GSC 生成式 AI 報表怎麼讀：曝光數字能證明什麼

想像一個場景：季度檢討會上，主管丟來一句「AI 搜尋對我們網站到底有沒有影響？下個月給我數字」。你打開 Google Search Console，翻到那份生成式 AI 報表，游標停在曝光數字上，卻說不準它能證明什麼、又證明不了什麼。這種說不準，比沒有報表更危險：數字遲早被拿去支撐它撐不起來的結論，而署名的是你。

先把定位講清楚，再談操作。這份報表是一台判讀儀器，只量一件事：你的頁面連結有沒有被 Google 的 AI 功能顯示。它沒有新增任何點擊類數據；AI 相關的資料在它出現之前，就已經混在一般搜尋成效報表裡，它做的只是把其中一種曝光單獨隔離出來。讀懂它的邊界，比讀懂它的數字更要緊。

快速重點：整份報表能給的指標只有曝光一項；圖表按整個資源彙總，表格按你選的維度逐列開立，總數可能對不上；生成式 AI 曝光與一般搜尋點擊是兩組資料，相除或相減都得不到 AI 點閱率。帶著這三件事進報表，數字才不會越讀越歪。

三個常被混為一談的問題，報表只回答第一個

打開報表之前，先把心裡的問題寫對。多數人走進來時帶著的其實是三個不同問題：我的頁面連結有沒有被 AI 功能顯示？使用者有沒有因為 AI 回覆點進網站？我的內容有沒有被模型拿去組答案？三個問題聽起來像同一件事，證據等級完全不同。報表能回答的只有第一個；第二個看得到整體輪廓，追蹤設定收得到的進站造訪都會落在 GA4，只是拆不出其中哪些來自 AI 功能；第三個目前沒有任何官方數據。三種問題對應三種證據：報表數字、進站行為、模型內部紀錄。把問題拆開，判讀才有起點，你也才有辦法對主管說清楚證據到哪裡為止。

兩個功能名詞快速帶過。AI Overviews 以摘要卡的形式出現在結果頁上，卡內附著能往下查證的來源連結；AI Mode 則像一間允許不斷回問的搜尋室，問題被化整為零、分頭檢索，再拼成一份帶連結的答覆。兩者都屬於 Google 搜尋產品線，功能沿革與公告集中在Google 搜尋產品部落格；繁體中文介面與各地區的實際支援，以產品當下推出狀態為準。

這份報表的登場方式，本身就有資訊量。2026 年 6 月，消息由Google 官方部落格宣布、官方社群帳號同步轉發：Search 與 Discover 各自新增生成式 AI 成效報表，先向部分網站測試推出；同年 8 月 31 日，官方再宣布全球全面提供。這串時間線要怎麼讀？我的解讀是：Google 認為 AI 功能裡的曝光值得被單獨檢視，而不是出現了新的流量來源；動機層面的判斷屬於解讀，官方沒有把產品考量寫成文字。對照報表內容看更清楚，它補的是觀測缺口，不是新的成效指標。

如果你還沒把 Search Console 當成例行儀器在用，先把基礎補起來；帳號設定與各報表的用途，可以參考站上的Google Search Console 操作全覽。生成式 AI 報表只是其中一格，脫離其他報表單獨看它，很容易過度解讀。

入口不見或數字不動，先把症狀分開查

入口整個不出現，可以先從帳號層查起。權限等級不足、資源驗證失效，報表就進不了你的視線；這類狀況與搜尋表現無關，先到使用者權限與資源設定裡確認，別把它誤讀成懲罰。入口在而畫面全空，則換資料層的假設：最新資料可能先標為初步、之後修正，圖上的虛線就是提醒；區間內沒有可計入的資料時，報表同樣只給一片空白。官方對空白沒有公布任何量化門檻或期限，多低的曝光算低、要等多久才有資料，都沒有標準答案。

↔ 左右捲動檢視完整表格

症狀	先確認什麼	常見誤判
入口整個不出現	權限等級與資源驗證狀態	把帳號層問題當成搜尋表現懲罰
入口在而一片空白	日期區間長度與資料的初步標示	把空白當成內容從未進入 AI 回覆
數字看起來不太對	初步資料可能之後又修正	把虛線標示的數字當成定案

兩份官方文件放在手邊：報表說明與生成式 AI 控制設定。資源層若被設成排除，設定生效需要幾天，這屬於頁面資格的範圍，細節留到後面資格條件那節再講。帳號層與資料層都查過仍無資料，能做的就是把區間拉長、定期回看。空白不是懲罰訊號，也不代表內容沒被 AI 回覆用到，只代表這份報表目前沒東西可顯示。

