Table of Contents
同一個網站、同一天、同一批人做的檢測：一種題目四個平台全中，另一種題目全部掛零。
如果 AI 推薦誰是照排名決定的，這種事不可能發生——網站只有一個，排名不會同時很好又很差。這篇用一個實際的客戶案例，說明排名與推薦是兩套不同機制在決定的，以及你要怎麼判斷自己卡在哪一層。
一句話先回答
Google 排名決定的是「你在十個連結裡排第幾」；AI 推薦決定的是「你進不進得了那份三到五家的名單」。兩者共用一部分基礎（網站讀得到、內容有深度），但最後一哩的決定因素完全不同。實際案例：金鉑先生車用品的官網技術體質是我們掃過最好的一批，利基深度題在四個平台全中、其中一題還被列為第一引用來源；但在地泛用題四個平台全部掛零。原因不是排名，是商家評論數——同區被 AI 列出來的幾家，評論數落在 84 到 328 則之間。
先講清楚：這是兩套機制
很多人把 GEO 想成「SEO 的延伸賽道」——先衝排名，AI 自然會跟上。前半對，後半不成立。兩者共用地基，但決定勝負的最後一段不一樣。
| Google 排名 | AI 推薦 | |
|---|---|---|
| 競爭的位置 | 十個連結裡的第幾名 | 三到五家的名單裡有沒有你 |
| 輸的代價 | 排第八還是有機會被點 | 沒進名單就是完全不存在 |
| 主要看什麼 | 關鍵字相關性、連結權重、頁面體驗 | 來源池裡有沒有你、資訊一致不一致、第三方講不講你 |
| 在地問題看什麼 | 在地關鍵字與商家檔案 | 🔴 商家評論的累積量，權重高得多 |
| 結果穩不穩定 | 相對穩定 | 同一題問兩次可能不同，要看趨勢 |
⚠️ 這張表不是說排名不重要。排名是必要不充分——排得上去才有機會被讀到，但被讀到不等於被選進名單。
一個實例：同一個網站，兩種題型，兩種結果
金鉑先生車用品是我們的客戶，這個案例已取得他們同意具名。他們的官網是我們建的，技術體質是我們掃過最好的一批之一。2026 年 8 月我們替他們跑四平台實搜，題目分兩類：
利基深度題
「VW Skoda 隱藏功能開通」——四個平台全中
這是只有這一行的人才問得出來的具體技術問題。四個平台都提到他們，其中 Perplexity 直接把他們官網的那篇技術文章列為第一引用來源；而且四份答案的來源清單裡沒有任何同業。原因很單純——這個題目冷到幾乎沒有人寫，寫的人就是唯一的答案。
在地泛用題
「這一區有哪些做○○的店」——四個平台全部掛零
同一個網站、同一天、同一批檢測，換成在地泛用的推薦題，四個平台一次都沒提到他們。如果推薦是照網站好壞決定的，這不可能發生。
掛零的真正原因，不在網站上
我們把 AI 那幾題的答案來源一個個打開看，答案很清楚：被列出來的那幾家店，商家評論數落在 84 到 328 則之間，而我們的客戶在那個區間之外。
這一層跟網站幾乎無關。AI 回答在地推薦時，大量依賴地圖與商家資料——商家檔案完不完整、評論累積到什麼程度、地址與電話在各處寫法一不一致。這種狀況再寫十篇文章也補不起來，要處理的是商家檔案與評論動線，那是完全不同的一條工。
我們對外不點名被列出來的競品店家，只講評論數的區間——客戶要知道的是門檻在哪裡，不是同業叫什麼名字。
為什麼會這樣？因為 AI 讀的來源，跟排名的來源不一樣
我們把四個不同產業的實搜來源清單拉出來比對過（汽車改裝、裝潢貼膜、包裝設計、行銷服務），有一個結論很清楚：不同產業的 AI 來源池差別極大。
