GEO 與 SEO 差在誰做選擇：列表讓人挑，答案替人選

月初的行銷會議常出現同一種僵局。一派主張內容要全面改寫給 AI 看，再不改就來不及；另一派咬住基本盤，說連搜尋的基礎都沒站穩，追新名詞只是燒預算。預算只夠先押一邊，決定落在你手上，而兩邊拿出來的都是焦慮，不是證據。

這種爭執難解，通常是心裡的模型先錯了。多數人把 AI 搜尋想成「把結果第一頁念一遍」，念到誰誰就贏。這個模型有自己就能驗證的破綻：拿同一個問題去問不同的 AI，答案與引用的來源清單差異很大；被點名的來源，也常不是排名最前面那批。要真是照排名朗讀，這兩件事不會發生。真正的分岔在「選擇」這個動作的位置：搜尋引擎排好頁面讓人自己挑；生成式引擎把多個來源拆成論點，組成一段答案替人挑。競爭的單位跟著縮小，從搶一個頁面位置，縮成搶一句話。

「GEO 跟 SEO 誰重要」吵不出答案，因為問錯了。問得回答的是「我的網站卡在哪一層」：先估自己的流量風險，再沿一段答案被組出來的過程逐層檢查，看內容有沒有被讀到、被拆解、被核對、被挑走，量測數字分開驗收，資源要押哪邊自然會浮出來。

快速重點：與其爭 GEO 會不會取代 SEO，不如看懂答案怎麼被組出來：搜尋引擎排好頁面讓人自己挑，生成式引擎拆解來源、替人組出一段答案，競爭單位從頁面縮成論點。逐層檢查被讀到、被拆解、被核對、被挑走的表現，曝光、引用、引薦分開驗收，資源順序自然浮現。

先拆掉一個心裡模型：AI 不是把排名念出來

模型的破綻可以自己驗。挑三個核心關鍵字，分別丟給兩三個開了網路搜尋的 AI，記下每次的答案與引用清單，隔週再問一次。你會看到清單在動：同題重問會動，換裝置會動，換帳號也會動。要是答案等於第一頁的朗讀稿，引用清單應該穩定對應排名；實際看到的浮動說明，生成式引擎組答案時有自己的檢索、比對與組裝方式，排名只是原料之一，不是劇本。

把兩種引擎的工作方式並排放，差異更清楚。搜尋引擎的工作到「排出清單」為止：檢索、索引、算相關性，輸出一排頁面，之後的判斷交還給人。生成式引擎多走兩步：把選進來的頁面拆成論點，再組裝成一段連續的答案，中間的比對與取捨發生在機器內部，使用者只看到結果。多出來的兩步，就是後面「被拆解」「被核對」「被挑走」幾節要檢查的對象，也是傳統 SEO 手冊沒有覆蓋的地帶。

GEO 這個詞有明確源頭：2023 年普林斯頓等校研究者發表的生成式引擎優化論文。同一件事在市場上還掛著 AEO、LLMO 等名字，各強調一個角落，指的都是「讓生成式引擎組答案時更有機會用到你」這門功夫，這幾個名字之間的關係站內另有地圖。名稱之爭不影響機制，接下來全部用機制說話。

模型換掉之後，先放一句反直覺的推論，後面會回收：在列表世界，跟第一名一樣好，至少拿銀牌；在答案世界，跟第一名一樣好，可能直接隱形。一個合理的解釋是，生成階段遇到說法一致的內容時傾向合併處理；這是推論而非已證實的機制，細節留到「被核對」那一節再拆。

同一個問題，四種人需要的是四種答案。自然流量在下滑的人，要先確認下滑歸不歸因摘要；被主管要求「AI 上找得到我們」的人，卡點常常在量測還沒接上；詢問量變少的 B2B 團隊，該看的是實體訊號與論點差異；剛起步的新站，順位完全不同，入場券一張都還沒拿。用一套通論回答四種人，只會得到四個都不準的答案，先問卡在哪一層，檢查才有對象。