日期區間影響判斷。區間拉太短，還沒累積的曝光看起來就像一片空白。由二十八天起跑只是順手，曝光量小的資源把範圍拉到兩個月上下再下判斷也不遲；這是工作節奏的建議值，官方並沒有對應規定。區間的快速切換技巧能把來回重看的成本壓低。

姊妹報表：Discover 版量的是另一條產品線

同一次公告其實新增了兩份報表：Search 一份、Discover 一份，各自對應一條產品線，數據互不相通。你在搜尋成效裡看到的生成式 AI 曝光，與 Google Discover 裡的生成式 AI 體驗，分別記在兩份報表上；把它們的數字相加或互相比大小，一開始就沒有成立的問題當前提。

Discover 版的分組維度目前比 Search 版少一個裝置欄，可切換的只有頁面、國家、日期三種，欄位內容與釋出狀態以報表現場顯示為準。解讀邏輯與 Search 版一致：唯一指標同樣是曝光，同樣沒有點擊與查詢欄位；差別在於 Discover 本來就不是由查詢觸發的場景，想在裡面找搜尋字詞的線索，方向一開始就偏了。想知道這條產品線本身的運作邏輯，可以先讀Google Discover 的運作與優化方式，再回來看報表會更有底。

兩份報表背後的使用情境也不同。搜尋是主動提問，使用者帶著問題來；Discover 接近被動瀏覽，內容出現在使用者沒有輸入字詞的動態消息裡。同一段內容在兩邊的曝光，代表被遇見的方式不同，判讀時別套用同一套假設；站上內容若同時進了兩份報表，先分開記錄，再談交叉觀察。

單位是「次」不是「人」：一次曝光的認定條件

報表裡的曝光，單位是次，不是人。官方的認定是「看見或可能看見」：一般情況下，連結隨結果出現在頁面上就算數，不要求它被捲進瀏覽器的可見範圍；只有位於獨立捲動的清單、或要點開才會展開的折疊區時，才依該元件自己的規矩認定（官方定義）。AI Mode 套用同一套一般規則，每一份回覆版面上的連結露出都各自認定；計數的單位是可計入的呈現次數，不是人頭，同一個人多次遇到，對應的是多次呈現，個別元件的認定細節依官方定義為準。

這裡有兩個方向的落差要一起講。答案產生，不等於曝光成立；連結被顯示，也不等於內容被模型採用。曝光擔保的訊號止於「看見或可能看見」：某個網址的連結出現在使用者看得到或可能看得到的位置，僅此而已。至於哪一段文字被拿去組答案，它指不出來；沒被顯示連結的頁面是否就缺席於回覆，它也無法反證。點擊側同樣分開看：使用者點擊 AI 功能裡的外部連結，會在一般成效資料計一次點擊，但獨立報表看不到這筆紀錄。顯示、點擊、採用，三種訊號的證據力一層比一層薄，混淆任何兩層，結論就會越線。

順帶拆一個常見誤會：頁面、國家、日期、裝置不是四個指標，是四個分組維度；指標欄位只有曝光一個。把它們當成效欄位的人，會開始問 AI 的點擊在哪一欄，然後在錯的地方找答案。歸因規則一句話：看最終網址。連結經過重新導向後落在哪個網址，數字就記在誰頭上；Google 通常會挑出一個標準化網址來記帳，未必是你送出去、或畫面上最先看到的那一個。想深究兩者怎麼被計算，先讀搜尋曝光與排名的計算方式，再回來看這份報表會順很多。

為什麼圖表總數和表格加總對不上？

直接回答：先別當成資料掉了。圖表與表格可能採用不同的彙總方式，對不上是常見結果；把差額直接寫成「短少的曝光」回報出去，往往只會得到「兩邊本來就不是同一種加總」的答案。

官方文件把規則寫得很白：圖表以整個資源合併計，同一個資源的兩條連結出現在同一個 AI 功能裡，圖表只算一次；表格依你切換的維度逐列開立，國家、裝置、日期三個維度仍以資源層計數，頁面維度才真正逐頁彙總，逐頁加總和資源合併的總數自然對不齊。套用網址篩選之後，圖表改成逐個網址彙總，同一段期間兩邊可能因此又對得回來。比較之前先確認兩件事：分組維度是什麼、有沒有掛著篩選器。確認過後數字仍合不起來，先當成口徑差異寫進註記，真的解釋不了再回報。匯出資料後自己加總也一樣，動手前先問：手上的欄位站在資源層，還是頁面層。