| 產業型態 | AI 主要從哪裡找答案 | 例子 |
|---|---|---|
| 消費／興趣型 | 論壇與社群（Mobile01、PTT、Dcard、Facebook） | 汽車改裝、3C、美食、美容 |
| B2B 專業服務 | 同業官網 ＋ 名錄／媒合平台／公協會 | 設計、行銷、法律、會計、工程 |
| 在地服務 | 🔴 地圖與商家評論 | 診所、餐飲、修繕 |
金鉑屬於第一類（汽車改裝），他們的 AI 來源第一名是論壇——而他們沒有論壇內容。所以官網做得再好，也補不到那個來源池裡。同一套邏輯換到設計、行銷、法律這種 B2B 專業服務，答案就完全不同：那幾個產業的來源清單裡論壇幾乎不出現，第一大來源是同業官網。
⚠️ 順帶澄清一個常見誤解：「AI 不看官網」是錯的說法。四個產業、四個平台比對下來，同業官網幾乎永遠是最大的單一來源。所以官網那條線在任何產業都不能斷——差別只在它是唯一的戰場，還是戰場之一。
怎麼判斷自己卡在哪一層
不用猜，測一次就知道。把題目分成兩類，各問四個平台一次：
| 利基深度題 | 在地泛用題 | 代表什麼 | 該做什麼 |
|---|---|---|---|
| 有 | 有 | 狀況很好 | 維持，把題庫固定下來看月度趨勢 |
| 有 | 掛零 | 網站沒問題，卡在在地訊號 | 先處理商家檔案、評論動線、地址電話一致性 |
| 掛零 | 有 | 少見，通常是靠評論撐著 | 補內容深度，尤其是你這行才答得出來的題目 |
| 掛零 | 掛零 | 地基還沒好 | 先回去做 SEO 與網站結構，順序不能跳 |
這張表最有價值的是第二列。很多公司花了一整年在寫文章，但卡住的其實是商家評論那一層——寫再多也不會動。先測，再決定錢花在哪裡。
怎麼設計那批題目（這件事決定了測出來準不準）
上面那張判斷表要成立，前提是你的題目分得夠開。題目全都是同一種類型，測出來就是一片全有或一片全無，看不出卡在哪一層。我們自己固定用十題，配比是這樣：
| 題型 | 幾題 | 長什麼樣 | 考的是什麼 |
|---|---|---|---|
| 在地泛用題 | 4 題 | 「○○市有哪些做△△的公司／店」 | 商家檔案、評論累積、在地訊號一致性 |
| 產品服務題 | 4 題 | 「△△要注意什麼」「△△怎麼選」「△△大概多少錢」 | 官網內容深度、有沒有真的回答到問題 |
| 利基深度題 | 2 題 | 只有這一行的人才問得出來的具體技術問題 | 專業內容的獨佔性——冷到沒人寫，寫的人就是答案 |
題目從兩個地方來，不要憑感覺想
①你自己網站上的服務與產品內容——客戶會用的講法通常就寫在那裡；②關鍵字規劃工具跑出來的實際搜尋詞。憑印象想出來的題目，常常是你希望客戶問的，不是他真的會問的。
題庫一旦定案就不要再換
🔴 這是最容易被破壞的一條。換了題目，前面累積的月度趨勢線就斷了，等於重新開始數。建議半年才檢視一次，而且是整批一起看，不是這個月換一題。
每一題都要記三件事，不是只記有沒有被提到
①有沒有提到你 ②有沒有附上你的網址（引用）③它推薦的那幾家是誰、來源是哪些網站。第三件事最有行動價值——它直接告訴你下一批內容該放哪裡。
⚠️ 一個實務上的提醒：測的時候要固定用同一種模式。同一個平台在「有聯網搜尋」與「沒有聯網搜尋」兩種狀態下，答案會差很多。模式不固定，前後兩個月就比不了。
兩個要提醒的事
一、單次結果不能當成效
