AI 搜尋時代的
行銷術語全解析

SEO 目標是讓網站在 Google 搜尋結果排名更高，需要靠用戶點擊連結才能帶來流量。AEO（Answer Engine Optimization，答案引擎優化）則針對 AI 搜尋，目標是讓你的內容被 ChatGPT、Perplexity、Google AI Overview 直接引用為答案，不依賴點擊。

兩者用途不同，在 AI 搜尋快速成長的 2026 年，需要雙軌並行。SEO 讓你被找到，AEO 讓你被說出來——這是本質上的差異。

不會完全取代，但兩者的重要性正在重新排序。SEO 維持基本搜尋曝光，AEO 決定 AI 回答裡有沒有你。

Seer Interactive 持續追蹤 53 個品牌、547 萬組查詢、24.3 億次自然曝光。到 2026 年 2 月為止：有 AI Overview 的查詢，自然點擊率 2.36%；沒有 AI Overview 的查詢是 3.82%——差距約四成。

但這裡要說一件多數人還沒更新的事：下跌已經觸底反彈。AI Overview 查詢的點擊率在 2025 年 12 月落到 1.3% 的低點後，回升到 2026 年 2 月的 2.4%。Seer 自己在 2026 年的更新中承認，先前預測的「持續壓縮」並沒有發生，數據正在打平。

所以誠實的說法是：AI Overview 確實吃掉點擊，但沒有吃掉一切，而且情況正在穩定。網路上仍在流傳的「CTR 崩跌 61%」是 2025 年 9 月的舊數字，已被同一家機構自己的新資料取代——我們也曾引用那個版本，現已更正。

來源：Seer Interactive,「AIO Impact on Google CTR: 2026 Update」（53 個品牌／547 萬組查詢／24.3 億次自然曝光，2025 年 1 月–2026 年 2 月）

Princeton 與 IIT Delhi 研究團隊在 ACM SIGKDD 2024 發表的 GEO 論文，建立了 10,000 題的 GEO-bench 基準測試，逐一比較九種內容改寫策略。表現最好的是三種：

① 引用可信來源（Cite Sources）
② 加入直接引語（Quotation Addition）
③ 加入具體統計數據（Statistics Addition）

論文原文的結論是：這三種方法在「位置加權字數」指標上相對基準提升 30–40%，在「主觀印象」指標上提升 15–30%。

要特別說明：論文給的是這個區間，不是每種方法各自一個數字。網路上流傳的「引言 +41%、統計 +33%、引用來源 +28%」這種拆解並非論文原文，我們過去也曾照抄，現已更正。

另一個意外發現：純粹改善行文流暢度與易讀性（Fluency Optimization、Easy-to-Understand）也能帶來 15–30% 的能見度提升。生成式引擎在意的不只是內容，還有呈現方式。

相對地，傳統 SEO 的關鍵字堆疊幾乎沒有效果——在論文自建引擎上「幾乎沒有改善」，在 Perplexity.ai 上甚至比未優化的基準還差 10%。

來源：Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan & Deshpande,「GEO: Generative Engine Optimization」, ACM SIGKDD 2024, pp. 5–16（arXiv:2311.09735）

一個原因是 AI Overview 把答案直接給在搜尋結果頁上，使用者不需要點進來。Seer Interactive 追蹤 547 萬組查詢的結果是：2026 年 2 月，有 AI Overview 的查詢自然點擊率 2.36%，沒有 AI Overview 的是 3.82%。

但還有第二層原因，而且更值得注意。SE Ranking 分析 10 萬組關鍵字（20 個利基、每個 5,000 組、美國市場）後發現：AI Overview 的引用來源，只有 19% 與自然排名前十重疊，而且超過六成的查詢重疊度在 20% 以下。

更關鍵的是，這個比例在 Gemini 3 上線前後幾乎沒有變化——研究原文的用詞是「identical results」。也就是說，這不是某一次模型更新造成的波動，而是AI 引用與自然排名本來就是兩套不同的機制。