接下來的動線照一段答案的生產線走。先估摘要對點擊的風險，再依序檢查內容被讀到、被拆解、被核對、被挑走四個環節，收在測量與誤判排除。每一層對應不同的檢查動作與補救方式，「誰重要」的爭論，走到這一步變成可驗證的工程問題。

摘要先接住問句：流量風險有多大，怎麼不靠感覺估

摘要改變的不是排名，是點連結的理由。一段夠用的答案先接住「快速知道」的需求，使用者少了非點不可的急迫，資訊型查詢首當其衝；查規格、比價格、找購買路的查詢，摘要能替代的篇幅有限，交易通常還是回到頁面上完成。風險集中在哪，取決於你的流量結構，而不是新聞標題的恐慌程度。

資訊型查詢裡的吸收程度也不同。定義型的問句，一段摘要常常就是完整答案，點擊的理由最薄；步驟型的問句，摘要給骨架，細節仍會把人送往頁面；比較型的問句，牽涉條件與取捨，摘要多半只能給結論式的起頭。盤點時把這幾種問法分開標，會看到風險不是一整片，而是集中在特定類型的問句上。

點擊端的變化有公開觀察可以參考。Pew Research Center 2025 年 7 月的短讀發現，結果頁上掛著 AI 摘要的那些查詢，使用者按下連結的比例明顯偏低。兩個但書要放在旁邊：這是特定瀏覽樣本上的觀察；觀察到的是相關，不是對每個網站、每種查詢的跌幅保證。研究給方向，自己的站要自己量。

與其對著總流量發慌，不如做一份貼身盤點。挑出最近一季帶進最多造訪的 20 個頁面，逐頁貼上資訊型、交易型、導航型的標籤，再進到實際的搜尋結果，分頭量兩件事：摘要出現的比例，以及有摘要與沒摘要時點擊的差別。兩件事分開記，露出多寡說的是被看見的方式，點擊升降說的是被需要的程度，混進同一個數字就會誤判。量測還要認清浮動的來源：同一組查詢換了帳號、換了裝置或所在地，摘要可能時而出現、時而消失，觸發條件也持續在調，結論一律以自己眼前查到的結果為準。

三種意圖怎麼標，用行為判斷，不用猜。查「怎麼挑」「是什麼」的頁面屬資訊型；搜尋裡帶著「價格」「比較」「推薦」而落地在商品或方案頁的屬交易型；搜自己品牌名、直接找官網某頁的屬導航型。同一個站常常三者都有，風險也就分三種速度變化，這正是要先盤點再估風險的原因。

量測要落地，方法比工具重要。建一張表，欄位放頁面、主要查詢、意圖類型、摘要有沒有出現、當週點擊與備註；每週固定時間記一次，裝置與帳號保持一致，中途有變動就寫進備註。至少跑四週再讀趨勢，單週的變化多半是雜訊。這張表同時回答兩個問題：風險是不是真的集中在資訊型頁面，以及被摘要接走的查詢，是不是本來就離成交很遠。

列表世界的稀缺可以當對照組。Backlinko 對四百萬筆結果的點擊率分析估過，第一名平均點擊率約 27.6%，第十名不到 3%；同一頁結果，位置不同，待遇差近十倍。列表世界稀缺的是位置，答案世界稀缺的是句子，哪一句被搬進答案，比整頁排第幾更決定輸贏。這條對照先記著，到「被挑走」一節回收。

品牌心智是另一條還活著的路。HubSpot 的行銷現況報告觀察到，行銷人對「被 AI 提及」的關注明顯上升，業界方向可以參考，不能替代自己站上的因果分析。資訊型內容的價值正在往「建立候選名單的印象」移動：被摘要吸收掉的快速查詢，本來就離成交較遠，留下來的價值是讓人記住名字，下回帶著需求找上門。方向判斷如此，不是保證；三種意圖的風險排序，也要以每頁實際的結果與點擊資料為準。摘要的觸發與運作，站內有專文拆解。