別對這份報表做數學

最常見的兩條錯誤算式長這樣：把傳統報表裡的點擊當分子、這份報表的曝光當分母，相除之後對外宣稱「AI 點閱率」；或者拿一般點擊去減某個自行推估的量，號稱這樣就拆出了「AI 帶來的點擊」。兩條算式共用同一個誤會：把兩份口徑不同的彙總報表，當成同一批資料的兩個切面。這種計算通常發生在兩張截圖貼在一起的瞬間，看起來只差一步，其實差了一整套帳本。

事實是：傳統成效報表的點擊把 AI 與非 AI 的結果放進同一鍋，沒有把 AI 點擊單獨開欄；這份報表量的又僅止於 AI 功能裡的連結露出。想算 AI 點閱率，分子拿不到；想減出 AI 帶來的點擊，兩邊的彙總口徑又不一致。缺少的不是計算技巧，而是任何一份 GSC 報表都沒有提供可分離的 AI 點擊數；在這個前提下硬做除法或減法，端出來的都只是包裝過的錯誤。

回頭看一般成效報表，它本來就是混合設計，AI 與非 AI 的資料共用同一張表；混合是常態，不是缺陷。真正該問的不是怎麼把混合拆開，而是混合之下還有什麼結論站得住。

有人會搬傳統 SERP 的位置與點擊研究來補洞。Backlinko 的點閱率統計描述的是老式結果版面下「排得越前面、被點得越多」的規律，讀它是為了理解既有的搜尋行為；把那套比例移植成「AI 點閱率基準」，就越出了研究能背書的範圍。研究能講什麼、不能講什麼，先把線畫好，數字才派得上用場。

替代做法很樸素：兩份報表放進同一份文件並排，各自標註口徑，把算不出來明寫在結論裡。兩邊資料放同一頁對照可以，接成一條因果線不行；寫下「測不到」三個字，好過交出一個格式漂亮、來源站不住的數字。

還有一種變形：把第三方工具的「提及次數」抓來當分子或分母，宣稱補上了 GSC 缺的那一塊。第三方工具量的是它自家查詢集裡的抽樣觀測，與 GSC 的資源層曝光既不同母體、也不同計數單位，跨來源的四則運算比單來源的更站不住。要並排可以，把來源與單位標清楚；要接成算式，沒有。

三種訊號模式，三種對應的下一步

數字出來後，用三個提問驅動判讀：哪些頁面開始露出？變化集中在哪個日期或市場？與一般搜尋的趨勢同向還是背離？頁面、國家、裝置會在回答這些問題時自然用到，不必排成固定清單。對應出來大致落在三種模式，各有各的動作。

↔ 左右捲動檢視完整表格

訊號模式	判讀	下一步
曝光集中在少數頁面	這批頁面是目前被 AI 功能選中的樣本	回讀內容品質與更新狀態，過期資訊與失靈步驟先修
曝光上升、一般點擊持平	兩條線口徑不同，變化只能並排記錄	持續觀察並回查技術狀態，不對外宣稱因果
報表長期空白	空白只說明沒有可呈現的資料，成因還是待查假設	回到前面把症狀分開查一遍，先不急著改寫內容

裝置與國家不是制式的巡檢站。行動占比特別高的分布，提醒你先看行動版面的可讀性與速度；某個市場突然升溫，先查那個市場的內容版本與當地競爭。維度要服務提問，不是每期照單全刷一遍。

一個容易踩的坑：查詢欄位在這份報表裡不存在，你無從得知是哪一次搜尋觸發了曝光。抽樣搜尋可以看當下畫面，但那只是快照；記下查詢字、語言、地區、裝置，之後用相同條件回測，比硬替數字編一個查詢故事可靠。內容回讀也有優先序：數字過期、步驟失靈、來源或限制條件缺席的先修，這些修正對讀者一定有用，對曝光有沒有幫助則沒人能保證。可信度的檢查方法，可以套用內容可信度的檢查框架，逐項打勾再動手。

把模式套進一次四週觀察：假想例

用一個假想資源把前面的模式走一遍，例中數字與網站皆為虛構，僅示範判讀順序。第一週，報表空白：先回帳號層與資料層查一輪，權限正常、區間也拉長了，就記錄在案，不動內容。第二週，兩個頁面出現個位數曝光：這是「曝光集中在少數頁面」的模式，把兩頁的索引狀態與更新日期抄下來，仍不急著改寫。第三週，原本兩頁的曝光翻倍，又多了一個新頁面，一般成效的點擊數持平：曝光上升而點擊持平的組合成立，動作是回讀三頁的內容品質與技術狀態，並把並排觀察寫進當期記錄。第四週收尾，能對外講的只有事實側：哪些頁面、從哪週起、趨勢如何；翻倍兩個字可以寫進記錄，流量承諾不行。這四週的價值不在於抓到什麼因果，而在於每一週都把能證明的事實與待查的假設分開記錄；下一次有人問 AI 有沒有影響，你翻的是記錄，不是印象。