排名第一，和被 AI 引用，已經是兩件不同的事。解法不是二選一，而是雙軌並行——SEO 維持排名，AEO 確保 AI 說出的答案裡有你。

來源：Seer Interactive,「AIO Impact on Google CTR: 2026 Update」（53 個品牌／547 萬組查詢）；SE Ranking,「Gemini 3 Impact on AI Overviews」, 2026（10 萬組關鍵字／20 個利基／美國市場）

比傳統 SEO 快，但要先說清楚一件事：這個領域公開的可驗證案例很少，多數「幾週見效」的說法都追不到一手來源。

目前查得到出處的具體案例是 Bacula Enterprise——系統性實施 GEO 內容策略、並用監測工具調整題目覆蓋後，在 ChatGPT「best HPC backup software」查詢中達到推薦第一名。

方向上可以確定：AI 平台重新讀取網站內容的週期，比傳統 SEO 的排名週期短。但「多久見效」這件事，我們尚未在台灣市場量測到足以下結論的樣本，因此不做時間承諾，只在每月報告中如實呈現實際變化。

如果有人給你一個很精確的見效週期，請問他資料來源。

誠實的答案是：優先度很低。Google 在 2026 年 5 月發布的 AI 搜尋官方指南中明確表示，網站不需要建立新的機器可讀檔案或 AI 文字檔，也沒有任何 AI 專用的 schema.org 結構化資料。Google 甚至直接說，AEO 和 GEO 本質上「仍然是 SEO」。

實際採用情況也支持這個判斷：SE Ranking 在 2026 年 5 月掃描約 30 萬個已索引網域，llms.txt 採用率 10.13%；Rankability 2026 年 6 月的資料是全球前 1,000 大網站 8.7%。更關鍵的是，Ahrefs 分析 137,000 個網域的伺服器日誌後發現，2026 年 5 月有 97% 的 llms.txt 檔案收到零次請求——實際來訪的多半是 SEO 稽核工具，不是 AI。

它的建置成本接近於零，所以做了不吃虧；但把它當成 AI 能見度的關鍵手段是誤導。

真正決定 AI 會不會引用你的仍然是三件事：頁面上實際寫了什麼、跨平台資訊是否一致、以及有多少第三方在談論你。

來源：Google Search Central,「AI Features and Your Website」, 2026-05；SE Ranking llms.txt 研究（約 30 萬網域）, 2026-05；Rankability, llms.txt Adoption, 2026-06

GEO（Generative Engine Optimization，生成式引擎優化）是目前 AI 搜尋優化領域中唯一有同儕審查學術基礎的術語，由 Princeton 與 IIT Delhi 研究團隊於 2023 年提出，並於 ACM SIGKDD 2024 正式發表。

AEO 是較廣義的傘狀概念（泛指讓 AI 把你當作答案）；GEO 特指讓生成式 AI 在產出內容時引用你的資料，強調「被納入 AI 的生成敘事」。

簡單說：AEO 是「出現在答案裡」，GEO 是「AI 說故事時你是角色之一」。

所有主要 AI 搜尋引擎底層都是 RAG（Retrieval-Augmented Generation，檢索增強生成）架構。運作邏輯分五步：

① 網頁內容被分割成段落，轉換成向量儲存
② 用戶提問也被轉換成向量
③ 以「近似最近鄰」演算法找出最相關的段落
④ 這些段落被嵌入 prompt
⑤ LLM 根據段落生成回答，標注引用來源

這解釋了為什麼關鍵字堆疊沒有效果（在 Perplexity.ai 上甚至比未優化的基準差 10%）——向量匹配看的是語意，不是字面。可以直接被「剪貼」成引用的段落：具體數據、引文、明確定義，才是 AI 在步驟③偏好選中的格式。

另一個關鍵陷阱：GPTBot、ClaudeBot、PerplexityBot 都不執行 JavaScript，它們抓取伺服器回傳的原始 HTML、擷取當下看得到的內容，然後離開，不等待渲染、也不會再來第二次。它們有時會把 JS 檔案抓下來，但不會執行。依賴 React／Vue 客戶端渲染的網站，對 AI 搜尋幾乎是隱形的——伺服器第一次回傳的 HTML 裡有什麼，AI 就只看得到什麼。

