AI搜尋的商業價值最後還是要靠歸因分析才能被看見

Google 的 AI Overviews 已經不是搜尋結果頁上的小實驗。TLDR Marketing 在 2026 年 8 月 19 日整理 Search Engine Land 一份追蹤九個月、超過 5.1 萬次事件的資料時指出，AI Overviews 帶來的流量已占樣本中 7.53% 的自然搜尋 sessions，但其中有 22.4% 被錯誤歸到 Direct。這兩個數字放在一起，比「AI 搜尋正在崛起」更有意思：企業努力讓內容被 AI 看見之後，第一個碰到的管理問題，往往不是怎麼再多拿一個 citation，而是這些曝光、點擊與最後的商業結果，到底算誰的功勞。

這其實是數位行銷最古老的問題，只是換了一個新入口。二十年前做 SEO，大家追 keyword ranking、organic traffic 和 conversion；後來社群、內容行銷、retargeting、跨裝置和 privacy policy 讓 customer journey 越來越碎，歸因模型也從 last click 一路走到 multi-touch、data-driven attribution。現在 AI Search 又把更多互動搬到網站之外：使用者先在 AI Overview、AI Mode、ChatGPT、Perplexity 或 Gemini 裡得到答案，可能看過品牌、讀過一段被引用的內容，甚至已經形成偏好，卻根本沒有點進網站。等他幾天後直接搜尋品牌名、打開 App 或走進門市，傳統分析工具看到的往往只剩最後一段。

因此，GEO 與 AI SEO 真正困難的地方，不只是如何提高能見度，而是它們把「影響」和「可觀測行為」之間的距離拉得更遠。

GEO 和 AI SEO 不是完全一樣的詞

GEO 是 Generative Engine Optimization 的縮寫。2023 年一篇題為《GEO: Generative Engine Optimization》的研究，把它定義成針對 generative engines 的內容可見度最佳化：傳統搜尋引擎回傳一串連結，生成式搜尋則把多個來源整理成一個答案，內容創作者因此不只競爭排名，也競爭自己是否被檢索、被引用，以及自己的資訊是否真正進入最後生成的答案。

AI SEO 則比較像市場上的廣義用語。有人用它指「針對 AI 搜尋做 SEO」，有人把 AEO、GEO、AI Overview optimization、LLM visibility 全部包在一起。Google 自己在 2026 年發布的 generative AI search 指南裡，反而刻意淡化這種新名詞的差異。Google 明確說，AEO 和 GEO 是市場上常見的名稱，但從 Google Search 的角度來看，為生成式 AI 搜尋最佳化仍然屬於 SEO，核心依舊是可被搜尋系統取得、內容有用、可信、原創、結構清楚，而且頁面本身具備良好體驗。

這個差異很重要，因為它提醒企業不要太快把 GEO 當成一套完全獨立的新魔法。Google 的 AI Overviews 和 AI Mode 仍然依靠搜尋索引、ranking systems、retrieval-augmented generation 和 query fan-out 去找資料。傳統 SEO 的 technical foundation 沒有消失，內容能不能 crawl、index、被理解，仍然是進 AI 答案之前的第一道門。

但 GEO 仍然帶來新的競爭單位。SEO 最熟悉的是「我排第幾名」，生成式搜尋更像「我有沒有出現在回答裡」、「我的哪一段被拿來支持結論」、「品牌名稱有沒有被提到」、「AI 是引用我的原始內容，還是引用另一個網站轉述我的內容」。這也是為什麼單純把 keyword ranking dashboard 換個名稱，並不能真的管理 AI Search。

能見度變多了，追蹤反而可能更少

這次 5.1 萬次事件資料最有意思的地方，是 22.4% 的 AI Overview 相關事件被歸到 Direct。GA4 對 Direct 的定義，本來就是「沒有清楚 referral source 的流量」。使用者真的手打網址只是其中一種情況；UTM 遺失、redirect、app 跳轉、ad blocker 或 referrer 資訊沒有被帶過來，都可能讓流量掉進 Direct。

