GEO（AI 搜尋優化）vs SEO： ChatGPT / Perplexity 怎麼引用你

一、GEO 是什麼，跟 AEO 又差在哪

先把名詞理清楚，因為市面上這三個詞被混用得很嚴重。

SEO 優化的是「排名」，目標是讓使用者在結果頁看到你、點進來。AEO（Answer Engine Optimization）優化的是「被當成答案」，最早是針對 Google 精選摘要、語音助理那種「一題一答」的場景。GEO（Generative Engine Optimization）則是針對 ChatGPT、Perplexity、Google AI Overviews 這類會「生成一段話，並在句尾掛上來源」的引擎。

三者的關鍵差異在於「你要贏的東西不同」。SEO 贏的是位置，AEO 贏的是那一格框，GEO 贏的是——你的網址出現在生成內容的引用清單裡，而且你的說法被寫進答案本體。

實務上我們把 AEO 當成 GEO 的子集在處理。你為了進精選摘要做的那些事（清楚的問答段落、定義句、表格化資料），大多數在 GEO 也吃得開。所以如果有廠商跟你報價「AEO 專案」跟「GEO 專案」分開收兩筆，那基本上是話術。

為什麼這件事現在才變重要

因為流量的形狀變了。我們手上一個 B2B 客戶，2026 年上半的自然流量比去年同期掉了 18%，但諮詢表單數字幾乎沒動，成交金額還微幅上升。拆開看才發現：掉的是資訊型關鍵字的流量（那些人現在直接問 AI 了），留下來的是決策型流量，而且轉換率從 1.2% 升到 2.9%。

換句話說，AI 引擎正在幫你過濾掉「還在讀教學文」的人。問題是——如果 AI 在教學階段沒提過你，那個人到了決策階段也不會想到你。GEO 要搶的就是這一段被吃掉的認知曝光。

二、AI 引擎跟 Google 的三個結構性差異

這一段是我們踩最多坑的地方，也是最多人拿 SEO 直覺硬套結果做白工的地方。

差異一：檢索的是段落，不是頁面

Google 的索引單位大致是頁面，AI 引擎的檢索單位實質上是「chunk」——一段幾百字的文字塊。這代表你辛苦鋪陳三千字才在結論講到重點的那種寫法，在 GEO 是災難：AI 抓走的那個 chunk 可能只有你的鋪陳，沒有你的結論。

我們替一個做工業設備的客戶改寫產品頁時，只做了一件事：把每個規格說明從「三段式敘述」改成「一句話定義 + 條列數據 + 一句話適用情境」。三個月後在 Perplexity 用相關查詢測試，該客戶頁面被引用的比例從 8/50 次上升到 23/50 次。內容量沒增加，只是把答案往每個 chunk 的前面搬。

差異二：沒有「第一名」，只有「進不進得了那三到五個來源」

SEO 是排序遊戲，第 1 名跟第 3 名的點擊率差好幾倍。GEO 比較像入圍賽：一個生成答案通常掛 3 到 8 個來源，你在裡面是第幾個，對曝光的影響遠小於「你在不在裡面」。

這對策略的影響很直接：與其在一個高競爭主題上死磕想擠進去，不如去覆蓋 20 個沒人好好回答的長尾問題，每個都穩穩入圍。我們現在的 GEO 內容規劃基本上都是這個邏輯——廣度優先，而不是像傳統 SEO 那樣集中火力打幾個頭部字。

差異三：查詢會被改寫，你優化的關鍵字可能根本不存在

使用者問 ChatGPT「我們公司想做跨境電商但不知道金流怎麼弄」，引擎實際去檢索的，可能是被拆解重寫過的三四個子查詢。你 keyword research 工具裡那個漂亮的月搜尋量，在這個流程裡是不存在的。

所以我們現在做 GEO 的關鍵字研究，改成「問題研究」：去 Reddit、PTT、社團、客服信箱裡撈真人怎麼問，然後直接把那個問法寫成 h2 或 h3。不是為了匹配關鍵字，是為了讓你的段落在語意上跟那些被改寫出來的子查詢對得上。

三、影響 AI 引用的 5 個因素

以下排序是我們的實務觀察，不是官方文件——各引擎都沒有公開權重。我們的依據是 7 個客戶專案裡的前後測試，樣本不大，請當作經驗值而非定律。

1. 可擷取性（Extractability）

你的答案能不能在不需要上下文的情況下被單獨抓走、還讀得懂。這包含：段落開頭就給結論、專有名詞不用代名詞代稱、數據跟單位寫在同一句、不要把關鍵資訊藏在需要 JavaScript 才渲染的區塊。