來源：Aggarwal et al.,「GEO: Generative Engine Optimization」, ACM SIGKDD 2024（關鍵字堆疊效果數據）；各家 AI 爬蟲的 JavaScript 行為為 2026 年公開實測之共識結論

Princeton 論文有一個特別重要的發現：GEO 對排名靠後的網頁效果反而更顯著。

論文實測，光是「引用可信來源」（Cite Sources）這一種方法，就讓搜尋結果排名第 5 的網站能見度提升 115.1%；而同一批實驗中，排名第 1 的網站平均能見度反而下降 30.3%。

這與傳統 SEO 的「大網站優勢」邏輯相反——生成式引擎不只看反向連結，更看內容結構與資訊品質。論文作者因此稱 GEO 具有「民主化數位空間」的潛力：中小型網站有機會與大品牌競爭 AI 推薦。

來源：Aggarwal et al.,「GEO: Generative Engine Optimization」, ACM SIGKDD 2024, Table 2

至少每季一次，而且這不是建議，是必要。有兩組實測數據說明為什麼：

① SE Ranking：Gemini 3 於 2026 年 1 月 27 日成為 AI Overview 預設模型後，分析 10 萬組關鍵字發現42.4% 先前被引用的網域不再出現，同時51.7% 的新網域取得引用。一次模型更新，就換掉了將近一半的來源池。

② Semrush：追蹤 23 萬組提問、三個 AI 平台、超過 1 億次引用，為期 13 週（2025 年 7 月 14 日至 10 月 12 日）。期間 ChatGPT 對 Reddit 的引用率從約 60% 在六週內崩落到約 10%。

換句話說，AI 引用的來源池本身就在劇烈變動，而且變動速度遠快於傳統搜尋排名。任何 GEO playbook 的有效半衰期不超過 6 個月，建議每 3 個月重新測試 20–30 組目標問題。

來源：SE Ranking,「Gemini 3 Impact on AI Overviews」, 2026；Semrush,「The Most-Cited Domains in AI: A 3-Month Study」, 2025

比你想像的更直接。Ahrefs 分析 75,000 個品牌在 ChatGPT、Google AI Mode、AI Overviews 三個平台的能見度，算出各項訊號的相關係數（依序為 ChatGPT／AI Mode／AI Overviews）：

• YouTube 提及：0.737／0.712／0.740——最強的單一訊號
• 品牌網路提及（earned media）：0.664／0.709／0.656
• 品牌錨點文字：0.511／0.628／0.527
• 品牌搜尋量：0.352／0.466／0.392
• 網域權重（DR）：0.266／0.285／0.326

兩個重點。第一，排在最前面的全部是「站外、別人談論你」的訊號，網域權重這類自有指標明顯落後。第二，YouTube 的相關性比一般網路提及還高——影片內容在 AI 引用中的權重，被大多數人低估了。

這意味著媒體露出、產業論壇參與、影片內容、被其他網站引用，都直接影響你在 AI 中的能見度。GEO 讓 PR 的投資報酬比以往更可量化。

但書：這是橫斷面的相關性分析，不是介入實驗，相關不等於因果。

來源：Ahrefs,「Top Brand Visibility Factors in ChatGPT, AI Mode, and AI Overviews」（75,000 個品牌）

有，但可查證的比想像中少——這點值得先說清楚，因為這個領域的「案例」大多沒有一手來源。

目前能追到出處的是 Bacula Enterprise：系統性實施 GEO 內容策略、並用監測工具調整題目覆蓋與語意權威後，在 ChatGPT「best HPC backup software」查詢中達到推薦第一名。但要註明：這是監測工具商 Otterly.ai 自行發布的客戶案例，屬於廠商自述，證據等級低於第三方研究。