我們實測過同一批題目在同一天內跑三次，結果會變動。所以任何拿一張截圖說「你看 AI 推薦我們」的報告，都要打折看。正確的做法是題庫固定不換、每個月同一批題目重測、看月度趨勢線。題庫一換，趨勢線就斷了。
二、技術滿分不等於會被推薦
這一點我們拿自己當例子比較公平：希希丁官網的 31 項技術檢測全數通過、四組分數滿分，但仍然有服務線在四個平台上是零提及。技術分數量的是「AI 讀不讀得到你」，跟「AI 會不會推薦你」中間還隔著內容深度、外部聲量與資訊一致性。這件事我們自己也在處理，所以不會賣你保證。
常見問題
那 SEO 排名還重要嗎？
重要，而且是必要條件。AI 在回答問題時，很大一部分內容來自它抓得到、判斷得出主題的網頁，而那些網頁通常也就是搜尋排得上去的網頁。但它是必要不充分——排上去只是讓你有資格被讀到，會不會被列進那份三到五家的名單，是另一組因素在決定。
我要怎麼知道自己是哪一種狀況？
把你的題目分成兩類各問一次：在地泛用題（例如「高雄的○○推薦」）跟利基深度題（你這行才會問的具體技術問題）。如果兩類都掛零，問題多半在網站基礎；如果利基題有、在地題掛零，那是在地訊號的問題（商家檔案、評論、地址一致性），跟網站關係不大。
同一題問兩次答案不一樣，那這種測試有意義嗎？
單次結果沒意義，趨勢才有。我們實測過同一批題目在同一天內跑三次，結果會變動。所以做法是：題庫固定不換、每個月同一批題目重測、看的是月度趨勢線。也因為這樣，任何拿單次截圖當成效的報告都要打折看。
在地題掛零，多寫幾篇文章有用嗎？
通常沒用，因為那不是內容問題。AI 回答在地推薦時很依賴地圖與商家資料那一層——商家檔案完不完整、評論累積到什麼程度、地址電話在各處寫法一不一致。文章寫得再多，補不了這一塊。這種狀況要先去處理商家檔案與評論動線。
利基題有機會，是不是代表冷門題比較好做？
是，而且這是中小企業少數能贏大公司的地方。冷到沒什麼人寫的題目，寫的人就是唯一的答案來源。反過來說熱門的在地泛用題，你要跟整區累積多年的商家評論競爭，難度完全不同。資源有限時，先從利基題吃起是比較划算的順序。
我的網站技術分數很高，為什麼還是沒被推薦？
因為技術分數量的是「AI 讀不讀得到你」，不是「AI 會不會推薦你」。這兩件事之間隔著一整層：內容有沒有回答到真問題、外部有沒有人講到你、你的公司資訊在各處是不是一致。我們自己的官網 31 項技術檢測全數通過、四組滿分，但仍然有服務線在四個平台上是零提及——這件事我們自己也在處理。
想知道自己是哪一種狀況？
把你的公司名稱與主要服務給我們，我們替你到 ChatGPT、Gemini、Claude、Perplexity 四個平台實際問一輪，題目分成在地泛用與利基深度兩類，把逐題逐平台的結果與來源清單整理給你。網站、內容到成效追蹤，單一窗口一站式完成。
延伸閱讀
- llms.txt 是什麼？要不要做、怎麼寫：它不是官方標準，但成本低到值得做
- 結構化資料是什麼？五種必做與四個錯誤：給機器看的標記，AI 時代的基本盤
- Google AI Overview 是什麼？排第一為什麼點擊還是掉：零點擊怎麼來的，能不能退出
- AI 的引用來源到底從哪來？四個產業實測的來源池比對：為什麼你的產業跟隔壁產業的做法不能互抄
- GEO 公司怎麼選？5 個驗證問題與四種公司類型的差別：把這篇的觀念變成可以直接問廠商的五個問題
- AI 帶進來的流量還很小，那為什麼現在要做 GEO？：在 GA4 自己查證，以及該換成什麼指標