最後這點特別要提：我們檢查過的客戶站裡，有兩個網站的核心規格表是前端 fetch 完才 render 的。用 curl 去抓，那塊是空的。多數 AI crawler 對 JavaScript 的執行支援不能假設，這種內容基本上等於不存在。這是我們每次 GEO 稽核的第一個檢查項——用 curl 抓一次原始 HTML，看你的重點內容在不在裡面。

2. 實體一致性（Entity Consistency）

AI 需要先確定「你是誰」才敢引用你。如果你的公司名在官網寫全稱、在 LinkedIn 寫縮寫、在新聞稿寫英文名、在 Google Business Profile 又是另一個版本，引擎很難把這些訊號合併成一個可信實體。

我們有個客戶花了整整兩週，只做一件事：把公司名稱、地址、創辦年份、服務範圍這四項資料，在官網、社群、產業目錄、媒體報導共 19 個位置統一成完全一致的字串。這件事聽起來像 2015 年的 local SEO，但在 GEO 時代它的作用不是排名，是身分確認。

3. 可驗證密度（Verifiable Density）

每 100 字裡有多少可查證的具體資訊：數字、年份、規格、引用來源、實名案例。我們觀察到 AI 引擎明顯偏好引用「敢給數字」的段落，因為那種內容比較容易被它拿去支撐一個具體主張。

反過來說，那種「我們提供專業高效的一站式解決方案，致力於為客戶創造最大價值」的文案，在 GEO 是零分——它不能被拿來回答任何問題。我們改寫客戶文案時最常做的動作就是：把每個形容詞換成一個數字，換不出來的就刪掉。

4. 來源新鮮度（Freshness）

Perplexity 對時效的偏好比 ChatGPT 明顯。同一個查詢，Perplexity 引用的來源裡近半年發布的比例通常高得多。這代表如果你的主題本身有時效性（法規、價格、平台功能），一篇 2023 年的文章即使內容還對，也很難被引用。

我們的做法是把 dateModified 當成真的欄位在維護——實質更新內容後才改日期，而不是掛個 script 每天自動改成今天。後者我們試過，沒有觀察到任何正面效果，而且是明確的操縱訊號，風險不值得。

5. 第三方共識（Third-party Consensus）

這是最難也最有效的一項。AI 引擎判斷一個主張可不可信，很大程度看「別人有沒有也這樣說」。如果只有你的官網說你是這個領域的專家，那是自我宣稱；如果三個產業媒體、兩個論壇討論串、一份研究報告都提到你，那是共識。

殘酷的地方在於，這一項你沒辦法靠改網站解決。它需要真的去做內容、去被報導、去在社群裡有存在感。我們對客戶的說法一向很直白：前四項我們三個月內可以幫你做完，第五項是一年起跳的長期工程，而且我們只能協助、不能代勞。

四、llms.txt 到底該不該做

llms.txt 是一個放在網站根目錄的 Markdown 檔，用意是給 LLM 一份「這個網站有什麼、重點在哪」的精簡導覽，概念上類似給 AI 看的 sitemap。

先講結論：截至 2026 年 7 月，我們沒有掌握到 OpenAI、Anthropic、Perplexity 或 Google 任何一家公開承諾會讀取並遵循 llms.txt。它目前是一個社群提案，不是被採用的標準。任何跟你說「做了 llms.txt 就會被 ChatGPT 引用」的說法，我們建議你要求對方提出實證。

那我們為什麼還是做？因為它的成本接近零。一個結構良好的網站，產生 llms.txt 大概是半小時的腳本工作，我們的 SEO 自動化 pipeline 裡它是一個附帶產物。半小時換一張「如果未來被採用就先卡位」的彩票，這個賭注划算。但我們不會為它單獨開一個收費項目，也不會拿它當專案的成效指標。

更值得投入的是 robots.txt 裡對 AI crawler 的態度。GPTBot、PerplexityBot、ClaudeBot、Google-Extended 這些 user-agent，你的伺服器有沒有擋、有沒有被 CDN 的 bot 防護誤殺，這個是實際會影響你能不能被抓的事。我們接手的客戶裡，有一個站在 Cloudflare 的 bot fight mode 下把所有 AI crawler 都擋光了，網站方完全不知情——他們只是覺得「開了比較安全」。改掉那一個開關的效果，遠大於任何 llms.txt。

五、結構化資料的重要性（跟大家想的不一樣）

很多人問：Schema.org 的 markup 會讓 AI 更容易引用我嗎？

直接的答案是：不會提升你的「排名」，因為 AI 引擎的引用選擇主要還是基於內容語意本身。但它會大幅提升前面講的第 2 項——實體一致性。

具體來說，Organization schema 裡的 sameAs 欄位，是你唯一能主動宣告「這些帳號、這些頁面都是同一個我」的地方。把官網、LinkedIn、產業目錄頁、維基（如果有）、GitHub 全部串進 sameAs，等於在幫引擎做實體合併的功課。這件事對 AI 引擎「敢不敢把你當成一個確定的實體來引用」有實質幫助。