AI 搜尋讓這個黑洞更麻煩。傳統 Google organic click 至少通常還能留下 google / organic；生成式答案裡的連結有時會帶不同型態的深層連結、文字片段或中介跳轉，不同裝置與介面又可能傳遞不同 referrer。更重要的是，即使 click 能被辨認，AI 對消費者真正的影響也可能發生在 click 之前。

例如一個人問 AI「三歲小孩適合哪種無螢幕播放器」，回答裡可能引用三個網站、提到四個品牌。使用者沒有點任何連結，只記住其中一個品牌。兩天後他直接到電商平台搜尋品牌名並購買。從一般 web analytics 看，AI 的 contribution 是零；從消費者決策過程看，AI 很可能是最早的品牌發現來源。

這就是 AI Search 帶來的歸因矛盾：越能在網站外直接回答問題，越可能降低 click；越降低 click，企業越難用 click-based attribution 證明自己在 AI 裡的投資有效。

Google 在 2026 年開始測試獨立的 Generative AI performance report，這算是重要進步。Search Console 可以讓部分網站看到 AI Overviews 與 AI Mode 的 impressions，並依 page、country、device、date 分析。問題是 impressions 仍然只是曝光層。它能回答「哪些頁面被 AI Search 顯示」，卻不能單獨回答「這次曝光有沒有促成後續 conversion」。

歸因分析不能再只靠一條 session path

如果 AI Search 只增加一個新的 referral source，事情其實很好辦，新增一個 channel group 就結束。但它不是單純的新流量來源，而是一個可能在網站外完成大量資訊消化的介面。這使得「source / medium → session → conversion」這條熟悉的分析鏈開始不夠用。

企業至少要把三個層次分開。

第一層是 visibility attribution，也就是品牌和內容究竟在哪些 AI answers 裡出現。這一層要追的是 impressions、mentions、citations、share of voice、被引用的 page，以及哪些 query 或 prompt 會觸發品牌。Google Search Console 新的 Generative AI report 可以補 Google 自家搜尋的 exposure，但 ChatGPT、Perplexity、Gemini 等其他環境仍需要第三方監測、抽樣 prompt tracking 或自建測試。

第二層是 traffic attribution，也就是有多少人真的從 AI environment 點進網站。這一層可以看 referrer、landing page、UTM、custom channel group，以及必要時透過 GTM 額外捕捉特定 landing signal。但這些方法都不能被誤認為完整真相。某些技術訊號可能隨產品介面更新而失效，而且 AI Overview、Featured Snippet、People Also Ask 有時也會共用類似的 URL 行為。能抓到的只是 identifiable traffic，不是全部 AI influence。

第三層才是 business attribution。這一層要回答 AI exposure 是否提高 branded search、direct traffic、lead quality、conversion rate、repeat purchase 或 offline sales。到了這裡，單純 last click 幾乎一定會低估 AI Search，因為 AI 很可能處於 discovery 或 consideration 階段，真正 conversion 發生在完全不同的 channel。

所以，AI Search 的歸因不該幻想找到一個完美的新 UTM parameter，而是要重新接受一個現實：有些 marketing effect 只能用「多種不完整訊號拼在一起」估計。

最值得優化的可能不是 citation 數量

一旦把歸因分成三層，GEO 的優化邏輯也會改變。

如果只看 visibility，團隊很自然會追 citation count：哪一篇文章被 AI 引用最多，就繼續做更多類似內容。但 citation 本身不一定等於商業價值。價格比較頁、路線、規格表、FAQ、定義與結構化比較資料很容易被生成式搜尋拿來回答問題，卻不代表這些頁面一定帶來最高 conversion。反過來，有些內容可能 citation 不多，卻出現在購買意圖極高的 prompt 裡，價值反而更大。

因此更好的做法，是把 prompt intent 和 business outcome 接起來。可以把 AI Search query 或監測 prompt 分成 awareness、comparison、purchase consideration、service、troubleshooting 等意圖，再觀察每一類對 branded search、site visit、lead 和 conversion 的後續變化。這和傳統 keyword funnel 的邏輯相似，但單位從 keyword 擴大成 AI answer context。