被讀到：可存取這層，規則最舊也省不得

Google 官方的 AI 最佳化指南把定位說得很白：AI Overviews 與 AI Mode 沿用搜尋既有的檢索與索引，內容要出現在生成式功能裡，靠的是那套行之有年的搜尋基礎，不需要 llms.txt、特殊 Markdown 或專用 schema，指南也把 AEO、GEO、LLMO 這些新名字劃回 SEO 的範圍。這段是官方說法，把它當地基：入場券沒有翻新，翻新的是入場之後的比賽方式。

因果鏈很短：沒被索引，連候選池都進不了。可存取、可索引、符合摘要資格，是各平台共通的最低門檻；這層規則累積得最久，文件完整、檢查方法成熟。檢索環節的完整說明站內有專篇，先看與診斷有關的部分就好。

檢查從 Search Console 的索引涵蓋範圍開始，先找「沒被索引」與「遭排除」的頁面，再用網址審查逐一確認原因；robots.txt 的封鎖結果、noindex 標籤、轉址到不存在的網址，修復方式各不相同，混在一起修只會越修越亂。站內連結也要看：重要頁面若只掛在首頁輪播，機器循連結爬行時可能根本走不到。

別家平台不能一體適用。Google 沿用自家搜尋索引，其他 AI 有自己的爬蟲、合作資料與檢索管道，放行與封鎖的對象要逐家核對，不能因為 Google 讀得到，就假設全部讀得到；反過來也一樣。共同點是入場邏輯都樸素：讀得到、讀得懂，才談得上被用。

這層的檢查要產出可修復的障礙清單，不是一疊技術名詞。依序確認：重要頁面有沒有被 noindex 或 robots.txt 誤擋、伺服器回應穩不穩、轉址鏈乾不乾淨、主要內容是不是渲染在原始 HTML 裡。每一項標出嚴重程度與修復動作，修完再往下一層走。這一節只談入場券：做好可存取不等於會被引用，但做不好，連被引用的資格都沒有。

爬蟲這一關：封鎖與放行，比你想的更細

入場券之上還有一個容易誤判的開關：爬蟲控制。協定本身沒有改版，IETF 的 RFC 9309 仍是 robots.txt 排除協議的現行標準；變的是來敲門的 bot 變多、用途變細，一刀切的封鎖決策常常擋錯人。

OpenAI 的爬蟲文件就是現成的練習題，至少要分開核對三種身分：GPTBot 用於模型訓練；OAI-SearchBot 用於搜尋；使用者把你的網頁貼進對話時觸發的存取，又是另一種。三種身分對 robots.txt 的適用情形不同：前兩種各有專屬規則可放行或封鎖，使用者觸發的存取則不一定經過 robots.txt，官方文件也提醒這類存取未必受規則約束；想被 AI 搜尋引用，卻擋掉了搜尋用途的 bot，損失就發生在沒注意到的層。底線也要畫清楚：robots.txt 是靠爬蟲自願遵守的排除協議，不是存取控制，真正不能公開的內容要靠登入牆與伺服器權限，這條界線 RFC 9309 寫得明白。

爬蟲預算的脈絡順手併進來。這件事主要困擾大型網站，或網址變體多的站，例如篩選器、分頁與標籤頁把網址撐爆的電商；一般中小型網站把可索引性和站內連結顧穩，就比計較那個抽象數字划算。動 robots.txt 之前把用途分清楚再下手，設定檢查的完整做法站內有整理。

封鎖訓練用途的爬蟲，是獨立的商業決策，與搜尋引用分開考慮。開放，內容可能成為模型的養分，換來的是難以追蹤的長期影響；封鎖，表達的是不願被拿去訓練的意向，不等於內容從此不會被任何管道取用；模型對你的認識會不會因此變薄，官方沒有給保證，能確定的只是少了一條主要的接觸管道。兩邊都沒有免費的選項，重點是別把這個決定跟「想不想被 AI 搜尋引用」綁在一起，那是另一種 bot 的管轄範圍。