隔壁的儀器：GA4 與第三方工具量的是別的東西

Search Console 之外，你手上至少還有兩種資料：GA4 記錄真的進站的造訪，第三方工具用自訂查詢集做抽樣監測。它們與生成式 AI 報表各量各的，可以並排對照，不能合併成一個 AI 總成績。判讀任何一格資料前，先問它的單位是什麼，再問數字多少。三種資料擺在同一張桌上，比的是方向與節奏，不是絕對值。

GA4 的邊界要寫清楚。預設的分組規則把這類造訪歸入自然搜尋：凡從 AI Overviews、AI Mode 進站、不屬於廣告的點擊，都落在 Organic Search 這一欄（管道分組說明），常見的來源與媒介組合是 google／organic，AI 功能沒有專屬的預設值（流量來源維度定義）；後來新增的 AI Assistant 管道，收錄的是 AI 助理類來源，來自 Google 搜尋內 AI 功能的造訪被明確排除在外（更新公告）。所以針對 Google 搜尋裡的 AI 功能，手動建區隔也拆不出專屬數字，referrer 標記更沒有長期保證；其他 AI 助理的造訪，反而可以在 AI Assistant 管道裡觀察。追蹤設定的完整拆法，見GA4 追蹤 AI 流量的設定指南；判讀時記住一句話，GA4 量的是進站之後，不是 AI 之中。

↔ 左右捲動檢視完整表格

資料來源	量測單位	能回答	不能回答
生成式 AI 報表	AI 功能裡的連結曝光次數	哪些頁面的連結被顯示	點擊、查詢、採用程度
一般成效報表	整體搜尋的曝光與點擊	查詢主題與整體趨勢	哪一筆來自 AI 功能
GA4	進站後的工作階段與轉換	使用者行為與成果	Google 搜尋內 AI 功能的專屬拆分
第三方工具	自訂查詢集的抽樣觀測	跨平台抽樣比較	自家網站的完整分布

第三方工具怎麼認定「提及」與「引用」，各家有一套說法，查詢集、地區、時間也各挑各的；挑選與比價可以看GEO 工具的評比，依監測對象不同，也有跨 AI 平台的監測工具可用。背景數據能提供比例感：Ahrefs 掃過約 140 億個頁面的那份研究以流量估算推算，樣本中 96.55％ 的頁面測不到來自 Google 自然搜尋的流量；樣本取自 Ahrefs 自家索引的頁面，估算不等於實測，數字當參考座標即可。Statista 長期追蹤的行動流量占比，可以當裝置維度的背景參考，但它量的是全網站流量，不是搜尋、更不是 AI 功能裡的分布。兩者都代替不了自家報表的分布。常用 Ahrefs 的人還會遇到Brand Radar 與 Site Explorer 數字對不上的情況，或想看Brand Radar 與 GSC 的互補讀法，原因相同：單位不同，別硬比。

介面名詞對照：報表裡的英文在說什麼

報表介面可能以英文呈現，初次接觸時先把幾個關鍵名詞對上，判讀會快很多。以下對照以官方文件用語為準，實際畫面譯名依介面語言與版本而定。

↔ 左右捲動檢視完整表格

畫面用語	意思	判讀提醒
Impressions	曝光次數	看見或可能看見都算，單位是次不是人
Fresh data	初步資料	之後可能修正，別拿來當定案
Property	資源	一個網站或應用，報表以資源為單位開立
Search generative AI control	生成式 AI 控制設定	資源層開關，調整後生效需要幾天
Query	查詢	這份報表沒有這個欄位
Performance report	成效報表	一般搜尋的曝光與點擊都在這裡
AI Overviews	搜尋結果頁上的摘要卡	卡內附來源連結，連結露出才計曝光
AI Mode	可連續追問的搜尋模式	逐輪檢索再整合成帶連結的答覆

頁面層的資格：索引、Sitemap 與收錄條件

帳號層管報表入口，頁面層管單一頁面的資格，兩件事分開查才不會互相干擾。一個頁面要成為 AI 功能裡的支援連結，條件就三條：頁面得先進到索引、取得 Google 搜尋裡的摘要顯示資格，而且所屬資源沒被設成排除；資源被設為排除時，前面提過設定生效需要幾天。官方對此也沒有開出特殊 Schema 或 llms.txt 的要求，遇到把特殊標記講成入場券的說法，先打折扣。符合條件代表有資格被選，不代表一定被選上，這兩句話的差距，就是很多人白做工的地方。頁面層的檢查成本不高，卻能擋下最貴的錯誤：把技術問題誤判成內容問題，然後重寫一堆不必重寫的頁面。