另外三個我們一定會做的：Article 的 author 掛真實的 Person 或 Organization（不是空字串）、FAQPage 用在真的有問答結構的頁面（不要為了 markup 硬塞假 FAQ）、Product 或 Service 把規格與價格區間寫進結構化欄位而不只是圖片裡。

要提醒的是：schema 是輔助，不是替代。一個內容爛但 schema 完美的頁面不會被引用；一個內容好但沒 schema 的頁面照樣會被引用，只是引擎要多花力氣確認你是誰。schema 做的是降低摩擦，不是創造價值。

六、監控你的 AI 曝光

這是整個 GEO 最尷尬的一環：沒有 Search Console。沒有任何官方工具告訴你「你這個月在 ChatGPT 被引用了幾次」。

我們的做法是自己建一套輪詢式監控，邏輯很土但有效：

第一步，定義查詢集。跟客戶一起列出 30 到 60 個「潛在客戶真的會問 AI 的問題」，涵蓋問題型（「XX 常見的坑有哪些」）、比較型（「A 跟 B 差在哪」）、推薦型（「台灣有哪些做 XX 的廠商」）三類。推薦型最有商業價值也最難進。

第二步，排程輪詢。每週固定一次，用腳本對 Perplexity 與 ChatGPT 跑完整個查詢集，把每次回應的全文與引用來源清單存下來。

第三步，抽三個指標：引用率（60 題裡有幾題引用到你的網域）、提及率（有幾題在答案本體提到你的品牌名，不一定有連結——這個對品牌價值其實比引用率更高）、競品同框率（你出現時，同一個答案裡還有誰）。

第四步，看趨勢不看單點。AI 的回應本來就有隨機性，同一題問三次可能三個樣。任何單次結果都不能當證據，我們一律看四週滾動平均。這點我們吃過虧：早期曾經因為一次抽測結果很漂亮就跟客戶回報成效，隔週回落，非常難堪。

成本方面，這套監控我們現在跑一個客戶 60 題、每週一次，API 費用大概是每月不到 300 元台幣，腳本維護一個月約 1 小時。相較於人工每週手動去問 60 題再記錄（我們估過大概 3 小時），一年省下約 140 小時。這是我們把 GEO 納入 SEO 自動化服務的主要理由——它的量測本身就必須自動化，否則根本沒人做得起來。

一個誠實的反例

我們有一個做在地服務的客戶，設備維修類，服務範圍就是雙北。我們替他跑了三個月的 GEO 監控，60 題的引用率從 3% 進步到 12%，數字看起來不錯。但同期的實際諮詢來源追蹤顯示：來自 AI 引擎的推薦連結，三個月總共 4 次點擊，0 成交。

原因很簡單——他的客戶是設備壞了、現在就要找人來修的人。這種人的行為是打開 Google Maps 找最近的、或問群組裡有沒有人推薦，沒有人會先問 ChatGPT「請問雙北有哪些設備維修廠商」。我們主動把 GEO 從他的專案裡拿掉，預算轉回 Local SEO 跟 Google Business Profile 的評論經營，隔月的來電量成長了 3 成。

所以我們的判斷標準是這樣：你的產品決策週期越長、客戶越需要做功課、單價越高、越是 B2B 或跨境，GEO 的價值越高。反過來，即時性需求、地緣性強、決策靠信任推薦的生意，GEO 的 ROI 短期內都不會好看。這句話我們寧可在報價前講，也不要在結案時才解釋。

結語：GEO 不是新的 SEO，是 SEO 的體檢

做完這 7 個專案，我們最大的體悟其實有點反高潮：GEO 要求的那些事——講清楚、給數字、結構乾淨、身分一致、有第三方佐證——本來就是好內容的定義。AI 引擎只是第一個嚴格執行這個標準的讀者。

過去十年，靠關鍵字堆疊、靠內容農場、靠形容詞堆出來的 SEO 成績，在 AI 引擎面前會直接歸零，因為那些內容不能被拿來回答任何問題。從這個角度看，GEO 與其說是一套新技術，不如說是一次強制體檢：它會誠實地告訴你，你的內容到底有沒有在說一件真的事。

如果你正在評估要不要投入 GEO，我們建議的第一步不是找廠商，是自己開 Perplexity，用你客戶會用的問法問 10 題，看看答案裡有沒有你、有誰。那 20 分鐘會比任何提案簡報都誠實。

如果測完發現問題比答案多，或者你想知道你的產業到底適不適合投入 GEO，歡迎加入我們的 LINE 聊聊。我們會先問你的客戶怎麼找到你，如果答案裡沒有 AI，我們會直接跟你說不用做——這比賣你一個做不出成效的專案對彼此都好。