被拆解：機器讀的單位，比你寫的小

進得了視野，還要拆得動。先畫好這節的定位：以下談的是編輯上的工作假設，不是平台公布的規則。生成前的檢索與理解，處理的單位看來偏向段落與論點，而非整篇文章；一個能脫離上下文獨立成立的句子，就是比較容易被撿走的零件。鋪陳式的寫法在這個假設下吃虧：結論藏在第三段之後，拆出來的片段常缺主詞或缺答案，機器能取用的材料跟著變少。

差別用一個不具名的小例子看。同一個論點，鋪陳版寫「說到挑寢具，其實要考慮的事情很多，材質、支數、織法都有學問，接下來慢慢說明」；直答版寫「挑寢具先看材質與織法：純棉透氣適合怕熱的人，天絲涼感但保養要求高」。兩句的資訊密度不同，後者的片段抽離上下文仍站得住，被單獨取用的機會大得多。改舊文的檢驗也一樣：圈出每一段，問「有沒有一句話，抽走之後還是完整的答案」。

結論先行也是同一套假設下的判斷，不是文風上的鐵律。若擷取單位真的偏小，越早出現完整答案的段落，越有機會在被截取時保住語意；把重點留到結尾才寫的布局，就等於把最好的零件放在最容易被截掉的位置。

問句對應是拆解層常用的實作手法。從搜尋報表與客服紀錄裡收集真實問法，替每個主力頁面指定一個主問句，頁面的答案句直接回應它；相鄰的次問句收在同頁尾部或獨立成頁，不要全部擠進導言。這裡要誠實畫線：Google 官方指南明說系統理解得了同頁的多個主題，並不要求為了 AI 把內容切小；「一頁對一個問句」是讓力氣集中、量測歸因單純的編輯紀律，不是被引用的資格條件。

結構化資料在這層幫忙解析頁面裡的事實與關係，前提是標記與可見內容一致，掛上機器讀不到的資訊反而製造矛盾；沒有 AI 專用的 schema 門檻，與被讀到一節的官方定位相同。結構化資料的完整指南與可引用結構的展開做法站內都有，重點只有一個：單位縮小之後，句子本身的品質升成第一順位。

被核對：跟第一名一樣好，反而容易隱形

生成階段會參照多個來源，這一步帶出全文最反直覺的推論，先聲明：這一節的因果是推論，官方並未公布這套機制。當十個來源對同一件事的說法幾乎相同，答案很可能只需陳述這個共識，不必點名任何一個；有差異的訊息，例如獨有的數據、別家沒有的實測紀錄、明確的第一手經驗，則比較有機會被標上出處。照這個推論，跟第一名一樣好，在答案世界可能等於隱形：你提供的部分被用掉了，名字沒有被帶到。開頭埋的伏筆在此回收，內容正確是入場條件，被點名還要有別的理由。

經驗是最常被拿出來解釋點名的理由。E-E-A-T 裡的 Experience是 AI 寫不出來的部分：實際拆過、量過、失敗過的紀錄，別的來源複製不走。素材常常已經在手裡，只是沒被當成內容：客服對話裡重複出現的疑問、報價時被問爛的比較、退換貨原因的統計，整理出來都是別家拿不走的原料。落實成工序，就是改舊文時逐段問兩個問題：這段有沒有只有我們能說的內容；這段抽走上下文後還算不算完整答案。兩問都過，句子被搬進答案的勝算會變大，這是提高機會的工序，不是保證。

差異有幾種常見的表現。數據差異：你量過、別人沒量過的數字；工序差異：你踩過的步驟與順序；觀點差異：同樣的事實，你給出不同的判斷條件；範圍差異：別人寫通則，你寫特定情境的限制。四種都不必是驚人的發現，夠明確、夠可查證，就比較容易被從共識裡認出來。

