月 | 61.3% |
| 2026 年 8 月 | 65.1% |
| 2026 年 9 月 | 73.3% |
和原有研究的共通點
這補上原文「提及、引用、導流分開看」的另一個起點：先記錄有沒有摘要，再核對內容、來源與訪客後續行為。出現率高，並不直接表示描述正確、被推薦，或帶來有效詢問。
差異與風險：不能把哪些數字混在一起？
原有 12% 是受訪者的量測信心；這張圖是美國桌機搜尋結果的出現比例。研究標題約 83% 是 9/29 單日值，不能替換 9 月平均 73.3%。也不能把本站點擊直接打折。
資料範圍與限制
2026 年 7–9 月美國桌機 Google 結果擷取紀錄共約 2.328 億筆；包含約 9,250 萬筆品牌關鍵字擷取紀錄。不是同數量的獨立使用者或不重複關鍵字。
使用月平均 61.3%、65.1%、73.3%；不把 9/29 單日 82.91% 混入月平均。地區、裝置與查詢組成受限，不能推估台灣本站或點擊損失。
回到企業，可以怎麼做？
先用三組固定題目做每月檢查：公司名、公司名＋服務、公司名＋適用情境。保存日期、地區、裝置與畫面；核對產品規格、服務範圍和更新日期。發現錯誤時，先補齊官網可核對的事實與來源，再追蹤回答是否改變；不用為每個變體堆一篇近似文章。
品牌有官方網站，就能決定 AI 摘要怎麼說嗎？
無法保證。官方資料能提供可查證的基礎，摘要仍可能引用其他來源。實作上應把「內容是否正確」獨立列為檢查項目，而不是只追求品牌出現次數。
數據依 Ahrefs 公開研究；中文比喻、跨研究比較及實作建議由 AO2 整理，不代表研究已驗證的客戶成效。來源發表：2026-10-02；查核：2026-10-23。
把量測問題拆成四層
第一層是品牌提及：回答是否出現正確公司與產品名稱。第二層是來源引用：引用的是品牌官網、經銷商，還是第三方文章。第三層是適用性：回答有沒有正確理解產品限制及使用情境。第四層才是到站與後續行為。每一層都需要不同證據。
建議以固定問題集建立觀察紀錄，涵蓋需求探索、規格比較與供應商評估。保存提問原文、平台、模型、日期、地區、登入狀態及完整回答。單次截圖容易受到情境影響，重複觀察才有機會辨認持續出現的錯誤。
文中定義參考：Google Search Central｜AI features and your website。
先修正可核對的內容，再追逐能見度
Google 的官方說明指出，AI 搜尋功能沒有額外的特殊最佳化要求，既有 SEO 基礎仍適用。對 AO2 而言，可執行的工作是把產品用途、條件、比較與來源寫清楚，讓頁面本身能回答一個完整問題；這不構成被引用或排名的保證。
若 AI 經常把兩個型號混淆，優先整理命名、差異表與相容條件。如果網站只寫抽象優點，即使增加更多介紹文章，也未必能補足判斷所需的資訊。
讓報告能支持下一項工作
報告每次應指出具體缺口：某類問題沒有品牌、某段引用過期，或到站頁缺少評估工具。對應一項內容或體驗修正，再記錄後續觀察。將結果定位為有限問題集中的訊號，避免包裝成整個 AI 世界的品牌市占率。
如何知道有沒有改善？
以下指標是建議的內部驗收方式。先固定定義與觀察範圍，再比較結果；本文不替企業預設目標值或保證增幅。
- 問題集內的有效提及比例
- 符合預先定義且名稱正確的提及題數 ÷ 完成觀察的題數；保留問題清單，避免中途換題造成假成長。
- 引用與內容正確性
- 逐項記錄來源 URL、版本與是否支持結論；對缺漏或錯誤另列處理狀態。
- 到站後的有效行為
- 分別觀察來源可辨認的到站、比較資料閱讀與合適詢問；未能歸因的互動另行標示。
常見問題 FAQ
AI 能見度可以做成一個分數嗎？
可以做內部摘要，但要保留組成、題集與觀察範圍。提及、引用、正確性和到站不可在未說明權重下混成一個看似精準的市場分數。
每天問同一題一次就足夠嗎？
通常不足以理解情境變動。可固定多類問題及觀察條件，定期保存結果；樣本有限時，明確呈現次數與範圍。
加上 FAQ 就會被 AI 引用嗎？
沒有保證。FAQ 應先回答真實問題，答案有適用條件與可核對資訊。版型或標記本身不能代替內容品質與網站可存取性。
搜尋流量沒有增加，代表 GEO 沒效嗎？
不能單靠一個流量數字判斷。但若目標是帶來商機，就必須把可見度與網站承接、詢問品質分開追蹤，而非只展示回答截圖。
12% 是否代表大多數工具量錯？
不是。這個比例描述受訪者對量測的信心，研究沒有直接測試工具準確度，不能用它替任何工具背書或否定工具。
SOURCES & SCOPE
資料來源與適用範圍
NP Digital｜AI 能見度量測信心 · 2026.05
研究方式：500 位行銷人員及企業主；線上問卷；大型企業 150、中型 200、小型 150。圖使用整體結果。
解讀邊界：量測信心，不是工具準確率、品牌出現率或引用率。
補充定義：Google Search Central｜AI features and your website。官方搜尋功能說明；支援文中無額外特殊最佳化要求的敘述。
查核日期：2026-10-23。本文的企業情境、實作步驟與驗收建議為 AO2 原創整理，與研究實測結果分開呈現。
本次補充：Ahrefs｜13.7 萬個網站的 llms.txt 請求觀察（2026-06-15）；Ahrefs｜ChatGPT 延伸查詢研究（2026-10-12）。方法與限制見補充研究表格。
本次補充：Ahrefs｜品牌搜尋中的 AI 摘要（2026-10-02）。採用範圍與限制見本次補充研究。