幾個技術細節容易弄反。robots.txt 只在檢索這一關設限，拿它退出索引行不通，要退出索引得讓 Google 讀得到頁面上的 noindex；單頁的收錄狀態怎麼查，照網頁收錄的檢查步驟走一遍。結構化資料要與畫面可見內容一致，不必為 AI 另發明欄位。Sitemap 的作用是讓 Google 更快找到網址，找到不等於收錄，priority 與 changefreq 兩個欄位 Google 會直接忽略；怎麼建置與提交，參考Sitemap 的建立與提交指南。網站規模大到一定程度，檢索預算的分配會開始影響重要頁面被發現的速度，那時再往深處優化也不遲。

Entity 整理值得做：名稱統一、關係清楚、外部資料互相呼應，檢索系統更容易確認這個網站是誰、講什麼主題，方法可參考Entity SEO 的整理方法。但若宣稱照做就保證換到 AI 連結，官方文件裡找不到這句承諾。

對上呈報的說法紀律：安全句與危險句

判讀做完，還有一關：把結果講給主管或客戶聽。數字讀對、話講錯，整份分析的可信度會一起賠掉。分法很簡單，只描述可驗證的事實，不推算不存在的指標，也不替數字補故事。以下句式均為虛構示例。

• 安全句：「本季有幾個頁面的連結在 AI 功能中出現曝光，集中在行動裝置，起於某幾週，走向與一般搜尋趨勢同向。」
• 安全句：「曝光放大前，我們先回讀了這批頁面的內容與索引狀態，技術面沒有發現異常。」
• 危險句：「這季 AI 曝光翻倍，下季流量肯定跟著翻倍。」（把曝光成長外推成流量承諾，沒有任何機制保證）
• 危險句：「我們的 AI 點閱率是某個數字。」（GSC 的任何報表都沒有這個指標，也拼不出來）
• 危險句：「報表空無一物，等於 Google 不採用我們的內容。」（空白只說明報表沒資料）

呈報時附上兩個限制提醒，會少掉日後的爭執：最新資料可能先標為初步、之後又修正，單一表格的上限是 1,000 列，兩者都是官方明載的規則。把限制寫在結論旁邊，資料修正時，聽的人不會覺得被騙，你的下一次判讀也更容易被採信。

呈報的版面也有講法。一頁式摘要夠用：上半頁放兩份報表的並排截圖，各自標註區間與口徑；下半頁放三個提問的答案與本期動作。截圖上直接標出初步資料的虛線範圍，讀的人不用猜哪段數字可能變動；結論欄固定一行寫下測不到的項目，空著不寫，日後就會被追問。

建立可重複的判斷迴圈：行動，或繼續觀察

一次性研究會過期，例行迴圈才有積累。做法：固定觀察區間建立基準，四到八週一期，長短依曝光規模調整；觀察頻率是自己的工作安排，官方從沒承諾資料要放多久才算定案。每期只回答三件事：露出頁面有沒有變化、同批頁面在一般成效的趨勢如何、技術與內容有沒有該修的。三個答案對應三種行動：更新內容、修復技術、或繼續觀察，每次只選一種，避免同時改太多變數而失去對照。

一頁式觀察記錄值得從第一期就建立。欄位不用多：觀察區間、套用的篩選器、圖表總數、表格加總、同批頁面在一般成效的趨勢方向，加上本期採取的動作。數字會隨初步資料修正而變動，留下當時的原始值與口徑註記，日後回看才知道結論是在哪個版本的數字上做出的；跨期比較靠的也是這份記錄，不是記憶。若團隊多人共用帳號，記錄統一放同一處並註明檢視者，口徑才不會因人而異。

回到開場的三個問題。連結有沒有被顯示，這份報表回答；有沒有被點擊、有沒有進站，一般成效報表與 GA4 看得到整體輪廓，拆不出 AI 專屬的那一份；有沒有被採用，官方報表驗證不了模型內部怎麼使用你的內容，第三方工具至多抽樣推估，答案只能誠實保留。這份報表是露出偵測器，不是成績單；資料並排、口徑保留、行動有據，判讀會一期比一期準。算不出 AI 點閱率不是缺口，硬算才是；界線講得越清楚，判讀越站得住。要把它放進更大的盤面，接著讀怎麼佈局生成式搜尋優化。