身分是另一塊拼圖。核對發生在「這個來源是誰」的層次，品牌在外部世界被談論的紀錄會進入對帳材料，讓「你」在比對時有個身分可對，實體訊號的經營是獨立的一門功課。邊界也講清楚：外部提及要自然可信，靠引導換來的堆砌外鏈、造假評論，下場通常是整個被剔除。GEO 的原則整理站內已有長文，不逐一重複。

被挑走：一段答案，養不起太多來源

稀缺本身就是這一關的主角。一段答案篇幅有限，掛得住的來源通常只有少數幾個，同題競爭者再多，槽位不會跟著變多；競爭者增加改變的是中選機率，不是獎項數量。順著前面的推論，位置稀缺換成句子稀缺之後，能出線的比較可能是把當下問句解得最乾淨的論點，而不是最完整的頁面；與其在單頁塞滿所有相關知識，把每頁的目標收窄，是讓可被取用的句子變結實的做法之一。

這也解釋了為什麼「內容變多」救不了引用量。同題的新文章加入戰局，爭的是同一批少數槽位，產能開得再大，槽位不動；把產能換成差異化，把同一個論點寫出別家沒有的部分，才有新的中選理由。在稀缺的結構下，質的排序先於量的堆疊。

與列表世界對照，兩種稀缺在此交會：Backlinko 的位置數字前面引過，不再重複，只留概念對照，列表裡搶版面，答案裡搶那句話。誠實的補充是：被引用不等於被點擊，摘要先吸收了資訊需求，剩下的動機才輪到連結。引用次數是露出，不是流量保證，更不是轉換保證。

三本帳：曝光、引用、引薦不能互相換算

開始行動之後，成敗要靠數字回答，而這些數字分屬三種儀器。Search Console 的生成式 AI 報表量曝光，Bing 的 AI Performance 量 Bing 生態裡的引用，GA4 看得到的是可辨識的引薦。三者的定義、涵蓋範圍與採計方式都不同：用曝光推排名、用引用推流量、用點擊率量引用成效，都是把儀器拿錯場合。三本帳只能並列看趨勢，不能互相換算，更不能加總成一個分數。

Google 這邊的觀測窗口正在補上。John Mueller 在 2026 年 6 月的 Search Central 影片裡介紹了生成式 AI 報表的初版，同年 8 月這份報表的資料在全球開放，站長第一次能拿到 Google 生態的相關量測。時程以官方公告為準，重點是工具已經存在，而且還在演進，量測不再只能靠手動抽查。

口徑要看清楚再慶祝。Google 對這份報表的說明寫明：它量的是曝光，不是引薦或轉換，數字要與其他平台和 GA4 分開解讀。報表上升代表內容出現在生成式體驗的機會變多；有沒有人因此點進來、有沒有成交，要回到 GA4 與訂單資料才回答得了。曝光是曝光，生意是生意，中間每一步都要另量。

Bing 的窗口開得更早。Bing Webmaster Tools 在 2026 年 2 月把 AI Performance 報表推入公開預覽，提供引用次數等觀察，是目前少數官方的引用量測。口徑限制同時要看：資料涵蓋 Bing、Copilot 與選定的合作整合，不能當成所有 AI 平台的市占或全貌。這份報表的解讀站內有專篇。

等不到官方數字的平台，先用代理指標過渡：固定問題集裡的品牌提及頻率、出現的平台數、答案引用的內容類型。看趨勢不看絕對值，累積三到六個月再下判斷；GA4 切出 AI 引薦的做法站內有逐步說明。

固定問題集是代理指標的骨架。挑十到二十個真實問法，涵蓋核心服務、比較、痛點三類，每月同一時間、同一裝置與帳號逐一提問，記錄品牌出現與否、被引用的是哪一頁。問法一旦固定就不要改，改了就斷了可比性；要測新問法，另開一組並行累積。

