AI 搜尋中的品牌能見度

越來越多人在做決定之前，先問 AI：「這類服務哪家比較適合？」「這個品牌可靠嗎？」。問題是，品牌在這些回答裡到底有沒有被提到、被怎麼描述，多數企業其實沒有系統性的答案，多半只是某個人偶然試了一次。這篇文章不是研究報告，而是研究設計：我們打算回答什麼問題、怎麼蒐集、怎麼記錄、怎麼判讀、哪些地方可能出錯。目前尚未公布任何研究結果；等一個研究回合完整做完、經過檢查之後，發現才會另行公開。

我們想回答的問題與為什麼重要

主要問題只有一個：當真實顧客用自然語言詢問與某品牌相關的問題時，不同 AI 引擎的回答會不會提到這個品牌、提到的方式是否正確？這個問題之所以重要，是因為 AI 回答常常直接給出短名單，顧客不一定會再點進網站；沒有出現在名單裡，往往就等於沒有被考慮。

次要問題是：回答的差異來自哪裡？同一個問題換個引擎、換一天、換一種問法，結果會不會不同？如果每次都不同，單次截圖就不足以作為判斷依據。我們要先弄清楚「穩定程度」，才談得上「改善成效」。

從真實顧客問題建立提問集

提問集不由行銷人員憑空想像，而是從真實來源整理：客服與業務紀錄中的常見詢問、網站站內搜尋字詞、社群與論壇上顧客自己的用語、展會或說明會的現場提問。蒐集後去除個資，把相近的問法歸成同一個意圖，每個意圖保留二到三種自然說法，避免只測到一種措辭。

• 問題分層：認知型（這是什麼）、比較型（A 與 B 差在哪）、選擇型（我該找誰）、信任型（可靠嗎、有沒有負評）。
• 品牌詞分三組：含品牌名、只問類別不含品牌名、含競爭者名稱。
• 每題標註來源與日期，提問集改版時保留舊版，確保前後可比。
• 提問一律用顧客的語言，不使用行內術語，也不在題目裡暗示答案。

跨引擎、跨日期的執行設計

同一份提問集會送進多個主流 AI 搜尋與對話引擎，並在不同日期、不同時段重複執行。每次執行都使用乾淨的對話環境，不帶入先前對話；若引擎有登入狀態或地區設定的差異，要一併記下，因為這些都可能改變回答。

重複次數是設計的核心：同一題在同一引擎、同一天內至少重複數次，才看得出回答本身的隨機變動；跨日期重複，則看得出引擎更新或網路內容變化造成的漂移。實際次數會在研究啟動前依預算決定並寫入研究計畫，而不是事後看結果再調整。

每一筆要記錄什麼

原始回答完整保存，不做摘要取代。在原始回答之上，再依固定欄位編碼，由兩位以上的編碼者各自標註，之後比對差異。

• 是否提及品牌（有、無、僅間接提及）與提及時的位置（第幾個被列出、是否為首選推薦）。
• 描述正確度：服務範圍、地點、價格區間、成立資訊等事實是否與品牌官方資料一致，錯誤分為過時、混淆、捏造三類。
• 引用來源：回答附上的連結網域，分成品牌自有、第三方媒體、評論平台、百科類、未知。
• 語氣：正面、中性、負面，並附上判斷依據的原句。
• 環境資訊：引擎名稱與版本、日期時間、語言、地區、是否登入、提問編號與重複序號。

如何判讀與評分

我們不打算把所有欄位壓成一個神秘的總分。比較可靠的做法是分開呈現幾個直觀指標：提及率（被提到的次數占總次數的比例）、首位率、描述正確率、來源自有率。每個指標都附上重複之間的變動範圍，讓讀者看到的是「大約落在哪個區間」，而不是一個看似精準的點數。

描述正確度以品牌官方資料作為對照基準，但官方資料本身也可能過時，所以編碼者遇到不確定時標記為「待查」，而不是硬判對錯。評分規則在研究前寫定、研究期間不改；如果必須修改，會註記修改日期與原因，並以新舊兩種規則各算一次。

要檢驗的影響因素

看到結果之後，才是真正有用的部分：為什麼某個品牌被提到、另一個沒有？我們列出幾個可以檢驗的因素，但在資料出來之前，它們都只是假設，不是結論。

• 結構化資料：網站是否以標準方式標示組織、服務、常見問答等資訊。
• 問答頁面：是否有直接、簡短、用顧客語言回答常見問題的頁面。
• 第三方來源：是否被獨立媒體、產業名錄、評論平台或百科類資料描述。
• 名稱一致性：品牌名稱、地址、服務名稱在各處的寫法是否一致，是否與別的組織混淆。
• 內容更新：官方頁面的資訊是否即時，是否有明確的更新日期。

要注意相關不等於因果。即使發現某因素與較高的提及率同時出現，也要看是否有其他共同原因，例如規模較大的組織同時擁有較多資料與較多報導。

修正的優先順序與重測

發現問題後，修正項目依三個維度排序：影響多少個高價值提問、修正的成本與可控性、見效的可能性。最先處理的通常是事實性錯誤與名稱混淆，因為它們直接傷害信任，而且多半可以靠更新官方頁面或更正第三方資料來處理。

每次修正後，用同一份提問集、同樣的引擎重測，並與修正前的區間比較。如果變化落在原本的隨機變動範圍之內，就不宣稱有改善。重測時程也要事先規劃，因為內容被引擎重新讀取需要時間，過早重測只會得到沒有意義的結果。

限制、偏誤與公開方式

這個方法有幾個明確的限制。AI 引擎的回答會隨時間改變，研究結果只代表特定日期的樣本；我們只能測試自己想到的問題，而真實顧客的問法永遠更多；編碼者的主觀判斷，特別是語氣與正確度，會帶入誤差；不同引擎的使用者規模不同，簡單平均並不等於真實的曝光。另外，品牌方自己做的測試容易偏向看到想看的結果，所以我們會保留原始回答與編碼紀錄，供第三方覆核。

公開方式上，每個研究回合完成後，我們會發布完整的方法、提問集分層摘要（去除可識別個資與客戶資訊）、指標與區間、限制說明，以及哪些發現不夠穩定而不下結論。在那之前，本頁只是設計說明，沒有任何數字應被當作研究發現。

先弄清楚看得到多少、看得準不準，再談怎麼變好；沒做完的研究，就老實說還沒有結果。