比起個案，更值得參考的是群體資料：Ahrefs 對 75,000 個品牌的分析顯示，AI 能見度最強的預測指標是 YouTube 提及（0.71–0.74）與品牌網路提及（0.66–0.71），而不是反向連結或網域權重（0.27–0.33）。這比任何單一案例都更能說明資源該放在哪裡。

共同模式是：針對目標查詢建立結構化內容、累積第三方媒體提及、在評價平台留下痕跡——而不是買廣告或買反向連結。

來源：Otterly AI／Bacula Systems 案例；Ahrefs 75,000 品牌能見度因子研究

量一次不夠——這件事現在有論文了。聖加侖大學 2026 年 4 月的研究橫跨 ChatGPT、Gemini、Google AI Mode、Perplexity 四個引擎，連續量測 45 天後發現：

• 要讓「品牌是否被提及」的標準誤差低於 0.10，每個問題每天至少要跑 7 次
• 若要追蹤「引用了哪些來源」，門檻提高到 8 次
• 來源的日對日汰換率高達 65%——今天被引用的網頁，明天約有三分之二會換掉

這代表單次查詢的結果不足以當成趨勢判斷，而市面上多數 GEO 工具的報表正是 single-run。實務上應該滾動彙總 2–4 週，並且各引擎分別設基準線，不要用同一個門檻套三個平台（該研究實測的引用集中度 Gini 值：Google AI Mode 0.782 最集中、Perplexity 0.671 最分散）。

但書：該研究為瑞士德語市場，四個受測產業是電信、房仲、運動用品與消費電子，繁體中文與台灣市場尚未經過驗證。論文作者自己也在結論寫明，這些不穩定性是否適用於其他語言與區域市場，有待後續研究。

來源：Schulte, Bleeker & Kaufmann,「Don't Measure Once: Measuring Visibility in AI Search (GEO)」, 聖加侖大學, arXiv:2604.07585, 2026

完整說明：論文的四組數字與實務判讀 →

這通常不是你的能見度不足，而是查詢類型的結構性差異。Whitespark 針對 3 個城市、6 個行業、540 次查詢的研究顯示：

• 在地意圖查詢（「某某市家醫診所」）：只有 15% 出現 AI Overview
• 資訊型查詢（「驗光要多久」）：92%
• 混合型：97%

越是「找一家店」的問題，Google 越傾向給 Local Pack 而不是 AI 摘要。所以與其硬攻「某某市某某行業推薦」這類在地意圖詞，不如同時經營資訊型與混合型問題——那才是 AI Overview 真正大量出現的地方。

另一個值得注意的觀察：在該研究抽樣檢視的「休士頓水電工」這一組結果中，AI Overview 引用的 23 個來源裡，約 60% 來自第三方發布者（Reddit、Yelp、Thumbtack、Indeed 等），只有 40% 是商家自己的網站。這是單一組資料，不是 540 題的整體統計——但方向與其他研究一致：只優化官網會遇到天花板。

但書：該研究為美國三個城市、英語、6 個行業（水電、律師、牙醫、驗光、診所、房仲），台灣尚未驗證。

來源：Whitespark,「The Prevalence of AI Overviews in Local Search」, 2026

LLMO（Large Language Model Optimization）是讓大型語言模型本身「認識並記住」你的品牌的優化策略。和 AEO／GEO 不同——AEO 是讓 AI 搜尋時引用你，LLMO 目標更深：即使沒有人主動問，AI 在談到相關話題時也知道你是誰、你做什麼。

要誠實說明的是：LLMO 是純業界術語，沒有學術定義，也沒有同儕審查的研究基礎——相對地，GEO 有 ACM SIGKDD 2024 的正式論文。它與 GEO 在實務操作上高度重疊，差異在於 LLMO 特別強調影響模型的訓練記憶，而不只是即時檢索結果。