機制管不到的地方：報價頁、在地服務與冷門題

機制講完，也要講機制管不到的地方。一個建構情境（非真實客戶）：一家寢具電商，產品頁的勝負在規格、價格與結帳動線，AI 答案頂多在「怎麼挑寢具」這類問題裡種印象，不會替你完成結帳。這種站的可引用籌碼在教學內容：挑選、照顧、比較的文章是進入答案的票，產品頁顧轉換，兩種頁面角色不同，不必用同一把尺要求。判斷的粗略原則是問句離交易的距離：離交易越遠的問句，進答案的價值越高；離交易越近的頁面，顧好轉換比顧好引用划算。

另一個建構情境：一家 B2B 服務公司，決策週期長，名單比點擊值錢。資源先押在可被引用的論點與實體訊號，讓潛在客戶在到處查證的階段反覆遇到可信的名字，報價頁顧好詢問體驗。在地服務的瓶頸常在地圖與商家檔案這類在地訊號；極冷門的題目可能查無資料，AI 直接回答不知道。這些都不是答案組裝層能修的問題，資源放錯層，只會白燒。

引用次數少也不必然是失敗。查詢量本來就小的主題、以既有客戶為主的業務，被引用的商業價值本來就有限；把力氣花在轉換與留存，可能是更誠實的答案。判斷的依據回到流量結構與商業模式，不是「別人都在做」。

診斷路上最常見的四種誤判

逐層檢查的過程裡，結論會被四種誤判帶偏，每一種都長得像合理的判斷，拆開看才知道哪裡漏了。

• 流量下滑全歸因摘要。反證檢查：歸因之前，先比對季節性、版位變動、演算法更新與量測口徑有沒有同時發生。找得到別的嫌疑犯，就先別把帳記在摘要頭上。
• 拿點擊率量引用成效。引用是露出，點擊是行為，分母不同。曝光與引用各自的趨勢回答各自的問題，不要互換著用。
• 把單一平台外推到所有 AI。Bing 的引用資料、Google 的曝光報表、某次手動測試，各代表自己的口徑；跨平台結論需要跨平台證據，一份資料撐不起全部。
• 把一次性抽樣當趨勢。單日單次的觀察浮動大，固定問題集、固定條件連續追蹤，趨勢才有意義；要比對改版前後，也要留一組沒動的對照。

誤判改正之後，前面的檢查常常要重跑，因為歸因變了，卡住的那層會跟著變。診斷是循環，不是單次體檢，這也是下一節的工作地圖長成可並行形狀的原因。

卡在哪層修哪層：一張可並行的工作地圖

檢查跑完，資源排序的原則只有一句：先判斷網站卡在哪一層，對該層下功夫。讀不到修可存取，拆不動改句子，不被點名補差異與身分，量不到先把儀表接好。這是一份可並行、可調整的工作清單，不是線性必經的關卡；量測校正、暴露盤點、原料修復、籌碼生產四條線可以同時推進，資源多寡決定先後，不決定資格。

各卡點配一個本週就能做的第一步與驗收訊號。讀不到的站，先修一頁最重要頁面的索引問題，看 Search Console 的狀態變化；拆不動的站，挑三篇主力文章做句子級改寫，看引用行為有沒有動；不被點名的站，寫一頁只有你能寫的內容，看品牌搜尋的方向；量不到的站，把三個儀表接起來，先累積一個月基線。停損也先講好：連續兩個月沒有方向變化就換假設，不要在同一層加碼硬撐。

地基還沒動的站，先補搜尋基本功；要全域觀的，從GEO 概論讀起；兩邊資源怎麼分，完整的分配框架站內另有專文，比例依數據滾動調整，不是固定公式。回到開場那場會議：兩派的爭執可以用各層的證據回答，流量在掉的先看摘要與歸因，被引用少的看差異與身分，什麼都沒量的先把儀表接上。吵完誰重要，資源終究要落在某一層；把值得被撿走的那句話寫出來，是四層裡最便宜、也最常被跳過的起點。