內容更新也不該只追「被引用機率」。TLDR 摘要提到，過時內容會失去 citation share，而價格、travel time、route、HTML comparison table 等具體資訊比較容易被引用。這提醒內容團隊，AI Search 需要的是可被重新組合的 evidence。數字要有日期，價格要能更新，規格要清楚，定義要明確，表格內容要和正文一致。Google 也特別強調 structured data 應與 visible text 相符，但沒有任何特殊的 AI schema 可以保證進入生成式答案。

真正的優化循環不是「寫更多 AI-friendly 文章」，而是：找出哪些 prompt 有商業價值，確認品牌在哪些答案中缺席，分析競爭對手是靠原始內容、第三方媒體、論壇還是產品資料被引用，再更新最有可能改變答案品質的 evidence，最後看 visibility、traffic 和 business outcome 是否一起改善。

歸因模型最後還是要回到實驗

當 customer journey 愈來愈多發生在平台內部，單靠 observed path 的歸因一定會有極限。這其實和 Facebook、YouTube、Podcast、戶外廣告甚至口碑一樣：使用者可能受到影響，卻不留下可以被逐次追蹤的 click。

這時最有價值的不是把 attribution model 做得越來越複雜，而是補上 experimentation。企業可以選一組內容或產品類別做 GEO 強化，另一組維持原狀，觀察一段時間後 branded search、organic conversion、direct conversion、AI citation share 是否出現差異；也可以依市場、語言、品牌、產品線做 holdout 或 geo test。若公司規模夠大，還可以把 incrementality test 和 media mix modeling 放進來。

這些方法不會告訴你「某一筆訂單有 17% 是 AI Overview 的功勞」，卻比較有機會回答管理真正想知道的問題：如果我不做這些 GEO 與 AI SEO 工作，生意會少多少？

GA4 的 data-driven attribution 仍然有用，它可以在已被觀測到的 touchpoints 之間分配 conversion credit；但它無法對根本沒有被觀測到的 AI exposure 自動分配功勞。這是所有 attribution model 的共同限制。模型可以重新分配看得到的訊號，不能憑空恢復沒有被收集的訊號。

因此，AI Search 最後會逼行銷團隊把「歸因」和「衡量」重新分開。歸因是在已知 touchpoints 間分配功勞；衡量則是判斷某個策略有沒有造成增量結果。當第一件事愈來愈難，第二件事反而更重要。

從排名思維走到證據思維

GEO 和 AI SEO 最容易被賣成另一套排名遊戲：多做 FAQ、多放 schema、多寫長尾問題、買工具每天追 AI citation。但 Google 2026 年的官方指南其實說得很克制，沒有特殊 markup 能保證 AI visibility，也不需要為了 AI 把內容切成碎片；真正重要的仍然是內容是否具有獨特價值、技術上能被搜尋系統取得，而且提供清楚、可信、可以被使用的資訊。

這意味著 AI Search 的競爭最後可能比傳統 SEO 更接近 evidence competition。當使用者問「哪個方案比較便宜」、「哪家店比較近」、「哪個產品適合某種需求」，生成式系統必須找到足夠可靠的資料來支撐回答。企業若只會寫品牌形象文章，卻沒有清楚價格、規格、比較、使用條件、服務範圍與持續更新的第一方資料，很難要求 AI 憑空替它說出具體優勢。

但 evidence 做得再好，如果最後完全不知道它對商業結果有沒有影響，就很容易重演二十年前 SEO 的另一個老問題：團隊拿著漂亮的 ranking 和 traffic 報表，卻回答不了營收到底多了多少。

所以 AI Search 並沒有消滅 attribution，它只是把 attribution 的缺口放大。企業未來需要同時管理四種東西：傳統 SEO 的 crawl 與 index、GEO 的 citation 與 answer visibility、analytics 的 identifiable traffic，以及實驗設計所估出的 incremental business impact。任何一個單獨拿出來，都不足以證明成效。

AI 搜尋看起來把答案往前搬了一步，讓使用者更少需要點進網站；對行銷管理而言，這反而要求衡量往後走得更深。最後最值得優化的，不是 AI 引用了你多少次，而是那些原本看不見的引用、提及與答案，能不能被合理連回品牌搜尋、顧客行為與真正的收入變化。