把它當成一個有用的區分視角可以；把它當成一套獨立可驗證的方法論，目前證據還不足。

最精確的區分是「記憶層級」不同：

GEO 優化的是「即時檢索」——AI 搜尋時從外部讀取你的內容並引用。
LLMO 優化的是「參數記憶」——讓品牌資訊進入 LLM 的訓練資料，使模型不需要搜尋就「知道」你的存在。

業界常見的四層堆疊說法是：SEO（基礎層）→ LLMO（機讀層）→ GEO（引用層）→ AEO（答案摘要層）。這是行銷業界提出的框架，方便理解，但沒有實證研究支持這個分層，僅供概念參考。

實務上的差別很簡單：GEO 的效果這個月就量得到，LLMO 的效果要等模型改版。

直接影響 LLM 訓練資料幾乎不可能，但有間接途徑。LLM 的訓練資料高度依賴高品質的公開網路內容，以下幾條路徑可以間接影響：

① 被第三方媒體報導（earned media，相關係數 0.66–0.71）
② 出現在 YouTube 影片內容中（相關係數 0.71–0.74，是實測最強的訊號）
③ Wikipedia 建立或更新品牌頁面
④ 在 Reddit、Dcard、PTT 等討論平台被自然提及
⑤ 學術或產業報告引用你的數據

值得注意的是，Ahrefs 的資料顯示反向連結與網域權重的相關性明顯較低（0.27–0.33）——傳統 SEO 的「衝外連」思維在這裡效益有限。

來源：Ahrefs,「Top Brand Visibility Factors in ChatGPT, AI Mode, and AI Overviews」（75,000 個品牌）

這些都是讓 LLM「在訓練時認識你」的間接方式，也是長期品牌建立的核心工作。

這是最長期的策略。主要原因是 LLM 的更新週期：主流模型都有知識截止日，新的訓練資料通常要等下一次改版才會反映，中間可能相隔數個月到一年以上。

不過現在有一個重要變化：主流 AI 都已內建即時網路檢索，「模型不知道」和「模型查不到」已經是兩件事。你在 AI 回答中看到的效果，絕大多數來自即時檢索（也就是 GEO），而不是參數記憶更新。

建議把 LLMO 視為「品牌護城河」的長期投資，搭配 AEO／GEO 的短期可見效果同步推進——但不要用 LLMO 來解釋短期成效，那通常是 GEO 的功勞。

LLM 的「記憶」來自訓練資料。當網路上有大量高品質、跨平台的內容提及你的品牌——新聞報導、產業分析、用戶討論、影片內容、學術引用——這些資料就可能進入下一輪訓練。

Ahrefs 對 75,000 個品牌的分析中，品牌搜尋量與 AI 能見度的相關係數為 0.352（ChatGPT）／0.466（AI Mode）／0.392（AI Overviews）——不是最強的訊號，但明顯高於網域權重（0.27–0.33）。品牌知名度本身確實構成 LLMO 的基礎。

相關性最高的其實是 YouTube 提及（0.71–0.74）與品牌網路提及（0.66–0.71）。Notion、Figma、Canva 這類品牌在 AI 中被廣泛認知，正是因為它們在網路上累積了高密度、跨平台的存在感，包括大量第三方影片與討論。

來源：Ahrefs,「Top Brand Visibility Factors in ChatGPT, AI Mode, and AI Overviews」（75,000 個品牌）

根據 2026 年現況，建議優先順序：

① SEO 基礎不能放棄——Google 仍占全球桌面搜尋 86.05%（StatCounter, 2026 年 8 月），是最大流量來源，放棄是戰略錯誤。Google 自己在 2026 年 5 月的官方指南裡也說，AEO 和 GEO 本質上「仍然是 SEO」。
② AEO／GEO 是現在最值得投入的新興策略——競爭者還少，而且 AI Overview 引用來源只有 19% 與自然排名前十重疊，代表這是一塊必須單獨經營的版面。
③ LLMO 是長期佈局，搭配媒體露出與品牌建立同步進行。

核心邏輯：SEO 讓你被找到，AEO 讓你被說出來，GEO 讓你被納入故事，LLMO 讓 AI 永遠記得你。